در سال‌های اخیر، همزمان با پیشرفت‌های خیره‌کننده در حوزه هوش مصنوعی، به‌ویژه مدل‌های زبان بزرگ (LLM)، توجه به پیامدهای زیست‌محیطی این فناوری نیز افزایش یافته است. هاگینگ فیس (Hugging Face)، به عنوان پیشرو در زمینه هوش مصنوعی متن‌باز، با انتشار گزارشی از لیدربورد Open LLM خود، بینش‌های مهمی را درباره میزان انتشار دی‌اکسید کربن (CO₂) مرتبط با عملکرد مدل‌ها ارائه کرده است.
ردپای کربن هوش مصنوعی: فراتر از آموزش
تا پیش از این، تمرکز اصلی بر مصرف انرژی در مرحله آموزش مدل‌های هوش مصنوعی بود. اما داده‌های جدید نشان می‌دهد که مرحله «استنتاج» (Inference) یا همان به‌کارگیری و استفاده از این مدل‌ها برای تولید متن و پاسخ‌گویی، تأثیر زیست‌محیطی قابل توجهی دارد. آگاهی عمومی نسبت به این جنبه از تأثیرات هوش مصنوعی رو به فزونی است و چالش مدیریت منابع برای توسعه «مدل‌های زبان سبزتر» (Greener LLMs) برجسته‌تر می‌شود.
هاگینگ فیس از ژوئن ۲۰۲۴، بیش از ۳۰۰۰ مدل را روی لیدربورد Open LLM ارزیابی کرده است. این پلتفرم تلاش می‌کند تا ارزیابی‌ها را با حداقل اتلاف منابع انجام دهد و از چرخه‌های پردازشی آزاد (spare cycles) خوشه‌های GPU خود بهره می‌برد تا مصرف انرژی را بهینه سازد؛ با این حال، حجم انرژی مصرفی برای استنتاج مدل‌ها همچنان قابل توجه است.
تحلیل جامع انتشار CO2 در لیدربورد Open LLM
گزارش هاگینگ فیس یک تحلیل عمیق از همبستگی بین عملکرد مدل‌ها و میزان انتشار CO₂ آن‌ها ارائه می‌دهد. این تحلیل شامل بخش‌های گوناگونی است که به بررسی الگوهای انتشار در انواع مدل‌ها می‌پردازد:
- مدل‌های با پارامتر بالا: بررسی میزان انتشار کربن در LLMهای عظیم.
- مدل‌های زبان فشرده: تحلیل کارایی زیست‌محیطی مدل‌های کوچک‌تر.
- الگوهای انتشار در مدل‌های Qwen2: مطالعه موردی بر روی سری مدل‌های Qwen2 و چگونگی تأثیر معماری آن‌ها بر انتشار کربن.
- الگوهای انتشار در مدل‌های Llama: بررسی جامع ردپای کربن در خانواده مدل‌های محبوب Llama.
این داده‌ها به جامعه جهانی هوش مصنوعی کمک می‌کند تا درک بهتری از هزینه‌های زیست‌محیطی نوآوری‌های خود داشته باشند و به سمت طراحی و توسعه مدل‌هایی با کارایی انرژی بالاتر حرکت کنند.
حرکت به سوی هوش مصنوعی پایدارتر
نتایج این تحقیقات نه تنها نشان‌دهنده ابعاد چالش است، بلکه مسیرهای جدیدی را برای پژوهش و توسعه باز می‌کند. تمرکز بر بهینه‌سازی الگوریتم‌ها، استفاده از سخت‌افزارهای کم‌مصرف‌تر و افزایش شفافیت در گزارش‌دهی انتشار کربن می‌تواند گام‌های مؤثری در کاهش ردپای زیست‌محیطی هوش مصنوعی باشد. هاگینگ فیس با چنین تحلیل‌هایی، تعهد خود را به پیشرفت و دموکراتیزه کردن هوش مصنوعی از طریق علم و داده‌های باز، همراه با مسئولیت‌پذیری محیطی، نشان می‌دهد.
در نهایت، تعادل میان عملکرد قدرتمند هوش مصنوعی و پایداری زیست‌محیطی، به یک دغدغه محوری برای توسعه‌دهندگان و پژوهشگران تبدیل شده است. این گزارش نه تنها زنگ خطری برای آینده است، بلکه راهنمایی عملی برای ساختن آینده‌ای سبزتر و پایدارتر با هوش مصنوعی ارائه می‌دهد.
پرسش‌های پرتکرار
چرا انتشار CO2 در مدل‌های زبان بزرگ اهمیت دارد؟
مدل‌های زبان بزرگ (LLM) به دلیل نیاز به محاسبات سنگین در مراحل آموزش و به‌ویژه استنتاج (استفاده عملی)، مصرف انرژی بالایی دارند که منجر به انتشار قابل توجه گازهای گلخانه‌ای می‌شود و به تغییرات اقلیمی دامن می‌زند.
هاگینگ فیس برای کاهش ردپای کربن چه اقداماتی انجام می‌دهد؟
هاگینگ فیس در ارزیابی مدل‌ها روی لیدربورد Open LLM تلاش می‌کند از چرخه‌های پردازشی بیکار (spare cycles) GPUهای خود استفاده کند تا مصرف انرژی را بهینه سازد و شفافیت در گزارش‌دهی انتشار کربن مدل‌ها را ترویج دهد.
