Trí tuệ nhân tạo (AI) ảnh hưởng đến môi trường như thế nào?

Trí tuệ nhân tạo (AI) ảnh hưởng đến môi trường như thế nào?

Tóm lại: Trí tuệ nhân tạo (AI) tác động đến môi trường chủ yếu thông qua việc sử dụng điện năng trong các trung tâm dữ liệu (cả huấn luyện và suy luận hàng ngày), cùng với nước để làm mát, cộng thêm các tác động gián tiếp của việc sản xuất phần cứng và rác thải điện tử. Nếu số lượng truy vấn lên đến hàng tỷ, thì việc suy luận có thể vượt trội hơn việc huấn luyện; nếu lưới điện sạch hơn và hệ thống hoạt động hiệu quả, thì tác động sẽ giảm trong khi lợi ích có thể tăng lên.

Những điểm chính cần ghi nhớ:

Điện năng : Theo dõi mức sử dụng điện toán; lượng khí thải giảm khi các tác vụ được thực hiện trên lưới điện sạch hơn.

Nước : Các lựa chọn làm mát ảnh hưởng đến tác động; các phương pháp sử dụng nước có ý nghĩa quan trọng nhất ở những vùng khan hiếm nước.

Phần cứng : Chip và máy chủ có tác động đáng kể đến tuổi thọ; cần kéo dài tuổi thọ và ưu tiên việc tân trang.

Hiệu quả tăng lên : Hiệu suất có thể làm tăng tổng nhu cầu; cần đo lường kết quả, không chỉ lợi ích đạt được trên từng nhiệm vụ.

Các đòn bẩy vận hành : Tối ưu hóa kích thước mô hình, tối ưu hóa suy luận và báo cáo minh bạch các chỉ số cho mỗi yêu cầu.

Trí tuệ nhân tạo (AI) ảnh hưởng đến môi trường như thế nào? (Infographic)

Những bài viết bạn có thể muốn đọc sau bài này:

🔗 Trí tuệ nhân tạo có gây hại cho môi trường không?
Khám phá tác động của AI đến lượng khí thải carbon, mức tiêu thụ điện năng và nhu cầu của trung tâm dữ liệu.

🔗 Tại sao trí tuệ nhân tạo lại gây hại cho xã hội?
Hãy nhìn vào sự thiên vị, tình trạng gián đoạn việc làm, thông tin sai lệch và sự bất bình đẳng xã hội ngày càng gia tăng.

🔗 Tại sao trí tuệ nhân tạo lại xấu? Mặt tối của trí tuệ nhân tạo
Hiểu rõ các rủi ro như giám sát, thao túng và mất kiểm soát của con người.

🔗 Liệu trí tuệ nhân tạo đã đi quá xa?
Các cuộc tranh luận về đạo đức, quy định và ranh giới mà sự đổi mới nên đặt ra.

Tác động của Trí tuệ Nhân tạo đến Môi trường: Tổng quan nhanh ⚡🌱

Nếu bạn chỉ nhớ được vài điểm, hãy nhớ những điểm sau:

Và rồi có một phần mà mọi người thường quên: quy mô . Một truy vấn AI có thể nhỏ, nhưng hàng tỷ truy vấn như vậy lại là một chuyện hoàn toàn khác… giống như một quả cầu tuyết nhỏ xíu bỗng chốc biến thành một trận tuyết lở khổng lồ cỡ chiếc ghế sofa. (Hình ảnh ẩn dụ này hơi không chính xác lắm, nhưng bạn hiểu ý tôi chứ.) IEA: Năng lượng và Trí tuệ nhân tạo

Tác động môi trường của AI không chỉ là một thứ duy nhất - mà là một chồng các tác động khác nhau 🧱🌎

Khi mọi người tranh luận về trí tuệ nhân tạo và tính bền vững, họ thường không hiểu nhau vì đang đề cập đến những khía cạnh khác nhau:

1) Tính toán điện năng

2) Chi phí vận hành trung tâm dữ liệu

3) Nước và nhiệt

4) Chuỗi cung ứng phần cứng

5) Hành vi và hiệu ứng hồi phục

Vậy nên khi ai đó hỏi trí tuệ nhân tạo (AI) ảnh hưởng đến môi trường như thế nào, câu trả lời thẳng thắn là: điều đó phụ thuộc vào lớp nào bạn đang đo lường và "AI" có nghĩa là gì trong trường hợp đó.

Huấn luyện so với suy luận: sự khác biệt làm thay đổi mọi thứ 🧠⚙️

Mọi người thích nói về huấn luyện vì nó nghe có vẻ kịch tính - "một mô hình đã sử dụng X năng lượng." Nhưng suy luận mới là người khổng lồ thầm lặng. IEA: Năng lượng và Trí tuệ nhân tạo

Huấn luyện (quá trình xây dựng lớn)

Quá trình huấn luyện giống như việc xây dựng một nhà máy. Bạn phải trả chi phí ban đầu: sức mạnh tính toán lớn, thời gian chạy dài, nhiều lần thử và sai (và tất nhiên, rất nhiều lần lặp lại kiểu "ôi, không được rồi, thử lại đi"). Quá trình huấn luyện có thể được tối ưu hóa, nhưng chi phí vẫn có thể rất lớn. (IEA: Năng lượng và Trí tuệ nhân tạo)

Suy luận (cách sử dụng hàng ngày)

Suy luận giống như một nhà máy hoạt động mỗi ngày, phục vụ tất cả mọi người, trên quy mô lớn:

  • Chatbot trả lời câu hỏi

  • Tạo ảnh

  • Xếp hạng tìm kiếm

  • Các khuyến nghị

  • Chuyển giọng nói thành văn bản

  • Phát hiện gian lận

  • Người hỗ trợ trong các công cụ lập trình và tài liệu

Ngay cả khi mỗi yêu cầu tương đối nhỏ, khối lượng sử dụng vẫn có thể vượt xa quá trình huấn luyện. Đó là trường hợp kinh điển "một cọng rơm chẳng là gì, hàng triệu cọng rơm mới là vấn đề". (IEA: Năng lượng và Trí tuệ nhân tạo)

Một lưu ý nhỏ - một số tác vụ AI đòi hỏi nhiều tài nguyên hơn những tác vụ khác. Việc tạo ra hình ảnh hoặc video dài thường tiêu tốn nhiều năng lượng hơn so với phân loại văn bản ngắn. Vì vậy, việc gộp "AI" vào một nhóm duy nhất giống như việc so sánh một chiếc xe đạp với một tàu chở hàng và gọi cả hai là "phương tiện vận tải". (IEA: Năng lượng và Trí tuệ nhân tạo)

Trung tâm dữ liệu: điện năng, hệ thống làm mát và câu chuyện về nguồn nước tĩnh lặng 💧🏢

Trung tâm dữ liệu không phải là mới, nhưng trí tuệ nhân tạo (AI) đang làm thay đổi cường độ hoạt động. Các bộ tăng tốc hiệu năng cao có thể tiêu thụ rất nhiều điện năng trong không gian chật hẹp, dẫn đến sinh nhiệt, và việc quản lý nhiệt này là cần thiết. LBNL (2024): Báo cáo về mức sử dụng năng lượng của trung tâm dữ liệu Hoa Kỳ (PDF) IEA: Năng lượng và AI

Nguyên lý cơ bản về làm mát (đơn giản nhưng thiết thực)

Đó là sự đánh đổi: đôi khi bạn có thể giảm mức tiêu thụ điện năng bằng cách dựa vào hệ thống làm mát bằng nước. Tùy thuộc vào tình trạng khan hiếm nước tại địa phương, điều đó có thể ổn… hoặc cũng có thể là một vấn đề thực sự. Li et al. (2023): Making AI Less “Thirsty” (PDF)

Ngoài ra, tác động đến môi trường còn phụ thuộc rất nhiều vào:

Thẳng thắn mà nói: dư luận thường coi "trung tâm dữ liệu" như một hộp đen. Nó không phải là thứ xấu xa, cũng không phải là thứ huyền diệu. Nó là cơ sở hạ tầng. Và nó hoạt động như một cơ sở hạ tầng thông thường.

Chip và phần cứng: phần mà mọi người thường bỏ qua vì nó kém hấp dẫn hơn 🪨🔧

Trí tuệ nhân tạo (AI) hoạt động dựa trên phần cứng. Phần cứng có vòng đời, và tác động của vòng đời này có thể rất lớn. (US EPA: Ngành công nghiệp bán dẫn; ITU: Báo cáo giám sát rác thải điện tử toàn cầu năm 2024)

Tác động môi trường thể hiện ở đâu?

Rác thải điện tử và máy chủ "hoàn toàn ổn"

Nhiều tác hại đến môi trường không phải do sự tồn tại của một thiết bị duy nhất gây ra, mà là do việc thay thế nó quá sớm vì nó không còn hiệu quả về mặt chi phí. Trí tuệ nhân tạo (AI) đẩy nhanh quá trình này vì hiệu năng có thể được cải thiện đáng kể. Sự cám dỗ muốn nâng cấp phần cứng là có thật. (ITU: Báo cáo Giám sát Rác thải Điện tử Toàn cầu 2024)

Một điểm thực tế: kéo dài tuổi thọ phần cứng, cải thiện hiệu suất sử dụng và tân trang lại có thể quan trọng không kém bất kỳ tinh chỉnh nào về kiểu dáng. Đôi khi, card đồ họa thân thiện với môi trường nhất lại là card mà bạn không mua. (Nghe có vẻ như một khẩu hiệu, nhưng nó cũng… phần nào đúng.)

Tác động của AI lên môi trường: vòng luẩn quẩn "mọi người quên mất điều này" 🔁😬

Đây là khía cạnh xã hội khó xử: Trí tuệ nhân tạo (AI) làm cho mọi thứ dễ dàng hơn, vì vậy mọi người làm được nhiều việc hơn. Điều đó có thể rất tuyệt vời - năng suất cao hơn, sáng tạo hơn, tiếp cận dễ dàng hơn. Nhưng nó cũng có thể đồng nghĩa với việc sử dụng nhiều tài nguyên hơn. OECD (2012): Những lợi ích đa dạng của việc cải thiện hiệu quả năng lượng (PDF)

Ví dụ:

  • Nếu trí tuệ nhân tạo giúp việc tạo video trở nên rẻ hơn, mọi người sẽ tạo ra nhiều video hơn.

  • Nếu AI giúp quảng cáo hiệu quả hơn, sẽ có nhiều quảng cáo được hiển thị hơn, và nhiều vòng tương tác hơn được tạo ra.

  • Nếu trí tuệ nhân tạo giúp cải thiện hiệu quả logistics vận chuyển, thương mại điện tử có thể phát triển mạnh mẽ hơn nữa.

Đây không phải là lý do để hoảng loạn. Đây là lý do để đo lường kết quả, chứ không chỉ hiệu quả.

Một phép ẩn dụ không hoàn hảo nhưng thú vị: Hiệu quả của AI giống như việc cho một thiếu niên một cái tủ lạnh lớn hơn - đúng là khả năng chứa thức ăn được cải thiện, nhưng chẳng hiểu sao tủ lạnh lại trống rỗng chỉ sau một ngày. Không phải là một phép ẩn dụ hoàn hảo, nhưng… bạn đã từng thấy điều đó xảy ra rồi đấy 😅

Mặt tích cực: Trí tuệ nhân tạo thực sự có thể giúp ích cho môi trường (khi được sử dụng đúng cách) 🌿✨

Giờ đến phần thường bị đánh giá thấp: Trí tuệ nhân tạo (AI) có thể giảm lượng khí thải và chất thải trong các hệ thống hiện có… nói thẳng ra là khá thiếu hiệu quả. IEA: AI để tối ưu hóa và đổi mới năng lượng

Các lĩnh vực mà trí tuệ nhân tạo có thể hỗ trợ

Điểm quan trọng cần lưu ý: Việc AI “hỗ trợ” không tự động bù đắp được tác động của AI. Điều đó phụ thuộc vào việc AI có thực sự được triển khai, thực sự được sử dụng hay không, và liệu nó có dẫn đến việc giảm thiểu tác động thực sự chứ không chỉ đơn thuần là cải thiện bảng điều khiển hay không. Nhưng đúng vậy, tiềm năng là có thật. IEA: AI cho việc tối ưu hóa và đổi mới năng lượng

Điều gì tạo nên một phiên bản AI thân thiện với môi trường tốt? ✅🌍

Đây là phần "Vậy chúng ta nên làm gì?". Một hệ thống AI thân thiện với môi trường tốt thường bao gồm:

  • Giá trị ứng dụng rõ ràng : Nếu mô hình không thay đổi quyết định hoặc kết quả, thì đó chỉ là công cụ tính toán cao cấp.

  • Đo lường được tích hợp sẵn : Năng lượng, ước tính lượng khí thải carbon, mức độ sử dụng và các chỉ số hiệu quả được theo dõi như bất kỳ KPI nào khác. CodeCarbon: Phương pháp luận

  • Mô hình có kích thước phù hợp : Sử dụng mô hình nhỏ hơn khi mô hình nhỏ hơn hoạt động hiệu quả. Hiệu quả không phải là một thất bại về mặt đạo đức.

  • Thiết kế suy luận hiệu quả : bộ nhớ đệm, xử lý theo lô, lượng tử hóa, truy xuất và các mẫu gợi ý tốt. Gholami et al. (2021): Khảo sát các phương pháp lượng tử hóa (PDF) Lewis et al. (2020): Tạo tăng cường truy xuất

  • Nhận thức về phần cứng và vị trí : chạy các khối lượng công việc ở những nơi lưới điện sạch hơn và cơ sở hạ tầng hiệu quả (khi khả thi). API cường độ carbon (GB)

  • Kéo dài tuổi thọ phần cứng : tối đa hóa việc sử dụng, tái sử dụng và tân trang. ITU: Báo cáo Giám sát Rác thải Điện tử Toàn cầu 2024

  • Đưa tin trung thực : tránh sử dụng ngôn từ "tẩy xanh" và những tuyên bố mơ hồ như "trí tuệ nhân tạo thân thiện với môi trường" mà không có số liệu cụ thể.

Nếu bạn vẫn đang theo dõi tác động của AI lên môi trường, thì đây là lúc câu trả lời không còn mang tính triết học mà trở nên thiết thực: nó tác động lên môi trường dựa trên những lựa chọn của bạn.

Bảng so sánh: các công cụ và phương pháp thực sự giúp giảm tác động 🧰⚡

Dưới đây là một bảng tóm tắt nhanh và thiết thực. Nó không hoàn hảo, và đúng vậy, một vài ô có phần mang tính chủ quan… bởi vì đó là cách lựa chọn công cụ thực tế.

Công cụ / Phương pháp Khán giả Giá Lý do nó hiệu quả
Các thư viện theo dõi carbon/năng lượng (công cụ ước tính thời gian thực) Nhóm ML Miễn phí gần như Giúp minh bạch thông tin - điều này đã là một nửa thành công, ngay cả khi các ước tính có phần không chính xác… CodeCarbon
Giám sát điện năng phần cứng (đo từ xa GPU/CPU) Cơ sở hạ tầng + Học máy Miễn phí Đo lường mức tiêu thụ thực tế; tốt cho việc so sánh hiệu suất (không hào nhoáng nhưng giá trị)
Mô hình chưng cất Kỹ sư ML Miễn phí (không tốn thời gian 😵) Các mô hình sinh viên nhỏ hơn thường đạt hiệu suất tương đương với chi phí suy luận thấp hơn nhiều Hinton và cộng sự (2015): Chắt lọc kiến ​​thức trong mạng nơ-ron
Lượng tử hóa (suy luận độ chính xác thấp hơn) ML + sản ​​phẩm Miễn phí Giảm độ trễ và mức tiêu thụ điện năng; đôi khi có những ảnh hưởng nhỏ đến chất lượng, đôi khi không có ảnh hưởng nào Gholami và cộng sự (2021): Khảo sát các phương pháp lượng tử hóa (PDF)
Bộ nhớ đệm + suy luận theo lô Sản phẩm + nền tảng Miễn phí Giảm thiểu việc tính toán dư thừa; đặc biệt hữu ích cho các lời nhắc lặp đi lặp lại hoặc các yêu cầu tương tự
Thế hệ tăng cường truy xuất (RAG) Nhóm ứng dụng Hỗn hợp Giảm tải "bộ nhớ" cho việc truy xuất; có thể giảm nhu cầu về các cửa sổ ngữ cảnh lớn Lewis và cộng sự (2020): Thế hệ được tăng cường bằng truy xuất
Lập kế hoạch khối lượng công việc dựa trên cường độ phát thải carbon Cơ sở hạ tầng/vận hành Hỗn hợp Điều chỉnh các công việc linh hoạt để phù hợp với khung giờ làm việc sạch hơn - tuy nhiên, điều này đòi hỏi sự phối hợp API cường độ carbon (GB)
Tập trung vào hiệu quả hoạt động của trung tâm dữ liệu (sử dụng, hợp nhất) Lãnh đạo CNTT Đã trả tiền (thường là vậy) Giải pháp ít hào nhoáng nhất, nhưng thường lại hiệu quả nhất - hãy ngừng vận hành các hệ thống khi chỉ sử dụng một nửa lượng nhiên liệu Lưới điện xanh: PUE
Các dự án tái sử dụng nhiệt Cơ sở Điều đó còn tùy thuộc vào từng trường hợp Biến nhiệt thải thành nguồn năng lượng có giá trị; điều này không phải lúc nào cũng khả thi, nhưng khi làm được thì thật tuyệt vời
“Liệu chúng ta có cần trí tuệ nhân tạo ở đây không?” Mọi người Miễn phí Ngăn chặn việc tính toán không cần thiết. Tối ưu hóa hiệu quả nhất là nói không (đôi khi)

Bạn có nhận ra điều gì bị thiếu không? "Mua một miếng dán màu xanh thần kỳ." Cái đó không tồn tại 😬

Hướng dẫn thực tiễn: Giảm thiểu tác động của AI mà không làm hỏng sản phẩm 🛠️🌱

Nếu bạn đang xây dựng hoặc mua các hệ thống trí tuệ nhân tạo, đây là một trình tự thực tế hiệu quả trong thực tiễn:

Bước 1: Bắt đầu bằng việc đo lường

  • Theo dõi mức tiêu thụ năng lượng hoặc ước tính một cách nhất quán. CodeCarbon: Phương pháp luận

  • Đo lường cho mỗi lần chạy huấn luyện và cho mỗi yêu cầu suy luận.

  • Giám sát mức độ sử dụng - các tài nguyên nhàn rỗi thường ẩn mình ngay trước mắt. Lưới điện xanh: PUE

Bước 2: Điều chỉnh kích thước mô hình cho phù hợp với công việc

  • Sử dụng các mô hình nhỏ hơn cho việc phân loại, trích xuất và định tuyến.

  • Hãy để dành mẫu máy nặng cho những trường hợp khó khăn.

  • Hãy xem xét "chuỗi mô hình": mô hình nhỏ trước, mô hình lớn hơn chỉ được sử dụng khi cần thiết.

Bước 3: Tối ưu hóa suy luận (đây là lúc yếu tố quy mô phát huy tác dụng)

  • Bộ nhớ đệm : lưu trữ câu trả lời cho các truy vấn lặp lại (với các biện pháp kiểm soát quyền riêng tư cẩn thận).

  • Gom : nhóm các yêu cầu lại với nhau để cải thiện hiệu quả phần cứng.

  • Bài viết ngắn gọn hơn : bài viết dài tốn kém hơn - đôi khi bạn không cần bài luận dài.

  • Nguyên tắc xử lý lời nhắc : lời nhắc không gọn gàng sẽ tạo ra các đường dẫn tính toán dài hơn… và đúng vậy, nhiều token hơn.

Bước 4: Cải thiện vệ sinh dữ liệu

Nghe có vẻ không liên quan, nhưng thực ra là có:

  • Các tập dữ liệu sạch hơn có thể giảm thiểu việc đào tạo lại tốn thời gian.

  • Ít nhiễu hơn đồng nghĩa với ít thí nghiệm hơn và ít lần chạy thử bị lãng phí hơn.

Bước 5: Coi phần cứng như một tài sản, chứ không phải là đồ dùng một lần rồi bỏ

Bước 6: Chọn phương thức triển khai một cách khôn ngoan

  • Hãy ưu tiên chạy các tác vụ linh hoạt ở những nơi có nguồn điện sạch hơn nếu có thể. API Cường độ Carbon (GB)

  • Giảm thiểu việc sao chép không cần thiết.

  • Hãy đặt mục tiêu độ trễ ở mức thực tế (độ trễ cực thấp có thể dẫn đến thiết lập luôn hoạt động kém hiệu quả).

Và đúng vậy… đôi khi bước tốt nhất chỉ đơn giản là: đừng tự động chạy mô hình phức tạp nhất cho mọi hành động của người dùng. Thói quen đó tương đương với việc để tất cả đèn bật sáng chỉ vì việc đi bật tắt đèn thật phiền phức.

Những lầm tưởng phổ biến (và sự thật gần hơn) 🧠🧯

Quan niệm sai lầm: “Trí tuệ nhân tạo luôn kém hơn phần mềm truyền thống”

Sự thật: Trí tuệ nhân tạo (AI) có thể đòi hỏi nhiều tài nguyên tính toán hơn, nhưng nó cũng có thể thay thế các quy trình thủ công kém hiệu quả, giảm lãng phí và tối ưu hóa hệ thống. Điều này phụ thuộc vào từng trường hợp. IEA: AI cho việc tối ưu hóa và đổi mới năng lượng

Quan niệm sai lầm: “Chỉ có huấn luyện là vấn đề”

Sự thật: Suy luận trên quy mô lớn có thể chiếm ưu thế theo thời gian. Nếu sản phẩm của bạn bùng nổ về mức độ sử dụng, điều này sẽ trở thành câu chuyện chính. IEA: Năng lượng và Trí tuệ nhân tạo

Quan niệm sai lầm: “Năng lượng tái tạo giải quyết vấn đề ngay lập tức”

Sự thật: Điện sạch giúp ích rất nhiều, nhưng không xóa bỏ được tác động của phần cứng, lượng nước tiêu thụ hay các hiệu ứng ngược lại. Tuy nhiên, chúng vẫn rất quan trọng. IEA: Năng lượng và Trí tuệ nhân tạo

Quan niệm sai lầm: “Nếu nó hiệu quả, thì nó bền vững”

Sự thật: Hiệu quả mà không cần kiểm soát nhu cầu vẫn có thể làm tăng tổng tác động. Đó chính là bẫy phản hồi ngược. OECD (2012): Những lợi ích đa dạng của việc cải thiện hiệu quả năng lượng (PDF)

Quản trị tốt, minh bạch và không làm quá lên 🧾🌍

Nếu bạn là một công ty, đây chính là nơi xây dựng hoặc đánh mất lòng tin.

Đây là phần mà mọi người thường tỏ vẻ không quan tâm, nhưng nó rất quan trọng. Công nghệ có trách nhiệm không chỉ nằm ở kỹ thuật thông minh. Nó còn nằm ở việc không giả vờ rằng không có sự đánh đổi.

Tóm tắt cuối cùng: Bản tổng kết ngắn gọn về tác động của AI đối với Môi trường 🌎✅

Tác động của AI đến môi trường chủ yếu là do tải trọng gia tăng: điện, nước (đôi khi), và nhu cầu phần cứng. IEA: Năng lượng và AI Li et al. (2023): Làm cho AI ít “khát nước” hơn (PDF) Nó cũng cung cấp các công cụ mạnh mẽ để giảm phát thải và chất thải trong các lĩnh vực khác. IEA: AI để tối ưu hóa và đổi mới năng lượng Kết quả cuối cùng phụ thuộc vào quy mô, độ sạch của lưới điện, các lựa chọn hiệu quả và liệu AI có đang giải quyết các vấn đề thực tế hay chỉ tạo ra sự mới lạ vì mục đích mới lạ. IEA: Năng lượng và AI

Nếu bạn muốn một lời khuyên đơn giản và thiết thực nhất:

  • Đo lường.

  • Kích thước phù hợp.

  • Tối ưu hóa quá trình suy luận.

  • Kéo dài tuổi thọ phần cứng.

  • Hãy thẳng thắn về những sự đánh đổi.

Và nếu bạn cảm thấy choáng ngợp, đây là một sự thật giúp bạn bình tĩnh: những quyết định nhỏ trong hoạt động, được lặp đi lặp lại hàng nghìn lần, thường hiệu quả hơn một tuyên bố lớn về tính bền vững. Giống như việc đánh răng vậy. Không hào nhoáng, nhưng nó hiệu quả… 😄🪥

Câu hỏi thường gặp

Trí tuệ nhân tạo (AI) tác động đến môi trường trong cuộc sống hàng ngày như thế nào, không chỉ riêng trong các phòng thí nghiệm nghiên cứu lớn?

Phần lớn tác động của AI đến từ điện năng tiêu thụ để vận hành các trung tâm dữ liệu, bao gồm cả GPU và CPU trong quá trình huấn luyện và "suy luận" hàng ngày. Một yêu cầu đơn lẻ có thể nhỏ, nhưng ở quy mô lớn, các yêu cầu đó tích lũy rất nhanh. Tác động cũng phụ thuộc vào vị trí của trung tâm dữ liệu, chất lượng lưới điện địa phương và hiệu quả vận hành cơ sở hạ tầng.

Việc huấn luyện mô hình AI có gây hại cho môi trường hơn so với việc sử dụng nó (suy luận) không?

Việc huấn luyện có thể tiêu tốn một lượng tài nguyên tính toán lớn ngay từ đầu, nhưng quá trình suy luận có thể chiếm dụng nhiều tài nguyên hơn theo thời gian vì nó chạy liên tục và ở quy mô lớn. Nếu một công cụ được hàng triệu người sử dụng mỗi ngày, các yêu cầu lặp đi lặp lại có thể vượt quá chi phí huấn luyện một lần. Đó là lý do tại sao việc tối ưu hóa thường tập trung vào hiệu quả của quá trình suy luận.

Tại sao trí tuệ nhân tạo (AI) lại sử dụng nước, và điều đó có luôn là vấn đề không?

Trí tuệ nhân tạo (AI) có thể sử dụng nước chủ yếu vì một số trung tâm dữ liệu dựa vào hệ thống làm mát bằng nước, hoặc vì nước được tiêu thụ gián tiếp thông qua quá trình sản xuất điện. Ở một số vùng khí hậu, làm mát bằng bay hơi có thể làm giảm lượng điện tiêu thụ trong khi làm tăng lượng nước tiêu thụ, tạo ra một sự đánh đổi thực sự. Việc này có "có hại" hay không phụ thuộc vào tình trạng khan hiếm nước tại địa phương, thiết kế hệ thống làm mát và việc sử dụng nước có được đo lường và quản lý hay không.

Những phần nào trong tác động môi trường của AI đến từ phần cứng và rác thải điện tử?

Trí tuệ nhân tạo (AI) phụ thuộc vào chip, máy chủ, thiết bị mạng, tòa nhà và chuỗi cung ứng - điều này có nghĩa là khai thác, sản xuất, vận chuyển và cuối cùng là xử lý. Sản xuất chất bán dẫn tiêu tốn nhiều năng lượng, và chu kỳ nâng cấp nhanh có thể làm tăng lượng khí thải và rác thải điện tử. Kéo dài tuổi thọ phần cứng, tân trang và cải thiện hiệu quả sử dụng có thể giảm đáng kể tác động, đôi khi sánh ngang với những thay đổi ở cấp độ mô hình.

Việc sử dụng năng lượng tái tạo có giải quyết được tác động môi trường của trí tuệ nhân tạo không?

Điện sạch hơn có thể giảm lượng khí thải từ điện toán, nhưng không xóa bỏ được các tác động khác như sử dụng nước, sản xuất phần cứng và rác thải điện tử. Nó cũng không tự động giải quyết được "hiệu ứng bật lại", trong đó điện toán chi phí thấp hơn dẫn đến việc sử dụng nhiều hơn nói chung. Năng lượng tái tạo là một đòn bẩy quan trọng, nhưng chúng chỉ là một phần trong tổng thể tác động đến môi trường.

Hiệu ứng bật lại là gì và tại sao nó lại quan trọng đối với trí tuệ nhân tạo và sự phát triển bền vững?

Hiệu ứng bật lại xảy ra khi việc tăng hiệu quả làm cho một việc gì đó trở nên rẻ hơn hoặc dễ dàng hơn, do đó mọi người làm nhiều hơn – đôi khi làm mất đi khoản tiết kiệm ban đầu. Với AI, việc tạo ra nội dung rẻ hơn hoặc tự động hóa có thể làm tăng tổng nhu cầu về nội dung, điện toán và dịch vụ. Đó là lý do tại sao việc đo lường kết quả thực tế quan trọng hơn việc chỉ ca ngợi hiệu quả một cách riêng lẻ.

Có những cách thực tế nào để giảm thiểu tác động của AI mà không ảnh hưởng đến sản phẩm?

Một cách tiếp cận phổ biến là bắt đầu bằng việc đo lường (ước tính năng lượng và lượng khí thải carbon, mức độ sử dụng), sau đó điều chỉnh kích thước mô hình cho phù hợp với nhiệm vụ và tối ưu hóa quá trình suy luận bằng cách sử dụng bộ nhớ đệm, xử lý theo lô và tạo ra các đầu ra ngắn hơn. Các kỹ thuật như lượng tử hóa, chưng cất và tạo ra dữ liệu được tăng cường bằng cách truy xuất có thể giảm nhu cầu tính toán. Các lựa chọn vận hành - như lập lịch khối lượng công việc theo cường độ carbon và kéo dài tuổi thọ phần cứng - thường mang lại những lợi ích lớn.

Trí tuệ nhân tạo (AI) có thể giúp ích cho môi trường như thế nào thay vì gây hại?

Trí tuệ nhân tạo (AI) có thể giảm lượng khí thải và chất thải khi được triển khai để tối ưu hóa các hệ thống thực tế: dự báo lưới điện, phản ứng nhu cầu, điều khiển hệ thống HVAC tòa nhà, định tuyến hậu cần, bảo trì dự đoán và phát hiện rò rỉ. Nó cũng có thể hỗ trợ giám sát môi trường như cảnh báo phá rừng và phát hiện khí metan. Điều quan trọng là liệu hệ thống có thay đổi các quyết định và tạo ra những giảm thiểu có thể đo lường được hay không, chứ không chỉ đơn thuần là cải thiện bảng điều khiển.

Các công ty nên báo cáo những chỉ số nào để tránh bị "tẩy xanh" khi tuyên bố mình là người sở hữu trí tuệ nhân tạo?

Việc báo cáo các chỉ số theo từng nhiệm vụ hoặc từng yêu cầu sẽ có ý nghĩa hơn so với chỉ báo cáo các tổng số lớn, vì nó thể hiện hiệu quả ở cấp độ đơn vị. Theo dõi mức sử dụng năng lượng, ước tính lượng khí thải carbon, mức độ sử dụng và - nếu có liên quan - tác động đến nguồn nước sẽ tạo ra sự minh bạch rõ ràng hơn. Điều quan trọng nữa là: cần xác định rõ ranh giới (những gì được bao gồm) và tránh sử dụng các nhãn mác mơ hồ như “AI thân thiện với môi trường” mà không có bằng chứng định lượng.

Tài liệu tham khảo

  1. Cơ quan Năng lượng Quốc tế (IEA) - Năng lượng và Trí tuệ Nhân tạo - iea.org

  2. Cơ quan Năng lượng Quốc tế (IEA) - Trí tuệ nhân tạo cho việc tối ưu hóa và đổi mới năng lượng - iea.org

  3. Cơ quan Năng lượng Quốc tế (IEA) - Số hóa - iea.org

  4. Báo cáo về mức tiêu thụ năng lượng của trung tâm dữ liệu Hoa Kỳ (2024) do Phòng thí nghiệm Quốc gia Lawrence Berkeley (LBNL) thực hiện - lbl.gov

  5. Li và cộng sự - Làm cho AI bớt “khát nước” hơn (2023) (PDF) - arxiv.org

  6. ASHRAE (TC 9.9) - Sự xuất hiện và mở rộng của hệ thống làm mát bằng chất lỏng trong các trung tâm dữ liệu chính thống (PDF) - ashrae.org

  7. The Green Grid - PUE-A Comprehensive Examination of the Metric - thegreengrid.org

  8. Bộ Năng lượng Hoa Kỳ (DOE) - FEMP - Cơ hội nâng cao hiệu quả sử dụng nước làm mát cho các trung tâm dữ liệu liên bang - energy.gov

  9. Bộ Năng lượng Hoa Kỳ (DOE) - FEMP - Hiệu quả năng lượng trong trung tâm dữ liệu - energy.gov

  10. Cơ quan Bảo vệ Môi trường Hoa Kỳ (EPA) - Ngành công nghiệp bán dẫn - epa.gov

  11. Liên minh Viễn thông Quốc tế (ITU) - Báo cáo Giám sát Rác thải Điện tử Toàn cầu năm 2024 - itu.int

  12. OECD - Những lợi ích đa dạng của việc cải thiện hiệu quả năng lượng (2012) (PDF) - oecd.org

  13. API Cường độ Carbon (GB) - carbonintensity.org.uk

  14. imec - Giảm thiểu tác động môi trường trong sản xuất chip - imec-int.com

  15. UNEP - Cách thức hoạt động của MARS - unep.org

  16. Tổ chức Global Forest Watch - Cảnh báo phá rừng GLAD - globalforestwatch.org

  17. Viện Alan Turing - Trí tuệ nhân tạo và hệ thống tự động để đánh giá đa dạng sinh học và sức khỏe hệ sinh thái - turing.ac.uk

  18. CodeCarbon - Phương pháp luận - mlco2.github.io

  19. Gholami và cộng sự - Khảo sát các phương pháp lượng tử hóa (2021) (PDF) - arxiv.org

  20. Lewis và cộng sự - Thế hệ được tăng cường bằng truy xuất (2020) - arxiv.org

  21. Hinton và cộng sự - Chắt lọc tri thức trong mạng nơ-ron (2015) - arxiv.org

  22. CodeCarbon - codecarbon.io

Tìm kiếm những công nghệ AI mới nhất tại Cửa hàng Trợ lý AI chính thức

Về chúng tôi

Quay lại blog