Η τεχνητή νοημοσύνη (Τ.Ν.) είναι η μεγάλη υπόσχεση της εποχής μας. Οι προσδοκίες σκιάζονται όμως από ανησυχίες. Μια από αυτές είναι οι επιπτώσεις που μπορεί να έχει η ραγδαία εξάπλωσή της στο περιβάλλον, καθώς οι εγκαταστάσεις που απαιτούνται «διψούν» για πολύ μεγάλες ποσότητες ενέργειας, νερού και υλικών. Η χρήση της Τ.Ν. μπορεί να μοιάζει άυλη – σαν η ίδια να «κατοικεί» σε κάποιο υπολογιστικό νέφος. Στην πράξη, όμως, προϋποθέτει βαριά υποδομή, μεγάλη κατανάλωση πόρων και αμέτρητες ώρες εργασίας.
Ερευνητές του Τεχνολογικού Ινστιτούτου της Μασαχουσέτης (ΜΙΤ) έχουν υπολογίσει ότι ένα ερώτημα ChatGPT καταναλώνει περίπου πέντε φορές περισσότερη ηλεκτρική ενέργεια από μια απλή αναζήτηση στο Διαδίκτυο. Κάθε φορά που ζητάμε μια περίληψη κειμένου ή τη δημιουργία ενός κειμένου ή μιας εικόνας, υπάρχει σημαντική κατανάλωση ενέργειας. Το πρόγραμμα AI energy score υπολόγισε, για παράδειγμα, πως η παραγγελία δημιουργίας 1.000 εικόνων απαιτεί ενέργεια περίπου 519 wh (βατ την ώρα), ίση με όση απαιτείται για την πλήρη φόρτιση 25 κινητών smartphones.
«Η μεγάλη κατανάλωση ενέργειας αφορά την παραγωγική ή γενετική τεχνητή νοημοσύνη, η οποία στηρίζεται σε τεράστια γλωσσικά μοντέλα, με δισεκατομμύρια παραμέτρους. Κατανάλωση ενέργειας έχουμε όταν χρησιμοποιούμε το μοντέλο, καθώς πρέπει να δοκιμάσει πλήθος δεδομένων για να δώσει μια απάντηση, αλλά μεγάλο κόστος υπάρχει και στην εκπαίδευση των μοντέλων», εξηγεί στην «Κ» ο Γρηγόρης Τσουμάκας, καθηγητής στο Τμήμα Πληροφορικής του ΑΠΘ.
«Η τάση που επικρατεί μέχρι τώρα είναι να πάμε σε ακόμη μεγαλύτερα μοντέλα, με φόρτωση ακόμη περισσότερων δεδομένων, καθώς έτσι θεωρείται πως οι εφαρμογές Τ.Ν. θα είναι πιο αποδοτικές. Ο τρόπος που απαντούν αυτά τα μοντέλα, όμως, είναι πολύ ενεργοβόρος. Για παράδειγμα, σε μια ερώτηση μπορεί να διαμορφώσουν 10 διαφορετικές απαντήσεις, για να επιλέξουν μετά αυτή που θεωρούν καλύτερη. Κι εννοείται πως όσο μεγαλώνει η χρήση τόσο θα αυξάνεται και η κατανάλωση ενέργειας», συμπληρώνει ο κ. Τσουμάκας.
Τα κέντρα δεδομένων (data centers), τα οποία χρησιμοποιούνται για την εκπαίδευση και την εκτέλεση των μοντέλων βαθιάς μάθησης, που βρίσκονται πίσω από δημοφιλή εργαλεία όπως το ChatGPT και το DALL-E, είναι απαραίτητοι πυλώνες της Τ.Ν. Eνα κέντρο δεδομένων πρέπει να έχει κατάλληλη (ελεγχόμενη) θερμοκρασία και φιλοξενεί υπολογιστική υποδομή, όπως διακομιστές, μονάδες αποθήκευσης δεδομένων και εξοπλισμό δικτύου. Κέντρα δεδομένων υπήρχαν και πριν από την έκρηξη της Τ.Ν., αλλά τώρα είναι πλέον κάτι διαφορετικό.
Σύμφωνα με μελέτη του ΜΙΤ, ένα data center που δουλεύει για την εκπαίδευση τεχνητής νοημοσύνης μπορεί να καταναλώνει επτά ή οκτώ φορές περισσότερη ενέργεια από έναν τυπικό υπολογιστικό φόρτο εργασίας.
Οι ερευνητές υπολόγισαν ότι οι απαιτήσεις ισχύος των κέντρων δεδομένων στη Βόρεια Αμερική αυξήθηκαν από 2.688 μεγαβάτ στο τέλος του 2022 σε 5.341 μεγαβάτ στο τέλος του 2023! Σε παγκόσμιο επίπεδο η κατανάλωση ηλεκτρικής ενέργειας μόνο των data centers αυξήθηκε στα 460 τεραβάτ το 2022, περίπου όσο το σύνολο κατανάλωσης ενέργειας της Γαλλίας (463 τεραβάτ) και αρκετά πάνω από της Σαουδικής Αραβίας (371 τεραβάτ). Μέχρι το 2026 η κατανάλωση ηλεκτρικής ενέργειας των κέντρων δεδομένων αναμένεται να πλησιάσει τα 1.050 τεραβάτ!
Στα τέλη του 2024 έρευνα που χρηματοδοτήθηκε από το υπουργείο Ενέργειας των ΗΠΑ σημείωσε πως ήδη τα data centers καταναλώνουν το 4,4% της ηλεκτρικής ενέργειας της χώρας και ότι αυτή μπορεί να διπλασιαστεί ή να τριπλασιαστεί έως το 2028, από 7% έως 12%. Αλλη ανάλυση μιλάει για 15% της ηλεκτρικής ενέργειας των ΗΠΑ έως το 2028 και 4,5% της παγκόσμιας παραγωγής ενέργειας έως το 2030, αν και ο Διεθνής Οργανισμός Ενέργειας εκτιμά ένα μερίδιο περίπου στο μισό. Σε κάθε περίπτωση, τέτοιες τάσεις είναι φανερό πως απειλούν να βάλουν φωτιά στο κλίμα, με αυξημένες εκπομπές αερίων του θερμοκηπίου (στον βαθμό που η ηλεκτροδότηση των κέντρων προέρχεται και από ορυκτά καύσιμα), και απειλούν και την ενεργειακή ισορροπία.
«Είναι νωρίς για να έχουμε μια αποτίμηση του περιβαλλοντικού αποτυπώματος της τεχνητής νοημοσύνης. Το συνολικό αποτύπωμά της είναι διαρκώς αυξανόμενο, λόγω της διαρκούς επέκτασης της χρήσης της. Αυτό περιλαμβάνει την κατανάλωση ενέργειας, την κατανάλωση νερού για ψύξη των data centers, την επιπρόσθετη παραγωγή ηλεκτρονικών αποβλήτων λόγω της Τ.Ν., αλλά και το περιβαλλοντικό αποτύπωμα του αναμενόμενου 16πλασιασμού έως το 2030 της παραγωγής μονάδων επεξεργασίας γραφικών (GPUs) που βρίσκονται στην καρδιά της Τ.Ν.», λέει στην «Κ» ο Αντώνης Μαυρόπουλος, μέλος του Συμβουλευτικού Συμβουλίου του Διε-θνούς Κέντρου Περιβαλλοντικών Τεχνολογιών του Προγράμματος για το Περιβάλλον του ΟΗΕ. Για κάθε GPU χρειάζονται ενέργεια και υλικά, εξορύξεις, μεταφορές…
Υδροβόρα data centers
Μια αθέατη πλευρά είναι πως η τεχνητή νοημοσύνη «διψάει» για νερό. «Απαιτούνται τεράστιες ποσότητες νερού για την ψύξη των data centers. Μεγάλες τεχνολογικές εταιρείες, όπως η Google, η Microsoft και η Meta, έχουν ήδη αναφέρει διψήφια αύξηση στην κατανάλωση νερού (17%, 22,5% και 17% αντιστοίχως) λόγω της στροφής στην Τ.Ν. Τα data centers χρησιμοποιούν περίπου 7.100 λίτρα νερού ανά MWh ενέργειας. Σε περιοχές των ΗΠΑ, όπως η Αριζόνα όπου υπάρχει υψηλή πυκνότητα data centers, επιδεινώνεται η έλλειψη νερού σε ξηρές περιόδους. Εχει υπολογιστεί ότι σε έναν γύρο 25-50 ερωτήσεων και απαντήσεων στο ChatGPT καταναλώνεται περίπου μισό λίτρο νερού. Τα μεγάλα γλωσσικά μοντέλα υποκαθιστούν ήδη τα κλασικά προγράμματα πλοήγησης στο Διαδίκτυο, κάτι που θα οδηγήσει σε επιπρόσθετη ετήσια κατανάλωση νερού της τάξης των 383 εκατ. κυβικών μέτρων, ποσότητα που αντιστοιχεί στο νερό που πίνουν σχεδόν 330 εκατ. άνθρωποι σε ένα έτος», συμπληρώνει ο κ. Μαυρόπουλος.
«Από την άλλη πλευρά, το μοναδιαίο περιβαλλοντικό αποτύπωμα, δηλαδή για παράδειγμα οι εκπομπές διοξειδίου του άνθρακα ανά μια συγκεκριμένη εργασία, π.χ. δημιουργία μιας εικόνας, βελτιώνεται διαρκώς. Ωστόσο η βελτίωση αυτή είναι τελικά πολύ λίγη μπροστά στην τεράστια αύξηση της χρήσης της τεχνητής νοημοσύνης. Για παράδειγμα, την περίοδο 2022-2023 δημιουργήθηκαν πάνω από 15 δισ. εικόνες με Τ.Ν., που αντιστοιχούν περίπου στο 10% του συνολικού αριθμού φωτογραφιών που έχουν φτιαχτεί από την εφεύρεση της φωτογραφίας!».
Τι θα μπορούσε να γίνει; «Πρέπει να αντισταθμιστεί το γρήγορα αυξανόμενο περιβαλλοντικό αποτύπωμα της τεχνητής νοημοσύνης από μειώσεις εκπομπών. Αυτό μπορεί να γίνει είτε μέσω της αύξησης της παραγωγικότητας που μπορεί να επιφέρει η χρήση Τ.Ν. είτε μέσω των περιβαλλοντικών της εφαρμογών, που κι αυτές βρίσκονται σε φάση ραγδαίας ανάπτυξης», σημειώνει ο κ. Μαυρόπουλος.
Σχέση κόστους – οφέλους
Τη σημασία των κατακτήσεων με χρήση τεχνητής νοημοσύνης υπογραμμίζει ο Πέτρος Κουμουτσάκος, καθηγητής Υπολογιστικής Επιστήμης στο Χάρβαρντ και επισκέπτης ερευνητής στο Deep Mind στο Λονδίνο. «Είναι γνωστό πως η τεχνητή νοημοσύνη έχει υψηλές ενεργειακές απαιτήσεις, με τις ανάλογες περιβαλλοντικές επιπτώσεις. Το ερώτημα βέβαια που υπάρχει είναι πού και πώς αξιοποιείται η Τ.Ν. και ποια είναι τα οφέλη που έχουμε. Πρέπει κι αυτά να μπουν στον λογαριασμό.
Για παράδειγμα, το Νομπέλ Χημείας του 2024 απονεμήθηκε σε τρεις εξαίρετους επιστήμονες, οι οποίοι πραγματοποίησαν τεράστια βήματα στη χαρτογράφηση των πρωτεϊνών με τη χρήση τεχνητής νοημοσύνης. Πρόκειται για ένα μεγάλο ορόσημο για την ανθρωπότητα. Ξοδεύτηκε ενέργεια ή άλλοι πόροι για το ερευνητικό τους έργο; Βεβαίως, αλλά ας δούμε τι πέτυχαν. Η Τ.Ν. μπορεί να μας βοηθήσει σε μια σειρά από εφαρμογές που είναι σημαντικές για το περιβάλλον: από το πώς θα χωροθετούμε καλύτερα τις ανεμογεννήτριες και τους ηλιακούς συλλέκτες, μέχρι να χαρτογραφήσουμε τους κινδύνους για τη χλωρίδα ή τη ζωή στους ωκεανούς».
Στο μέλλον η Τ.Ν. θα είναι ένας αναγκαίος βοηθός στην καθημερινότητα του κάθε ανθρώπου, συμπληρώνει ο κ. Κουμουτσάκος. «Οφείλουμε να την αναπτύξουμε, αλλά πάντα με μεγάλη προσοχή όσον αφορά τη χρήση της και τις συνέπειες στην κοινωνία και στο περιβάλλον. Θα την παρομοίαζα με την τεράστια δύναμη της πυρηνικής ενέργειας, που μπορεί να δώσει αστείρευτη ενέργεια, αλλά έχει προκαλέσει και μεγάλα δεινά στην ανθρωπότητα. Aρα η απάντηση δεν είναι μονοσήμαντη».
