Due studenti sviluppano un software per combattere la CO2 causata dall’intelligenza artificiale
Gli esperti concordano sul fatto che l’attuale percorso di sviluppo dell’intelligenza artificiale (AI) la farà diventare uno dei principali contributori di CO2, nonostante il suo utilizzo per combattere proprio questo problema. Ciò ha fatto sì che varie parti dell’industria iniziassero a concentrarsi su come rimediare alla situazione, con uno degli sviluppi più recenti proveniente da due studenti dell’Università di Copenaghen.
I metodi avanzati di intelligenza artificiale come il deep learning si stanno sviluppando a una velocità sorprendente, ma ciò comporta enormi livelli di consumo di energia. Dato che questo continua ad aumentare, le tecnologie ei metodi di intelligenza artificiale, in particolare l’apprendimento profondo, probabilmente diventeranno un contributo significativo al cambiamento climatico. Tuttavia, questo è solo se non viene intrapresa alcuna azione per modificare il percorso corrente.
Dal 2012 al 2018, la potenza di calcolo richiesta per il deep learning è aumentata del 300.000%. Uno dei problemi significativi del settore è che il consumo di energia e l’impronta di carbonio dovuti allo sviluppo di algoritmi vengono misurati raramente. Allo stesso tempo, molti studi stanno descrivendo questo problema e chiedendo un’azione.
Carbontracker
Nel cercare di affrontare questo problema, Lasse F. Wolff Anthony e Benjamin Kanding del Dipartimento di Informatica dell’Università di Copenaghen, insieme all’assistente professor Raghavendra Selvan, hanno sviluppato un nuovo programma software chiamato Carbontracker . Questo software può calcolare e prevedere con precisione quanto consumo di energia e le emissioni di CO2 derivano dalla formazione di modelli di deep learning.
“Gli sviluppi in questo campo stanno andando follemente veloci ei modelli di deep learning stanno diventando costantemente più grandi e più avanzati”, ha affermato Lasse F. Wolff Anthony. “In questo momento c’è una crescita esponenziale. E questo significa un aumento del consumo di energia a cui la maggior parte delle persone sembra non pensare “.
I modelli di deep learning continuano a crescere e ad affrontare problemi molto più complessi, che richiedono un aumento significativo del consumo di energia.
“Man mano che i set di dati aumentano di giorno in giorno, i problemi che gli algoritmi devono risolvere diventano sempre più complessi”, afferma Benjamin Kanding.
GPT-3
Uno dei migliori esempi di questo è il modello di linguaggio avanzato GPT-3. È uno dei modelli di deep learning più grandi e complessi sviluppati fino ad oggi, ma ha un costo. GPT-3 richiede la stessa quantità di energia utilizzata da 126 case danesi in un anno, il tutto in una sola sessione di formazione. La quantità di CO2 emessa è equivalente a 700.000 chilometri di guida.
Secondo Lasse F. Wolff Anthony, “Entro pochi anni, probabilmente ci saranno diversi modelli che saranno molte volte più grandi”.
“Se la tendenza dovesse continuare, l’intelligenza artificiale potrebbe finire per contribuire in modo significativo al cambiamento climatico. Il punto non è frenare lo sviluppo tecnologico. Questi sviluppi offrono fantastiche opportunità per aiutare il nostro clima. Si tratta invece di diventare consapevoli del problema e pensare: come potremmo migliorare? ” dice Benjamin Kanding.
Carbontracker tiene traccia della quantità di CO2 utilizzata per produrre energia nelle aree in cui si svolge la formazione sul deep learning, rendendo possibile la previsione delle emissioni di CO2 dopo la conversione del consumo energetico.
Secondo gli studenti, gli utenti del deep learning dovrebbero prestare attenzione al tipo di hardware e algoritmi utilizzati e al momento in cui si svolge l’addestramento del modello, poiché vi sono aree con maggiori forniture di energia più verde.
“È possibile ridurre significativamente l’impatto sul clima. Ad esempio, è importante se si sceglie di addestrare il proprio modello in Estonia o Svezia, dove l’impronta di carbonio di un modello di formazione può essere ridotta di oltre 60 volte grazie a forniture energetiche più verdi. Gli algoritmi variano notevolmente anche nella loro efficienza energetica. Alcuni richiedono meno elaborazione, e quindi meno energia, per ottenere risultati simili. Se si possono regolare questi tipi di parametri, le cose possono cambiare notevolmente “, afferma Lasse F. Wolff Anthony.
Il programma Carbontracker open source può essere trovato qui : https://github.com/lfwa/carbontracker
