رشد روزافزون فناوری‌های مبتنی بر هوش مصنوعی (AI) و یادگیری ماشین (Machine Learning) نیازمند قدرت محاسباتی بسیار بالایی است. این قدرت محاسباتی، به ویژه در محیط‌های ابری، منجر به مصرف انرژی چشمگیری می‌شود که به نوبه خود، ردپای کربنی قابل توجهی را به همراه دارد. از آنجا که دانشمندان داده و متخصصان یادگیری ماشین اغلب دسترسی آسان و قابل اعتمادی به اطلاعات مربوط به اثرات زیست‌محیطی فعالیت‌های خود ندارند، اتخاذ راهکارهای عملی برای کاهش این اثرات با چالش مواجه می‌شود. مقاله “سنجش شدت کربن هوش مصنوعی در نمونه‌های ابری” تلاشی است در جهت ارائه یک چارچوب جامع برای اندازه‌گیری و درک بهتر این اثرات و ارائه راهکارهایی برای کاهش آنها.

این پژوهش توسط تیمی از محققان برجسته به سرپرستی Jesse Dodge، Taylor Prewitt، Remi Tachet Des Combes، Erika Odmark، Roy Schwartz، Emma Strubell، Alexandra Sasha Luccioni، Noah A. Smith، Nicole DeCario و Will Buchanan انجام شده است. نویسندگان از تخصص‌های گوناگونی در زمینه‌های هوش مصنوعی، یادگیری ماشین، محاسبات ابری و پایداری محیط‌زیست بهره می‌برند. این تنوع تخصص، به آنها این امکان را داده است تا جنبه‌های مختلف موضوع را به طور جامع مورد بررسی قرار دهند.

زمینه اصلی تحقیق، تقاطع بین محاسبات ابری، هوش مصنوعی و نگرانی‌های زیست‌محیطی است. این مقاله به دنبال پاسخ دادن به این سوال کلیدی است که چگونه می‌توانیم از قدرت محاسباتی عظیم ابر برای توسعه هوش مصنوعی بهره ببریم، در حالی که اثرات زیست‌محیطی ناشی از آن را به حداقل می‌رسانیم.

چکیده این مقاله بر اهمیت ارائه اطلاعات شفاف در مورد شدت کربن نرم‌افزار به کاربران ابری تاکید دارد. این شفافیت، گامی اساسی در جهت کاهش انتشار گازهای گلخانه‌ای ناشی از فعالیت‌های هوش مصنوعی است. مقاله یک چارچوب برای اندازه‌گیری شدت کربن نرم‌افزار ارائه می‌دهد و پیشنهاد می‌کند که انتشار کربن عملیاتی با استفاده از داده‌های حاشیه‌ای مربوط به زمان و مکان، بر اساس واحد انرژی، اندازه‌گیری شود.

در این تحقیق، شدت کربن عملیاتی نرم‌افزار برای مجموعه‌ای از مدل‌های مدرن در پردازش زبان طبیعی و بینایی کامپیوتر، با اندازه‌های مختلف، اندازه‌گیری شده است. این اندازه‌گیری‌ها شامل پیش‌آموزش یک مدل زبانی با 6.1 میلیارد پارامتر نیز می‌شود. علاوه بر این، مقاله مجموعه‌ای از رویکردها را برای کاهش انتشار در پلتفرم محاسباتی ابری Microsoft Azure ارزیابی می‌کند. این رویکردها شامل استفاده از نمونه‌های ابری در مناطق جغرافیایی مختلف، استفاده از نمونه‌های ابری در زمان‌های مختلف روز و توقف پویا نمونه‌های ابری زمانی که شدت کربن حاشیه‌ای از آستانه مشخصی فراتر می‌رود، می‌باشد.

نتایج تحقیق، یافته‌های قبلی مبنی بر نقش مهم منطقه جغرافیایی مرکز داده در شدت کربن یک نمونه ابری را تایید می‌کند. همچنین نشان داده می‌شود که انتخاب یک منطقه مناسب می‌تواند بیشترین تاثیر را در کاهش انتشار عملیاتی داشته باشد. علاوه بر این، زمان روز نیز تاثیر قابل توجهی بر شدت کربن عملیاتی نرم‌افزار دارد. در نهایت، مقاله توصیه‌هایی را برای نحوه استفاده متخصصان یادگیری ماشین از اطلاعات شدت کربن نرم‌افزار برای کاهش اثرات زیست‌محیطی ارائه می‌دهد.

روش‌شناسی این تحقیق ترکیبی از جمع‌آوری داده‌های تجربی، تحلیل آماری و مدل‌سازی است. مراحل اصلی روش تحقیق به شرح زیر است:

• تعریف چارچوب اندازه‌گیری: نویسندگان یک چارچوب جامع برای اندازه‌گیری شدت کربن نرم‌افزار تعریف می‌کنند. این چارچوب، عوامل مختلفی مانند مصرف انرژی، منبع انرژی و موقعیت جغرافیایی مرکز داده را در نظر می‌گیرد.
• جمع‌آوری داده‌های انتشار: داده‌های مربوط به انتشار کربن حاشیه‌ای (Marginal Emissions Data) بر اساس زمان و مکان، از منابع مختلف جمع‌آوری می‌شود. این داده‌ها برای محاسبه شدت کربن فعالیت‌های محاسباتی مختلف مورد استفاده قرار می‌گیرد.
• اجرای مدل‌های یادگیری ماشین: مجموعه ای از مدل‌های یادگیری ماشین مدرن، در اندازه‌های مختلف، بر روی پلتفرم ابری Azure اجرا می‌شوند. این مدل‌ها شامل مدل‌های پردازش زبان طبیعی و بینایی کامپیوتر هستند.
• اندازه‌گیری مصرف انرژی: مصرف انرژی هر مدل در حین اجرا به دقت اندازه‌گیری می‌شود.
• محاسبه شدت کربن: با استفاده از داده‌های مصرف انرژی و داده‌های انتشار کربن، شدت کربن هر مدل محاسبه می‌شود.
• ارزیابی استراتژی‌های کاهش انتشار: نویسندگان استراتژی‌های مختلفی را برای کاهش انتشار کربن ارزیابی می‌کنند. این استراتژی‌ها شامل انتخاب منطقه جغرافیایی مناسب، زمان‌بندی مناسب فعالیت‌ها و توقف پویا نمونه‌های ابری در زمان‌های اوج انتشار کربن است.
• تحلیل آماری: نتایج حاصل از اندازه‌گیری‌ها و ارزیابی‌ها با استفاده از روش‌های آماری تجزیه و تحلیل می‌شوند.

به عنوان مثال، برای ارزیابی تاثیر انتخاب منطقه جغرافیایی مناسب، نویسندگان یک مدل یادگیری ماشین را در مناطق مختلف Azure اجرا می‌کنند و شدت کربن را در هر منطقه مقایسه می‌کنند. آنها دریافتند که استفاده از مناطق با انرژی پاک‌تر (مانند مناطقی که به طور گسترده از انرژی‌های تجدیدپذیر استفاده می‌کنند) می‌تواند به طور قابل توجهی شدت کربن را کاهش دهد.

یافته‌های اصلی این تحقیق به شرح زیر است:

• منطقه جغرافیایی: منطقه جغرافیایی مرکز داده نقش بسیار مهمی در شدت کربن نمونه‌های ابری دارد. انتخاب مناطق با منابع انرژی پاک‌تر می‌تواند به طور قابل توجهی انتشار کربن را کاهش دهد.
• زمان روز: زمان روز نیز بر شدت کربن عملیاتی نرم‌افزار تاثیر می‌گذارد. در برخی ساعات روز، شبکه‌های برق ممکن است بیشتر به سوخت‌های فسیلی وابسته باشند، که منجر به افزایش شدت کربن می‌شود.
• استراتژی‌های کاهش انتشار: استفاده از استراتژی‌های کاهش انتشار مانند توقف پویا نمونه‌های ابری در زمان‌های اوج انتشار کربن می‌تواند به طور موثری ردپای کربنی فعالیت‌های هوش مصنوعی را کاهش دهد.
• مقیاس‌پذیری مدل: با افزایش اندازه و پیچیدگی مدل‌های یادگیری ماشین، مصرف انرژی و در نتیجه، انتشار کربن نیز افزایش می‌یابد.

به عنوان یک مثال ملموس، نویسندگان نشان دادند که آموزش یک مدل زبانی بزرگ در یک منطقه با انرژی پاک، می‌تواند تا 80 درصد در مقایسه با آموزش همان مدل در یک منطقه با انرژی فسیلی، انتشار کربن را کاهش دهد.

این مقاله دستاوردهای مهمی دارد و کاربردهای عملی فراوانی را ارائه می‌دهد:

• آگاهی‌بخشی: این تحقیق به افزایش آگاهی در مورد اثرات زیست‌محیطی فعالیت‌های هوش مصنوعی کمک می‌کند.
• ابزارهای اندازه‌گیری: چارچوب اندازه‌گیری ارائه شده در این مقاله می‌تواند به عنوان یک ابزار ارزشمند برای ارزیابی و مقایسه شدت کربن مدل‌های مختلف یادگیری ماشین مورد استفاده قرار گیرد.
• بهینه‌سازی: یافته‌های این تحقیق به متخصصان یادگیری ماشین کمک می‌کند تا تصمیمات آگاهانه‌تری در مورد انتخاب منطقه جغرافیایی، زمان‌بندی فعالیت‌ها و بهینه‌سازی مصرف انرژی اتخاذ کنند.
• سیاست‌گذاری: نتایج این تحقیق می‌تواند در تدوین سیاست‌های مربوط به پایداری محیط‌زیست در حوزه هوش مصنوعی و محاسبات ابری مورد استفاده قرار گیرد.

به عنوان مثال، شرکت‌های ارائه‌دهنده خدمات ابری می‌توانند از این چارچوب برای ارائه اطلاعات شفاف در مورد شدت کربن خدمات خود به کاربران استفاده کنند. این امر به کاربران این امکان را می‌دهد تا خدمات پایدارتری را انتخاب کنند و ردپای کربنی فعالیت‌های خود را کاهش دهند.

مقاله “سنجش شدت کربن هوش مصنوعی در نمونه‌های ابری” گامی مهم در جهت درک و کاهش اثرات زیست‌محیطی ناشی از فعالیت‌های هوش مصنوعی در محیط‌های ابری است. این تحقیق با ارائه یک چارچوب جامع برای اندازه‌گیری شدت کربن و ارزیابی استراتژی‌های مختلف کاهش انتشار، به متخصصان یادگیری ماشین و سیاست‌گذاران کمک می‌کند تا تصمیمات آگاهانه‌تری اتخاذ کنند و به سمت توسعه پایدارتر هوش مصنوعی حرکت کنند. شفافیت در مورد شدت کربن نرم‌افزار و ایجاد ابزارهایی برای رصد و کاهش آن، از جمله گام‌های ضروری برای مقابله با چالش‌های زیست‌محیطی ناشی از گسترش روزافزون هوش مصنوعی است. با در نظر گرفتن این موارد، می‌توان از مزایای هوش مصنوعی بهره‌مند شد، در حالی که اثرات منفی آن بر محیط‌زیست به حداقل می‌رسد.

در نهایت، این مقاله بر اهمیت همکاری بین محققان، متخصصان صنعت و سیاست‌گذاران برای ایجاد یک اکوسیستم پایدارتر برای توسعه و استقرار هوش مصنوعی تاکید می‌کند.