சுருக்கமான பதில்: தரவு மையங்களில் மின்சார பயன்பாடு (பயிற்சி மற்றும் அன்றாட அனுமானம் இரண்டும்), குளிரூட்டலுக்கான நீர் மற்றும் வன்பொருள் உற்பத்தி மற்றும் மின்-கழிவுகளின் உள்ளடக்கிய தாக்கங்கள் மூலம் AI சுற்றுச்சூழலை முக்கியமாக பாதிக்கிறது. பயன்பாடு பில்லியன் கணக்கான வினவல்களாக இருந்தால், அனுமானம் பயிற்சியை விட அதிகமாக இருக்கும்; கட்டங்கள் சுத்தமாகவும் அமைப்புகள் திறமையாகவும் இருந்தால், நன்மைகள் வளரும் அதே வேளையில் தாக்கங்கள் குறையும்.
முக்கிய குறிப்புகள்:
மின்சாரம்: கணினி பயன்பாடு கண்காணிக்கவும்; பணிச்சுமைகள் தூய்மையான கட்டங்களில் இயங்கும்போது உமிழ்வு குறைகிறது.
நீர்: குளிரூட்டும் தேர்வுகள் தாக்கங்களை மாற்றுகின்றன; நீர் சார்ந்த முறைகள் பற்றாக்குறை உள்ள பகுதிகளில் மிகவும் முக்கியமானவை.
வன்பொருள்: சில்லுகள் மற்றும் சேவையகங்கள் கணிசமான உள்ளடக்கிய தாக்கங்களைக் கொண்டுள்ளன; ஆயுட்காலத்தை நீட்டித்து புதுப்பித்தலுக்கு முன்னுரிமை கொடுங்கள்.
மீட்சி: செயல்திறன் மொத்த தேவையை உயர்த்தும்; ஒவ்வொரு பணிக்கும் கிடைக்கும் ஆதாயங்களை மட்டுமல்ல, விளைவுகளையும் அளவிடும்.
செயல்பாட்டு நெம்புகோல்கள்: வலது-அளவிலான மாதிரிகள், அனுமானத்தை மேம்படுத்துதல் மற்றும் ஒவ்வொரு கோரிக்கை அளவீடுகளையும் வெளிப்படையாகப் புகாரளித்தல்.
இதற்குப் பிறகு நீங்கள் படிக்க விரும்பக்கூடிய கட்டுரைகள்:
🔗 AI சுற்றுச்சூழலுக்கு மோசமானதா?
AI இன் கார்பன் தடம், மின்சார பயன்பாடு மற்றும் தரவு மைய தேவைகளை ஆராயுங்கள்.
🔗 ஏன் AI சமூகத்திற்கு மோசமானது?
சார்பு, வேலை சீர்குலைவு, தவறான தகவல்கள் மற்றும் அதிகரித்து வரும் சமூக சமத்துவமின்மை ஆகியவற்றைப் பாருங்கள்.
🔗 AI ஏன் மோசமானது? AI இன் இருண்ட பக்கம்
கண்காணிப்பு, கையாளுதல் மற்றும் மனித கட்டுப்பாட்டை இழத்தல் போன்ற அபாயங்களைப் புரிந்து கொள்ளுங்கள்.
🔗 AI மிக அதிகமாக சென்றுவிட்டதா?
நெறிமுறைகள், ஒழுங்குமுறை மற்றும் புதுமை எங்கு எல்லைகளை வகுக்க வேண்டும் என்பது பற்றிய விவாதங்கள்.
AI சுற்றுச்சூழலை எவ்வாறு பாதிக்கிறது: ஒரு விரைவான புகைப்படம் ⚡🌱
உங்களுக்கு ஒரு சில குறிப்புகள் மட்டும் நினைவில் இருந்தால், இவற்றைச் செய்யுங்கள்:
-
செயற்கை நுண்ணறிவு ஆற்றலைப் பயன்படுத்துகிறது - பெரும்பாலும் தரவு மையங்களில், பயிற்சி அளிப்பதற்கும் மற்றும் (மாதிரியைப் பயன்படுத்தி) அன்றாட "முடிவுகளை ஊகிப்பதற்கும்" GPU/CPU-க்களை இயக்குவதில். IEA: ஆற்றல் மற்றும் செயற்கை நுண்ணறிவு
-
உள்ளூர் மின் கட்டமைப்பு கலவை மற்றும் மின் ஒப்பந்தங்களைப் பொறுத்து - ஆற்றல் என்பது உமிழ்வைக் குறிக்கலாம் . IEA: ஆற்றல் மற்றும் AI
-
செயற்கை நுண்ணறிவு வியக்கத்தக்க அளவு தண்ணீரைப் பயன்படுத்தக்கூடும் - முக்கியமாக சில தரவு மைய அமைப்புகளில் குளிர்விப்பதற்காக. லி மற்றும் பலர் (2023): செயற்கை நுண்ணறிவின் “அதிகத் தேவையைக்” குறைத்தல் (PDF) அமெரிக்க எரிசக்தித் துறை FEMP: கூட்டாட்சித் தரவு மையங்களுக்கான குளிர்விப்பு நீர் செயல்திறன் வாய்ப்புகள்
-
செயற்கை நுண்ணறிவு, சில்லுகள், சேவையகங்கள், வலையமைப்பு உபகரணங்கள், மின்கலங்கள், கட்டிடங்கள் போன்ற பௌதீகப் பொருட்களைச் சார்ந்துள்ளது . இதன் விளைவாக, சுரங்கத் தொழில், உற்பத்தி, கப்பல் போக்குவரத்து, மற்றும் இறுதியில் மின்னணுக் கழிவுகள் உருவாகின்றன. அமெரிக்கச் சுற்றுச்சூழல் பாதுகாப்பு முகமை: குறைக்கடத்தித் தொழில். பன்னாட்டு ஒன்றியம்: உலகளாவிய மின்னணுக் கழிவு கண்காணிப்பு 2024.
-
தளவாடங்களை மேம்படுத்துதல், கசிவுகளைக் கண்டறிதல், செயல்திறனை மேம்படுத்துதல், ஆராய்ச்சியை துரிதப்படுத்துதல் மற்றும் அமைப்புகளை குறைவான வீணாக்குதல் மூலம் - AI மற்ற இடங்களில் சுற்றுச்சூழல் பாதிப்பைக் குறைக்க முடியும் . IEA: ஆற்றல் உகப்பாக்கம் மற்றும் புதுமைக்கான AI.
மேலும், மக்கள் மறந்துவிடும் ஒரு விஷயம் இருக்கிறது: அளவு. ஒரு செயற்கை நுண்ணறிவு வினவல் சிறியதாக இருக்கலாம், ஆனால் பில்லியன் கணக்கான வினவல்கள் என்பது முற்றிலும் வேறுபட்ட ஒன்று... ஒரு சிறிய பனிப்பந்து எப்படியோ ஒரு சோபா அளவுள்ள பனிச்சரிவாக மாறுவதைப் போல. (இந்த உருவகம் சற்றே தவறானது, ஆனால் உங்களுக்குப் புரிகிறது.) IEA: ஆற்றல் மற்றும் செயற்கை நுண்ணறிவு
AI இன் சுற்றுச்சூழல் தடம் என்பது ஒரு விஷயமல்ல - அது ஒரு அடுக்கு 🧱🌎
மக்கள் AI மற்றும் நிலைத்தன்மை பற்றி வாதிடும்போது, அவர்கள் பெரும்பாலும் ஒருவருக்கொருவர் புறம்பாகப் பேசுகிறார்கள், ஏனெனில் அவர்கள் வெவ்வேறு அடுக்குகளைச் சுட்டிக்காட்டுகிறார்கள்:
1) மின்சாரத்தைக் கணக்கிடுங்கள்
-
பெரிய மாடல்களுக்கு பயிற்சி அளிக்க பெரிய குழுக்கள் நீண்ட நேரம் கடினமாக ஓட வேண்டியிருக்கும். IEA: ஆற்றல் மற்றும் AI
-
அனுமானம் (அன்றாட பயன்பாடு) எல்லா இடங்களிலும் தொடர்ந்து நடப்பதால், காலப்போக்கில் அது மிகப்பெரிய தடமாக மாறக்கூடும். IEA: ஆற்றல் மற்றும் AI
2) தரவு மைய மேல்நிலை
-
குளிர்வித்தல், மின் விநியோக இழப்புகள், காப்பு அமைப்புகள், நெட்வொர்க்கிங் உபகரணங்கள். LBNL (2024): யுனைடெட் ஸ்டேட்ஸ் டேட்டா சென்டர் எரிசக்தி பயன்பாட்டு அறிக்கை (PDF)
-
செயல்திறனைப் பொறுத்து, ஒரே கணக்கீடு களத்தில் வெவ்வேறு தாக்கங்களை ஏற்படுத்தக்கூடும். பசுமைக் கட்டம்: PUE—அளவீட்டின் ஒரு விரிவான ஆய்வு
3) நீர் மற்றும் வெப்பம்
-
பல வசதிகள் வெப்பத்தை நிர்வகிக்க நேரடியாகவோ அல்லது மறைமுகமாகவோ தண்ணீரைப் பயன்படுத்துகின்றன. அமெரிக்க எரிசக்தித் துறை FEMP: கூட்டாட்சித் தரவு மையங்களுக்கான குளிரூட்டும் நீர் செயல்திறன் வாய்ப்புகள் லி மற்றும் பலர் (2023): செயற்கை நுண்ணறிவை குறைந்த “தாகம்” உடையதாக மாற்றுதல் (PDF)
-
வீணாகும் வெப்பத்தை மீண்டும் பெறலாம், அல்லது அது... சூடான காற்றாகவே வெளியேறலாம். (சிறந்ததல்ல.)
4) வன்பொருள் விநியோகச் சங்கிலி
-
சுரங்க மற்றும் சுத்திகரிப்பு பொருட்கள்.
-
சிப்புகள் மற்றும் சர்வர்களை உற்பத்தி செய்தல் (அதிக ஆற்றல் தேவைப்படும்). அமெரிக்கச் சுற்றுச்சூழல் பாதுகாப்பு முகமை: குறைக்கடத்தித் தொழில். imec: சிப் உற்பத்தியில் சுற்றுச்சூழல் பாதிப்பைக் குறைத்தல்.
-
கப்பல் போக்குவரத்து, பேக்கேஜிங், மேம்படுத்தல்கள், மாற்றீடுகள்.
5) நடத்தை மற்றும் மீள் எழுச்சி விளைவுகள்
-
AI பணிகளை மலிவாகவும் எளிதாகவும் ஆக்குகிறது, எனவே மக்கள் அவற்றை அதிகமாகச் செய்கிறார்கள். OECD (2012): ஆற்றல் திறன் மேம்பாடுகளின் பல நன்மைகள் (PDF)
-
அதிகரித்த தேவையால் செயல்திறன் ஆதாயங்கள் தின்றுவிடும். இதுதான் என்னை கொஞ்சம் பெருமூச்சு விட வைக்கும் பகுதி. OECD (2012): ஆற்றல் திறன் மேம்பாடுகளின் பல நன்மைகள் (PDF)
எனவே AI சுற்றுச்சூழலை எவ்வாறு பாதிக்கிறது என்று யாராவது கேட்டால், நேரடியான பதில்: அது நீங்கள் எந்த அடுக்கை அளவிடுகிறீர்கள், அந்த சூழ்நிலையில் "AI" என்றால் என்ன என்பதைப் பொறுத்தது.
பயிற்சி vs அனுமானம்: எல்லாவற்றையும் மாற்றும் வேறுபாடு 🧠⚙️
பயிற்சி பற்றிப் பேசுவதை மக்கள் விரும்புகிறார்கள், ஏனெனில் அது "ஒரு மாதிரி X ஆற்றலைப் பயன்படுத்தியது" என்பது போல வியத்தகு முறையில் ஒலிக்கிறது. ஆனால் அனுமானம் என்பது ஒரு அமைதியான மாபெரும் சக்தி. IEA: ஆற்றல் மற்றும் செயற்கை நுண்ணறிவு
பயிற்சி (பெரிய கட்டமைப்பு)
பயிற்சி என்பது ஒரு தொழிற்சாலையைக் கட்டுவதைப் போன்றது. நீங்கள் அதற்கான ஆரம்பகட்ட செலவைச் செலுத்துகிறீர்கள்: அதிக கணக்கீடு, நீண்ட இயக்க நேரங்கள், பலமுறை முயன்று-பிழைத்துச் சரிபார்த்தல் (ஆம், 'அடடா, இது வேலை செய்யவில்லையே, மீண்டும் முயற்சி செய்' என்று சொல்லும் ஏராளமான சுழற்சிகளும் உண்டு). பயிற்சியை உகந்ததாக்க முடியும், ஆனாலும் அது கணிசமானதாகவே இருக்கும். IEA: ஆற்றல் மற்றும் செயற்கை நுண்ணறிவு
அனுமானம் (தினசரி பயன்பாடு)
அனுமானம் என்பது, ஒவ்வொரு நாளும், அனைவருக்கும், அளவில் இயங்கும் தொழிற்சாலை போன்றது:
-
கேள்விகளுக்கு பதிலளிக்கும் சாட்பாட்கள்
-
பட உருவாக்கம்
-
தரவரிசையைத் தேடு
-
பரிந்துரைகள்
-
பேச்சு-க்கு-உரை
-
மோசடி கண்டறிதல்
-
ஆவணங்கள் மற்றும் குறியீட்டு கருவிகளில் இணை பைலட்டுகள்
ஒவ்வொரு கோரிக்கையும் ஒப்பீட்டளவில் சிறியதாக இருந்தாலும், பயன்பாட்டின் அளவு பயிற்சியை விடப் பன்மடங்கு பெரிதாகிவிடும். இது, “ஒரு சிறிய பிரச்சனை, ஆனால் பல மடங்கு பெரிய பிரச்சனை” என்ற பழமொழிக்கு ஒப்பானது. IEA: ஆற்றல் மற்றும் செயற்கை நுண்ணறிவு
ஒரு சிறு குறிப்பு - சில செயற்கை நுண்ணறிவுப் பணிகள் மற்றவற்றை விட மிகவும் கடினமானவை. குறுகிய உரைகளை வகைப்படுத்துவதை விட, படங்களை அல்லது நீண்ட காணொளிகளை உருவாக்குவது அதிக ஆற்றலைச் செலவழிக்கிறது. எனவே, "செயற்கை நுண்ணறிவு" என்பதை ஒரே பிரிவில் சேர்ப்பது, ஒரு மிதிவண்டியையும் ஒரு சரக்குக் கப்பலையும் ஒப்பிட்டு, இரண்டையும் "போக்குவரத்து" என்று அழைப்பதைப் போன்றது. IEA: ஆற்றல் மற்றும் செயற்கை நுண்ணறிவு
தரவு மையங்கள்: மின்சாரம், குளிர்ச்சி மற்றும் அமைதியான நீர் கதை 💧🏢
தரவு மையங்கள் புதியவை அல்ல, ஆனால் செயற்கை நுண்ணறிவு அதன் தீவிரத்தை மாற்றுகிறது. உயர் செயல்திறன் முடுக்கிகள் குறுகிய இடங்களில் அதிக சக்தியை இழுக்கக்கூடும், அது வெப்பமாக மாறுகிறது, அதை நிர்வகிக்க வேண்டும். எல்பிஎன்எல் (2024): அமெரிக்க தரவு மைய ஆற்றல் பயன்பாட்டு அறிக்கை (PDF) ஐஇஏ: ஆற்றல் மற்றும் செயற்கை நுண்ணறிவு
குளிர்விக்கும் அடிப்படைகள் (எளிமைப்படுத்தப்பட்டவை, ஆனால் நடைமுறைக்குரியவை)
-
காற்று குளிரூட்டல்: மின்விசிறிகள், குளிர்ந்த காற்று, சூடான இடைகழி/குளிர் இடைகழி வடிவமைப்பு. US DOE FEMP: தரவு மையங்களில் ஆற்றல் திறன்.
-
திரவ குளிர்ச்சி: அடர்த்தியான அமைப்புகளில் மிகவும் திறமையானது, ஆனால் வெவ்வேறு உள்கட்டமைப்புகளை உள்ளடக்கியது. ASHRAE (TC 9.9): பிரதான தரவு மையங்களில் திரவ குளிர்ச்சியின் தோற்றம் மற்றும் விரிவாக்கம் (PDF)
-
ஆவியாதல் குளிர்வித்தல்: சில காலநிலைகளில் மின்சார பயன்பாட்டைக் குறைக்கலாம், ஆனால் பெரும்பாலும் நீர் பயன்பாட்டை அதிகரிக்கிறது. US DOE FEMP: மத்திய தரவு மையங்களுக்கான குளிரூட்டும் நீர் திறன் வாய்ப்புகள்.
இதுதான் சமரசம்: நீர் அடிப்படையிலான குளிரூட்டலைச் சார்ந்திருப்பதன் மூலம் சில சமயங்களில் மின்சார நுகர்வைக் குறைக்க முடியும். உள்ளூர் நீர் பற்றாக்குறையைப் பொறுத்து, அது சரியாக இருக்கலாம்... அல்லது அது ஒரு உண்மையான பிரச்சனையாகவும் இருக்கலாம். லி மற்றும் பலர் (2023): செயற்கை நுண்ணறிவை குறைந்த “அதிக நீர்” உள்ளதாக மாற்றுதல் (PDF)
மேலும், சுற்றுச்சூழல் தடம் பெரிதும் சார்ந்துள்ளது:
-
தரவு மையம் அமைந்துள்ள இடம் (மின்கட்டமைப்பு உமிழ்வுகள் மாறுபடும்) கார்பன் அடர்த்தி API (GB) IEA: ஆற்றல் மற்றும் AI
-
அது எவ்வளவு திறமையாக இயக்கப்படுகிறது (பயன்பாடு மிகவும் முக்கியமானது) பசுமைக் கட்டம்: PUE—அளவீட்டின் ஒரு விரிவான ஆய்வு
-
வீணான வெப்பம் மீண்டும் பயன்படுத்தப்படுகிறதா
-
எரிசக்தி கொள்முதல் தேர்வுகள் (புதுப்பிக்கத்தக்கவை, நீண்ட கால ஒப்பந்தங்கள், முதலியன)
வெளிப்படையாகச் சொல்லப் போனால்: பொது உரையாடல் பெரும்பாலும் “தரவு மையத்தை” ஒரு கருப்புப் பெட்டியைப் போல நடத்துகிறது. அது தீயதல்ல, மாயாஜாலமானது அல்ல. அது உள்கட்டமைப்பு. அது உள்கட்டமைப்பு போல செயல்படுகிறது.
சிப்ஸ் மற்றும் ஹார்டுவேர்: குறைவான கவர்ச்சியாக இருப்பதால் மக்கள் தவிர்க்கும் பகுதி 🪨🔧
செயற்கை நுண்ணறிவு வன்பொருளில் இயங்குகிறது. வன்பொருளுக்கு ஒரு வாழ்க்கைச் சுழற்சி உண்டு, மேலும் அந்த வாழ்க்கைச் சுழற்சியின் தாக்கங்கள் பெரியதாக இருக்கலாம். அமெரிக்கச் சுற்றுச்சூழல் பாதுகாப்பு முகமை: குறைக்கடத்தித் தொழில். பன்னாட்டுப் பல்கலைக்கழக ஒன்றியம்: உலகளாவிய மின்னணுக் கழிவு கண்காணிப்பு 2024.
சுற்றுச்சூழல் பாதிப்பு எங்கு வெளிப்படுகிறது
-
பொருள் பிரித்தெடுத்தல்: உலோகங்கள் மற்றும் அரிய பொருட்களை சுரங்கப்படுத்துதல் மற்றும் சுத்திகரித்தல்.
-
உற்பத்தி: குறைக்கடத்தி உற்பத்தி என்பது சிக்கலானதும் அதிக ஆற்றல் தேவைப்படுவதுமாகும். அமெரிக்கச் சுற்றுச்சூழல் பாதுகாப்பு முகமை: குறைக்கடத்தித் தொழில் imec: சில்லு உற்பத்தியில் சுற்றுச்சூழல் பாதிப்பைக் குறைத்தல்
-
போக்குவரத்து: உலகளாவிய விநியோகச் சங்கிலிகள் எல்லா இடங்களிலும் பாகங்களை நகர்த்துகின்றன.
-
குறுகிய மாற்று சுழற்சிகள்: விரைவான மேம்படுத்தல்கள் மின்-கழிவுகள் மற்றும் உருவகப்படுத்தப்பட்ட உமிழ்வை அதிகரிக்கும். ITU: உலகளாவிய மின்-கழிவு கண்காணிப்பு 2024
மின் கழிவுகள் மற்றும் "சரியான" சேவையகங்கள்
பெரும்பாலான சுற்றுச்சூழல் பாதிப்புகள், ஒரே ஒரு சாதனம் இருப்பதனால் ஏற்படுவதில்லை; மாறாக, அது செலவு குறைந்ததாக இல்லாததால் அதை முன்கூட்டியே மாற்றுவதாலேயே ஏற்படுகிறது. செயல்திறன் முன்னேற்றங்கள் பெரியதாக இருக்கக்கூடும் என்பதால், செயற்கை நுண்ணறிவு இதை வேகப்படுத்துகிறது. வன்பொருளைப் புதுப்பிக்க வேண்டும் என்ற ஆர்வம் உண்மையானது. ITU: உலகளாவிய மின்னணுக் கழிவு கண்காணிப்பு 2024
ஒரு நடைமுறைக் குறிப்பு: வன்பொருள் ஆயுளை நீட்டித்தல், பயன்பாட்டை மேம்படுத்துதல் மற்றும் புதுப்பித்தல் ஆகியவை எந்தவொரு ஆடம்பரமான மாதிரி மாற்றத்தையும் போலவே முக்கியமானதாக இருக்கலாம். சில நேரங்களில் மிகவும் பசுமையான GPU தான் நீங்கள் வாங்காத ஒன்றாகும். (அது ஒரு முழக்கம் போல் தெரிகிறது, ஆனால் அது... ஓரளவு உண்மையும் கூட.)
AI சுற்றுச்சூழலை எவ்வாறு பாதிக்கிறது: "மக்கள் இதை மறந்துவிடுகிறார்கள்" நடத்தை சுழற்சி 🔁😬
இதோ ஒரு சங்கடமான சமூகப் பகுதி: செயற்கை நுண்ணறிவு (AI) காரியங்களை எளிதாக்குகிறது, அதனால் மக்கள் அதிக காரியங்களைச் செய்கிறார்கள். அது அற்புதமாக இருக்கலாம் - அதிக உற்பத்தித்திறன், அதிக படைப்பாற்றல், அதிக அணுகல். ஆனால் அது ஒட்டுமொத்த வளப் பயன்பாடு அதிகரிப்பதையும் குறிக்கலாம். OECD (2012): ஆற்றல் திறன் மேம்பாடுகளின் பன்முக நன்மைகள் (PDF)
எடுத்துக்காட்டுகள்:
-
செயற்கை நுண்ணறிவு வீடியோ உருவாக்கத்தை மலிவாக மாற்றினால், மக்கள் அதிக வீடியோவை உருவாக்குவார்கள்.
-
AI விளம்பரங்களை மிகவும் பயனுள்ளதாக மாற்றினால், அதிக விளம்பரங்கள் வழங்கப்படும், அதிக ஈடுபாட்டு சுழல்கள் சுழலும்.
-
செயற்கை நுண்ணறிவு கப்பல் தளவாடங்களை மிகவும் திறமையானதாக்கினால், மின் வணிகம் இன்னும் கடினமாக அளவிட முடியும்.
இது பீதி அடைய ஒரு காரணம் அல்ல. செயல்திறனை மட்டும் அளவிடாமல், விளைவுகளை அளவிடுவதற்கான ஒரு காரணம் இது.
ஒரு அபூரணமான ஆனால் வேடிக்கையான உருவகம்: AI செயல்திறன் என்பது ஒரு டீனேஜருக்கு ஒரு பெரிய குளிர்சாதன பெட்டியைக் கொடுப்பது போன்றது - ஆம், உணவு சேமிப்பு மேம்படுகிறது, ஆனால் எப்படியோ ஒரு நாளில் குளிர்சாதன பெட்டி மீண்டும் காலியாகிறது. சரியான உருவகம் அல்ல, ஆனால்... அது நடப்பதை நீங்கள் பார்த்திருப்பீர்கள் 😅
நன்மை: AI சுற்றுச்சூழலுக்கு உண்மையிலேயே உதவ முடியும் (சரியான இலக்கை அடையும்போது) 🌿✨
இப்போது, அதிகம் கவனிக்கப்படாத ஒரு விஷயத்தைப் பார்ப்போம்: வெளிப்படையாகச் சொல்வதானால், நேர்த்தியற்றதாக இருக்கும் தற்போதைய அமைப்புகளில், செயற்கை நுண்ணறிவால் உமிழ்வுகளையும் கழிவுகளையும் குறைக்க முடியும். IEA: ஆற்றல் உகப்பாக்கம் மற்றும் புத்தாக்கத்திற்கான செயற்கை நுண்ணறிவு
AI உதவக்கூடிய பகுதிகள்
-
ஆற்றல் கட்டங்கள்: சுமை முன்னறிவிப்பு, தேவை பதில், மாறி புதுப்பிக்கத்தக்க எரிசக்தியை ஒருங்கிணைத்தல். IEA: ஆற்றல் உகப்பாக்கம் மற்றும் புதுமைக்கான AI.
-
கட்டிடங்கள்: சிறந்த HVAC கட்டுப்பாடு, முன்கணிப்பு பராமரிப்பு, ஆக்கிரமிப்பு அடிப்படையிலான ஆற்றல் பயன்பாடு. IEA: டிஜிட்டல் மயமாக்கல்
-
போக்குவரத்து: பாதை உகப்பாக்கம், கப்பற்படை மேலாண்மை, காலியான மைல்களைக் குறைத்தல். IEA: ஆற்றல் உகப்பாக்கம் மற்றும் புதுமைக்கான AI.
-
உற்பத்தி: குறைபாடு கண்டறிதல், செயல்முறை சரிசெய்தல், குறைக்கப்பட்ட ஸ்கிராப்.
-
விவசாயம்: துல்லியமான நீர்ப்பாசனம், பூச்சி கண்டறிதல், உர உகப்பாக்கம்.
-
சுற்றுச்சூழல் கண்காணிப்பு: மீத்தேன் கசிவுகளைக் கண்டறிதல், காடழிப்பு அறிகுறிகளைக் கண்காணித்தல், பல்லுயிர் பெருக்க முறைகளை வரைபடமாக்குதல். UNEP: MARS எவ்வாறு செயல்படுகிறது. குளோபல் ஃபாரஸ்ட் வாட்ச்: GLAD காடழிப்பு எச்சரிக்கைகள். ஆலன் டூரிங் நிறுவனம்: பல்லுயிர் பெருக்கத்தை மதிப்பிடுவதற்கான செயற்கை நுண்ணறிவு மற்றும் தன்னாட்சி அமைப்புகள்.
-
வட்டப் பொருளாதாரம்: மறுசுழற்சி நீரோடைகளில் சிறந்த வரிசைப்படுத்தல் மற்றும் அடையாளம் காணல்.
முக்கியமான நுணுக்கம்: செயற்கை நுண்ணறிவு "உதவுவது" என்பது அதன் சுற்றுச்சூழல் பாதிப்பைத் தானாகவே ஈடுசெய்துவிடாது. அது, அந்தச் செயற்கை நுண்ணறிவு உண்மையில் பயன்படுத்தப்படுகிறதா, உண்மையில் உபயோகிக்கப்படுகிறதா, மேலும் அது வெறும் மேம்பட்ட டாஷ்போர்டுகளைத் தராமல், உண்மையான குறைப்புகளுக்கு வழிவகுக்கிறதா என்பதைப் பொறுத்தே அமையும். ஆனால் ஆம், அதற்கான சாத்தியம் உண்மையானது. IEA: ஆற்றல் உகப்பாக்கம் மற்றும் புத்தாக்கத்திற்கான செயற்கை நுண்ணறிவு
சுற்றுச்சூழலுக்கு உகந்த AI இன் நல்ல பதிப்பை உருவாக்குவது எது? ✅🌍
இது "சரி, நாம் என்ன செய்ய வேண்டும்" என்ற பிரிவு. ஒரு நல்ல சுற்றுச்சூழல் பொறுப்புள்ள AI அமைப்பு பொதுவாக பின்வருவனவற்றைக் கொண்டுள்ளது:
-
தெளிவான பயன்பாட்டு மதிப்பு: இந்த மாதிரி, முடிவுகளையோ விளைவுகளையோ மாற்றாவிட்டால், அது வெறும் ஒரு மேம்பட்ட கணக்கீடு மட்டுமே.
-
அளவீடு இதில் சுடப்படுகிறது: ஆற்றல், கார்பன் மதிப்பீடுகள், பயன்பாடு மற்றும் செயல்திறன் அளவீடுகள் மற்ற எந்த KPI ஐப் போலவே கண்காணிக்கப்படுகின்றன. கோட்கார்பன்: முறை.
-
பொருத்தமான அளவு மாதிரிகள்: சிறிய மாதிரிகள் பயனுள்ளதாக இருக்கும்போது, அவற்றையே பயன்படுத்துங்கள். செயல்திறனுடன் இருப்பது ஒரு தார்மீகத் தோல்வி அல்ல.
-
செயல்திறன் மிக்க அனுமான வடிவமைப்பு: தற்காலிக சேமிப்பு, தொகுத்தல், அளவாக்கம், மீட்டெடுத்தல், மற்றும் நல்ல தூண்டுதல் வடிவங்கள். கோலாமி மற்றும் பலர் (2021): அளவாக்க முறைகளின் ஆய்வு (PDF) லூயிஸ் மற்றும் பலர் (2020): மீட்டெடுப்பு-மேம்படுத்தப்பட்ட உருவாக்கம்
-
வன்பொருள் மற்றும் இருப்பிட விழிப்புணர்வு: கிரிட் சுத்தமாகவும் உள்கட்டமைப்பு திறமையாகவும் இருக்கும் இடத்தில் (சாத்தியமானபோது) பணிச்சுமைகளை இயக்கவும். கார்பன் இன்டென்சிட்டி API (GB)
-
நீண்ட வன்பொருள் ஆயுள்: அதிகபட்ச பயன்பாடு, மறுபயன்பாடு மற்றும் புதுப்பித்தல். ITU: உலகளாவிய மின்-கழிவு கண்காணிப்பு 2024
-
நேரடியான அறிக்கை: பசுமைப் பூச்சு மொழியையும், எண்கள் இல்லாத “சுற்றுச்சூழலுக்கு உகந்த செயற்கை நுண்ணறிவு” போன்ற தெளிவற்ற கூற்றுகளையும் தவிர்க்கவும்.
நீங்கள் இன்னும் AI சுற்றுச்சூழலை எவ்வாறு பாதிக்கிறது என்பதைக் கண்காணித்துக்கொண்டிருந்தால், பதில் தத்துவார்த்தமாக இருப்பதை நிறுத்தி செயல்பாட்டுக்கு வரும் இடம் இதுதான்: அது உங்கள் தேர்வுகளின் அடிப்படையில் அதைப் பாதிக்கிறது.
ஒப்பீட்டு அட்டவணை: தாக்கத்தை உண்மையில் குறைக்கும் கருவிகள் மற்றும் அணுகுமுறைகள் 🧰⚡
கீழே ஒரு விரைவான, நடைமுறை அட்டவணை உள்ளது. இது சரியானது அல்ல, ஆம், ஒரு சில செல்கள் கொஞ்சம் கருத்துடையவை... ஏனென்றால் உண்மையான கருவி தேர்வு அப்படித்தான் செயல்படுகிறது.
| கருவி / அணுகுமுறை | பார்வையாளர்கள் | விலை | இது ஏன் வேலை செய்கிறது | |
|---|---|---|---|---|
| கார்பன்/ஆற்றல் கண்காணிப்பு நூலகங்கள் (இயக்க நேர மதிப்பீட்டாளர்கள்) | எம்எல் அணிகள் | இலவசம் | தெரிவுநிலையை அளிக்கிறது - மதிப்பீடுகள் கொஞ்சம் தெளிவற்றதாக இருந்தாலும் கூட, இது பாதி போரில் தான்.. | குறியீடுகார்பன் |
| வன்பொருள் சக்தி கண்காணிப்பு (GPU/CPU டெலிமெட்ரி) | இன்ஃப்ரா + எம்எல் | இலவசம் | உண்மையான நுகர்வை அளவிடுகிறது; தரப்படுத்தல் ஓட்டங்களுக்கு நல்லது (ஒளிர்வதில்லை ஆனால் தங்கம்) | |
| மாதிரி வடித்தல் | எம்எல் பொறியாளர்கள் | இலவசம் (நேரச் செலவு 😵) | சிறிய மாணவர் மாதிரிகள் பெரும்பாலும் செயல்திறனைக் குறைவான அனுமானச் செலவோடு பொருத்துகின்றன | ஹின்டன் மற்றும் பலர் (2015): ஒரு நரம்பியல் வலையமைப்பில் அறிவை வடிகட்டுதல் |
| அளவு நிர்ணயம் (குறைந்த துல்லிய அனுமானம்) | ML + தயாரிப்பு | இலவசம் | தாமதம் மற்றும் மின் பயன்பாட்டைக் குறைக்கிறது; சில நேரங்களில் சிறிய தரமான பரிமாற்றங்களுடன், சில நேரங்களில் எதுவும் இல்லை | கோலாமி மற்றும் பலர் (2021): அளவு நிர்ணய முறைகள் பற்றிய ஆய்வு (PDF) |
| தற்காலிக சேமிப்பு + தொகுதிப்படுத்தல் அனுமானம் | தயாரிப்பு + தளம் | இலவசம் | தேவையற்ற கணக்கீட்டைக் குறைக்கிறது; குறிப்பாக மீண்டும் மீண்டும் கேட்கும் அல்லது இதே போன்ற கோரிக்கைகளுக்கு பயனுள்ளதாக இருக்கும் | |
| மீட்டெடுப்பு-பெரிதாக்கப்பட்ட தலைமுறை (RAG) | பயன்பாட்டு அணிகள் | கலப்பு | மீட்டெடுப்பிற்கு "நினைவகத்தை" ஏற்றுகிறது; பெரிய சூழல் சாளரங்களின் தேவையைக் குறைக்கலாம் | லூயிஸ் மற்றும் பலர் (2020): மீட்டெடுப்பு-வளர்ச்சியடைந்த தலைமுறை |
| கார்பன் தீவிரத்தின் அடிப்படையில் பணிச்சுமைகளை திட்டமிடுதல் | உள்/செயல்பாடுகள் | கலப்பு | நெகிழ்வான வேலைகளை சுத்தமான பவர் ஜன்னல்களுக்கு மாற்றுகிறது - இருப்பினும் ஒருங்கிணைப்பு தேவை | கார்பன் தீவிரம் API (GB) |
| தரவு மைய செயல்திறன் கவனம் (பயன்பாடு, ஒருங்கிணைப்பு) | ஐடி தலைமை | செலுத்தப்பட்டது (பொதுவாக) | மிகக் குறைந்த கவர்ச்சியான நெம்புகோல், ஆனால் பெரும்பாலும் மிகப்பெரியது - பாதி காலியான அமைப்புகளை இயக்குவதை நிறுத்துங்கள் | பச்சை கட்டம்: PUE |
| வெப்ப மறுபயன்பாட்டு திட்டங்கள் | வசதிகள் | அது சார்ந்துள்ளது | வீணாகும் வெப்பத்தை மதிப்பாக மாற்றுகிறது; எப்போதும் சாத்தியமில்லை, ஆனால் அது இருக்கும்போது, அது ஓரளவு அழகாக இருக்கும் | |
| "நமக்கு இங்கே AI தேவையா?" என்று பாருங்கள் | அனைவரும் | இலவசம் | பயனற்ற கணக்கீட்டைத் தடுக்கிறது. மிகவும் சக்திவாய்ந்த தேர்வுமுறை என்பது இல்லை என்று சொல்வது (சில நேரங்களில்) |
என்ன மிஸ்ஸா இருக்குன்னு பாருங்களேன்? "ஒரு மேஜிக் கிரீன் ஸ்டிக்கர் வாங்கு." அது இல்ல 😬
நடைமுறை விளையாட்டு புத்தகம்: தயாரிப்பை அழிக்காமல் AI தாக்கத்தைக் குறைத்தல் 🛠️🌱
நீங்கள் AI அமைப்புகளை உருவாக்குகிறீர்கள் அல்லது வாங்குகிறீர்கள் என்றால், நடைமுறையில் செயல்படும் ஒரு யதார்த்தமான வரிசை இங்கே:
படி 1: அளவீட்டைத் தொடங்குங்கள்
-
ஆற்றல் பயன்பாட்டைக் கண்காணிக்கவும் அல்லது தொடர்ந்து மதிப்பிடவும். கோட்கார்பன்: முறை
-
பயிற்சி ஓட்டம் மற்றும் அனுமான கோரிக்கைக்கு ஏற்ப அளவீடு.
-
பயன்பாட்டைக் கண்காணிக்கவும் - செயலற்ற வளங்கள் வெற்றுப் பார்வையில் ஒளிந்து கொள்ள ஒரு வழியைக் கொண்டுள்ளன. பசுமை கட்டம்: PUE
படி 2: வேலைக்கு மாதிரியை வலது அளவு செய்யவும்
-
வகைப்பாடு, பிரித்தெடுத்தல், வழித்தடத்திற்கு சிறிய மாதிரிகளைப் பயன்படுத்தவும்.
-
கடினமான கேஸ்களுக்கு கனமான மாதிரியை சேமிக்கவும்.
-
ஒரு "மாதிரி அடுக்கை" கவனியுங்கள்: முதலில் சிறிய மாதிரி, தேவைப்பட்டால் மட்டும் பெரிய மாதிரி.
படி 3: அனுமானத்தை மேம்படுத்தவும் (அளவுகோல் கடிக்கும் இடம் இங்குதான்)
-
தற்காலிக சேமிப்பு: மீண்டும் மீண்டும் கேட்கப்படும் கேள்விகளுக்கான பதில்களைச் சேமிக்கவும் (கவனமான தனியுரிமைக் கட்டுப்பாடுகளுடன்).
-
தொகுப்பு: வன்பொருள் செயல்திறனை மேம்படுத்துவதற்கான குழு கோரிக்கைகள்.
-
சுருக்கமான வெளியீடுகள்: நீண்ட வெளியீடுகளுக்கு அதிக செலவாகும் - சில சமயங்களில் உங்களுக்குக் கட்டுரை தேவைப்படாது.
-
உடனடி ஒழுங்குமுறை: ஒழுங்கற்ற உடனடிகள் நீண்ட கணக்கீட்டுப் பாதைகளை உருவாக்குகின்றன... ஆம், அதிக டோக்கன்களையும் உருவாக்குகின்றன.
படி 4: தரவு சுகாதாரத்தை மேம்படுத்தவும்
இது தொடர்பில்லாததாகத் தெரிகிறது, ஆனால் அது இல்லை:
-
சுத்தமான தரவுத்தொகுப்புகள் மறுபயிற்சி குழப்பத்தைக் குறைக்கும்.
-
குறைவான சத்தம் என்றால் குறைவான பரிசோதனைகள் மற்றும் குறைவான வீணான ஓட்டங்கள்.
படி 5: வன்பொருளை ஒரு சொத்தாக கருதுங்கள், ஒரு முறை பயன்படுத்திவிட்டு தூக்கி எறியும் பொருளைப் போல அல்ல
-
முடிந்த இடங்களில் புதுப்பிப்பு சுழற்சிகளை நீட்டிக்கவும். ITU: உலகளாவிய மின்-கழிவு கண்காணிப்பு 2024
-
லேசான பணிச்சுமைகளுக்கு பழைய வன்பொருளை மீண்டும் பயன்படுத்தவும்.
-
"எப்போதும் உச்ச" வழங்கலைத் தவிர்க்கவும்.
படி 6: பயன்படுத்தலை புத்திசாலித்தனமாகத் தேர்வுசெய்க
-
முடிந்தால் மின்சாரம் சுத்தமாக இருக்கும் இடத்தில் நெகிழ்வான வேலைகளை இயக்கவும். கார்பன் தீவிரம் API (GB)
-
தேவையற்ற நகலெடுப்பைக் குறைக்கவும்.
-
தாமத இலக்குகளை யதார்த்தமாக வைத்திருங்கள் (மிகக் குறைந்த தாமதம் திறமையற்ற எப்போதும் இயங்கும் அமைப்புகளை கட்டாயப்படுத்தலாம்).
ஆமாம்... சில நேரங்களில் சிறந்த படி என்னவென்றால்: ஒவ்வொரு பயனர் செயலுக்கும் மிகப்பெரிய மாதிரியை தானாக இயக்க வேண்டாம். அந்தப் பழக்கம், சுவிட்சை நோக்கி நடப்பது எரிச்சலூட்டும் என்பதால், ஒவ்வொரு லைட்டையும் எரிய விட்டுவிடுவதற்குச் சமமான சுற்றுச்சூழல்.
பொதுவான கட்டுக்கதைகள் (மற்றும் உண்மைக்கு நெருக்கமானவை) 🧠🧯
கட்டுக்கதை: "பாரம்பரிய மென்பொருளை விட AI எப்போதும் மோசமானது"
உண்மை: செயற்கை நுண்ணறிவு அதிக கணக்கீட்டுத் திறன் கொண்டதாக இருக்கலாம், ஆனால் அது திறனற்ற கைமுறை செயல்முறைகளை மாற்றி அமைக்கவும், விரயத்தைக் குறைக்கவும், அமைப்புகளை மேம்படுத்தவும் முடியும். இது சூழ்நிலையைப் பொறுத்தது. IEA: ஆற்றல் உகப்பாக்கம் மற்றும் புத்தாக்கத்திற்கான செயற்கை நுண்ணறிவு
கட்டுக்கதை: "பயிற்சி மட்டுமே பிரச்சனை"
உண்மை: அளவீட்டில் அனுமானம் காலப்போக்கில் ஆதிக்கம் செலுத்தும். உங்கள் தயாரிப்பு பயன்பாட்டில் வெடித்தால், இதுவே முக்கிய கதையாக மாறும். IEA: ஆற்றல் மற்றும் AI
கட்டுக்கதை: "புதுப்பிக்கத்தக்கவை உடனடியாக அதை தீர்க்கின்றன"
உண்மை: தூய்மையான மின்சாரம் பெரிதும் உதவுகிறது, ஆனால் அது வன்பொருள் பயன்பாடு, நீர் பயன்பாடு அல்லது எதிர்விளைவுகளை முற்றிலுமாக நீக்கிவிடுவதில்லை. இருப்பினும், அது இன்றியமையாததே. IEA: ஆற்றல் மற்றும் செயற்கை நுண்ணறிவு
கட்டுக்கதை: “திறமையாக இருந்தால், அது நிலையானது”
உண்மை: தேவைக் கட்டுப்பாடு இல்லாத செயல்திறன் கூட மொத்த தாக்கத்தை அதிகரிக்கக்கூடும். அதுதான் எதிர்விளைவுப் பொறி. OECD (2012): ஆற்றல் செயல்திறன் மேம்பாடுகளின் பன்முக நன்மைகள் (PDF)
நிர்வாகம், வெளிப்படைத்தன்மை, அதைப் பற்றி நாடகத்தனமாக நடந்து கொள்ளாமல் இருப்பது 🧾🌍
நீங்கள் ஒரு நிறுவனமாக இருந்தால், இங்குதான் நம்பிக்கை கட்டமைக்கப்படுகிறது அல்லது இழக்கப்படுகிறது.
-
அர்த்தமுள்ள அளவீடுகளைப் புகாரளிக்கவும்: ஒரு கோரிக்கைக்கு, ஒரு பயனருக்கு, ஒரு பணிக்கு - பெரிய பயங்கரமான மொத்தங்கள் மட்டுமல்ல. LBNL (2024): யுனைடெட் ஸ்டேட்ஸ் டேட்டா சென்டர் எரிசக்தி பயன்பாட்டு அறிக்கை (PDF)
-
தெளிவற்ற கூற்றுகளைத் தவிர்க்கவும்: எண்களும் வரம்புகளும் இல்லாமல் “பசுமை செயற்கை நுண்ணறிவு” என்பதற்கு அர்த்தமில்லை.
-
நீர் மற்றும் உள்ளூர் தாக்கத்தைக் கருத்தில் கொள்ளுங்கள்: கார்பன் மட்டுமே ஒரே சுற்றுச்சூழல் காரணி அல்ல. லி மற்றும் பலர் (2023): செயற்கை நுண்ணறிவை குறைந்த “தேவையுள்ளதாக” மாற்றுதல் (PDF)
-
கட்டுப்பாட்டிற்கான வடிவமைப்பு: இயல்புநிலை குறுகிய பதிலளிப்புகள், குறைந்த செலவு முறைகள், உண்மையில் பலனளிக்கும் “சுற்றுச்சூழல்” அமைப்புகள்.
-
சமத்துவத்தைப் பற்றி சிந்தியுங்கள்: பற்றாக்குறை நீர் அல்லது உடையக்கூடிய கட்டங்கள் உள்ள இடங்களில் அதிக வள பயன்பாட்டை வைப்பது உங்கள் விரிதாளைத் தாண்டி விளைவுகளை ஏற்படுத்தும். US DOE FEMP: கூட்டாட்சி தரவு மையங்களுக்கான குளிரூட்டும் நீர் திறன் வாய்ப்புகள்.
மக்கள் தங்கள் கண்களை உருட்டும் பகுதி இதுதான், ஆனால் இது முக்கியமானது. பொறுப்பான தொழில்நுட்பம் என்பது புத்திசாலித்தனமான பொறியியலைப் பற்றியது மட்டுமல்ல. இது சமரசங்கள் இல்லை என்று பாசாங்கு செய்யாமல் இருப்பது பற்றியது.
இறுதிச் சுருக்கம்: AI சுற்றுச்சூழலை எவ்வாறு பாதிக்கிறது என்பதற்கான சுருக்கமான சுருக்கம் 🌎✅
செயற்கை நுண்ணறிவு சுற்றுச்சூழலை எவ்வாறு பாதிக்கிறது என்பது, மின்சாரம், நீர் (சில நேரங்களில்), மற்றும் வன்பொருள் தேவை போன்ற கூடுதல் சுமைகளைப் பொறுத்தது. IEA: ஆற்றல் மற்றும் செயற்கை நுண்ணறிவு லி மற்றும் பலர். (2023): செயற்கை நுண்ணறிவை குறைந்த “தேவையுள்ளதாக” மாற்றுதல் (PDF). இது மற்ற துறைகளிலும் உமிழ்வுகளையும் கழிவுகளையும் குறைக்க சக்திவாய்ந்த கருவிகளை வழங்குகிறது. IEA: ஆற்றல் உகப்பாக்கம் மற்றும் புத்தாக்கத்திற்கான செயற்கை நுண்ணறிவு. இதன் நிகர விளைவு, அதன் அளவு, மின்கட்டமைப்பின் தூய்மை, செயல்திறன் தேர்வுகள், மற்றும் அந்தச் செயற்கை நுண்ணறிவு உண்மையான சிக்கல்களைத் தீர்க்கிறதா அல்லது புதுமைக்காக மட்டுமே புதுமையை உருவாக்குகிறதா என்பதைப் பொறுத்தது. IEA: ஆற்றல் மற்றும் செயற்கை நுண்ணறிவு
நீங்கள் எளிமையான நடைமுறை விளக்கத்தை விரும்பினால்:
-
அளவிடு.
-
வலது அளவு.
-
அனுமானத்தை மேம்படுத்தவும்.
-
வன்பொருள் ஆயுளை நீட்டிக்கவும்.
-
பரிமாற்றங்களைப் பற்றி வெளிப்படையாக இருங்கள்.
மேலும், நீங்கள் மிகுந்த மன அழுத்தத்தில் இருந்தால், இதோ ஒரு ஆறுதலான உண்மை: ஆயிரம் முறை மீண்டும் மீண்டும் எடுக்கப்படும் சிறிய செயல்பாட்டு முடிவுகள், பொதுவாக ஒரு பெரிய நிலைத்தன்மை அறிக்கையை விடச் சிறந்தவை. இது பல் துலக்குவதைப் போன்றது. பார்ப்பதற்கு அவ்வளவு கவர்ச்சியாக இல்லை, ஆனால் இது பலனளிக்கும்..
நிஜ உலக உதாரணம்: வாடிக்கையாளர் ஆதரவு AI உதவியாளரின் பயன்பாட்டைக் குறைத்தல் 🌱🎧
சூழ்நிலை
ஒரு சிறிய ஆன்லைன் சில்லறை விற்பனையாளர், விநியோக நேரம், திருப்பி அனுப்புதல், சேதமடைந்த பார்சல்கள் மற்றும் பொருட்களின் அளவு குறித்த வாடிக்கையாளர்களின் பொதுவான கேள்விகளுக்குப் பதிலளிக்க செயற்கை நுண்ணறிவைப் பயன்படுத்த விரும்புகிறார் என்று கற்பனை செய்து பாருங்கள்.
முதல் பதிப்பு வீண் விரயமானது: கேள்வி எளிமையானதாக இருந்தாலும், ஒவ்வொரு வாடிக்கையாளர் செய்தியும் நேரடியாகக் கிடைக்கக்கூடிய மிகப்பெரிய மாடலுக்குச் செல்கிறது. மேலும், அந்த உதவியாளர் மிக நீண்ட பதில்களை எழுதுகிறார், கொள்கை உரையைத் திரும்பத் திரும்பக் கூறுகிறார், மற்றும் அங்கீகரிக்கப்பட்ட பதில்களை மீண்டும் பயன்படுத்துவதற்குப் பதிலாக, ஒரே கேள்விகளுக்கு ஆயிரக்கணக்கான முறை மீண்டும் பதிலளிக்கிறார்.
ஒரு சிறந்த அமைப்பு என்பது “செயற்கை நுண்ணறிவு இல்லாமை” அல்ல. அது சரியான அளவிலான செயற்கை நுண்ணறிவு ஆகும்: எளிதான பணிகளுக்கு இலகுவான கருவிகளைப் பயன்படுத்துங்கள், சிக்கலான நிகழ்வுகளுக்குப் பெரிய மாதிரியை ஒதுக்கி வையுங்கள், மேலும் தீர்க்கப்பட்ட ஒவ்வொரு டிக்கெட்டின் தாக்கத்தையும் அளவிடுங்கள்.
உதவியாளருக்கு என்ன தேவை
அணி பின்வருவனவற்றைத் தயாரிக்கும்:
தற்போதைய திருப்பியளித்தல் கொள்கை
பிராந்திய வாரியான விநியோக விதிகள்
தயாரிப்பு அளவு குறிப்புகள்
பணம் திரும்பப் பெறுதல், புகார்கள் மற்றும் சட்டச் சிக்கல்களுக்கான ஒரு சுருக்கமான மேல்நிலைப்படுத்தல் கொள்கை
50 பொதுவான வாடிக்கையாளர் கேள்விகளின் பட்டியல்
மீண்டும் கேட்கப்படும் கேள்விகளுக்கான அங்கீகரிக்கப்பட்ட சுருக்கமான பதில்கள்
கோரிக்கை வகை, பயன்படுத்தப்பட்ட மாதிரி, பதிலின் நீளம், மேல்நிலைப்படுத்தல் தேவைப்பட்டதா இல்லையா, மற்றும் பதில் மனித மதிப்பாய்வில் தேர்ச்சி பெற்றதா இல்லையா போன்ற விவரங்களைக் கொண்ட ஒரு எளிய கண்காணிப்புத் தாள்
எடுத்துக்காட்டு அறிவுறுத்தல்
முதலில் மிகச்சிறிய பொருத்தமான மாதிரியையோ அல்லது விதி அடிப்படையிலான பதிலையோ பயன்படுத்துங்கள். வாடிக்கையாளரின் கேள்வி தெளிவற்றதாகவோ, உணர்ச்சிப்பூர்வமானதாகவோ, பல சிக்கல்களைக் கொண்டதாகவோ, அல்லது ஒன்றுக்கு மேற்பட்ட கொள்கைகளிலிருந்து தகவல்களை ஒருங்கிணைக்க வேண்டியதாகவோ இருக்கும்போது மட்டுமே பெரிய மாதிரியைப் பயன்படுத்துங்கள். வாடிக்கையாளர் விவரங்களைக் கேட்காத வரையில், பதில்களை 120 வார்த்தைகளுக்குள் வைத்திருங்கள். நம்பிக்கை குறைவாக இருந்தால், தெளிவுபடுத்தும் ஒரு கேள்வியைக் கேளுங்கள் அல்லது ஒரு மனிதரிடம் விஷயத்தைக் கொண்டு செல்லுங்கள். விநியோகத் தேதிகள், பணத்தைத் திரும்பப் பெறுவதற்கான ஒப்புதல்கள் அல்லது கொள்கை விதிவிலக்குகளை நீங்களாகவே உருவாக்காதீர்கள்.
அதை எப்படி சோதிப்பது
வெளியீட்டிற்கு முன் 50-டிக்கெட் சோதனையை நடத்தவும்:
10 டெலிவரி கேள்விகள்
10 திரும்பும் கேள்விகள்
10 தயாரிப்பு அளவு கேள்விகள்
சேதமடைந்த பொருள் குறித்த 10 புகார்கள்
10 கலவையான அல்லது தெளிவற்ற செய்திகள்
ஒவ்வொரு பதிலுக்கும், சரிபார்க்கவும்:
சரியான கொள்கை பயன்படுத்தப்பட்டதா?
சேமிக்கப்பட்ட, அங்கீகரிக்கப்பட்ட பதில் இதைத் தீர்த்திருக்க முடியுமா?
பெரிய மாடல் தேவைப்பட்டதா?
உதவியாளர் பதிலைச் சுருக்கமாகக் கூறினாரா?
ஏதேனும் பதில் தகவலைப் புனைந்ததா?
முக்கியத்துவம் வாய்ந்த வழக்குகள் முறையாக மேல் அதிகாரிகளுக்குக் கொண்டு செல்லப்பட்டனவா?
ஒரு நியாயமான தேர்ச்சி மதிப்பெண் என்பது பின்வருமாறு இருக்கும்: 95% கொள்கைத் துல்லியம், புனையப்பட்ட பணத்தைத் திரும்பப்பெறும் வாக்குறுதிகள் ஏதுமில்லை, மற்றும் பணம் செலுத்துவதில் உள்ள தகராறுகள் அல்லது சட்ட அச்சுறுத்தல்கள் தொடர்பான புகார்களை 100% மேல் அதிகாரிகளுக்குத் தெரிவித்தல்.
முடிவு
உகப்பாக்கத்திற்கு முன்னும் பின்னும் 50-டிக்கெட் சோதனையின் நேரத்தைக் கணக்கிட்டு, அதை எண்ணியதன் அடிப்படையில் கிடைத்த விளக்கமான முடிவு:
மேம்படுத்துவதற்கு முன்பு, அனைத்து 50 டிக்கெட்டுகளும் பெரிய மாதிரியைப் பயன்படுத்தின, அவற்றின் சராசரி பதில் நீளம் 210 வார்த்தைகளாக இருந்தது.
உகப்பாக்கத்திற்குப் பிறகு, 31 டிக்கெட்டுகள் சேமிக்கப்பட்ட அங்கீகரிக்கப்பட்ட பதில்களையும், 14 டிக்கெட்டுகள் சிறிய மாதிரியையும், வெறும் 5 டிக்கெட்டுகள் மட்டுமே பெரிய மாதிரியையும் பயன்படுத்தின.
சராசரி பதில் நீளம் 210 வார்த்தைகளிலிருந்து 92 வார்த்தைகளாகக் குறைந்தது.
மனித மதிப்பாய்வு நேரம் 4 மணி 10 நிமிடங்களிலிருந்து 1 மணி 25 நிமிடங்களாகக் குறைந்தது.
முதல் சோதனை ஓட்டத்தில் குழு 2 தவறான கொள்கை பதில்களைக் கண்டறிந்தது; பின்னர், மூல ஆவணங்களைப் புதுப்பித்து, தெளிவான மேல்நிலைப்படுத்தல் விதிகளைச் சேர்த்த பிறகு, தவறான கொள்கை பதில்கள் எதுவும் இல்லை.
இது அந்த உதவியாளர் “பசுமையானவர்” என்பதை நிரூபிக்கவில்லை. சுற்றுச்சூழல் கூற்றைச் சரிபார்க்கக்கூடியதாக மாற்றும் அளவீட்டின் வகையை இது வெறுமனே காட்டுகிறது: குறைவான கனமான மாதிரி அழைப்புகள், குறுகிய வெளியீடுகள், குறைவான மீண்டும் மீண்டும் செய்யப்படும் உருவாக்கங்கள், மற்றும் தவிர்க்கக்கூடிய குறைவான மறுஆய்வு சுழற்சிகள்.
என்ன தவறு நடக்கக்கூடும்?
ஒவ்வொரு தெளிவற்ற செய்தியும் "ஒருவேளை தேவைப்படலாம்" என்ற எண்ணத்தில் மிகப்பெரிய மாடலுக்கு அனுப்பப்பட்டால், அந்த உதவியாளர் கணக்கீட்டு ஆற்றலை வீணடிக்க நேரிடலாம்.
திருப்பியளித்தல் கொள்கை மாறும்போதும், யாரும் அந்தப் பதில்களைப் புதுப்பிக்காதபோதும், சேமிக்கப்பட்ட பதில்கள் அபாயகரமானதாக மாறக்கூடும்.
சுருக்கமான பதில்களில் முக்கியமான விவரங்கள் விடுபட்டிருந்தால், அவை வாடிக்கையாளர்களுக்கு எரிச்சலை ஏற்படுத்தக்கூடும்.
ஒரு நிறுவனம் அளவீட்டு முறையைக் காட்டாமல், சதவீத சேமிப்பை மட்டும் தெரிவித்தால், கார்பன் அல்லது ஆற்றல் தொடர்பான கூற்றுகள் பசுமைப் பூச்சு ஆகிவிடும்.
மாடல் தேர்வை மட்டுமே ஒரே நெம்புகோலாகக் கருதுவதுதான் மிகப்பெரிய தவறு. நடைமுறையில், ரூட்டிங், கேச்சிங், சுருக்கமான வெளியீடுகள், சிறந்த மூல ஆவணங்கள் மற்றும் அதிக ஆபத்துள்ள நிகழ்வுகளுக்கு மனித மதிப்பாய்வு ஆகியவற்றிலிருந்துதான் சுற்றுச்சூழலுக்கு உகந்த பணிப்பாய்வு கிடைக்கிறது.
நடைமுறைப் பாடம்
குறைந்த தாக்கத்தை ஏற்படுத்தும் ஒரு செயற்கை நுண்ணறிவு அமைப்பு என்பது பொதுவாக மிகவும் ஆடம்பரமானதாக இருக்காது. அது உண்மையான பயன்பாட்டை அளவிடுவது, தேவையற்ற கடினமான அனுமானங்களைத் தவிர்ப்பது, முடிந்தவரை அங்கீகரிக்கப்பட்ட பதில்களை மீண்டும் பயன்படுத்துவது, மேலும் முக்கியமான முடிவுகளின் மீது மனிதர்களுக்குக் கட்டுப்பாட்டை வழங்குவது ஆகியவற்றை உள்ளடக்கியதாகும்.
அடிக்கடி கேட்கப்படும் கேள்விகள்
பெரிய ஆராய்ச்சி ஆய்வகங்களில் மட்டுமல்ல, அன்றாட பயன்பாட்டிலும் AI எவ்வாறு சுற்றுச்சூழலைப் பாதிக்கிறது?
AI இன் பெரும்பாலான தடம், பயிற்சி மற்றும் அன்றாட "அனுமானத்தின்" போது GPUகள் மற்றும் CPUகளை இயக்கும் தரவு மையங்களுக்கு சக்தி அளிக்கும் மின்சாரத்திலிருந்து வருகிறது. ஒரு கோரிக்கை மிதமானதாக இருக்கலாம், ஆனால் அளவில் அந்த கோரிக்கைகள் வேகமாக குவிகின்றன. தரவு மையம் எங்கு அமைந்துள்ளது, உள்ளூர் கட்டம் எவ்வளவு சுத்தமாக உள்ளது மற்றும் உள்கட்டமைப்பு எவ்வளவு திறமையாக இயக்கப்படுகிறது என்பதையும் இதன் தாக்கம் சார்ந்துள்ளது.
ஒரு AI மாதிரியைப் பயிற்றுவிப்பது, அதைப் பயன்படுத்துவதை விட சுற்றுச்சூழலுக்கு மோசமானதா (அனுமானம்)?
பயிற்சி என்பது ஒரு பெரிய, வெளிப்படையான கணக்கீட்டு முறையாக இருக்கலாம், ஆனால் அனுமானம் தொடர்ந்து மற்றும் மிகப்பெரிய அளவில் இயங்குவதால் காலப்போக்கில் அது மிகப்பெரிய தடயமாக மாறக்கூடும். ஒரு கருவியை ஒவ்வொரு நாளும் மில்லியன் கணக்கான மக்கள் பயன்படுத்தினால், மீண்டும் மீண்டும் கேட்கப்படும் கோரிக்கைகள் ஒரு முறை பயிற்சி செலவை விட அதிகமாக இருக்கும். அதனால்தான் உகப்பாக்கம் பெரும்பாலும் அனுமான செயல்திறனில் கவனம் செலுத்துகிறது.
AI ஏன் தண்ணீரைப் பயன்படுத்துகிறது, அது எப்போதும் ஒரு பிரச்சனையா?
சில தரவு மையங்கள் நீர் சார்ந்த குளிரூட்டலை நம்பியிருப்பதாலோ அல்லது மின்சார உற்பத்தி மூலம் நீர் மறைமுகமாக நுகரப்படுவதாலோ AI தண்ணீரைப் பயன்படுத்தலாம். சில காலநிலைகளில், ஆவியாதல் குளிரூட்டல் மின்சார பயன்பாட்டைக் குறைக்கும் அதே வேளையில் நீர் பயன்பாட்டை அதிகரிக்கும், இது ஒரு உண்மையான பரிமாற்றத்தை உருவாக்குகிறது. அது "மோசமானதா" என்பது உள்ளூர் நீர் பற்றாக்குறை, குளிரூட்டும் வடிவமைப்பு மற்றும் நீர் பயன்பாடு அளவிடப்பட்டு நிர்வகிக்கப்படுகிறதா என்பதைப் பொறுத்தது.
AI இன் சுற்றுச்சூழல் தடயத்தின் எந்த பகுதிகள் வன்பொருள் மற்றும் மின்-கழிவுகளிலிருந்து வருகின்றன?
AI என்பது சில்லுகள், சர்வர்கள், நெட்வொர்க்கிங் கியர், கட்டிடங்கள் மற்றும் விநியோகச் சங்கிலிகளைச் சார்ந்துள்ளது - அதாவது சுரங்கம், உற்பத்தி, கப்பல் போக்குவரத்து மற்றும் இறுதியில் அகற்றல். குறைக்கடத்தி உற்பத்தி என்பது ஆற்றல் மிகுந்ததாகும், மேலும் விரைவான மேம்படுத்தல் சுழற்சிகள் உட்பொதிக்கப்பட்ட உமிழ்வுகள் மற்றும் மின்-கழிவுகளை அதிகரிக்கும். வன்பொருள் ஆயுளை நீட்டித்தல், புதுப்பித்தல் மற்றும் பயன்பாட்டை மேம்படுத்துதல் ஆகியவை தாக்கத்தை கணிசமாகக் குறைக்கும், சில நேரங்களில் மாதிரி-நிலை மாற்றங்களுடன் போட்டியிடும்.
புதுப்பிக்கத்தக்க ஆற்றலைப் பயன்படுத்துவது AI இன் சுற்றுச்சூழல் தாக்கத்தைத் தீர்க்குமா?
தூய்மையான மின்சாரம் கணினியிலிருந்து வெளியேற்றத்தைக் குறைக்கலாம், ஆனால் நீர் பயன்பாடு, வன்பொருள் உற்பத்தி மற்றும் மின் கழிவுகள் போன்ற பிற தாக்கங்களை இது அழிக்காது. குறைந்த விலை கணக்கீடு ஒட்டுமொத்தமாக அதிக பயன்பாட்டிற்கு வழிவகுக்கும் "மீள் விளைவுகளை" இது தானாகவே நிவர்த்தி செய்யாது. புதுப்பிக்கத்தக்கவை ஒரு முக்கியமான நெம்புகோல், ஆனால் அவை கால்தட அடுக்கின் ஒரு பகுதி மட்டுமே.
மீள் எழுச்சி விளைவு என்ன, அது AI மற்றும் நிலைத்தன்மைக்கு ஏன் முக்கியமானது?
திறன் அதிகரிப்புகள் ஒரு விஷயத்தை மலிவானதாகவோ அல்லது எளிதாக்கவோ செய்யும் போது மீள் விளைவு ஏற்படுகிறது, எனவே மக்கள் அதை அதிகமாகச் செய்கிறார்கள் - சில நேரங்களில் சேமிப்பை அழிக்கிறார்கள். AI உடன், மலிவான உருவாக்கம் அல்லது ஆட்டோமேஷன் உள்ளடக்கம், கணினி மற்றும் சேவைகளுக்கான மொத்த தேவையை அதிகரிக்கும். அதனால்தான் நடைமுறையில் விளைவுகளை அளவிடுவது, செயல்திறனைத் தனித்தனியாகக் கொண்டாடுவதை விட முக்கியமானது.
தயாரிப்புக்கு தீங்கு விளைவிக்காமல் AI தாக்கத்தைக் குறைப்பதற்கான நடைமுறை வழிகள் யாவை?
அளவீடு (ஆற்றல் மற்றும் கார்பன் மதிப்பீடுகள், பயன்பாடு) உடன் தொடங்குவதும், பின்னர் பணிக்கு சரியான அளவிலான மாதிரிகளை வழங்குவதும், தற்காலிக சேமிப்பு, தொகுதிப்படுத்தல் மற்றும் குறுகிய வெளியீடுகளுடன் அனுமானத்தை மேம்படுத்துவதும் ஒரு பொதுவான அணுகுமுறையாகும். அளவீடு, வடிகட்டுதல் மற்றும் மீட்டெடுப்பு-பெரிதாக்கப்பட்ட உருவாக்கம் போன்ற நுட்பங்கள் கணக்கீட்டுத் தேவைகளைக் குறைக்கலாம். செயல்பாட்டுத் தேர்வுகள் - கார்பன் தீவிரம் மற்றும் நீண்ட வன்பொருள் ஆயுட்காலம் மூலம் பணிச்சுமையை திட்டமிடுதல் போன்றவை - பெரும்பாலும் பெரிய வெற்றிகளை வழங்குகின்றன.
சுற்றுச்சூழலுக்கு தீங்கு விளைவிப்பதற்குப் பதிலாக AI எவ்வாறு உதவ முடியும்?
உண்மையான அமைப்புகளை மேம்படுத்த பயன்படுத்தப்படும்போது AI உமிழ்வு மற்றும் கழிவுகளைக் குறைக்க முடியும்: கட்ட முன்னறிவிப்பு, தேவை பதில், HVAC கட்டுப்பாட்டை உருவாக்குதல், தளவாடங்கள் ரூட்டிங், முன்கணிப்பு பராமரிப்பு மற்றும் கசிவு கண்டறிதல். காடழிப்பு எச்சரிக்கைகள் மற்றும் மீத்தேன் கண்டறிதல் போன்ற சுற்றுச்சூழல் கண்காணிப்பையும் இது ஆதரிக்க முடியும். அமைப்பு முடிவுகளை மாற்றி அளவிடக்கூடிய குறைப்புகளை உருவாக்குகிறதா என்பதுதான் முக்கியம், சிறந்த டேஷ்போர்டுகள் மட்டுமல்ல.
AI கூற்றுகளை "பசுமைப்படுத்துவதை" தவிர்க்க நிறுவனங்கள் என்ன அளவீடுகளைப் புகாரளிக்க வேண்டும்?
பெரிய மொத்த எண்களை மட்டும் விட, ஒவ்வொரு பணிக்கும் அல்லது ஒவ்வொரு கோரிக்கைக்கும் அளவீடுகளைப் புகாரளிப்பது மிகவும் அர்த்தமுள்ளதாக இருக்கிறது, ஏனெனில் இது அலகு மட்டத்தில் செயல்திறனைக் காட்டுகிறது. ஆற்றல் பயன்பாடு, கார்பன் மதிப்பீடுகள், பயன்பாடு மற்றும் - பொருத்தமான இடங்களில் - நீர் தாக்கங்களைக் கண்காணிப்பது தெளிவான பொறுப்புணர்வை உருவாக்குகிறது. மேலும் முக்கியமானது: எல்லைகளை வரையறுத்தல் (என்ன சேர்க்கப்பட்டுள்ளது) மற்றும் அளவிடப்பட்ட சான்றுகள் இல்லாமல் “சுற்றுச்சூழலுக்கு உகந்த AI” போன்ற தெளிவற்ற லேபிள்களைத் தவிர்க்கவும்.
குறிப்புகள்
-
சர்வதேச எரிசக்தி நிறுவனம் (IEA) - எரிசக்தி மற்றும் AI - iea.org
-
சர்வதேச எரிசக்தி நிறுவனம் (IEA) - ஆற்றல் உகப்பாக்கம் மற்றும் புதுமைக்கான AI - iea.org
-
சர்வதேச எரிசக்தி நிறுவனம் (IEA) - டிஜிட்டல் மயமாக்கல் - iea.org
-
லாரன்ஸ் பெர்க்லி தேசிய ஆய்வகம் (LBNL) - யுனைடெட் ஸ்டேட்ஸ் டேட்டா சென்டர் எரிசக்தி பயன்பாட்டு அறிக்கை (2024) (PDF) - lbl.gov
-
லி மற்றும் பலர் - செயற்கை நுண்ணறிவை குறைந்த “தேவையுள்ளதாக” மாற்றுதல் (2023) (PDF) - arxiv.org
-
ASHRAE (TC 9.9) - பிரதான தரவு மையங்களில் திரவ குளிரூட்டலின் தோற்றம் மற்றும் விரிவாக்கம் (PDF) - ashrae.org
-
தி கிரீன் கிரிட் - PUE-மெட்ரிக்கின் விரிவான தேர்வு - thegreengrid.org
-
அமெரிக்க எரிசக்தித் துறை (DOE) - FEMP - மத்திய தரவு மையங்களுக்கான குளிரூட்டும் நீர் திறன் வாய்ப்புகள் - energy.gov
-
அமெரிக்க எரிசக்தித் துறை (DOE) - FEMP - தரவு மையங்களில் எரிசக்தி திறன் - energy.gov
-
அமெரிக்க சுற்றுச்சூழல் பாதுகாப்பு நிறுவனம் (EPA) - குறைக்கடத்தி தொழில் - epa.gov
-
சர்வதேச தொலைத்தொடர்பு ஒன்றியம் (ITU) - உலகளாவிய மின்-கழிவு கண்காணிப்பு 2024 - itu.int
-
OECD - ஆற்றல் திறன் மேம்பாடுகளின் பல நன்மைகள் (2012) (PDF) - oecd.org
-
கார்பன் தீவிரம் API (GB) - carbonintensity.org.uk
-
imec - சிப் உற்பத்தியில் சுற்றுச்சூழல் பாதிப்பைக் குறைத்தல் - imec-int.com
-
UNEP - MARS எவ்வாறு செயல்படுகிறது - unep.org
-
உலகளாவிய வன கண்காணிப்பு - மகிழ்ச்சியான காடழிப்பு எச்சரிக்கைகள் - globalforestwatch.org
-
ஆலன் டூரிங் நிறுவனம் - பல்லுயிர் மற்றும் சுற்றுச்சூழல் அமைப்பின் ஆரோக்கியத்தை மதிப்பிடுவதற்கான AI மற்றும் தன்னாட்சி அமைப்புகள் - turing.ac.uk
-
கோட்கார்பன் - முறை - mlco2.github.io
-
கோலாமி மற்றும் பலர் - அளவு நிர்ணய முறைகள் கணக்கெடுப்பு (2021) (PDF) - arxiv.org
-
லூயிஸ் மற்றும் பலர் - மீட்டெடுப்பு-வளர்ச்சியடைந்த தலைமுறை (2020) - arxiv.org
-
ஹின்டன் மற்றும் பலர் - ஒரு நரம்பியல் வலையமைப்பில் அறிவை வடிகட்டுதல் (2015) - arxiv.org
-
கோட்கார்பன் - codecarbon.io