ചുരുക്കത്തിൽ: ഡാറ്റാ സെന്ററുകളിലെ വൈദ്യുതി ഉപയോഗം (പരിശീലനവും ദൈനംദിന അനുമാനവും), തണുപ്പിക്കാനുള്ള വെള്ളം, ഹാർഡ്വെയർ നിർമ്മാണം, ഇ-മാലിന്യം എന്നിവയുടെ പ്രത്യാഘാതങ്ങൾ എന്നിവയിലൂടെയാണ് AI പരിസ്ഥിതിയെ പ്രധാനമായും ബാധിക്കുന്നത്. ഉപയോഗം കോടിക്കണക്കിന് ചോദ്യങ്ങളിലേക്ക് ഉയരുകയാണെങ്കിൽ, പരിശീലനത്തെ അനുമാനത്തിന് മറികടക്കാൻ കഴിയും; ഗ്രിഡുകൾ വൃത്തിയുള്ളതും സിസ്റ്റങ്ങൾ കാര്യക്ഷമവുമാണെങ്കിൽ, ആനുകൂല്യങ്ങൾ വർദ്ധിക്കുമ്പോൾ ആഘാതങ്ങൾ കുറയും.
പ്രധാന കാര്യങ്ങൾ:
വൈദ്യുതി : ട്രാക്ക് കമ്പ്യൂട്ട് ഉപയോഗം; വൃത്തിയുള്ള ഗ്രിഡുകളിൽ ജോലിഭാരം പ്രവർത്തിക്കുമ്പോൾ ഉദ്വമനം കുറയുന്നു.
വെള്ളം : തണുപ്പിക്കൽ തിരഞ്ഞെടുപ്പുകൾ സ്വാധീനം മാറ്റുന്നു; ജലത്തെ അടിസ്ഥാനമാക്കിയുള്ള രീതികൾ ഏറ്റവും പ്രധാനം അപൂർവ പ്രദേശങ്ങളിലാണ്.
ഹാർഡ്വെയർ : ചിപ്പുകളും സെർവറുകളും ഗണ്യമായ പ്രത്യാഘാതങ്ങൾ ഉണ്ടാക്കുന്നു; ആയുസ്സ് വർദ്ധിപ്പിക്കുകയും നവീകരണത്തിന് മുൻഗണന നൽകുകയും ചെയ്യുക.
റീബൗണ്ട് : കാര്യക്ഷമതയ്ക്ക് മൊത്തം ഡിമാൻഡ് വർദ്ധിപ്പിക്കാൻ കഴിയും; ഓരോ ജോലിയുടെയും നേട്ടങ്ങൾ മാത്രമല്ല, ഫലങ്ങൾ അളക്കുക.
പ്രവർത്തന ലിവറുകൾ : വലത്-വലിപ്പ മോഡലുകൾ, അനുമാനം ഒപ്റ്റിമൈസ് ചെയ്യുക, ഓരോ അഭ്യർത്ഥനയുടെയും അളവുകൾ സുതാര്യമായി റിപ്പോർട്ട് ചെയ്യുക.
ഇതിനു ശേഷം നിങ്ങൾക്ക് വായിക്കാൻ ഇഷ്ടപ്പെട്ടേക്കാവുന്ന ലേഖനങ്ങൾ:
🔗 AI പരിസ്ഥിതിക്ക് ദോഷകരമാണോ?
AI-യുടെ കാർബൺ കാൽപ്പാടുകൾ, വൈദ്യുതി ഉപയോഗം, ഡാറ്റാ-സെന്റർ ആവശ്യങ്ങൾ എന്നിവ പര്യവേക്ഷണം ചെയ്യുക.
🔗 എന്തുകൊണ്ടാണ് AI സമൂഹത്തിന് ദോഷകരമാകുന്നത്?
പക്ഷപാതം, ജോലി തടസ്സം, തെറ്റായ വിവരങ്ങൾ, വർദ്ധിച്ചുവരുന്ന സാമൂഹിക അസമത്വം എന്നിവ നോക്കൂ.
🔗 എന്തുകൊണ്ട് AI മോശമാണ്? AI യുടെ ഇരുണ്ട വശം
നിരീക്ഷണം, കൃത്രിമത്വം, മനുഷ്യന്റെ നിയന്ത്രണം നഷ്ടപ്പെടൽ തുടങ്ങിയ അപകടസാധ്യതകൾ മനസ്സിലാക്കുക.
🔗 AI വളരെയധികം മുന്നോട്ടുപോയോ?
ധാർമ്മികത, നിയന്ത്രണം, നവീകരണം എവിടെ അതിരുകൾ വരയ്ക്കണം എന്നതിനെക്കുറിച്ചുള്ള ചർച്ചകൾ.
AI പരിസ്ഥിതിയെ എങ്ങനെ ബാധിക്കുന്നു: ഒരു ചെറിയ സ്നാപ്പ്ഷോട്ട് ⚡🌱
നിങ്ങൾക്ക് കുറച്ച് കാര്യങ്ങൾ മാത്രമേ ഓർമ്മയുള്ളൂ എങ്കിൽ, ഇവ ചെയ്യുക:
-
AI ഊർജ്ജം ഉപയോഗിക്കുന്നു - പ്രധാനമായും പരിശീലനത്തിനും ദൈനംദിന "അനുമാനത്തിനും" (മോഡൽ ഉപയോഗിച്ച്) GPU-കൾ/CPU-കൾ പ്രവർത്തിക്കുന്ന ഡാറ്റാ സെന്ററുകളിലാണ്. IEA: ഊർജ്ജവും AI-യും
-
പ്രാദേശിക ഗ്രിഡ് മിശ്രിതത്തെയും വൈദ്യുതി കരാറുകളെയും ആശ്രയിച്ച് ഊർജ്ജം ഉദ്വമനം എന്നാണ് അർത്ഥമാക്കുന്നത് IEA: ഊർജ്ജവും AIയും
-
ചില ഡാറ്റാ സെന്റർ സജ്ജീകരണങ്ങളിൽ തണുപ്പിക്കുന്നതിനായി AI-ക്ക് അതിശയിപ്പിക്കുന്ന അളവിൽ വെള്ളം ഉപയോഗിക്കാൻ കഴിയും Li et al. (2023): AI-യെ "ദാഹം" കുറയ്ക്കുന്നു (PDF) US DOE FEMP: ഫെഡറൽ ഡാറ്റാ സെന്ററുകൾക്കുള്ള തണുപ്പിക്കൽ ജല കാര്യക്ഷമത അവസരങ്ങൾ
-
AI ഭൗതിക വസ്തുക്കളെ ആശ്രയിച്ചിരിക്കുന്നു - ചിപ്പുകൾ, സെർവറുകൾ, നെറ്റ്വർക്കിംഗ് ഗിയർ, ബാറ്ററികൾ, കെട്ടിടങ്ങൾ... അതായത് ഖനനം, നിർമ്മാണം, ഷിപ്പിംഗ്, ഒടുവിൽ ഇ-മാലിന്യം. യുഎസ് ഇപിഎ: സെമികണ്ടക്ടർ ഇൻഡസ്ട്രി ഐടിയു: ദി ഗ്ലോബൽ ഇ-വേസ്റ്റ് മോണിറ്റർ 2024
-
ലോജിസ്റ്റിക്സ് ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിലൂടെയും, ചോർച്ച കണ്ടെത്തുന്നതിലൂടെയും, കാര്യക്ഷമത മെച്ചപ്പെടുത്തുന്നതിലൂടെയും, ഗവേഷണം ത്വരിതപ്പെടുത്തുന്നതിലൂടെയും, സിസ്റ്റങ്ങളെ പാഴാക്കുന്നത് കുറയ്ക്കുന്നതിലൂടെയും AI മറ്റിടങ്ങളിൽ പാരിസ്ഥിതിക ആഘാതം കുറയ്ക്കാൻ കഴിയും IEA: ഊർജ്ജ ഒപ്റ്റിമൈസേഷനും നവീകരണത്തിനുമുള്ള AI.
പിന്നെ ആളുകൾ മറക്കുന്ന ഒരു ഭാഗമുണ്ട്: സ്കെയിൽ . ഒരു AI അന്വേഷണം ചെറുതായിരിക്കാം, പക്ഷേ അവയിൽ കോടിക്കണക്കിന് എണ്ണം തികച്ചും വ്യത്യസ്തമായ ഒരു മൃഗമാണ്... ഒരു ചെറിയ സ്നോബോൾ പോലെ, അത് എങ്ങനെയോ ഒരു സോഫ വലുപ്പത്തിലുള്ള ഹിമപാതമായി മാറുന്നു. (ആ രൂപകം അൽപ്പം വ്യത്യസ്തമാണ്, പക്ഷേ നിങ്ങൾക്ക് മനസ്സിലാകും.) IEA: ഊർജ്ജവും AIയും
AI യുടെ പാരിസ്ഥിതിക കാൽപ്പാടുകൾ ഒറ്റപ്പെട്ടതല്ല - അതൊരു കൂട്ടമാണ് 🧱🌎
AI-യെക്കുറിച്ചും സുസ്ഥിരതയെക്കുറിച്ചും ആളുകൾ വാദിക്കുമ്പോൾ, അവർ പലപ്പോഴും പരസ്പരം മറികടന്ന് സംസാരിക്കുന്നു, കാരണം അവർ വ്യത്യസ്ത തലങ്ങളിലേക്ക് വിരൽ ചൂണ്ടുന്നു:
1) വൈദ്യുതി കണക്കുകൂട്ടുക
-
വലിയ മോഡലുകളെ പരിശീലിപ്പിക്കുന്നതിന് വലിയ ക്ലസ്റ്ററുകൾ ദീർഘനേരം കഠിനാധ്വാനം ചെയ്യേണ്ടി വന്നേക്കാം. IEA: ഊർജ്ജവും AI-യും
-
അനുമാനം (ദൈനംദിന ഉപയോഗം) കാലക്രമേണ വലിയ ഒരു കാൽപ്പാടായി മാറും, കാരണം അത് എല്ലായിടത്തും നിരന്തരം സംഭവിക്കുന്നു. IEA: ഊർജ്ജവും AIയും
2) ഡാറ്റാ സെന്റർ ഓവർഹെഡ്
-
കൂളിംഗ്, വൈദ്യുതി വിതരണ നഷ്ടങ്ങൾ, ബാക്കപ്പ് സിസ്റ്റങ്ങൾ, നെറ്റ്വർക്കിംഗ് ഉപകരണങ്ങൾ. LBNL (2024): യുണൈറ്റഡ് സ്റ്റേറ്റ്സ് ഡാറ്റാ സെന്റർ എനർജി യൂസേജ് റിപ്പോർട്ട് (PDF)
-
കാര്യക്ഷമതയെ ആശ്രയിച്ച് ഒരേ കമ്പ്യൂട്ടിന് വ്യത്യസ്ത ഓൺ-ദി-ഗ്രൗണ്ട് ഇംപാക്ട് ഉണ്ടാകാം. ഗ്രീൻ ഗ്രിഡ്: PUE—മെട്രിക്സിന്റെ സമഗ്രമായ പരിശോധന
3) വെള്ളവും ചൂടും
-
ചൂട് നിയന്ത്രിക്കാൻ പല സൗകര്യങ്ങളും നേരിട്ടോ അല്ലാതെയോ വെള്ളം ഉപയോഗിക്കുന്നു. യുഎസ് ഡിഒഇ ഫെമ്പ്: ഫെഡറൽ ഡാറ്റാ സെന്ററുകൾക്കുള്ള കൂളിംഗ് വാട്ടർ കാര്യക്ഷമത അവസരങ്ങൾ ലി തുടങ്ങിയവർ (2023): AI-യെ "ദാഹം" കുറയ്ക്കുന്നു (PDF)
-
പാഴായ ചൂട് തിരിച്ചുപിടിക്കാം, അല്ലെങ്കിൽ അത്... ചൂടുള്ള വായുവായി വിടാം. (അനുയോജ്യമല്ല.)
4) ഹാർഡ്വെയർ വിതരണ ശൃംഖല
-
ഖനന, ശുദ്ധീകരണ വസ്തുക്കൾ.
-
ചിപ്പുകളുടെയും സെർവറുകളുടെയും നിർമ്മാണം (ഊർജ്ജ-തീവ്രത). യുഎസ് ഇപിഎ: സെമികണ്ടക്ടർ ഇൻഡസ്ട്രി ഐഎംഇസി: ചിപ്പ് നിർമ്മാണത്തിലെ പാരിസ്ഥിതിക ആഘാതം കുറയ്ക്കൽ.
-
ഷിപ്പിംഗ്, പാക്കേജിംഗ്, അപ്ഗ്രേഡുകൾ, മാറ്റിസ്ഥാപിക്കൽ.
5) പെരുമാറ്റവും തിരിച്ചുവരവ് ഫലങ്ങളും
-
AI ജോലികൾ വിലകുറഞ്ഞതും എളുപ്പവുമാക്കുന്നു, അതിനാൽ ആളുകൾ അവയിൽ കൂടുതൽ ചെയ്യുന്നു. OECD (2012): ഊർജ്ജ കാര്യക്ഷമത മെച്ചപ്പെടുത്തലുകളുടെ ഒന്നിലധികം നേട്ടങ്ങൾ (PDF)
-
വർദ്ധിച്ചുവരുന്ന ആവശ്യകത കാര്യക്ഷമതയിലെ നേട്ടങ്ങളെ തിന്നുതീർക്കാൻ സാധ്യതയുണ്ട്. ഇതാണ് എന്നെ അൽപ്പം നെടുവീർപ്പിടുന്നത്. OECD (2012): ഊർജ്ജ കാര്യക്ഷമത മെച്ചപ്പെടുത്തലുകളുടെ ഒന്നിലധികം നേട്ടങ്ങൾ (PDF)
അപ്പോൾ ആരെങ്കിലും AI പരിസ്ഥിതിയെ എങ്ങനെ ബാധിക്കുന്നു എന്ന് ചോദിക്കുമ്പോൾ, കൃത്യമായ ഉത്തരം ഇതാണ്: അത് നിങ്ങൾ ഏത് പാളിയാണ് അളക്കുന്നത്, ആ സാഹചര്യത്തിൽ "AI" എന്താണ് അർത്ഥമാക്കുന്നത് എന്നതിനെ ആശ്രയിച്ചിരിക്കുന്നു.
പരിശീലനം vs അനുമാനം: എല്ലാം മാറ്റുന്ന വ്യത്യാസം 🧠⚙️
പരിശീലനത്തെക്കുറിച്ച് സംസാരിക്കാൻ ആളുകൾക്ക് ഇഷ്ടം കാരണം അത് നാടകീയമായി തോന്നുന്നു - "ഒരു മോഡൽ എക്സ് എനർജി ഉപയോഗിച്ചു." എന്നാൽ അനുമാനം ശാന്തമായ ഭീമനാണ്. IEA: എനർജിയും AIയും
പരിശീലനം (വലിയ ഘടന)
പരിശീലനം ഒരു ഫാക്ടറി പണിയുന്നത് പോലെയാണ്. നിങ്ങൾ മുൻകൂട്ടി ചെലവ് നൽകുന്നു: കനത്ത കമ്പ്യൂട്ട്, നീണ്ട റൺടൈമുകൾ, ധാരാളം ട്രയൽ-ആൻഡ്-എറർ റണ്ണുകൾ (അതെ, ധാരാളം “ഓപ്സ് അത് പ്രവർത്തിച്ചില്ല, വീണ്ടും ശ്രമിക്കുക” ആവർത്തനങ്ങൾ). പരിശീലനം ഒപ്റ്റിമൈസ് ചെയ്യാൻ കഴിയും, പക്ഷേ അത് ഇപ്പോഴും ഗണ്യമായിരിക്കാം. IEA: ഊർജ്ജവും AIയും
അനുമാനം (ദൈനംദിന ഉപയോഗം)
അനുമാനം എന്നത് എല്ലാവർക്കുമായി, എല്ലാ ദിവസവും പ്രവർത്തിക്കുന്ന ഫാക്ടറി പോലെയാണ്, സ്കെയിലിൽ:
-
ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകുന്ന ചാറ്റ്ബോട്ടുകൾ
-
ഇമേജ് ജനറേഷൻ
-
റാങ്കിംഗ് തിരയുക
-
ശുപാർശകൾ
-
സ്പീച്ച്-ടു-ടെക്സ്റ്റ്
-
തട്ടിപ്പ് കണ്ടെത്തൽ
-
ഡോക്യുമെന്റുകളിലും കോഡ് ടൂളുകളിലും കോപൈലറ്റുകൾ
ഓരോ അഭ്യർത്ഥനയും താരതമ്യേന ചെറുതാണെങ്കിൽ പോലും, ഉപയോഗത്തിന്റെ അളവ് പരിശീലനത്തേക്കാൾ കുറവായിരിക്കും. "ഒരു വൈക്കോൽ ഒന്നുമല്ല, ഒരു ദശലക്ഷം വൈക്കോൽ ഒരു പ്രശ്നമാണ്" എന്ന ക്ലാസിക് സാഹചര്യമാണിത്. IEA: ഊർജ്ജവും AIയും
ഒരു ചെറിയ കുറിപ്പ് - ചില AI ജോലികൾ മറ്റുള്ളവയേക്കാൾ വളരെ ഭാരമുള്ളതാണ്. ചിത്രങ്ങളോ ദൈർഘ്യമേറിയ വീഡിയോകളോ സൃഷ്ടിക്കുന്നത് ചെറിയ വാചക വർഗ്ഗീകരണത്തേക്കാൾ കൂടുതൽ ഊർജ്ജം ആവശ്യമുള്ളതായിരിക്കും. അതിനാൽ "AI" ഒരു ബക്കറ്റിൽ കൂട്ടുന്നത് ഒരു സൈക്കിളിനെ ഒരു ചരക്ക് കപ്പലുമായി താരതമ്യം ചെയ്ത് അവയെ രണ്ടിനെയും "ഗതാഗതം" എന്ന് വിളിക്കുന്നത് പോലെയാണ്. IEA: ഊർജ്ജവും AIയും
ഡാറ്റാ സെന്ററുകൾ: പവർ, കൂളിംഗ്, പിന്നെ ആ ശാന്തമായ ജലകഥ 💧🏢
ഡാറ്റാ സെന്ററുകൾ പുതിയതല്ല, പക്ഷേ AI തീവ്രത മാറ്റുന്നു. ഉയർന്ന പ്രകടനമുള്ള ആക്സിലറേറ്ററുകൾക്ക് ഇടുങ്ങിയ ഇടങ്ങളിൽ ധാരാളം വൈദ്യുതി വലിച്ചെടുക്കാൻ കഴിയും, അത് ചൂടായി മാറുന്നു, അത് കൈകാര്യം ചെയ്യണം. LBNL (2024): യുണൈറ്റഡ് സ്റ്റേറ്റ്സ് ഡാറ്റാ സെന്റർ എനർജി യൂസേജ് റിപ്പോർട്ട് (PDF) IEA: എനർജിയും AIയും
തണുപ്പിക്കലിന്റെ അടിസ്ഥാനകാര്യങ്ങൾ (ലളിതമാക്കിയത്, പക്ഷേ പ്രായോഗികം)
-
എയർ കൂളിംഗ് : ഫാനുകൾ, തണുത്ത വായു, ചൂടുള്ള ഐസ്/തണുത്ത ഐസ് ഡിസൈൻ. യുഎസ് ഡിഒഇ ഫെമ്പ്: ഡാറ്റാ സെന്ററുകളിലെ ഊർജ്ജ കാര്യക്ഷമത.
-
ലിക്വിഡ് കൂളിംഗ് : ഇടതൂർന്ന സജ്ജീകരണങ്ങളിൽ കൂടുതൽ കാര്യക്ഷമമാണ്, പക്ഷേ വ്യത്യസ്ത അടിസ്ഥാന സൗകര്യങ്ങൾ ഉൾപ്പെടുത്താം. ASHRAE (TC 9.9): മുഖ്യധാരാ ഡാറ്റാ സെന്ററുകളിൽ ലിക്വിഡ് കൂളിംഗിന്റെ ആവിർഭാവവും വികാസവും (PDF)
-
ബാഷ്പീകരണ തണുപ്പിക്കൽ : ചില കാലാവസ്ഥകളിൽ വൈദ്യുതി ഉപയോഗം കുറയ്ക്കാൻ കഴിയും, പക്ഷേ പലപ്പോഴും ജല ഉപയോഗം വർദ്ധിപ്പിക്കും. യുഎസ് ഡിഒഇ ഫെമ്പ്: ഫെഡറൽ ഡാറ്റാ സെന്ററുകൾക്കുള്ള തണുപ്പിക്കൽ ജല കാര്യക്ഷമത അവസരങ്ങൾ.
അതാണ് പരിഹാരം: ജലത്തെ അടിസ്ഥാനമാക്കിയുള്ള തണുപ്പിനെ ആശ്രയിച്ചുകൊണ്ട് നിങ്ങൾക്ക് ചിലപ്പോൾ വൈദ്യുതി ഉപഭോഗം കുറയ്ക്കാൻ കഴിയും. പ്രാദേശിക ജലക്ഷാമത്തെ ആശ്രയിച്ച്, അത് നല്ലതായിരിക്കാം... അല്ലെങ്കിൽ അത് ഒരു യഥാർത്ഥ പ്രശ്നമായിരിക്കാം. ലി തുടങ്ങിയവർ (2023): AI-യെ "ദാഹം" കുറയ്ക്കുന്നു (PDF)
കൂടാതെ, പാരിസ്ഥിതിക കാൽപ്പാടുകൾ പ്രധാനമായും ഇവയെ ആശ്രയിച്ചിരിക്കുന്നു:
-
ഡാറ്റാ സെന്റർ സ്ഥിതി ചെയ്യുന്നിടത്ത് (ഗ്രിഡ് ഉദ്വമനം വ്യത്യാസപ്പെടുന്നു) കാർബൺ തീവ്രത API (GB) IEA: ഊർജ്ജവും AIയും
-
ഇത് എത്രത്തോളം കാര്യക്ഷമമായി പ്രവർത്തിക്കുന്നു (ഉപയോഗം വളരെ പ്രധാനമാണ്) ഗ്രീൻ ഗ്രിഡ്: PUE — മെട്രിക്കിന്റെ സമഗ്രമായ പരിശോധന
-
പാഴായ ചൂട് വീണ്ടും ഉപയോഗിക്കുമോ എന്ന്
-
ഊർജ്ജ സംഭരണ തിരഞ്ഞെടുപ്പുകൾ (പുനരുപയോഗിക്കാവുന്നവ, ദീർഘകാല കരാറുകൾ മുതലായവ)
തുറന്നു പറഞ്ഞാൽ: പൊതു സംഭാഷണങ്ങൾ പലപ്പോഴും “ഡാറ്റാ സെന്ററിനെ” ഒരു ബ്ലാക്ക് ബോക്സ് പോലെയാണ് കാണുന്നത്. അത് തിന്മയല്ല, മാന്ത്രികവുമല്ല. അത് അടിസ്ഥാന സൗകര്യമാണ്. അത് അടിസ്ഥാന സൗകര്യങ്ങൾ പോലെയാണ് പെരുമാറുന്നത്.
ചിപ്സും ഹാർഡ്വെയറും: സെക്സി കുറവായതിനാൽ ആളുകൾ ഒഴിവാക്കുന്ന ഭാഗം 🪨🔧
AI ഹാർഡ്വെയറിൽ ജീവിക്കുന്നു. ഹാർഡ്വെയറിന് ഒരു ജീവിതചക്രം ഉണ്ട്, ജീവിതചക്രത്തിലെ ആഘാതങ്ങൾ വലുതായിരിക്കും. യുഎസ് ഇപിഎ: സെമികണ്ടക്ടർ ഇൻഡസ്ട്രി ഐടിയു: ദി ഗ്ലോബൽ ഇ-വേസ്റ്റ് മോണിറ്റർ 2024
പാരിസ്ഥിതിക ആഘാതം എവിടെയാണ് പ്രകടമാകുന്നത്
-
മെറ്റീരിയൽ വേർതിരിച്ചെടുക്കൽ : ലോഹങ്ങളുടെയും അപൂർവ വസ്തുക്കളുടെയും ഖനനവും ശുദ്ധീകരണവും.
-
നിർമ്മാണം : സെമികണ്ടക്ടർ നിർമ്മാണം സങ്കീർണ്ണവും ഊർജ്ജം ആവശ്യമുള്ളതുമാണ്. യുഎസ് ഇപിഎ: സെമികണ്ടക്ടർ വ്യവസായം imec: ചിപ്പ് നിർമ്മാണത്തിൽ പാരിസ്ഥിതിക ആഘാതം കുറയ്ക്കൽ.
-
ഗതാഗതം : ആഗോള വിതരണ ശൃംഖലകൾ എല്ലായിടത്തും ഭാഗങ്ങൾ നീക്കുന്നു.
-
ഹ്രസ്വകാല മാറ്റിസ്ഥാപിക്കൽ ചക്രങ്ങൾ : ദ്രുതഗതിയിലുള്ള നവീകരണങ്ങൾ ഇ-മാലിന്യങ്ങളുടെയും ഉൾച്ചേർത്ത ഉദ്വമനങ്ങളുടെയും വർദ്ധനവിന് കാരണമാകും. ITU: ഗ്ലോബൽ ഇ-വേസ്റ്റ് മോണിറ്റർ 2024
ഇ-മാലിന്യങ്ങളും "തികച്ചും മികച്ച" സെർവറുകളും
നിലവിലുള്ള ഒരു ഉപകരണത്തിൽ നിന്നല്ല ധാരാളം പരിസ്ഥിതി ദോഷങ്ങൾ സംഭവിക്കുന്നത് - അത് നേരത്തെ മാറ്റിസ്ഥാപിക്കുന്നതിലൂടെയാണ്, കാരണം അത് ഇനി ചെലവ് കുറഞ്ഞതല്ല. പ്രകടനത്തിൽ വലിയ കുതിച്ചുചാട്ടമുണ്ടാകുമെന്നതിനാൽ AI ഇത് ത്വരിതപ്പെടുത്തുന്നു. ഹാർഡ്വെയർ പുതുക്കാനുള്ള പ്രലോഭനം യഥാർത്ഥമാണ്. ITU: ഗ്ലോബൽ ഇ-വേസ്റ്റ് മോണിറ്റർ 2024
ഒരു പ്രായോഗിക കാര്യം: ഹാർഡ്വെയർ ആയുസ്സ് വർദ്ധിപ്പിക്കൽ, ഉപയോഗം മെച്ചപ്പെടുത്തൽ, പുതുക്കിപ്പണിയൽ എന്നിവ ഏതൊരു ഫാൻസി മോഡൽ മാറ്റത്തെയും പോലെ തന്നെ പ്രധാനമാണ്. ചിലപ്പോൾ ഏറ്റവും പച്ചയായ GPU നിങ്ങൾ വാങ്ങാത്ത ഒന്നാണ്. (അത് ഒരു മുദ്രാവാക്യം പോലെ തോന്നുമെങ്കിലും, അത്... ഒരു തരത്തിൽ സത്യവുമാണ്.)
AI പരിസ്ഥിതിയെ എങ്ങനെ ബാധിക്കുന്നു: "ആളുകൾ ഇത് മറക്കുന്നു" എന്ന പെരുമാറ്റ ലൂപ്പ് 🔁😬
ഇതാണ് വിചിത്രമായ സാമൂഹിക വശം: AI കാര്യങ്ങൾ എളുപ്പമാക്കുന്നു, അതിനാൽ ആളുകൾക്ക് കൂടുതൽ കാര്യങ്ങൾ ചെയ്യാൻ കഴിയും. അത് അതിശയകരമായിരിക്കും - കൂടുതൽ ഉൽപ്പാദനക്ഷമത, കൂടുതൽ സർഗ്ഗാത്മകത, കൂടുതൽ പ്രവേശനം. എന്നാൽ ഇത് കൂടുതൽ മൊത്തത്തിലുള്ള വിഭവ ഉപയോഗത്തെയും അർത്ഥമാക്കുന്നു. OECD (2012): ഊർജ്ജ കാര്യക്ഷമത മെച്ചപ്പെടുത്തലുകളുടെ ഒന്നിലധികം നേട്ടങ്ങൾ (PDF)
ഉദാഹരണങ്ങൾ:
-
AI വീഡിയോ നിർമ്മാണം വിലകുറഞ്ഞതാക്കുകയാണെങ്കിൽ, ആളുകൾ കൂടുതൽ വീഡിയോ സൃഷ്ടിക്കും.
-
AI പരസ്യങ്ങളെ കൂടുതൽ ഫലപ്രദമാക്കിയാൽ, കൂടുതൽ പരസ്യങ്ങൾ ലഭിക്കും, കൂടുതൽ ഇടപഴകൽ ലൂപ്പുകൾ കറങ്ങുന്നു.
-
AI ഷിപ്പിംഗ് ലോജിസ്റ്റിക്സിനെ കൂടുതൽ കാര്യക്ഷമമാക്കിയാൽ, ഇ-കൊമേഴ്സിന് കൂടുതൽ ബുദ്ധിമുട്ടുകൾ നേരിടാൻ കഴിയും.
ഇത് പരിഭ്രാന്തരാകാനുള്ള ഒരു കാരണമല്ല. കാര്യക്ഷമത മാത്രമല്ല, ഫലങ്ങൾ അളക്കാനുള്ള ഒരു കാരണവുമാണ്.
അപൂർണ്ണവും എന്നാൽ രസകരവുമായ ഒരു രൂപകം: AI കാര്യക്ഷമത ഒരു കൗമാരക്കാരന് ഒരു വലിയ ഫ്രിഡ്ജ് നൽകുന്നത് പോലെയാണ് - അതെ, ഭക്ഷണ സംഭരണം മെച്ചപ്പെടുന്നു, പക്ഷേ എങ്ങനെയോ ഒരു ദിവസത്തിനുള്ളിൽ ഫ്രിഡ്ജ് വീണ്ടും കാലിയാകുന്നു. ഒരു തികഞ്ഞ രൂപകമല്ല, പക്ഷേ... അത് സംഭവിക്കുന്നത് നിങ്ങൾ കണ്ടിട്ടുണ്ട് 😅
നേട്ടം: AI-ക്ക് പരിസ്ഥിതിയെ ശരിക്കും സഹായിക്കാനാകും (ശരിയായി ലക്ഷ്യം വയ്ക്കുമ്പോൾ) 🌿✨
ഇനി കുറച്ചുകാണുന്ന ഭാഗത്തെക്കുറിച്ച്: നിലവിലുള്ള സിസ്റ്റങ്ങളിലെ ഉദ്വമനവും മാലിന്യവും കുറയ്ക്കാൻ AI-ക്ക് കഴിയും... തുറന്നു പറഞ്ഞാൽ, ഭംഗിയില്ലാത്തത്. IEA: ഊർജ്ജ ഒപ്റ്റിമൈസേഷനും നവീകരണത്തിനുമുള്ള AI.
AI സഹായിക്കാൻ കഴിയുന്ന മേഖലകൾ
-
ഊർജ്ജ ഗ്രിഡുകൾ : ലോഡ് പ്രവചനം, ഡിമാൻഡ് പ്രതികരണം, വേരിയബിൾ പുനരുപയോഗ ഊർജ സ്രോതസ്സുകളുടെ സംയോജനം. IEA: ഊർജ്ജ ഒപ്റ്റിമൈസേഷനും നവീകരണത്തിനും വേണ്ടിയുള്ള AI.
-
കെട്ടിടങ്ങൾ : മികച്ച HVAC നിയന്ത്രണം, പ്രവചനാത്മക പരിപാലനം, താമസസ്ഥലം അടിസ്ഥാനമാക്കിയുള്ള ഊർജ്ജ ഉപയോഗം. IEA: ഡിജിറ്റലൈസേഷൻ
-
ഗതാഗതം : റൂട്ട് ഒപ്റ്റിമൈസേഷൻ, ഫ്ലീറ്റ് മാനേജ്മെന്റ്, ഒഴിഞ്ഞ മൈലുകൾ കുറയ്ക്കൽ. IEA: ഊർജ്ജ ഒപ്റ്റിമൈസേഷനും നവീകരണത്തിനും വേണ്ടിയുള്ള AI.
-
നിർമ്മാണം : വൈകല്യ കണ്ടെത്തൽ, പ്രക്രിയ ട്യൂണിംഗ്, കുറഞ്ഞ സ്ക്രാപ്പ്.
-
കൃഷി : കൃത്യമായ ജലസേചനം, കീടങ്ങളെ കണ്ടെത്തൽ, വളപ്രയോഗം ഒപ്റ്റിമൈസേഷൻ.
-
പരിസ്ഥിതി നിരീക്ഷണം : മീഥേൻ ചോർച്ച കണ്ടെത്തൽ, വനനശീകരണ സിഗ്നലുകൾ ട്രാക്ക് ചെയ്യൽ, ജൈവവൈവിധ്യ പാറ്റേണുകൾ മാപ്പ് ചെയ്യൽ. UNEP: MARS എങ്ങനെ പ്രവർത്തിക്കുന്നു ആഗോള വന നിരീക്ഷണം: സന്തോഷകരമായ വനനശീകരണ മുന്നറിയിപ്പുകൾ അലൻ ട്യൂറിംഗ് ഇൻസ്റ്റിറ്റ്യൂട്ട്: ജൈവവൈവിധ്യം വിലയിരുത്തുന്നതിനുള്ള AI, സ്വയംഭരണ സംവിധാനങ്ങൾ
-
വൃത്താകൃതിയിലുള്ള സമ്പദ്വ്യവസ്ഥ : പുനരുപയോഗ സ്ട്രീമുകളിൽ മികച്ച തരംതിരിക്കലും തിരിച്ചറിയലും.
പ്രധാന സൂക്ഷ്മത: AI "സഹായിക്കുന്നത്" AI-യുടെ കാൽപ്പാടുകളെ യാന്ത്രികമായി ഓഫ്സെറ്റ് ചെയ്യുന്നില്ല. AI യഥാർത്ഥത്തിൽ വിന്യസിക്കപ്പെടുന്നുണ്ടോ, യഥാർത്ഥത്തിൽ ഉപയോഗിക്കപ്പെടുന്നുണ്ടോ, കൂടാതെ മികച്ച ഡാഷ്ബോർഡുകളല്ല, മറിച്ച് യഥാർത്ഥ കുറവുകളിലേക്ക് നയിക്കുന്നുണ്ടോ എന്നതിനെ ആശ്രയിച്ചിരിക്കും ഇത്. പക്ഷേ അതെ, സാധ്യത യഥാർത്ഥമാണ്. IEA: ഊർജ്ജ ഒപ്റ്റിമൈസേഷനും നവീകരണത്തിനുമുള്ള AI.
പരിസ്ഥിതി സൗഹൃദ AI യുടെ ഒരു നല്ല പതിപ്പ് എന്താണ്? ✅🌍
ഇതാണ് “ശരി, അപ്പോൾ നമ്മൾ എന്തുചെയ്യണം” എന്ന വിഭാഗം. പരിസ്ഥിതിക്ക് ഉത്തരവാദിത്തമുള്ള ഒരു നല്ല AI സജ്ജീകരണത്തിൽ സാധാരണയായി ഇവ ഉൾപ്പെടുന്നു:
-
ക്ലിയർ യൂസ്-കേസ് മൂല്യം : മോഡൽ തീരുമാനങ്ങളോ ഫലങ്ങളോ മാറ്റുന്നില്ലെങ്കിൽ, അത് വെറും ഫാൻസി കമ്പ്യൂട്ടിംഗ് മാത്രമാണ്.
-
ഊർജ്ജം, കാർബൺ എസ്റ്റിമേറ്റുകൾ, ഉപയോഗം, കാര്യക്ഷമത മെട്രിക്സ് എന്നിവ മറ്റ് കെപിഐ പോലെ ട്രാക്ക് ചെയ്തിരിക്കുന്നതിൽ ബേക്ക് ചെയ്ത അളവുകൾ കോഡ്കാർബൺ: രീതിശാസ്ത്രം
-
ശരിയായ വലിപ്പത്തിലുള്ള മോഡലുകൾ : ചെറിയ മോഡലുകൾ പ്രവർത്തിക്കുമ്പോൾ ചെറിയ മോഡലുകൾ ഉപയോഗിക്കുക. കാര്യക്ഷമമായിരിക്കുന്നതിൽ ധാർമ്മിക പരാജയമല്ല.
-
കാര്യക്ഷമമായ അനുമാന രൂപകൽപ്പന : കാഷിംഗ്, ബാച്ചിംഗ്, ക്വാണ്ടൈസേഷൻ, വീണ്ടെടുക്കൽ, നല്ല പ്രോംപ്റ്റിംഗ് പാറ്റേണുകൾ. ഘോലാമി തുടങ്ങിയവർ (2021): ക്വാണ്ടൈസേഷൻ രീതികളുടെ സർവേ (PDF) ലൂയിസ് തുടങ്ങിയവർ (2020): വീണ്ടെടുക്കൽ-വർദ്ധിപ്പിച്ച ജനറേഷൻ
-
ഹാർഡ്വെയറും സ്ഥല അവബോധവും : ഗ്രിഡ് വൃത്തിയുള്ളതും അടിസ്ഥാന സൗകര്യങ്ങൾ കാര്യക്ഷമവുമായിരിക്കുന്നിടത്ത് (സാധ്യമാകുമ്പോൾ) വർക്ക്ലോഡുകൾ പ്രവർത്തിപ്പിക്കുക. കാർബൺ തീവ്രത API (GB)
-
ഹാർഡ്വെയർ ആയുസ്സ് വർദ്ധിപ്പിക്കൽ : പരമാവധി ഉപയോഗം, പുനരുപയോഗം, നവീകരണം. ഐടിയു: ഗ്ലോബൽ ഇ-വേസ്റ്റ് മോണിറ്റർ 2024
-
നേരായ റിപ്പോർട്ടിംഗ് : പച്ചയായ ഭാഷയും "പരിസ്ഥിതി സൗഹൃദ AI" പോലുള്ള അവ്യക്തമായ അവകാശവാദങ്ങളും അക്കങ്ങളില്ലാതെ ഒഴിവാക്കുക.
AI പരിസ്ഥിതിയെ എങ്ങനെ ബാധിക്കുന്നു എന്ന് നിങ്ങൾ ഇപ്പോഴും ട്രാക്ക് ചെയ്യുന്നുണ്ടെങ്കിൽ, ഉത്തരം തത്വശാസ്ത്രപരമാകുന്നത് നിർത്തി പ്രവർത്തനക്ഷമമാകുന്ന ഘട്ടമാണിത്: നിങ്ങളുടെ തിരഞ്ഞെടുപ്പുകളെ അടിസ്ഥാനമാക്കി അത് അതിനെ ബാധിക്കുന്നു.
താരതമ്യ പട്ടിക: ആഘാതം കുറയ്ക്കുന്ന ഉപകരണങ്ങളും സമീപനങ്ങളും 🧰⚡
താഴെ കൊടുത്തിരിക്കുന്നത് ഒരു ദ്രുതവും പ്രായോഗികവുമായ പട്ടികയാണ്. ഇത് പൂർണതയുള്ളതല്ല, അതെ, കുറച്ച് സെല്ലുകൾക്ക് അൽപ്പം അഭിപ്രായവ്യത്യാസമുണ്ട്... കാരണം യഥാർത്ഥ ടൂൾ സെലക്ഷൻ പ്രവർത്തിക്കുന്നത് അങ്ങനെയാണ്.
| ഉപകരണം / സമീപനം | പ്രേക്ഷകർ | വില | എന്തുകൊണ്ട് ഇത് പ്രവർത്തിക്കുന്നു | |
|---|---|---|---|---|
| കാർബൺ/ഊർജ്ജ ട്രാക്കിംഗ് ലൈബ്രറികൾ (റൺടൈം എസ്റ്റിമേറ്ററുകൾ) | എംഎൽ ടീമുകൾ | സൗജന്യം | ദൃശ്യപരത നൽകുന്നു - കണക്കുകൾ അൽപ്പം അവ്യക്തമാണെങ്കിൽ പോലും, പകുതി യുദ്ധമാണ് ഇത്.. | കോഡ്കാർബൺ |
| ഹാർഡ്വെയർ പവർ മോണിറ്ററിംഗ് (GPU/CPU ടെലിമെട്രി) | ഇൻഫ്രാ + എംഎൽ | സൗ ജന്യം | യഥാർത്ഥ ഉപഭോഗം അളക്കുന്നു; ബെഞ്ച്മാർക്കിംഗ് റൺസിന് നല്ലതാണ് (മിനുസമാർന്നതല്ല, പക്ഷേ സ്വർണ്ണം) | |
| മോഡൽ ഡിസ്റ്റിലേഷൻ | എംഎൽ എഞ്ചിനീയർമാർ | സൗജന്യം (സമയച്ചെലവ് 😵) | ചെറിയ വിദ്യാർത്ഥി മോഡലുകൾ പലപ്പോഴും പ്രകടനവുമായി പൊരുത്തപ്പെടുന്നതിനാൽ അനുമാനച്ചെലവ് വളരെ കുറവാണ് | ഹിന്റൺ തുടങ്ങിയവർ (2015): ഒരു ന്യൂറൽ നെറ്റ്വർക്കിലെ അറിവ് വാറ്റിയെടുക്കൽ |
| അളവ് നിർണ്ണയിക്കൽ (കുറഞ്ഞ കൃത്യതയുള്ള അനുമാനം) | ML + ഉൽപ്പന്നം | സൗ ജന്യം | ലേറ്റൻസിയും പവർ ഉപയോഗവും കുറയ്ക്കുന്നു; ചിലപ്പോൾ ചെറിയ ഗുണനിലവാര വ്യത്യാസങ്ങളോടെ, ചിലപ്പോൾ ഒന്നുമില്ലാതെ | ഘോലാമി തുടങ്ങിയവർ (2021): ക്വാണ്ടൈസേഷൻ രീതികളുടെ സർവേ (PDF) |
| കാഷിംഗ് + ബാച്ചിംഗ് അനുമാനം | ഉൽപ്പന്നം + പ്ലാറ്റ്ഫോം | സൗ ജന്യം | അനാവശ്യ കമ്പ്യൂട്ടിംഗ് കുറയ്ക്കുന്നു; ആവർത്തിച്ചുള്ള പ്രോംപ്റ്റുകൾക്കോ സമാനമായ അഭ്യർത്ഥനകൾക്കോ പ്രത്യേകിച്ചും ഉപയോഗപ്രദമാണ് | |
| വീണ്ടെടുക്കൽ-വർദ്ധിപ്പിച്ച ജനറേഷൻ (RAG) | ആപ്പ് ടീമുകൾ | മിക്സഡ് | വീണ്ടെടുക്കലിലേക്ക് "മെമ്മറി" ഓഫ്ലോഡ് ചെയ്യുന്നു; വലിയ സന്ദർഭ വിൻഡോകളുടെ ആവശ്യകത കുറയ്ക്കാൻ കഴിയും | ലൂയിസ് തുടങ്ങിയവർ (2020): വീണ്ടെടുക്കൽ-വർദ്ധിപ്പിച്ച തലമുറ |
| കാർബൺ തീവ്രത അനുസരിച്ച് ജോലിഭാരം ഷെഡ്യൂൾ ചെയ്യുന്നു | ഇൻഫ്രാ/ഓപ്സ് | മിക്സഡ് | വഴക്കമുള്ള ജോലികൾ കൂടുതൽ വൃത്തിയുള്ള പവർ വിൻഡോകളിലേക്ക് മാറ്റുന്നു - എന്നിരുന്നാലും ഏകോപനം ആവശ്യമാണ് | കാർബൺ തീവ്രത API (GB) |
| ഡാറ്റാ സെന്റർ കാര്യക്ഷമതയിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കൽ (ഉപയോഗം, ഏകീകരണം) | ഐടി നേതൃത്വം | പണമടച്ചു (സാധാരണയായി) | ഏറ്റവും കുറഞ്ഞ ഗ്ലാമറസ് ലിവർ, പക്ഷേ പലപ്പോഴും ഏറ്റവും വലുത് - പകുതി ശൂന്യമായ സിസ്റ്റങ്ങൾ പ്രവർത്തിപ്പിക്കുന്നത് നിർത്തുക | ഗ്രീൻ ഗ്രിഡ്: PUE |
| താപ പുനരുപയോഗ പദ്ധതികൾ | സൗകര്യങ്ങൾ | ഇതിനെ ആശ്രയിച്ചിരിക്കുന്നു | പാഴായ താപത്തെ മൂല്യമാക്കി മാറ്റുന്നു; എല്ലായ്പ്പോഴും സാധ്യമല്ല, പക്ഷേ അങ്ങനെയാകുമ്പോൾ, അത് ഒരുവിധം മനോഹരമാണ് | |
| “നമുക്ക് ഇവിടെ AI ആവശ്യമുണ്ടോ?” പരിശോധിക്കുക | എല്ലാവരും | സൗ ജന്യം | അർത്ഥശൂന്യമായ കമ്പ്യൂട്ടിംഗ് തടയുന്നു. ഏറ്റവും ശക്തമായ ഒപ്റ്റിമൈസേഷൻ 'ഇല്ല' എന്ന് പറയുക എന്നതാണ് (ചിലപ്പോൾ) |
എന്താണ് നഷ്ടപ്പെട്ടിരിക്കുന്നതെന്ന് ശ്രദ്ധിച്ചോ? “ഒരു മാജിക് ഗ്രീൻ സ്റ്റിക്കർ വാങ്ങൂ.” അത് നിലവിലില്ല 😬
പ്രായോഗിക പ്ലേബുക്ക്: ഉൽപ്പന്നത്തെ നശിപ്പിക്കാതെ AI ആഘാതം കുറയ്ക്കൽ 🛠️🌱
നിങ്ങൾ AI സിസ്റ്റങ്ങൾ നിർമ്മിക്കുകയോ വാങ്ങുകയോ ചെയ്യുകയാണെങ്കിൽ, പ്രായോഗികമായി പ്രവർത്തിക്കുന്ന ഒരു യഥാർത്ഥ ക്രമം ഇതാ:
ഘട്ടം 1: അളവെടുപ്പോടെ ആരംഭിക്കുക
-
ഊർജ്ജ ഉപയോഗം ട്രാക്ക് ചെയ്യുക അല്ലെങ്കിൽ സ്ഥിരമായി കണക്കാക്കുക. കോഡ്കാർബൺ: രീതിശാസ്ത്രം
-
പരിശീലന ഓട്ടത്തിനും അനുമാന അഭ്യർത്ഥനയ്ക്കും അനുസരിച്ചുള്ള അളവ്.
-
മോണിറ്റർ ഉപയോഗം - നിഷ്ക്രിയ വിഭവങ്ങൾക്ക് വ്യക്തമായ കാഴ്ചയിൽ ഒളിച്ചിരിക്കാനുള്ള ഒരു മാർഗമുണ്ട്. ഗ്രീൻ ഗ്രിഡ്: PUE
ഘട്ടം 2: ജോലിക്കായി മോഡലിന്റെ വലത് വലുപ്പം മാറ്റുക
-
വർഗ്ഗീകരണം, വേർതിരിച്ചെടുക്കൽ, റൂട്ടിംഗ് എന്നിവയ്ക്കായി ചെറിയ മോഡലുകൾ ഉപയോഗിക്കുക.
-
കഠിനമായ കേസുകൾക്കായി ഹെവി മോഡൽ സൂക്ഷിക്കുക.
-
ഒരു "മോഡൽ കാസ്കേഡ്" പരിഗണിക്കുക: ആദ്യം ചെറിയ മോഡൽ, ആവശ്യമെങ്കിൽ മാത്രം വലിയ മോഡൽ.
ഘട്ടം 3: അനുമാനം ഒപ്റ്റിമൈസ് ചെയ്യുക (സ്കെയിൽ കടിക്കുന്നത് ഇവിടെയാണ്)
-
കാഷിംഗ് : ആവർത്തിച്ചുള്ള ചോദ്യങ്ങൾക്കുള്ള ഉത്തരങ്ങൾ സംഭരിക്കുന്നു (ശ്രദ്ധാപൂർവ്വമായ സ്വകാര്യതാ നിയന്ത്രണങ്ങളോടെ).
-
ബാച്ചിംഗ് : ഹാർഡ്വെയർ കാര്യക്ഷമത മെച്ചപ്പെടുത്തുന്നതിനുള്ള ഗ്രൂപ്പ് അഭ്യർത്ഥനകൾ.
-
ചെറിയ ഔട്ട്പുട്ടുകൾ : ദൈർഘ്യമേറിയ ഔട്ട്പുട്ടുകൾക്ക് കൂടുതൽ ചിലവ് വരും - ചിലപ്പോൾ നിങ്ങൾക്ക് ഉപന്യാസം ആവശ്യമില്ല.
-
കൃത്യമായ അച്ചടക്കം : വൃത്തിഹീനമായ നിർദ്ദേശങ്ങൾ ദൈർഘ്യമേറിയ കമ്പ്യൂട്ട് പാതകൾ സൃഷ്ടിക്കുന്നു... അതെ, കൂടുതൽ ടോക്കണുകൾ.
ഘട്ടം 4: ഡാറ്റ ശുചിത്വം മെച്ചപ്പെടുത്തുക
ഇത് ബന്ധമില്ലാത്തതായി തോന്നുന്നു, പക്ഷേ അങ്ങനെയല്ല:
-
കൂടുതൽ വൃത്തിയുള്ള ഡാറ്റാസെറ്റുകൾക്ക് പുനർപരിശീലനത്തിലെ ബുദ്ധിമുട്ട് കുറയ്ക്കാൻ കഴിയും.
-
ശബ്ദം കുറയുന്നത് പരീക്ഷണങ്ങൾ കുറയുന്നതിനും ഓട്ടം പാഴാകുന്നത് കുറയുന്നതിനും കാരണമാകുന്നു.
ഘട്ടം 5: ഹാർഡ്വെയറിനെ ഒരു ആസ്തിയായി കണക്കാക്കുക, ഉപയോഗശൂന്യമായ ഒന്നായി കണക്കാക്കരുത്
-
സാധ്യമാകുന്നിടത്തെല്ലാം പുതുക്കൽ സൈക്കിളുകൾ വിപുലീകരിക്കുക. ITU: ഗ്ലോബൽ ഇ-വേസ്റ്റ് മോണിറ്റർ 2024
-
ഭാരം കുറഞ്ഞ ജോലിഭാരത്തിനായി പഴയ ഹാർഡ്വെയർ വീണ്ടും ഉപയോഗിക്കുക.
-
"എല്ലായ്പ്പോഴും പീക്ക്" പ്രൊവിഷനിംഗ് ഒഴിവാക്കുക.
ഘട്ടം 6: വിന്യാസം ബുദ്ധിപൂർവ്വം തിരഞ്ഞെടുക്കുക
-
കഴിയുമെങ്കിൽ വൈദ്യുതി കൂടുതൽ ശുദ്ധമായിരിക്കുന്നിടത്ത് വഴക്കമുള്ള ജോലികൾ പ്രവർത്തിപ്പിക്കുക. കാർബൺ തീവ്രത API (GB)
-
അനാവശ്യമായ ആവർത്തനം കുറയ്ക്കുക.
-
ലേറ്റൻസി ലക്ഷ്യങ്ങൾ യാഥാർത്ഥ്യബോധത്തോടെ നിലനിർത്തുക (വളരെ കുറഞ്ഞ ലേറ്റൻസി കാര്യക്ഷമമല്ലാത്ത എപ്പോഴും ഓൺ സജ്ജീകരണങ്ങൾക്ക് കാരണമാകും).
അതെ... ചിലപ്പോൾ ഏറ്റവും നല്ല ഘട്ടം ഇതാണ്: ഓരോ ഉപയോക്തൃ പ്രവർത്തനത്തിനും ഏറ്റവും വലിയ മോഡൽ ഓട്ടോ-റൺ ചെയ്യരുത്. സ്വിച്ചിലേക്ക് നടക്കുന്നത് അരോചകമായതിനാൽ എല്ലാ ലൈറ്റും ഓണാക്കി വയ്ക്കുന്നതിന് തുല്യമാണ് ആ ശീലം.
സാധാരണ കെട്ടുകഥകൾ (സത്യത്തോട് ഏറ്റവും അടുത്തത്) 🧠🧯
മിഥ്യ: "എഐ എപ്പോഴും പരമ്പരാഗത സോഫ്റ്റ്വെയറിനേക്കാൾ മോശമാണ്"
സത്യം: AI കൂടുതൽ കമ്പ്യൂട്ട്-ഹെവി ആയിരിക്കാം, പക്ഷേ അതിന് കാര്യക്ഷമമല്ലാത്ത മാനുവൽ പ്രക്രിയകളെ മാറ്റിസ്ഥാപിക്കാനും, മാലിന്യം കുറയ്ക്കാനും, സിസ്റ്റങ്ങളെ ഒപ്റ്റിമൈസ് ചെയ്യാനും കഴിയും. ഇത് സാഹചര്യത്തിനനുസരിച്ച് മാറുന്നു. IEA: ഊർജ്ജ ഒപ്റ്റിമൈസേഷനും നവീകരണത്തിനുമുള്ള AI.
മിഥ്യ: "പരിശീലനം മാത്രമാണ് പ്രശ്നം"
സത്യം: കാലക്രമേണ സ്കെയിലിലെ അനുമാനങ്ങൾക്ക് ആധിപത്യം സ്ഥാപിക്കാൻ കഴിയും. നിങ്ങളുടെ ഉൽപ്പന്നത്തിന്റെ ഉപയോഗത്തിൽ വൻ വർദ്ധനവ് ഉണ്ടായാൽ, ഇതാണ് പ്രധാന കഥ. IEA: ഊർജ്ജവും AI-യും
മിഥ്യ: "പുനരുപയോഗിക്കാവുന്ന ഊർജ്ജം അത് തൽക്ഷണം പരിഹരിക്കുന്നു"
സത്യം: ശുദ്ധമായ വൈദ്യുതി വളരെയധികം സഹായിക്കുന്നു, പക്ഷേ ഹാർഡ്വെയർ കാൽപ്പാടുകൾ, ജല ഉപയോഗം അല്ലെങ്കിൽ റീബൗണ്ട് ഇഫക്റ്റുകൾ എന്നിവ മായ്ക്കുന്നില്ല. എന്നിരുന്നാലും ഇപ്പോഴും പ്രധാനമാണ്. IEA: ഊർജ്ജവും AI-യും
മിഥ്യ: "ഇത് കാര്യക്ഷമമാണെങ്കിൽ, അത് സുസ്ഥിരമായിരിക്കും"
സത്യം: ഡിമാൻഡ് നിയന്ത്രണമില്ലാതെ കാര്യക്ഷമതയ്ക്ക് ഇപ്പോഴും മൊത്തം ആഘാതം വർദ്ധിപ്പിക്കാൻ കഴിയും. അതാണ് തിരിച്ചുവരവിന്റെ കെണി. OECD (2012): ഊർജ്ജ കാര്യക്ഷമത മെച്ചപ്പെടുത്തലുകളുടെ ഒന്നിലധികം നേട്ടങ്ങൾ (PDF)
ഭരണം, സുതാര്യത, അതിനെക്കുറിച്ച് നാടകീയത കാണിക്കാതിരിക്കൽ 🧾🌍
നിങ്ങൾ ഒരു കമ്പനിയാണെങ്കിൽ, ഇവിടെയാണ് വിശ്വാസം കെട്ടിപ്പടുക്കുകയോ നഷ്ടപ്പെടുകയോ ചെയ്യുന്നത്.
-
അർത്ഥവത്തായ മെട്രിക്സ് റിപ്പോർട്ട് ചെയ്യുക : ഓരോ അഭ്യർത്ഥനയ്ക്കും, ഓരോ ഉപയോക്താവിനും, ഓരോ ടാസ്ക്കിനും - വലിയ ഭയാനകമായ ആകെത്തുകകൾ മാത്രമല്ല. LBNL (2024): യുണൈറ്റഡ് സ്റ്റേറ്റ്സ് ഡാറ്റാ സെന്റർ എനർജി യൂസേജ് റിപ്പോർട്ട് (PDF)
-
അവ്യക്തമായ അവകാശവാദങ്ങൾ ഒഴിവാക്കുക : "പച്ച AI" എന്നാൽ അക്കങ്ങളും അതിരുകളും ഇല്ലാതെ ഒന്നുമല്ല.
-
വെള്ളവും പ്രാദേശിക ആഘാതവും പരിഗണിക്കുക : കാർബൺ മാത്രമല്ല പാരിസ്ഥിതിക വേരിയബിൾ. ലി തുടങ്ങിയവർ (2023): AI-യെ “ദാഹം” കുറയ്ക്കുന്നു (PDF)
-
നിയന്ത്രണത്തിനായുള്ള രൂപകൽപ്പന : സ്ഥിരസ്ഥിതിയായി കുറഞ്ഞ പ്രതികരണങ്ങൾ, കുറഞ്ഞ വിലയുള്ള മോഡുകൾ, യഥാർത്ഥത്തിൽ എന്തെങ്കിലും ചെയ്യുന്ന "ഇക്കോ" ക്രമീകരണങ്ങൾ.
-
തുല്യതയെക്കുറിച്ച് ചിന്തിക്കുക : ജലക്ഷാമമോ ദുർബലമായ ഗ്രിഡുകളോ ഉള്ള സ്ഥലങ്ങളിൽ വലിയ അളവിൽ വിഭവ ഉപയോഗം വരുത്തുന്നത് നിങ്ങളുടെ സ്പ്രെഡ്ഷീറ്റിനപ്പുറം അനന്തരഫലങ്ങൾ ഉണ്ടാക്കും. യുഎസ് ഡിഒഇ ഫെമ്പ്: ഫെഡറൽ ഡാറ്റാ സെന്ററുകൾക്കുള്ള കൂളിംഗ് വാട്ടർ എഫിഷ്യൻസി അവസരങ്ങൾ.
ആളുകൾ കണ്ണുരുട്ടുന്ന ഭാഗമാണിത്, പക്ഷേ ഇത് പ്രധാനമാണ്. ഉത്തരവാദിത്തമുള്ള സാങ്കേതികവിദ്യ എന്നത് സമർത്ഥമായ എഞ്ചിനീയറിംഗിനെക്കുറിച്ചല്ല. വിട്ടുവീഴ്ചകൾ നിലവിലില്ലെന്ന് നടിക്കാതിരിക്കുന്നതിനെക്കുറിച്ചും ഇത് പറയുന്നു.
സമാപന സംഗ്രഹം: AI പരിസ്ഥിതിയെ എങ്ങനെ ബാധിക്കുന്നു എന്നതിന്റെ ഒരു സംക്ഷിപ്ത സംഗ്രഹം 🌎✅
AI പരിസ്ഥിതിയെ എങ്ങനെ ബാധിക്കുന്നു എന്നത് അധിക ലോഡ് എന്നതിലേക്ക് ചുരുക്കിയിരിക്കുന്നു: വൈദ്യുതി, വെള്ളം (ചിലപ്പോൾ), ഹാർഡ്വെയർ ആവശ്യകത. IEA: ഊർജ്ജവും AIയും Li et al. (2023): AI-യെ "ദാഹം" കുറയ്ക്കുന്നു (PDF) മറ്റ് മേഖലകളിലെ ഉദ്വമനവും മാലിന്യവും കുറയ്ക്കുന്നതിനുള്ള ശക്തമായ ഉപകരണങ്ങളും ഇത് വാഗ്ദാനം ചെയ്യുന്നു. IEA: ഊർജ്ജ ഒപ്റ്റിമൈസേഷനും നവീകരണത്തിനും AI മൊത്തം ഫലം സ്കെയിൽ, ഗ്രിഡ് ശുചിത്വം, കാര്യക്ഷമത തിരഞ്ഞെടുപ്പുകൾ, കൂടാതെ AI യഥാർത്ഥ പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നുണ്ടോ അതോ പുതുമയ്ക്കായി പുതുമ സൃഷ്ടിക്കുന്നുണ്ടോ എന്നിവയെ ആശ്രയിച്ചിരിക്കുന്നു. IEA: ഊർജ്ജവും AIയും
നിങ്ങൾക്ക് ഏറ്റവും ലളിതമായ പ്രായോഗിക മാർഗം വേണമെങ്കിൽ:
-
അളക്കുക.
-
വലത് വലിപ്പം.
-
അനുമാനം ഒപ്റ്റിമൈസ് ചെയ്യുക.
-
ഹാർഡ്വെയർ ആയുസ്സ് വർദ്ധിപ്പിക്കുക.
-
വിട്ടുവീഴ്ചകളെക്കുറിച്ച് തുറന്നുപറയുക.
നിങ്ങൾക്ക് അമിതഭാരം തോന്നുന്നുവെങ്കിൽ, ഇതാ ഒരു ശാന്തമായ സത്യം: ചെറിയ പ്രവർത്തന തീരുമാനങ്ങൾ, ആയിരം തവണ ആവർത്തിക്കുന്നത്, സാധാരണയായി ഒരു വലിയ സുസ്ഥിരതാ പ്രസ്താവനയെ മറികടക്കും. പല്ല് തേക്കുന്നത് പോലെ. ഗ്ലാമറസ് അല്ല, പക്ഷേ അത് പ്രവർത്തിക്കുന്നു… 😄🪥
പതിവുചോദ്യങ്ങൾ
വലിയ ഗവേഷണ ലാബുകളിൽ മാത്രമല്ല, ദൈനംദിന ഉപയോഗത്തിലും AI പരിസ്ഥിതിയെ എങ്ങനെ ബാധിക്കുന്നു?
പരിശീലന സമയത്തും ദൈനംദിന "അനുമാന" സമയത്തും GPU-കളും CPU-കളും പ്രവർത്തിപ്പിക്കുന്ന ഡാറ്റാ സെന്ററുകൾക്ക് ശക്തി പകരുന്ന വൈദ്യുതിയിൽ നിന്നാണ് AI-യുടെ ഭൂരിഭാഗവും വരുന്നത്. ഒരൊറ്റ അഭ്യർത്ഥന വളരെ നിസ്സാരമായിരിക്കാം, പക്ഷേ സ്കെയിലിൽ ആ അഭ്യർത്ഥനകൾ വേഗത്തിൽ കുമിഞ്ഞുകൂടുന്നു. ഡാറ്റാ സെന്റർ എവിടെയാണ് സ്ഥിതി ചെയ്യുന്നത്, ലോക്കൽ ഗ്രിഡ് എത്രത്തോളം വൃത്തിയുള്ളതാണ്, അടിസ്ഥാന സൗകര്യങ്ങൾ എത്രത്തോളം കാര്യക്ഷമമായി പ്രവർത്തിക്കുന്നു എന്നതിനെ ആശ്രയിച്ചിരിക്കും ഇതിന്റെ ആഘാതം.
ഒരു AI മോഡലിനെ പരിശീലിപ്പിക്കുന്നത് അത് ഉപയോഗിക്കുന്നതിനേക്കാൾ പരിസ്ഥിതിക്ക് ദോഷകരമാണോ (അനുമാനം)?
പരിശീലനം ഒരു വലിയ, മുൻകൂട്ടി തയ്യാറാക്കിയ കമ്പ്യൂട്ടിംഗ് പ്രക്രിയയായിരിക്കാം, എന്നാൽ അനുമാനം തുടർച്ചയായും വൻതോതിലും പ്രവർത്തിക്കുന്നതിനാൽ കാലക്രമേണ അത് വലിയ കാൽപ്പാടായി മാറും. ദശലക്ഷക്കണക്കിന് ആളുകൾ ഓരോ ദിവസവും ഒരു ഉപകരണം ഉപയോഗിക്കുകയാണെങ്കിൽ, ആവർത്തിച്ചുള്ള അഭ്യർത്ഥനകൾ ഒറ്റത്തവണ പരിശീലന ചെലവിനേക്കാൾ കൂടുതലായിരിക്കും. അതുകൊണ്ടാണ് ഒപ്റ്റിമൈസേഷൻ പലപ്പോഴും അനുമാന കാര്യക്ഷമതയിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നത്.
എന്തുകൊണ്ടാണ് AI വെള്ളം ഉപയോഗിക്കുന്നത്, അത് എപ്പോഴും ഒരു പ്രശ്നമാണോ?
ചില ഡാറ്റാ സെന്ററുകൾ ജലത്തെ അടിസ്ഥാനമാക്കിയുള്ള തണുപ്പിക്കലിനെ ആശ്രയിക്കുന്നതിനാലോ, വൈദ്യുതി ഉൽപാദനത്തിലൂടെ പരോക്ഷമായി വെള്ളം ഉപയോഗിക്കുന്നതിനാലോ AI പ്രധാനമായും വെള്ളം ഉപയോഗിക്കാൻ കഴിയും. ചില കാലാവസ്ഥകളിൽ, ബാഷ്പീകരണ തണുപ്പിക്കൽ വൈദ്യുതി ഉപയോഗം കുറയ്ക്കുകയും ജല ഉപയോഗം വർദ്ധിപ്പിക്കുകയും ചെയ്യും, ഇത് ഒരു യഥാർത്ഥ ഇടപാട് സൃഷ്ടിക്കുന്നു. അത് "മോശമാണോ" എന്നത് പ്രാദേശിക ജലക്ഷാമം, തണുപ്പിക്കൽ രൂപകൽപ്പന, ജല ഉപയോഗം അളക്കുകയും കൈകാര്യം ചെയ്യുകയും ചെയ്യുന്നുണ്ടോ എന്നതിനെ ആശ്രയിച്ചിരിക്കുന്നു.
ഹാർഡ്വെയറിൽ നിന്നും ഇ-മാലിന്യത്തിൽ നിന്നും AI-യുടെ പാരിസ്ഥിതിക കാൽപ്പാടുകളുടെ ഏതെല്ലാം ഭാഗങ്ങൾ വരുന്നു?
ചിപ്പുകൾ, സെർവറുകൾ, നെറ്റ്വർക്കിംഗ് ഗിയർ, കെട്ടിടങ്ങൾ, വിതരണ ശൃംഖലകൾ എന്നിവയെയാണ് AI ആശ്രയിക്കുന്നത് - അതായത് ഖനനം, നിർമ്മാണം, ഷിപ്പിംഗ്, അന്തിമ നിർവ്വഹണം എന്നിവ. സെമികണ്ടക്ടർ നിർമ്മാണം ഊർജ്ജം ആവശ്യമുള്ളതാണ്, കൂടാതെ ദ്രുതഗതിയിലുള്ള അപ്ഗ്രേഡ് സൈക്കിളുകൾ എംബോഡിഡൈസ്ഡ് എമിഷനുകളും ഇ-മാലിന്യങ്ങളും വർദ്ധിപ്പിക്കും. ഹാർഡ്വെയർ ആയുസ്സ് വർദ്ധിപ്പിക്കൽ, പുതുക്കൽ, ഉപയോഗം മെച്ചപ്പെടുത്തൽ എന്നിവ ആഘാതം ഗണ്യമായി കുറയ്ക്കും, ചിലപ്പോൾ മോഡൽ-ലെവൽ മാറ്റങ്ങളെ എതിർക്കുകയും ചെയ്യും.
പുനരുപയോഗ ഊർജ്ജം ഉപയോഗിക്കുന്നത് AI യുടെ പാരിസ്ഥിതിക ആഘാതം പരിഹരിക്കുമോ?
കമ്പ്യൂട്ടിൽ നിന്നുള്ള ഉദ്വമനം കുറയ്ക്കാൻ ശുദ്ധമായ വൈദ്യുതിക്ക് കഴിയും, പക്ഷേ ജല ഉപയോഗം, ഹാർഡ്വെയർ നിർമ്മാണം, ഇ-മാലിന്യം തുടങ്ങിയ മറ്റ് ആഘാതങ്ങളെ ഇത് ഇല്ലാതാക്കുന്നില്ല. കുറഞ്ഞ ചെലവിലുള്ള കമ്പ്യൂട്ടിംഗ് മൊത്തത്തിൽ കൂടുതൽ ഉപയോഗത്തിലേക്ക് നയിക്കുന്ന "റീബൗണ്ട് ഇഫക്റ്റുകളെയും" ഇത് യാന്ത്രികമായി അഭിസംബോധന ചെയ്യുന്നില്ല. പുനരുപയോഗ ഊർജ്ജ സ്രോതസ്സുകൾ ഒരു പ്രധാന ലിവറാണ്, പക്ഷേ അവ കാൽപ്പാടുകളുടെ ഒരു ഭാഗം മാത്രമാണ്.
റീബൗണ്ട് ഇഫക്റ്റ് എന്താണ്, AI-ക്കും സുസ്ഥിരതയ്ക്കും ഇത് പ്രധാനമായിരിക്കുന്നത് എന്തുകൊണ്ട്?
കാര്യക്ഷമതയിലെ വർദ്ധനവ് ഒരു കാര്യത്തെ വിലകുറഞ്ഞതോ എളുപ്പമുള്ളതോ ആക്കുമ്പോഴാണ് തിരിച്ചുവരവ് സംഭവിക്കുന്നത്, അതിനാൽ ആളുകൾ അതിൽ കൂടുതൽ കാര്യങ്ങൾ ചെയ്യുന്നു - ചിലപ്പോൾ സമ്പാദ്യം ഇല്ലാതാക്കുന്നു. AI ഉപയോഗിച്ച്, വിലകുറഞ്ഞ ഉത്പാദനമോ ഓട്ടോമേഷനോ ഉള്ളടക്കം, കമ്പ്യൂട്ട്, സേവനങ്ങൾ എന്നിവയ്ക്കുള്ള മൊത്തം ആവശ്യം വർദ്ധിപ്പിക്കും. അതുകൊണ്ടാണ് ഒറ്റപ്പെട്ട് കാര്യക്ഷമത ആഘോഷിക്കുന്നതിനേക്കാൾ പ്രായോഗികമായി ഫലങ്ങൾ അളക്കുന്നത് പ്രധാനമാകുന്നത്.
ഉൽപ്പന്നത്തിന് ദോഷം വരുത്താതെ AI ആഘാതം കുറയ്ക്കുന്നതിനുള്ള പ്രായോഗിക മാർഗങ്ങൾ എന്തൊക്കെയാണ്?
ഒരു പൊതു സമീപനം അളക്കലിൽ നിന്ന് ആരംഭിക്കുക (ഊർജ്ജത്തിന്റെയും കാർബണിന്റെയും കണക്കുകൾ, ഉപയോഗം), തുടർന്ന് ടാസ്ക്കിലേക്ക് ശരിയായ വലുപ്പത്തിലുള്ള മോഡലുകൾ നൽകുകയും കാഷിംഗ്, ബാച്ചിംഗ്, ചെറിയ ഔട്ട്പുട്ടുകൾ എന്നിവ ഉപയോഗിച്ച് അനുമാനം ഒപ്റ്റിമൈസ് ചെയ്യുകയും ചെയ്യുക എന്നതാണ്. ക്വാണ്ടൈസേഷൻ, ഡിസ്റ്റിലേഷൻ, വീണ്ടെടുക്കൽ-വർദ്ധിപ്പിച്ച ജനറേഷൻ തുടങ്ങിയ സാങ്കേതിക വിദ്യകൾക്ക് കമ്പ്യൂട്ട് ആവശ്യങ്ങൾ കുറയ്ക്കാൻ കഴിയും. കാർബൺ തീവ്രതയും ദൈർഘ്യമേറിയ ഹാർഡ്വെയർ ആയുസ്സും അനുസരിച്ച് വർക്ക്ലോഡ് ഷെഡ്യൂൾ ചെയ്യുന്നത് പോലുള്ള പ്രവർത്തന തിരഞ്ഞെടുപ്പുകൾ പലപ്പോഴും വലിയ വിജയങ്ങൾ നൽകുന്നു.
പരിസ്ഥിതിയെ ദോഷകരമായി ബാധിക്കുന്നതിനുപകരം AI എങ്ങനെ സഹായിക്കും?
ഗ്രിഡ് പ്രവചനം, ഡിമാൻഡ് പ്രതികരണം, ബിൽഡിംഗ് HVAC നിയന്ത്രണം, ലോജിസ്റ്റിക്സ് റൂട്ടിംഗ്, പ്രവചന അറ്റകുറ്റപ്പണി, ചോർച്ച കണ്ടെത്തൽ തുടങ്ങിയ യഥാർത്ഥ സംവിധാനങ്ങൾ ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിന് വിന്യസിക്കുമ്പോൾ AI-ക്ക് ഉദ്വമനവും മാലിന്യവും കുറയ്ക്കാൻ കഴിയും. വനനശീകരണ മുന്നറിയിപ്പുകൾ, മീഥേൻ കണ്ടെത്തൽ എന്നിവ പോലുള്ള പാരിസ്ഥിതിക നിരീക്ഷണത്തെയും ഇതിന് പിന്തുണയ്ക്കാൻ കഴിയും. മികച്ച ഡാഷ്ബോർഡുകൾ മാത്രമല്ല, സിസ്റ്റം തീരുമാനങ്ങൾ മാറ്റുകയും അളക്കാവുന്ന കുറവുകൾ സൃഷ്ടിക്കുകയും ചെയ്യുന്നുണ്ടോ എന്നതാണ് പ്രധാനം.
AI ക്ലെയിമുകൾ "ഗ്രീൻവാഷിംഗ്" ചെയ്യുന്നത് ഒഴിവാക്കാൻ കമ്പനികൾ എന്ത് മെട്രിക്സ് റിപ്പോർട്ട് ചെയ്യണം?
വലിയ ആകെ സംഖ്യകൾ മാത്രം റിപ്പോർട്ട് ചെയ്യുന്നതിനേക്കാൾ, ഓരോ ടാസ്ക്കിനും ഓരോ അഭ്യർത്ഥനയ്ക്കും വേണ്ടിയുള്ള അളവുകൾ റിപ്പോർട്ട് ചെയ്യുന്നത് കൂടുതൽ അർത്ഥവത്താണ്, കാരണം അത് യൂണിറ്റ് തലത്തിൽ കാര്യക്ഷമത കാണിക്കുന്നു. ഊർജ്ജ ഉപയോഗം, കാർബൺ എസ്റ്റിമേറ്റുകൾ, ഉപയോഗം, പ്രസക്തമായ ഇടങ്ങളിൽ - ജല ആഘാതങ്ങൾ എന്നിവ ട്രാക്ക് ചെയ്യുന്നത് വ്യക്തമായ ഉത്തരവാദിത്തം സൃഷ്ടിക്കുന്നു. കൂടാതെ പ്രധാനമാണ്: അതിരുകൾ നിർവചിക്കുക (എന്താണ് ഉൾപ്പെടുത്തിയിരിക്കുന്നത്) കൂടാതെ അളവുകോലില്ലാത്ത തെളിവുകളില്ലാതെ “പരിസ്ഥിതി സൗഹൃദ AI” പോലുള്ള അവ്യക്തമായ ലേബലുകൾ ഒഴിവാക്കുക.
അവലംബം
-
ഇന്റർനാഷണൽ എനർജി ഏജൻസി (ഐഇഎ) - എനർജി ആൻഡ് എഐ - iea.org
-
ഇന്റർനാഷണൽ എനർജി ഏജൻസി (ഐഇഎ) - ഊർജ്ജ ഒപ്റ്റിമൈസേഷനും നവീകരണത്തിനും വേണ്ടിയുള്ള AI - iea.org
-
ഇന്റർനാഷണൽ എനർജി ഏജൻസി (ഐഇഎ) - ഡിജിറ്റലൈസേഷൻ - iea.org
-
ലോറൻസ് ബെർക്ക്ലി നാഷണൽ ലബോറട്ടറി (LBNL) - യുണൈറ്റഡ് സ്റ്റേറ്റ്സ് ഡാറ്റാ സെന്റർ എനർജി യൂസേജ് റിപ്പോർട്ട് (2024) (PDF) - lbl.gov
-
ലി തുടങ്ങിയവർ - AI-യെ "ദാഹം" കുറയ്ക്കുന്നു (2023) (PDF) - arxiv.org
-
ASHRAE (TC 9.9) - മുഖ്യധാരാ ഡാറ്റാ സെന്ററുകളിൽ ലിക്വിഡ് കൂളിംഗിന്റെ ആവിർഭാവവും വികാസവും (PDF) - ashrae.org
-
ദി ഗ്രീൻ ഗ്രിഡ് - PUE - മെട്രിക്കിന്റെ സമഗ്ര പരിശോധന - thegreengrid.org
-
യുഎസ് ഊർജ്ജ വകുപ്പ് (DOE) - FEMP - ഫെഡറൽ ഡാറ്റാ സെന്ററുകൾക്കുള്ള കൂളിംഗ് വാട്ടർ കാര്യക്ഷമത അവസരങ്ങൾ - energy.gov
-
യുഎസ് ഊർജ്ജ വകുപ്പ് (DOE) - FEMP - ഡാറ്റാ സെന്ററുകളിലെ ഊർജ്ജ കാര്യക്ഷമത - energy.gov
-
യുഎസ് പരിസ്ഥിതി സംരക്ഷണ ഏജൻസി (ഇപിഎ) - സെമികണ്ടക്ടർ വ്യവസായം - epa.gov
-
ഇന്റർനാഷണൽ ടെലികമ്മ്യൂണിക്കേഷൻ യൂണിയൻ (ITU) - ദി ഗ്ലോബൽ ഇ-വേസ്റ്റ് മോണിറ്റർ 2024 - itu.int
-
ഒഇസിഡി - ഊർജ്ജ കാര്യക്ഷമത മെച്ചപ്പെടുത്തലുകളുടെ ഒന്നിലധികം നേട്ടങ്ങൾ (2012) (PDF) - oecd.org
-
കാർബൺ തീവ്രത API (GB) - carbonintensity.org.uk
-
imec - ചിപ്പ് നിർമ്മാണത്തിൽ പാരിസ്ഥിതിക ആഘാതം കുറയ്ക്കൽ - imec-int.com
-
UNEP - MARS എങ്ങനെ പ്രവർത്തിക്കുന്നു - unep.org
-
ഗ്ലോബൽ ഫോറസ്റ്റ് വാച്ച് - സന്തോഷകരമായ വനനശീകരണ മുന്നറിയിപ്പുകൾ - globalforestwatch.org
-
അലൻ ട്യൂറിംഗ് ഇൻസ്റ്റിറ്റ്യൂട്ട് - ജൈവവൈവിധ്യവും ആവാസവ്യവസ്ഥയുടെ ആരോഗ്യവും വിലയിരുത്തുന്നതിനുള്ള AI-യും സ്വയംഭരണ സംവിധാനങ്ങളും - turing.ac.uk
-
കോഡ്കാർബൺ - രീതിശാസ്ത്രം - mlco2.github.io
-
ഘോലാമി തുടങ്ങിയവർ - ക്വാണ്ടൈസേഷൻ രീതികളുടെ സർവേ (2021) (PDF) - arxiv.org
-
ലൂയിസ് തുടങ്ങിയവർ - വീണ്ടെടുക്കൽ-ആഗ്മെന്റഡ് ജനറേഷൻ (2020) - arxiv.org
-
ഹിന്റൺ തുടങ്ങിയവർ - ഒരു ന്യൂറൽ നെറ്റ്വർക്കിലെ അറിവ് വാറ്റിയെടുക്കൽ (2015) - arxiv.org
-
കോഡ്കാർബൺ - codecarbon.io