• ساشا لوتشيوني، المسؤولة عن الذكاء الاصطناعي والمناخ في Hugging Face، استكشفت الأثر البيئي لنماذج الذكاء الاصطناعي وركزت على تقاطع تكنولوجيا الذكاء الاصطناعي والاستدامة البيئية، باحثة عن طرق لتقليل الأثر البيئي للذكاء الاصطناعي من خلال مقاييس أفضل وخيارات مستنيرة.
  • تستهلك نماذج الذكاء الاصطناعي، وخاصة نماذج اللغة الكبيرة مثل ChatGPT، كميات كبيرة من الطاقة أثناء تدريبها ونشرها.
  • مستوحاة من برنامج Energy Star للأجهزة المنزلية، تقترح لوتشيوني نظام تصنيف مماثل لنماذج الذكاء الاصطناعي.

الدكتورة ساشا لوتشيونيباحثة في الذكاء الاصطناعي الأخلاقي. على مدى العقد الماضي، مهدت أعمالها الطريق لفهم أفضل للآثار المجتمعية والبيئية لتقنيات الذكاء الاصطناعي. مؤخرًا، استكشفت الأثر البيئي لنماذج الذكاء الاصطناعي وركزت على تقاطع تكنولوجيا الذكاء الاصطناعي والاستدامة البيئية، باحثة عن طرق لتقليل الأثر البيئي للذكاء الاصطناعي من خلال مقاييس أفضل وخيارات مستنيرة.

1.الأثر البيئي لنماذج الذكاء الاصطناعي

تستهلك نماذج الذكاء الاصطناعي، وخاصة نماذج اللغة الكبيرة مثل ChatGPT، كميات كبيرة من الطاقة أثناء تدريبها ونشرها. يؤدي استهلاك الطاقة هذا إلى انبعاثات كربونية كبيرة، مماثلة لتلك الناتجة عن عدة سيارات على مدى عمرها الافتراضي. يمكن أن يستهلك تدريب مثل هذه النماذج طاقة بقدر ما تستهلكه عشرات الأسر الأمريكية سنويًا.

اقرأ أيضًا:True Fit تستخدم الذكاء الاصطناعي لمساعدة المتسوقين عبر الإنترنت في العثور على أفضل ملابسهم

اقرأ أيضًا:Sword Health تجمع 130 مليون دولار وتقيمتها ترتفع إلى 3 مليارات دولار

2.تطوير نظام تصنيف الطاقة للذكاء الاصطناعي

مستوحاة من برنامج Energy Star للأجهزة المنزلية، تقترح لوتشيوني نظام تصنيف مماثل لنماذج الذكاء الاصطناعي. صمم هذا النظام لمساعدة المستخدمين في اختيار النماذج بناءً على كفاءتها في استخدام الطاقة، مما يعزز استخدامًا أكثر استدامة للذكاء الاصطناعي. الهدف هو إنشاء طريقة موحدة لقياس ومقارنة استهلاك الطاقة لنماذج الذكاء الاصطناعي المختلفة لمهام مختلفة.

3.الاختبارات والنتائج الأولى

يتضمن المشروع اختبار نماذج الذكاء الاصطناعي على مهام متنوعة، بما في ذلك توليد النصوص وتصنيف الصور والتعرف على الكلام، باستخدام مجموعات بيانات موحدة. تظهر النتائج الأولى تباينًا كبيرًا في كفاءة الطاقة بين النماذج، حيث يكون بعضها أكثر استهلاكًا للطاقة من الآخرين حسب المهمة. تؤكد هذه النتائج على إمكانية التحسين وزيادة الكفاءة في نشر نماذج الذكاء الاصطناعي.

4.أدوات قياس استهلاك الطاقة

للمساعدة في تقييم الأثر البيئي، تم تطوير أدوات مثل Code Carbon. تقدر هذه الأدوات استهلاك الطاقة وانبعاثات الكربون لنماذج الذكاء الاصطناعي، مما يمكن المطورين من اتخاذ خيارات أكثر استنارة واستدامة. باستخدام هذه الأدوات، يمكن للشركات تقليل البصمة البيئية لتقنيات الذكاء الاصطناعي الخاصة بها.

5.الأعمال المستقبلية والمشاركة المجتمعية

تشمل الأعمال الجارية توسيع نظام التصنيف ليشمل المزيد من المهام والنماذج، وتحسين طرق القياس، وتشجيع ردود الفعل من المجتمع. الهدف النهائي هو التعاون مع منظمات مثلISOأوNISTمن أجل اعتماد أوسع لنشر لوحة تصنيف "Green AI Leaderboard" لمساعدة مجتمع الذكاء الاصطناعي في مقارنة واختيار النماذج بناءً على كفاءتها في استخدام الطاقة، مما يعزز نظامًا بيئيًا أكثر استدامة للذكاء الاصطناعي.