Емисиите от изчисления на изкуствен интелект произтичат от енергоемки клъстери от графични процесори, обучаващи големи модели, докато емисиите от традиционните облаци идват от центрове за данни с общо предназначение, изпълняващи ежедневни натоварвания. Натоварванията с изкуствен интелект консумират драстично повече енергия на задача, но традиционните облаци работят в много по-голям общ мащаб.
Въглероден отпечатък, генериран от обучението и изпълнението на модели с изкуствен интелект на специализиран хардуер като графични процесори (GPU) и процесори за обработка на данни (TPU).
Въглеродни емисии, произведени от центрове за данни с общо предназначение, хостващи уебсайтове, приложения, бази данни и корпоративен софтуер.
| Функция | Изчисляване на емисиите от изкуствен интелект | Традиционни емисии от облаци |
|---|---|---|
| Основен хардуер | Графични процесори (GPU) и TPU (AI ускорители) | Процесори и сървъри с общо предназначение |
| Мощност на шкаф | 30 до 80 kW на шкаф | 5 до 15 kW на шкаф |
| Енергия на задача | Изключително високо (обучение на модел = тонове CO2) | Умерено (варира в зависимост от натовареността) |
| Охлаждаща нужда | Много високо, често течно охлаждане | Въздушното охлаждане обикновено е достатъчно |
| Тип натовареност | Обучение на модели и изводи | Уеб хостинг, бази данни, SaaS приложения |
| Коефициент на използване | Често от 30 до 50 процента | Обикновено от 40 до 60 процента |
| Приемане на възобновяема енергия | По-нисък процент, бърз растеж | По-висок процент, от 60 до 90 процента в някои региони |
| Траектория на растежа | Експлозивно, удвоява се на всеки няколко месеца | Постоянно, приблизително от 10 до 20 процента годишно |
| Разход на вода | Високо (охлаждане на AI чипове) | Умерено (традиционно охлаждане) |
Изчисленията с изкуствен интелект работят на масивно паралелни процесори, проектирани за матрична математика, а тези чипове консумират сериозна мощност. Един NVIDIA H100 може да консумира 700 вата при пълно натоварване, а стелажи, пълни с осем от тях, могат да достигнат 50 kW или повече. Традиционните облачни сървъри, за разлика от тях, консумират енергия по-скромно, често работейки на процесори, които са ефективно в режим на празен ход и се справят с различни натоварвания, без да се нуждаят от постоянна максимална пропускателна способност. Само хардуерната разлика прави натоварванията с изкуствен интелект няколко пъти по-енергоемки на единица работа.
Когато изследователите измериха емисиите от обучението на големи езикови модели, числата бяха потресаващи. Еднократно обучение на модел с размерите на GPT-3 може да изхвърли стотици тонове CO2 еквивалент. Традиционните облачни задачи, като например обслужване на уеб страница или изпълнение на заявка към база данни, генерират малка част от това на заявка. Традиционните облачни задачи обаче работят със значително по-голям обем, така че кумулативният отпечатък в крайна сметка е сравним в абсолютни стойности, дори ако емисиите на задача изглеждат много различни.
Графичните процесори генерират интензивна топлина, което означава, че центровете за данни с изкуствен интелект често се нуждаят от течно охлаждане или дори потапящи системи, за да поддържат температурите управляеми. Този процес на охлаждане консумира огромни количества вода и електричество. Традиционните облачни съоръжения разчитат предимно на въздушно охлаждане и чилъри, които използват по-малко вода и енергия. В региони, предразположени към суша, като Аризона, нуждите от вода на центровете за данни с изкуствен интелект вече предизвикаха съпротива от страна на общността и регулаторен контрол.
Традиционните облачни гиганти като Google и Microsoft са прекарали години в закупуване на договори за възобновяема енергия и подписване на споразумения за покупка на електроенергия, за да направят своите мрежи по-зелени. Операциите, фокусирани върху изкуствения интелект, често по-нови и изградени специално за хипермащабно обучение, не винаги са имали еднакво предимство. Въпреки това, компании като CoreWeave и Lambda Labs все по-често разполагат съоръжения в близост до евтини възобновяеми източници, като водноелектрически централи в северозападната част на Тихия океан, за да компенсират огромното си потребление на енергия.
Търсенето на изчисления, свързани с изкуствен интелект, нараства с темпове, които традиционният растеж на облачните технологии никога не е успявал да постигне. Някои анализатори смятат, че потреблението на енергия, свързано с изкуствен интелект, може да се утрои до 2030 г., водено от по-големи модели и широко разпространено внедряване на изводи. Развитието на традиционните облачни технологии, макар и все още здравословно, следва по-предсказуема крива, обвързана с разходите за корпоративни ИТ. Това означава, че емисиите от изкуствен интелект биха могли да надминат емисиите от традиционните облачни технологии в определени региони през следващото десетилетие, ако подобренията в ефективността не се движат в крак с темпото.
Само обучението на ИИ произвежда значителни емисии, докато изводът е по същество безплатен.
Всъщност, изводът е причина за по-голямата част от въглеродния отпечатък на изкуствения интелект през целия му живот, защото се случва милиарди пъти дневно в различните внедрени модели. Една заявка в ChatGPT използва приблизително 10 пъти повече енергия от традиционното търсене в Google, а тези заявки се натрупват бързо.
Традиционните облачни центрове за данни вече са въглеродно неутрални.
Въпреки че големите доставчици са обещали цели за нулеви нетни емисии, повечето все още разчитат частично на изкопаеми горива, особено в региони с ограничена инфраструктура за възобновяеми източници. Твърденията за въглеродна неутралност често разчитат до голяма степен на компенсации, а не на действителна чиста енергия, захранваща сървърите.
Работните натоварвания с изкуствен интелект са по-ефективни от традиционните облачни технологии, защото са по-нова технология.
По-ново не означава автоматично по-екологично. Хардуерът с изкуствен интелект е много по-енергоемък на чип, а огромният мащаб на изчисленията, необходими за обучение и изводи, прави натоварванията с изкуствен интелект значително по-въглеродно интензивни на задача, отколкото повечето традиционни облачни операции.
Преминаването към облака автоматично намалява емисиите на компанията.
Миграцията към облак може да помогне чрез консолидиране на работните натоварвания и подобряване на използването, но не елиминира емисиите. Електричеството все още трябва да идва отнякъде и ако облачният регион работи на въглища или газ, въглеродният отпечатък просто се измества, вместо да се свива.
Всички центрове за данни използват приблизително еднакво количество енергия, независимо от това, с какво работят.
Плътността на мощността варира значително. Център за данни, фокусиран върху изкуствен интелект, може да използва от 30 до 80 kW на шкаф, докато традиционен облачен център може да използва само от 5 до 15 kW на шкаф. Тази 5-кратна разлика в плътността на мощността се превръща директно в много различни нужди от охлаждане и профили на емисиите.
Ако избирате между двете по отношение на въздействието върху околната среда, традиционният облак в момента печели по отношение на ефективността на задача и приемането на възобновяема енергия, но изчисленията с изкуствен интелект наваксват бързо, тъй като доставчиците се надпреварват да „озеленят“ своите графични процесори. За организациите, внедряващи изкуствен интелект, изборът на региони с чисти енергийни мрежи и използването на ефективни модели може драстично да намали екологичния отпечатък. За традиционните потребители на облак пътят към намаляване на емисиите е по-скоро свързан с оптимизиране на натоварването и избор на доставчици със силни ангажименти за устойчивост.
A/B тестването при обслужване на модели насочва трафика между конкуриращи се версии на модели, за да измери реалната производителност, докато внедряването на един модел предоставя един модел на всички потребители. Екипите избират между тях въз основа на толерантността към риск, обема на трафика и необходимостта от статистическа валидация преди пълното внедряване.
A/B тестването при пускането на съдържание включва пускане на вариации към различни сегменти от аудиторията и измерване на ефективността, докато еднократните пускания на съдържание предлагат една версия на всички наведнъж. Всеки подход е подходящ за различни цели, като A/B тестването предпочита оптимизацията, основана на данни, а еднократните пускания дават приоритет на скоростта и простотата.
AI компаньоните се фокусират върху разговорното взаимодействие, емоционалната подкрепа и адаптивната помощ, докато традиционните приложения за продуктивност дават приоритет на структурираното управление на задачи, работните процеси и инструментите за ефективност. Сравнението подчертава преминаването от твърд софтуер, предназначен за задачи, към адаптивни системи, които съчетават продуктивност с естествено, подобно на човека взаимодействие и контекстуална подкрепа.
„ИИ слоп“ се отнася до нискоусилно, масово произведено ИИ съдържание, създадено с минимално наблюдение, докато работата с ИИ, ръководена от човек, съчетава изкуствен интелект с внимателно редактиране, режисура и творческа преценка. Разликата обикновено се свежда до качество, оригиналност, полезност и дали истински човек активно оформя крайния резултат.
Агентите с изкуствен интелект са автономни, целенасочени системи, които могат да планират, разсъждават и изпълняват задачи в различни инструменти, докато традиционните уеб приложения следват фиксирани работни процеси, управлявани от потребителя. Сравнението подчертава преминаването от статични интерфейси към адаптивни, контекстно-осъзнати системи, които могат проактивно да подпомагат потребителите, да автоматизират решенията и да взаимодействат динамично между множество услуги.
