כיצד בינה מלאכותית משפיעה על הסביבה?

כיצד בינה מלאכותית משפיעה על הסביבה?

תשובה קצרה: בינה מלאכותית משפיעה על הסביבה בעיקר באמצעות צריכת חשמל במרכזי נתונים (הן בהכשרה והן בהסקה יומיומית), לצד מים לקירור, בנוסף להשפעות הגלומות של ייצור חומרה ופסולת אלקטרונית. אם השימוש יגדל למיליארדי שאילתות, ההסקה יכולה לעלות על ההכשרה; אם הרשתות נקיות יותר והמערכות יעילות, ההשפעות יורדות בעוד שהיתרונות יכולים לגדול.

נקודות מפתח:

חשמל : מעקב אחר שימוש במחשוב; פליטות יורדות כאשר עומסי עבודה פועלים על רשתות נקיות יותר.

מים : אפשרויות קירור משנות את ההשפעות; שיטות מבוססות מים חשובות ביותר באזורים נדירים.

חומרה : שבבים ושרתים נושאים השפעות מגולמות משמעותיות; מאריכים תוחלת חיים ונותנים עדיפות לשיפוץ.

התאוששות : יעילות יכולה להעלות את הביקוש הכולל; למדוד תוצאות, לא רק רווחים לפי משימה.

מנופים תפעוליים : מודלים בגודל הנכון, אופטימיזציה של הסקות ודיווח שקוף על מדדים לפי בקשה.

כיצד בינה מלאכותית משפיעה על הסביבה? אינפוגרפיקה

מאמרים שאולי תרצו לקרוא אחרי זה:

🔗 האם בינה מלאכותית מזיקה לסביבה?
חקור את טביעת הרגל הפחמנית של בינה מלאכותית, צריכת החשמל ודרישות מרכזי הנתונים.

🔗 למה בינה מלאכותית רעה לחברה?
התבוננו בהטיה, שיבושים במקומות עבודה, מידע שגוי והרחבת אי-השוויון החברתי.

🔗 למה בינה מלאכותית היא רעה? הצד האפל של בינה מלאכותית
להבין סיכונים כמו מעקב, מניפולציה ואובדן שליטה אנושית.

🔗 האם הבינה המלאכותית הגזימה?
דיונים על אתיקה, רגולציה, והיכן צריך לשים גבולות על חדשנות.

כיצד בינה מלאכותית משפיעה על הסביבה: תמונה קצרה ⚡🌱

אם אתם זוכרים רק כמה נקודות, רשמו אותן כך:

ואז יש את החלק שאנשים שוכחים: קנה מידה . שאילתת בינה מלאכותית אחת אולי קטנה, אבל מיליארדים מהן הם חיה אחרת לגמרי... כמו כדור שלג זעיר שהופך איכשהו למפולת שלגים בגודל ספה. (המטאפורה הזו קצת לא נכונה, אבל אתם מבינים.) אנרגיה ובינה מלאכותית:

טביעת הרגל הסביבתית של בינה מלאכותית אינה דבר אחד - זוהי ערימה 🧱🌎

כשאנשים מתווכחים על בינה מלאכותית וקיימות, הם לרוב מתעלמים זה מזה כי הם מצביעים על רבדים שונים:

1) חישוב חשמל

2) תקורה של מרכז הנתונים

3) מים וחום

4) שרשרת אספקה ​​של חומרה

5) התנהגות ואפקטים של ריבאונד

אז כשמישהו שואל כיצד בינה מלאכותית משפיעה על הסביבה, התשובה הישירה היא: זה תלוי באיזו שכבה מודדים, ומה המשמעות של "בינה מלאכותית" באותו מצב.

אימון לעומת הסקה: ההבדל שמשנה הכל 🧠⚙️

אנשים אוהבים לדבר על אימון כי זה נשמע דרמטי - "מודל אחד השתמש ב-X אנרגיה". אבל הסקה היא הענק השקט. IEA: אנרגיה ובינה מלאכותית

אימון (הבנייה הגדולה)

אימון הוא כמו בניית מפעל. אתם משלמים את העלות הראשונית: מחשוב כבד, זמני ריצה ארוכים, הרבה ניסוי וטעייה (וכן, הרבה איטרציות של "אופס שלא עבד, נסה שוב"). ניתן לייעל את האימון, אך הוא עדיין יכול להיות משמעותי. IEA: אנרגיה ובינה מלאכותית

הסקה (השימוש היומיומי)

הסקה היא כמו מפעל שפועל כל יום, עבור כולם, בקנה מידה גדול:

  • צ'אטבוטים עונים על שאלות

  • יצירת תמונה

  • דירוג חיפוש

  • המלצות

  • דיבור לטקסט

  • גילוי הונאה

  • טייסי משנה במסמכים ובכלי קוד

אפילו אם כל בקשה קטנה יחסית, נפח השימוש יכול לגמד את האימון. זהו המצב הקלאסי של "קש אחד הוא כלום, מיליון קש הוא בעיה". IEA: אנרגיה ובינה מלאכותית

הערה קטנה - חלק ממשימות הבינה המלאכותית כבדות הרבה יותר מאחרות. יצירת תמונות או סרטונים ארוכים נוטה לצרוך יותר אנרגיה מאשר סיווג טקסט קצר. לכן, איסוף המילה "בינה מלאכותית" בקטגוריה אחת דומה קצת להשוואת אופניים לאוניית משא ולקרוא לשניהם "תחבורה". IEA: אנרגיה ובינה מלאכותית

מרכזי נתונים: חשמל, קירור, וסיפור המים השקטים 💧🏢

מרכזי נתונים אינם חדשים, אך בינה מלאכותית משנה את העוצמה. מאיצים בעלי ביצועים גבוהים יכולים למשוך הרבה חשמל בחללים צרים, מה שהופך לחום, שיש לנהל. LBNL (2024): דוח צריכת אנרגיה של מרכזי נתונים בארצות הברית (PDF) IEA: אנרגיה ובינה מלאכותית

יסודות קירור (פשוטים, אך מעשיים)

זהו הפשרה: לפעמים אפשר להפחית את צריכת החשמל על ידי הסתמכות על קירור מבוסס מים. בהתאם למחסור במים המקומי, זה יכול להיות בסדר... או שזו עשויה להיות בעיה אמיתית. לי ואחרים (2023): הפיכת בינה מלאכותית לפחות "צמאה" (PDF)

כמו כן, טביעת הרגל הסביבתית תלויה במידה רבה ב:

למען האמת: השיח הציבורי מתייחס לעתים קרובות ל"מרכז נתונים" כאל קופסה שחורה. זה לא רע, זה לא קסום. זו תשתית. זה מתנהג כמו תשתית.

שבבים וחומרה: החלק שאנשים מדלגים עליו כי זה פחות סקסי 🪨🔧

בינה מלאכותית חיה על חומרה. לחומרה יש מחזור חיים, וההשפעות על מחזור החיים יכולות להיות גדולות. משרד ההגנה האמריקאי (EPA): תעשיית המוליכים למחצה. ITU: מוניטור הפסולת האלקטרונית הגלובלי 2024.

היכן ניכרת ההשפעה הסביבתית

פסולת אלקטרונית ושרתים "תקינים לחלוטין"

הרבה נזק סביבתי אינו נובע ממכשיר אחד קיים - אלא מהחלפתו מוקדמת מכיוון שהוא כבר לא חסכוני. בינה מלאכותית מאיצה זאת מכיוון שקפיצות הביצועים יכולות להיות גדולות. הפיתוי לרענן חומרה הוא אמיתי. ITU: מוניטור הפסולת האלקטרונית הגלובלי 2024

נקודה מעשית: הארכת חיי החומרה, שיפור הניצול ושיפוץ יכולים להיות חשובים לא פחות מכל שיפור מפואר בדגם. לפעמים הכרטיס הגרפי הירוק ביותר הוא זה שלא קונים. (זה נשמע כמו סיסמה, אבל זה גם... די נכון.)

כיצד בינה מלאכותית משפיעה על הסביבה: לולאת ההתנהגות של "אנשים שוכחים את זה" 🔁😬

הנה החלק החברתי המביך: בינה מלאכותית הופכת דברים לקלים יותר, כך שאנשים עושים יותר דברים. זה יכול להיות נפלא - יותר פרודוקטיביות, יותר יצירתיות, יותר גישה. אבל זה יכול גם להיות שימוש כולל גדול יותר במשאבים. OECD (2012): היתרונות המרובים של שיפורי יעילות אנרגטית (PDF)

דוגמאות:

  • אם בינה מלאכותית הופכת את יצירת הווידאו לזולה, אנשים ייצרו יותר וידאו.

  • אם בינה מלאכותית הופכת את הפרסום ליעיל יותר, יותר מודעות מוצגות, יותר לולאות מעורבות מסתובבות.

  • אם בינה מלאכותית תהפוך את לוגיסטיקת המשלוחים ליעילה יותר, המסחר האלקטרוני יכול להתרחב אפילו יותר מהר.

זו לא סיבה לפאניקה. זו סיבה למדוד תוצאות, לא רק יעילות.

מטאפורה לא מושלמת אך מהנה: יעילות בינה מלאכותית היא כמו לתת לנער מקרר גדול יותר - כן, אחסון המזון משתפר, אבל איכשהו המקרר מתרוקן שוב תוך יום. לא מטאפורה מושלמת, אבל... ראיתם את זה קורה 😅

היתרון: בינה מלאכותית יכולה באמת לעזור לסביבה (כאשר היא מכוונת נכון) 🌿✨

ועכשיו לחלק שלא מוערך כראוי: בינה מלאכותית יכולה להפחית פליטות ופסולת במערכות קיימות שהן... למען האמת, לא אלגנטיות. IEA: בינה מלאכותית לאופטימיזציה אנרגטית וחדשנות.

תחומים שבהם בינה מלאכותית יכולה לעזור

ניואנס חשוב: "עזרה" של בינה מלאכותית אינה מקזזת אוטומטית את טביעת הרגל של הבינה המלאכותית. זה תלוי בשאלה האם הבינה המלאכותית אכן נפרסת, אכן משמשת, והאם היא מובילה להפחתות אמיתיות ולא רק לשיפור לוחות המחוונים. אבל כן, הפוטנציאל אמיתי. IEA: בינה מלאכותית לאופטימיזציה של אנרגיה וחדשנות

מה הופך גרסה טובה של בינה מלאכותית ידידותית לסביבה? ✅🌍

זהו הסעיף "אוקיי, אז מה עלינו לעשות". מערך בינה מלאכותית טוב וידידותי לסביבה בדרך כלל כולל:

אם אתם עדיין עוקבים אחר האופן שבו בינה מלאכותית משפיעה על הסביבה, זו הנקודה שבה התשובה מפסיקה להיות פילוסופית והופכת לאופרטיבית: היא משפיעה עליה על סמך הבחירות שלכם.

טבלת השוואה: כלים וגישות שבאמת מפחיתים את ההשפעה 🧰⚡

להלן טבלה מהירה ופרקטית. היא לא מושלמת, וכן, כמה תאים קצת דעתניים... כי ככה עובדת בחירת כלים אמיתית.

כלי / גישה קהל מְחִיר למה זה עובד
ספריות מעקב אחר פחמן/אנרגיה (אומדני זמן ריצה) קבוצות ML חינמי-יש נותן נראות - שזה חצי מהמשימה, גם אם ההערכות מעט מטושטשות.. קוד פחמן
ניטור צריכת חשמל של חומרה (טלמטריה של GPU/CPU) אינפרא + למידה אלקטרונית לְשַׁחְרֵר מודד צריכה אמיתית; טוב להשוואת ביצועים (לא ראוותני אבל זהוב)
זיקוק מודל מהנדסי ML חינם (עלות זמן 😵) מודלים קטנים יותר של סטודנטים תואמים לעתים קרובות ביצועים עם עלות הסקה נמוכה בהרבה הינטון ואחרים (2015): זיקוק הידע ברשת נוירונים
קוונטיזציה (הסקה בדיוק נמוך יותר) ML + מוצר לְשַׁחְרֵר מקטין השהייה וצריכת חשמל; לפעמים עם פשרות זעירות באיכות, לפעמים ללא גולאמי ואחרים (2021): סקירת שיטות כימות (PDF)
אחסון במטמון + הסקת מסקנות של אצווה מוצר + פלטפורמה לְשַׁחְרֵר מפחית חישוב מיותר; שימושי במיוחד עבור הנחיות חוזרות או בקשות דומות
דור משופר באמצעות אחזור (RAG) צוותי אפליקציות מְעוּרָב מעביר עומס של "זיכרון" לאחזור; יכול להפחית את הצורך בחלונות הקשר ענקיים לואיס ואחרים (2020): יצירת מחקרים מוגברת באמצעות אחזור
תזמון עומסי עבודה לפי עוצמת פליטות פחמן אינפרא-תכליתי/פעיל מְעוּרָב מעביר עבודות גמישות לחלונות חשמליים נקיים יותר - דורש תיאום מדד עוצמת פחמן (GB)
מיקוד ביעילות מרכז נתונים (ניצול, איחוד) מנהיגות בתחום ה-IT בתשלום (בדרך כלל) המנוף הכי פחות זוהר, אבל לעתים קרובות הגדול ביותר - תפסיקו להפעיל מערכות חצי ריקות הרשת הירוקה: PUE
פרויקטים של שימוש חוזר בחום מתקנים זה תלוי הופך חום מבוזבז לערך; לא תמיד אפשרי, אבל כשזה אפשרי, זה די יפהפה
"האם אנחנו בכלל צריכים בינה מלאכותית כאן?" בדוק כֹּל אֶחָד לְשַׁחְרֵר מונע חישוב חסר טעם. האופטימיזציה החזקה ביותר היא לומר לא (לפעמים)

שמתם לב מה חסר? "תקנו מדבקה ירוקה קסומה." זו לא קיימת 😬

מדריך מעשי: צמצום ההשפעה של הבינה המלאכותית מבלי להרוג את המוצר 🛠️🌱

אם אתם בונים או קונים מערכות בינה מלאכותית, הנה רצף ריאלי שעובד בפועל:

שלב 1: התחל עם מדידה

  • עקוב אחר צריכת האנרגיה או הערך אותה באופן עקבי. CodeCarbon: מתודולוגיה

  • מדידה לכל ריצת אימון ולכל בקשת הסקה.

  • ניטור ניצול - משאבים שאינם פעילים נוטים להסתתר לעין. הרשת הירוקה: PUE

שלב 2: התאמת גודל המודל למשימה

  • השתמש במודלים קטנים יותר לסיווג, חילוץ וניתוב.

  • שמור את הדגם הכבד למארזים הקשים.

  • קחו בחשבון "מפל מודלים": מודל קטן תחילה, מודל גדול יותר רק במידת הצורך.

שלב 3: אופטימיזציה של הסקה (כאן קנה המידה נוגע לתוכן)

  • אחסון במטמון : אחסון תשובות לשאילתות חוזרות (עם בקרות פרטיות קפדניות).

  • אצווה : קבץ בקשות לשיפור יעילות החומרה.

  • חיבורים קצרים יותר : חיבורים ארוכים עולים יותר - לפעמים לא צריך את החיבור.

  • משמעת הנחיות : הנחיות לא מסודרות יוצרות נתיבי חישוב ארוכים יותר... וכן, יותר אסימונים.

שלב 4: שיפור היגיינת הנתונים

זה נשמע לא קשור, אבל זה לא:

  • מערכי נתונים נקיים יותר יכולים להפחית נטישה של אימון מחדש.

  • פחות רעש פירושו פחות ניסויים ופחות ריצות מבוזבזות.

שלב 5: התייחסו לחומרה כאל נכס, לא כאל פריט חד פעמי

שלב 6: בחרו פריסה בחוכמה

  • במידת האפשר, הפעל עבודות גמישות שבהן האנרגיה נקייה יותר. ממשק API לעוצמת פחמן (GB)

  • צמצום שכפול מיותר.

  • שמרו על יעדי השהייה ריאליים (השהייה נמוכה במיוחד עלולה לאלץ הגדרות לא יעילות של "פעילות תמידית").

וכן... לפעמים הצעד הטוב ביותר הוא פשוט: אל תפעילו אוטומטית את המודל הגדול ביותר עבור כל פעולה של המשתמש. ההרגל הזה הוא המקבילה הסביבתית של השארת כל אור דולק בגלל שהליכה למתג היא מעצבנת.

מיתוסים נפוצים (ומה שקרוב יותר לאמת) 🧠🧯

מיתוס: "בינה מלאכותית תמיד גרועה יותר מתוכנה מסורתית"

האמת: בינה מלאכותית יכולה להיות כבדה יותר מבחינת מחשוב, אך היא יכולה גם להחליף תהליכים ידניים לא יעילים, להפחית בזבוז ולמטב מערכות. זה תלוי מצב. IEA: בינה מלאכותית לאופטימיזציה של אנרגיה וחדשנות

מיתוס: "הכשרה היא הבעיה היחידה"

אמת: הסקה בקנה מידה גדול יכולה לשלוט לאורך זמן. אם המוצר שלך מתפוצץ בשימוש, זה הופך לסיפור המרכזי. IEA: אנרגיה ובינה מלאכותית

מיתוס: "אנרגיות מתחדשות פותרות את זה באופן מיידי"

האמת: חשמל נקי יותר עוזר הרבה, אבל לא מוחק את טביעת הרגל של החומרה, את צריכת המים או את השפעות הריבאונד. עדיין חשוב. IEA: אנרגיה ובינה מלאכותית

מיתוס: "אם זה יעיל, זה בר קיימא"

אמת: יעילות ללא בקרת ביקוש עדיין יכולה להגדיל את ההשפעה הכוללת. זוהי מלכודת ההתאוששות. OECD (2012): היתרונות המרובים של שיפורי יעילות אנרגטית (PDF)

ממשל, שקיפות, ולא להיות תיאטרלי בקשר לזה 🧾🌍

אם אתם חברה, כאן נבנה או אובד אמון.

זה החלק שבו אנשים מגלגלים עיניים, אבל זה חשוב. טכנולוגיה אחראית היא לא רק הנדסה חכמה. זה גם לא להעמיד פנים שאין פשרות.

סיכום: סיכום קצר של איך בינה מלאכותית משפיעה על הסביבה 🌎✅

האופן שבו בינה מלאכותית משפיעה על הסביבה מסתכם בעומס נוסף: חשמל, מים (לפעמים) וביקוש לחומרה. IEA: אנרגיה ובינה מלאכותית Li et al. (2023): הפיכת בינה מלאכותית לפחות "צמאה" (PDF) היא מציעה גם כלים רבי עוצמה להפחתת פליטות ופסולת במגזרים אחרים. IEA: בינה מלאכותית לאופטימיזציה של אנרגיה וחדשנות התוצאה הסופית תלויה בקנה מידה, ניקיון הרשת, בחירות יעילות, והאם הבינה המלאכותית פותרת בעיות אמיתיות או סתם מייצרת חידוש למען החידוש. IEA: אנרגיה ובינה מלאכותית

אם אתם רוצים את המסירה הפשוטה והמעשית ביותר:

  • לִמְדוֹד.

  • בגודל הנכון.

  • אופטימיזציה של הסקה.

  • הארכת חיי החומרה.

  • היו גלויים לגבי פשרות.

ואם אתם מרגישים מוצפים, הנה אמת מרגיעה: החלטות תפעוליות קטנות, שחוזרות על עצמן אלף פעמים, בדרך כלל גוברות על הצהרת קיימות גדולה אחת. קצת כמו צחצוח שיניים. לא זוהר, אבל זה עובד... 😄🪥

שאלות נפוצות

כיצד משפיעה בינה מלאכותית על הסביבה בשימוש יומיומי, לא רק במעבדות מחקר גדולות?

רוב טביעת הרגל של הבינה המלאכותית נובעת מהחשמל שמפעיל מרכזי נתונים המריצים מעבדים גרפיים ומעבדים, הן במהלך האימון והן במהלך "הסקת מסקנות" יומיומית. בקשה בודדת עשויה להיות צנועה, אך בקנה מידה גדול, בקשות אלו מצטברות במהירות. ההשפעה תלויה גם במיקום מרכז הנתונים, בניקיון הרשת המקומית וביעילות התשתית.

האם אימון מודל של בינה מלאכותית גרוע יותר לסביבה מאשר שימוש בו (הסקה)?

אימון יכול להיות פרץ חישוב גדול ומקדים, אך הסקה יכולה להפוך לטביעת הרגל הגדולה יותר לאורך זמן מכיוון שהיא פועלת באופן רציף ובקנה מידה עצום. אם כלי משמש מיליוני אנשים מדי יום, הבקשות החוזרות ונשנות יכולות לעלות על עלות האימון החד-פעמית. זו הסיבה שאופטימיזציה מתמקדת לעתים קרובות ביעילות הסקה.

מדוע בינה מלאכותית משתמשת במים, והאם זו תמיד בעיה?

בינה מלאכותית יכולה להשתמש במים בעיקר משום שחלק ממרכזי הנתונים מסתמכים על קירור מבוסס מים, או משום שמים נצרכים בעקיפין באמצעות ייצור חשמל. באקלים מסוימים, קירור באידוי יכול להפחית את צריכת החשמל תוך העלאת צריכת המים, וליצור פשרה של ממש. האם זה "רע" תלוי במחסור במים המקומי, בתכנון הקירור, ובשאלה האם צריכת המים נמדדת ומנוהלת.

אילו חלקים מטביעת הרגל הסביבתית של בינה מלאכותית מגיעים מחומרה ופסולת אלקטרונית?

בינה מלאכותית תלויה בשבבים, שרתים, ציוד רשת, מבנים ושרשראות אספקה ​​- מה שאומר כרייה, ייצור, שילוח וסילוק בסופו של דבר. ייצור מוליכים למחצה דורש אנרגיה רבה, ומחזורי שדרוג מהירים יכולים להגדיל את פליטות גזי החממה ואת הפסולת האלקטרונית. הארכת חיי החומרה, שיפוץ ושיפור הניצול יכולים להפחית משמעותית את ההשפעה, ולפעמים להתחרות בשינויים ברמת הדגם.

האם שימוש באנרגיה מתחדשת פותר את ההשפעה הסביבתית של בינה מלאכותית?

חשמל נקי יותר יכול להפחית פליטות ממחשוב, אך הוא אינו מוחק השפעות אחרות כמו שימוש במים, ייצור חומרה ופסולת אלקטרונית. הוא גם אינו מטפל באופן אוטומטי ב"אפקטים של ריבאונד", שבהם מחשוב בעלות נמוכה יותר מוביל לשימוש כולל רב יותר. אנרגיה מתחדשת היא מנוף חשוב, אך היא רק חלק אחד מחישוב האנרגיה.

מהו אפקט הריבאונד, ומדוע הוא חשוב לבינה מלאכותית וקיימות?

אפקט הריבאונד הוא כאשר שיפורי יעילות הופכים משהו לזול יותר או קל יותר, כך שאנשים עושים יותר ממנו - לפעמים מוחקים את החיסכון. בעזרת בינה מלאכותית, ייצור או אוטומציה זולים יותר יכולים להגדיל את הביקוש הכולל לתוכן, מחשוב ושירותים. זו הסיבה שמדידת תוצאות בפועל חשובה יותר מחגיגת יעילות בפני עצמה.

מהן דרכים מעשיות להפחית את ההשפעה של בינה מלאכותית מבלי לפגוע במוצר?

גישה נפוצה היא להתחיל במדידה (הערכות אנרגיה ופחמן, ניצול), לאחר מכן להתאים מודלים בגודל הנכון למשימה ולמטב את ההסקה באמצעות אחסון במטמון, עיבוד אצווה ותפוקות קצרות יותר. טכניקות כמו כימות, זיקוק ויצירה מוגברת באמצעות אחזור יכולות לצמצם את צורכי המחשוב. בחירות תפעוליות - כמו תזמון עומסי עבודה לפי עוצמת פחמן ומשכי חיים ארוכים יותר של חומרה - מניבות לעתים קרובות הישגים גדולים.

כיצד בינה מלאכותית יכולה לעזור לסביבה במקום לפגוע בה?

בינה מלאכותית יכולה להפחית פליטות ופסולת כאשר היא מיושמת כדי לייעל מערכות אמיתיות: חיזוי רשת החשמל, תגובת ביקוש, בקרת מיזוג אוויר בבניינים, ניתוב לוגיסטי, תחזוקה חזויה וגילוי דליפות. היא יכולה גם לתמוך בניטור סביבתי כמו התראות על כריתת יערות וגילוי מתאן. המפתח הוא האם המערכת משנה החלטות ומייצרת הפחתות מדידות, ולא רק לוחות מחוונים טובים יותר.

אילו מדדים צריכות חברות לדווח כדי להימנע מטענות על "גרינוושינג" (גרינוושינג) של בינה מלאכותית?

דיווח על מדדים לפי משימה או לפי בקשה משמעותי יותר מאשר רק מספרים גדולים, משום שהם מראים יעילות ברמת היחידה. מעקב אחר צריכת אנרגיה, הערכות פחמן, ניצול, וכאשר רלוונטי - השפעות מים, יוצר אחריות ברורה יותר. חשוב גם להגדיר גבולות (מה כלול) ולהימנע מתוויות מעורפלות כמו "בינה מלאכותית ידידותית לסביבה" ללא ראיות כמותיות.

הפניות

  1. הסוכנות הבינלאומית לאנרגיה (IEA) - אנרגיה ובינה מלאכותית - iea.org

  2. הסוכנות הבינלאומית לאנרגיה (IEA) - בינה מלאכותית לאופטימיזציה וחדשנות באנרגיה - iea.org

  3. הסוכנות הבינלאומית לאנרגיה (IEA) - דיגיטציה - iea.org

  4. המעבדה הלאומית לורנס ברקלי (LBNL) - דוח צריכת אנרגיה של מרכז הנתונים של ארצות הברית (2024) (PDF) - lbl.gov

  5. לי ואחרים - הפיכת בינה מלאכותית לפחות "צמאה" (2023) (PDF) - arxiv.org

  6. ASHRAE (TC 9.9) - הופעתה והתרחבותה של קירור נוזלי במרכזי נתונים מיינסטרים (PDF) - ashrae.org

  7. הרשת הירוקה - PUE - בחינה מקיפה של המדד - thegreengrid.org

  8. משרד האנרגיה האמריקאי (DOE) - FEMP - הזדמנויות יעילות מי קירור עבור מרכזי נתונים פדרליים - energy.gov

  9. משרד האנרגיה האמריקאי (DOE) - FEMP - יעילות אנרגטית במרכזי נתונים - energy.gov

  10. הסוכנות להגנת הסביבה של ארה"ב (EPA) - תעשיית המוליכים למחצה - epa.gov

  11. איגוד התקשורת הבינלאומי (ITU) - מוניטור פסולת אלקטרונית עולמי 2024 - itu.int

  12. OECD - היתרונות המרובים של שיפורי יעילות אנרגטית (2012) (PDF) - oecd.org

  13. ממשק API לעוצמת פחמן (GB) - carbonintensity.org.uk

  14. imec - הפחתת ההשפעה הסביבתית בייצור שבבים - imec-int.com

  15. UNEP - כיצד פועל MARS - unep.org

  16. משמר היערות העולמי - התראות GLAD על כריתת יערות - globalforestwatch.org

  17. מכון אלן טיורינג - בינה מלאכותית ומערכות אוטונומיות להערכת מגוון ביולוגי ובריאות המערכת האקולוגית - turing.ac.uk

  18. קוד קרבון - מתודולוגיה - mlco2.github.io

  19. גולאמי ואחרים - סקירת שיטות כימות (2021) (PDF) - arxiv.org

  20. לואיס ואחרים - דור משופר באמצעות אחזור (2020) - arxiv.org

  21. הינטון ואחרים - זיקוק הידע ברשת נוירונים (2015) - arxiv.org

  22. קוד קרבון - codecarbon.io

מצאו את הבינה המלאכותית העדכנית ביותר בחנות הרשמית של עוזרי בינה מלאכותית

אודותינו

חזרה לבלוג