Kako umetna inteligenca vpliva na okolje?

Kako umetna inteligenca vpliva na okolje?

Kratek odgovor: Umetna inteligenca vpliva na okolje predvsem z uporabo električne energije v podatkovnih centrih (tako pri usposabljanju kot pri vsakodnevnem sklepanju), poleg vode za hlajenje ter z vplivi proizvodnje strojne opreme in e-odpadkov. Če se uporaba poveča na milijarde poizvedb, lahko sklepanje odtehta usposabljanje; če so omrežja čistejša in sistemi učinkoviti, se vplivi zmanjšajo, koristi pa se lahko povečajo.

Ključne ugotovitve:

Elektrika : Spremljajte porabo računalništva; emisije se zmanjšajo, ko delovne obremenitve delujejo na čistejših omrežjih.

Voda : Izbire hlajenja spreminjajo vplive; metode na vodni osnovi so najpomembnejše v redkih regijah.

Strojna oprema : Čipi in strežniki imajo precejšen vpliv; podaljšujejo življenjsko dobo in dajejo prednost prenovi.

Okrevanje : Učinkovitost lahko poveča skupno povpraševanje; merite rezultate, ne le dobičkov na nalogo.

Operativne vzvode : Modeli prave velikosti, optimizacija sklepanja in pregledno poročanje o metrikah na zahtevo.

Kako umetna inteligenca vpliva na okolje? Infografika

Članki, ki jih boste morda želeli prebrati po tem:

🔗 Je umetna inteligenca škodljiva za okolje?
Raziščite ogljični odtis umetne inteligence, porabo električne energije in zahteve podatkovnih centrov.

🔗 Zakaj je umetna inteligenca slaba za družbo?
Poglejte pristranskost, motnje v zaposlitvi, dezinformacije in naraščajočo družbeno neenakost.

🔗 Zakaj je umetna inteligenca slaba? Temna stran umetne inteligence
Razumeti tveganja, kot so nadzor, manipulacija in izguba človeškega nadzora.

🔗 Je šla umetna inteligenca predaleč?
Razprave o etiki, regulaciji in o tem, kje naj bi inovacije potegnile meje.

Kako umetna inteligenca vpliva na okolje: hiter pregled ⚡🌱

Če se spomnite le nekaj točk, naj bodo to te:

In potem je tu še del, ki ga ljudje pozabljajo: obseg . Ena poizvedba umetne inteligence je morda majhna, toda milijarde teh poizvedb so nekaj povsem drugega ... kot drobna snežna kepa, ki se nekako spremeni v plaz v velikosti kavča. (Ta metafora je nekoliko zgrešena, ampak razumete.) IEA: Energija in umetna inteligenca

Okoljski odtis umetne inteligence ni ena stvar - je kup 🧱🌎

Ko se ljudje prepirajo o umetni inteligenci in trajnosti, pogosto govorijo mimo drug drugega, ker kažejo na različne plasti:

1) Izračunajte elektriko

2) Stroški podatkovnega centra

3) Voda in toplota

4) Dobavna veriga strojne opreme

5) Vedenje in povratni učinki

Ko torej nekdo vpraša, kako umetna inteligenca vpliva na okolje, je neposreden odgovor: odvisno je od tega, katero plast merite in kaj v tej situaciji pomeni »umetna inteligenca«.

Usposabljanje proti sklepanju: razlika, ki spremeni vse 🧠⚙️

Ljudje radi govorijo o usposabljanju, ker se sliši dramatično – »en model je uporabil energijo X«. Toda sklepanje je tihi velikan. IEA: Energija in umetna inteligenca

Usposabljanje (velika gradnja)

Usposabljanje je kot gradnja tovarne. Plačate začetne stroške: obsežno računalništvo, dolgi časi izvajanja, veliko poskusov in napak (in ja, veliko iteracij tipa »ups, ni delovalo, poskusite znova«). Usposabljanje je mogoče optimizirati, vendar je lahko še vedno precejšnje. IEA: Energija in umetna inteligenca

Sklepanje (vsakodnevna uporaba)

Sklepanje je kot tovarna, ki deluje vsak dan, za vse, v velikem obsegu:

  • Klepetalni roboti odgovarjajo na vprašanja

  • Generiranje slik

  • Uvrstitev v iskanju

  • Priporočila

  • Pretvorba govora v besedilo

  • Odkrivanje goljufij

  • Kopiloti v dokumentih in orodjih za kodiranje

Tudi če je vsaka zahteva relativno majhna, lahko obseg uporabe zasenči usposabljanje. Gre za klasično situacijo »ena slamica ni nič, milijon slamic je problem«. IEA: Energija in umetna inteligenca

Majhna opomba – nekatere naloge umetne inteligence so veliko težje od drugih. Ustvarjanje slik ali dolgih videoposnetkov je običajno bolj požrešno od razvrščanja kratkih besedil. Zato je strpanje »umetne inteligence« v eno vedro nekoliko podobno kot primerjava kolesa s tovorno ladjo in obema imenova »prevoz«. IEA: Energija in umetna inteligenca

Podatkovni centri: napajanje, hlajenje in tista tiha zgodba o vodi 💧🏢

Podatkovni centri niso nekaj novega, vendar umetna inteligenca spreminja intenzivnost. Visokozmogljivi pospeševalniki lahko v tesnih prostorih porabijo veliko energije, ki se spremeni v toploto, ki jo je treba upravljati. LBNL (2024): Poročilo o porabi energije v podatkovnih centrih Združenih držav (PDF) IEA: Energija in umetna inteligenca

Osnove hlajenja (poenostavljeno, a praktično)

To je kompromis: včasih lahko zmanjšate porabo električne energije z uporabo hlajenja na vodni osnovi. Glede na lokalno pomanjkanje vode je to morda v redu ... ali pa je lahko resnična težava. Li et al. (2023): Kako narediti umetno inteligenco manj »žejno« (PDF)

Okoljski odtis je močno odvisen tudi od:

Iskreno povedano: v javni razpravi se »podatkovni center« pogosto obravnava kot črna skrinjica. Ni zlo, ni magično. Je infrastruktura. Obnaša se kot infrastruktura.

Čipi in strojna oprema: del, ki ga ljudje preskočijo, ker je manj seksi 🪨🔧

Umetna inteligenca živi od strojne opreme. Strojna oprema ima življenjski cikel, vplivi življenjskega cikla pa so lahko veliki. US EPA: Polprevodniška industrija ITU: Globalni monitor e-odpadkov 2024

Kjer se kaže vpliv na okolje

E-odpadki in »popolnoma v redu« strežniki

Veliko okoljske škode ne izvira iz ene same obstoječe naprave – temveč iz njene prezgodnje zamenjave, ker ni več stroškovno učinkovita. Umetna inteligenca to pospešuje, ker so lahko skoki v zmogljivosti veliki. Skušnjava po posodobitvi strojne opreme je resnična. ITU: Globalni monitor e-odpadkov 2024

Praktična točka: podaljšanje življenjske dobe strojne opreme, izboljšanje izkoriščenosti in obnova so lahko prav tako pomembni kot katera koli domiselna prilagoditev modela. Včasih je najbolj zelena grafična kartica tista, ki je ne kupite. (To se sliši kot slogan, ampak je tudi ... nekako res.)

Kako umetna inteligenca vpliva na okolje: zanka vedenja »ljudje to pozabijo« 🔁😬

Tukaj je neroden socialni del: umetna inteligenca olajša stvari, zato ljudje počnejo več stvari. To je lahko čudovito – večja produktivnost, večja ustvarjalnost, večji dostop. Lahko pa pomeni tudi večjo splošno porabo virov. OECD (2012): Številne koristi izboljšav energetske učinkovitosti (PDF)

Primeri:

  • Če umetna inteligenca poceni ustvarjanje videoposnetkov, bodo ljudje ustvarili več videoposnetkov.

  • Če umetna inteligenca naredi oglaševanje učinkovitejše, se prikaže več oglasov in se zavrti več zank angažiranosti.

  • Če umetna inteligenca izboljša učinkovitost logistike pošiljanja, se lahko e-trgovina še bolj razširi.

To ni razlog za paniko. To je razlog za merjenje rezultatov, ne le učinkovitosti.

Nepopolna, a zabavna metafora: učinkovitost umetne inteligence je kot da bi najstniku dali večji hladilnik – da, shranjevanje hrane se izboljša, ampak nekako je hladilnik čez dan spet prazen. Ni popolna metafora, ampak ... videli ste, da se je to zgodilo 😅

Prednost: umetna inteligenca lahko resnično pomaga okolju (če je pravilno usmerjena) 🌿✨

Zdaj pa del, ki je podcenjen: umetna inteligenca lahko zmanjša emisije in odpadke v obstoječih sistemih, ki so ... odkrito povedano, neelegantni. IEA: umetna inteligenca za optimizacijo energije in inovacije

Področja, kjer lahko umetna inteligenca pomaga

Pomemben odtenek: »Pomoč« umetne inteligence ne izravna samodejno njenega vpliva. Odvisno je od tega, ali se umetna inteligenca dejansko uporablja in ali vodi do resničnih zmanjšanj in ne le do boljših nadzornih plošč. Da, potencial je resničen. IEA: Umetna inteligenca za optimizacijo energije in inovacije

Kaj naredi dobro različico okolju prijazne umetne inteligence? ✅🌍

To je razdelek »v redu, kaj naj torej storimo«. Dobra okolju prijazna postavitev umetne inteligence ima običajno:

  • Jasna vrednost primera uporabe : Če model ne spremeni odločitev ali rezultatov, je to le domiselno računanje.

  • Vgrajene meritve : Energija, ocene ogljika, izkoriščenost in meritve učinkovitosti, ki se spremljajo kot kateri koli drug ključni kazalnik uspešnosti. CodeCarbon: Metodologija

  • Modeli prave velikosti : Uporabite manjše modele, kadar manjši modeli delujejo. Učinkovitost ni moralna napaka.

  • Učinkovito načrtovanje sklepanja : predpomnjenje, paketno združevanje, kvantizacija, iskanje in dobri vzorci spodbujanja. Gholami et al. (2021): Pregled metod kvantizacije (PDF) Lewis et al. (2020): Generiranje z razširjenim iskanjem

  • Zavedanje o strojni opremi in lokaciji : izvajajte delovne obremenitve tam, kjer je omrežje čistejše in infrastruktura učinkovita (kadar je to izvedljivo). API za intenzivnost ogljika (GB)

  • Daljša življenjska doba strojne opreme : maksimalna izkoriščenost, ponovna uporaba in obnova. ITU: Globalni monitor e-odpadkov 2024

  • Neposredno poročanje : izogibajte se okolju prijaznemu jeziku in nejasnim trditvam, kot je »okolju prijazna umetna inteligenca« brez številk.

Če še vedno spremljate, kako umetna inteligenca vpliva na okolje, je to točka, kjer odgovor preneha biti filozofski in postane operativen: vpliva nanj na podlagi vaših odločitev.

Primerjalna tabela: orodja in pristopi, ki dejansko zmanjšujejo vpliv 🧰⚡

Spodaj je hitra, praktična tabela. Ni popolna in ja, nekaj celic je nekoliko sugestivnih ... saj tako deluje prava izbira orodja.

Orodje / Pristop Občinstvo Cena Zakaj deluje
Knjižnice za sledenje ogljika/energije (ocenjevalniki med izvajanjem) Ekipe strojnega učenja Prostovoljno Zagotavlja preglednost – kar je že polovica uspeha, četudi so ocene nekoliko nejasne .. KodaCargon
Spremljanje porabe strojne opreme (telemetrija GPU/CPE) Infra + strojno učenje Brezplačno Meri dejansko porabo; dobro za primerjalne analize (nebleščeče, a zlato)
Modelna destilacija Inženirji strojnega učenja Brezplačno (časovni stroški 😵) Manjši modeli študentov pogosto ustrezajo uspešnosti z veliko nižjimi stroški sklepanja Hinton in drugi (2015): Destilacija znanja v nevronski mreži
Kvantizacija (sklepanje z nižjo natančnostjo) ML + izdelek Brezplačno Zmanjša zakasnitev in porabo energije; včasih z majhnimi kompromisi glede kakovosti, včasih brez njih Gholami et al. (2021): Pregled metod kvantizacije (PDF)
Predpomnjenje + sklepanje z združevanjem Izdelek + platforma Brezplačno Zmanjša odvečno računanje; še posebej priročno za ponavljajoče se pozive ali podobne zahteve
Generiranje z razširjenim iskanjem (RAG) Ekipe za aplikacije Mešano Prerazporedi »pomnilnik« za iskanje; lahko zmanjša potrebo po ogromnih kontekstnih oknih Lewis in drugi (2020): Generiranje z razširjenim iskanjem
Razporejanje delovnih obremenitev glede na ogljično intenzivnost Infrastruktura/operacije Mešano Preusmerja fleksibilna delovna mesta na čistejša električna okna – vendar zahteva usklajevanje API za intenzivnost ogljika (GB)
Osredotočenost na učinkovitost podatkovnega centra (izkoriščenost, konsolidacija) Vodstvo IT-ja Plačano (običajno) Najmanj glamurozna vzvod, a pogosto največji - prenehajte uporabljati napol prazne sisteme Zelena mreža: PUE
Projekti ponovne uporabe toplote Objekti Odvisno Odpadno toploto spremeni v vrednost; ni vedno izvedljivo, ampak ko je, je nekako lepo
"Ali sploh potrebujemo umetno inteligenco?" preveri Vsi Brezplačno Preprečuje nesmiselno računanje. Najmočnejša optimizacija je reči ne (včasih)

Ste opazili, kaj manjka? »Kupite čarobno zeleno nalepko.« Ta ne obstaja 😬

Praktični priročnik: zmanjšanje vpliva umetne inteligence brez uničenja izdelka 🛠️🌱

Če gradite ali kupujete sisteme umetne inteligence, je tukaj realistično zaporedje, ki deluje v praksi:

1. korak: Začnite z meritvami

  • Spremljajte porabo energije ali jo dosledno ocenjujte. CodeCarbon: Metodologija

  • Meri na učni zagon in na zahtevo za sklepanje.

  • Spremljajte izkoriščenost – neaktivni viri se pogosto skrivajo na vidnem mestu. Zelena mreža: PUE

2. korak: Prilagodite model nalogi

  • Za klasifikacijo, ekstrakcijo in usmerjanje uporabite manjše modele.

  • Težji model prihranite za trde kovčke.

  • Razmislite o »kaskadi modelov«: najprej majhen model, večji model le, če je potrebno.

3. korak: Optimizirajte sklepanje (tukaj je pomembno merilo)

  • Predpomnjenje : shranjevanje odgovorov za ponavljajoča se vprašanja (s skrbnim nadzorom zasebnosti).

  • Združevanje : združevanje zahtev za izboljšanje učinkovitosti strojne opreme.

  • Krajši rezultati : daljši rezultati stanejo več – včasih eseja sploh ne potrebujete.

  • Disciplina pozivov : neurejeni pozivi ustvarjajo daljše računske poti ... in ja, več žetonov.

4. korak: Izboljšajte higieno podatkov

To se sliši nepovezano, ampak ni:

  • Čistejši nabori podatkov lahko zmanjšajo odliv preusposabljanja.

  • Manj hrupa pomeni manj poskusov in manj izgubljenih poskusov.

5. korak: S strojno opremo ravnajte kot s sredstvom, ne kot z rabljenim materialom

  • Podaljšajte cikle osveževanja, kjer je to mogoče. ITU: Globalni monitor e-odpadkov 2024

  • Za lažje delovne obremenitve ponovno uporabite starejšo strojno opremo.

  • Izogibajte se zagotavljanju sredstev »vedno v času največje obremenitve«.

6. korak: Pametno izberite namestitev

  • Če je le mogoče, izvajajte fleksibilna dela, kjer je energija čistejša. API za intenzivnost ogljika (VB)

  • Zmanjšajte nepotrebno podvajanje.

  • Cilji zakasnitve naj bodo realistični (ultra nizka zakasnitev lahko povzroči neučinkovite nastavitve stalne vklopitve).

In ja ... včasih je najboljši korak preprosto: ne zaženite največjega modela samodejno za vsako posamezno dejanje uporabnika. Ta navada je okoljski ekvivalent puščanja vsake luči prižgane, ker je hoja do stikala nadležna.

Pogosti miti (in kaj je bližje resnici) 🧠🧯

Mit: »Umetna inteligenca je vedno slabša od tradicionalne programske opreme«

Resnica: Umetna inteligenca je lahko bolj računalniško zahtevna, lahko pa tudi nadomesti neučinkovite ročne procese, zmanjša odpadke in optimizira sisteme. Je situacijska. IEA: Umetna inteligenca za optimizacijo energije in inovacije

Mit: »Usposabljanje je edini problem«

Resnica: Sklepanje v velikem obsegu lahko sčasoma prevlada. Če uporaba vašega izdelka eksplodira, to postane glavna zgodba. IEA: Energija in umetna inteligenca

Mit: »Obnovljivi viri energije to rešijo v trenutku«

Resnica: Čistejša elektrika zelo pomaga, vendar ne izbriše strojne podlage, porabe vode ali povratnih učinkov. Vendar je še vedno pomembna. IEA: Energija in umetna inteligenca

Mit: »Če je učinkovito, je trajnostno«

Resnica: Učinkovitost brez nadzora povpraševanja lahko še vedno poveča skupni učinek. To je past povratnega učinka. OECD (2012): Večkratne koristi izboljšav energetske učinkovitosti (PDF)

Upravljanje, preglednost in ne pretirano pretirano 🧾🌍

Če ste podjetje, se tukaj zaupanje gradi ali izgublja.

To je del, kjer ljudje zavijajo z očmi, ampak je pomembno. Odgovorna tehnologija ni le pametno inženirstvo. Gre tudi za to, da se ne pretvarjamo, da kompromisi ne obstajajo.

Zaključek: jedrnat povzetek vpliva umetne inteligence na okolje 🌎✅

Vpliv umetne inteligence na okolje se nanaša na dodatno obremenitev: elektriko, vodo (včasih) in povpraševanje po strojni opremi. IEA: Energija in umetna inteligenca Li et al. (2023): Kako umetno inteligenco narediti manj »žejno« (PDF) Ponuja tudi zmogljiva orodja za zmanjšanje emisij in odpadkov v drugih sektorjih. IEA: Umetna inteligenca za optimizacijo energije in inovacije Končni rezultat je odvisen od obsega, čistoče omrežja, izbire učinkovitosti in od tega, ali umetna inteligenca rešuje resnične probleme ali le ustvarja novost zaradi novosti. IEA: Energija in umetna inteligenca

Če želite najpreprostejši praktični recept za s seboj:

  • Meri.

  • Prava velikost.

  • Optimizirajte sklepanje.

  • Podaljšajte življenjsko dobo strojne opreme.

  • Bodite odkriti glede kompromisov.

In če se počutite preobremenjeni, je tukaj pomirjujoča resnica: majhne operativne odločitve, ponovljene tisočkrat, običajno premagajo eno veliko izjavo o trajnosti. Nekako kot umivanje zob. Ni glamurozno, ampak deluje ... 😄🪥

Pogosta vprašanja

Kako umetna inteligenca vpliva na okolje v vsakdanjem življenju, ne le v velikih raziskovalnih laboratorijih?

Večina vpliva umetne inteligence izvira iz električne energije, ki napaja podatkovne centre, v katerih delujejo grafični in centralni procesorji (GPU) med učenjem in vsakodnevnim »sklepanjem«. Posamezna zahteva je morda skromna, vendar se v velikem obsegu te zahteve hitro kopičijo. Vpliv je odvisen tudi od lokacije podatkovnega centra, čistoče lokalnega omrežja in učinkovitosti delovanja infrastrukture.

Ali je učenje modela umetne inteligence slabše za okolje kot njegova uporaba (sklepanje)?

Usposabljanje je lahko velik, vnaprejšnji izbruh računskih naporov, vendar lahko sklepanje sčasoma postane večji odtis, ker se izvaja nenehno in v velikem obsegu. Če orodje vsak dan uporabljajo milijoni ljudi, lahko ponavljajoče se zahteve odtehtajo enkratne stroške usposabljanja. Zato se optimizacija pogosto osredotoča na učinkovitost sklepanja.

Zakaj umetna inteligenca uporablja vodo in ali je to vedno problem?

Umetna inteligenca lahko uporablja vodo predvsem zato, ker se nekateri podatkovni centri zanašajo na hlajenje na vodni osnovi ali ker se voda porablja posredno s proizvodnjo električne energije. V nekaterih podnebjih lahko izhlapevalno hlajenje zmanjša porabo električne energije, hkrati pa poveča porabo vode, kar ustvarja resnično kompromisno rešitev. Ali je to »slabo«, je odvisno od lokalnega pomanjkanja vode, zasnove hlajenja in ali se poraba vode meri in upravlja.

Kateri deli okoljskega odtisa umetne inteligence izvirajo iz strojne opreme in e-odpadkov?

Umetna inteligenca je odvisna od čipov, strežnikov, omrežne opreme, stavb in dobavnih verig – kar pomeni rudarstvo, proizvodnjo, pošiljanje in končno odstranjevanje. Proizvodnja polprevodnikov je energetsko intenzivna, hitri cikli nadgradnje pa lahko povečajo emisije in e-odpadke. Podaljšanje življenjske dobe strojne opreme, obnova in izboljšanje izkoriščenosti lahko znatno zmanjšajo vpliv, ki se včasih kosa s spremembami na ravni modela.

Ali uporaba obnovljivih virov energije rešuje vpliv umetne inteligence na okolje?

Čistejša elektrika lahko zmanjša emisije iz računalništva, vendar ne izniči drugih vplivov, kot so poraba vode, proizvodnja strojne opreme in e-odpadki. Prav tako ne odpravi samodejno »povratnih učinkov«, kjer cenejše računalništvo vodi do večje porabe na splošno. Obnovljivi viri energije so pomemben dejavnik, vendar so le del sklada okoljskega odtisa.

Kaj je povratni učinek in zakaj je pomemben za umetno inteligenco in trajnost?

Povratni učinek se pojavi, ko večja učinkovitost nekaj poceni ali poenostavi, zato ljudje to počnejo več – včasih pa se s tem izničijo prihranki. Z umetno inteligenco lahko cenejša proizvodnja ali avtomatizacija poveča skupno povpraševanje po vsebinah, računalništvu in storitvah. Zato je merjenje rezultatov v praksi pomembnejše od praznovanja učinkovitosti samo po sebi.

Kateri so praktični načini za zmanjšanje vpliva umetne inteligence, ne da bi pri tem škodovali izdelku?

Pogost pristop je, da se začne z meritvami (ocene energije in ogljika, izraba), nato pa se modeli prilagodijo nalogi in optimizirajo sklepanja s predpomnjenjem, paketnim združevanjem in krajšimi izhodi. Tehnike, kot so kvantizacija, destilacija in generiranje z uporabo priklica, lahko zmanjšajo potrebe po računskih zmogljivostih. Operativne izbire – kot sta razporejanje delovne obremenitve glede na intenzivnost ogljika in daljša življenjska doba strojne opreme – pogosto prinesejo velike zmage.

Kako lahko umetna inteligenca pomaga okolju, namesto da mu škoduje?

Umetna inteligenca lahko zmanjša emisije in odpadke, če se uporabi za optimizacijo resničnih sistemov: napovedovanje omrežja, odzivanje na povpraševanje, nadzor HVAC sistemov v stavbah, usmerjanje logistike, napovedno vzdrževanje in zaznavanje puščanja. Podpira lahko tudi okoljsko spremljanje, kot so opozorila o krčenju gozdov in zaznavanje metana. Ključno je, ali sistem spremeni odločitve in ustvari merljive zmanjšanja, ne le boljše nadzorne plošče.

Katere meritve bi morala podjetja poročati, da bi se izognila trditvam o »zelenem pranju« umetne inteligence?

Bolj smiselno je poročati o metrikah za vsako nalogo ali zahtevo kot le o velikih skupnih številkah, saj to prikazuje učinkovitost na ravni enote. Spremljanje porabe energije, ocen ogljika, izkoriščenosti in – kjer je to ustrezno – vplivov na vodo ustvarja jasnejšo odgovornost. Pomembno je tudi: opredeliti meje (kaj je vključeno) in se izogibati nejasnim oznakam, kot je »okolju prijazna umetna inteligenca«, brez kvantificiranih dokazov.

Reference

  1. Mednarodna agencija za energijo (IEA) - Energija in umetna inteligenca - iea.org

  2. Mednarodna agencija za energijo (IEA) - Umetna inteligenca za optimizacijo energije in inovacije - iea.org

  3. Mednarodna agencija za energijo (IEA) - Digitalizacija - iea.org

  4. Nacionalni laboratorij Lawrence Berkeley (LBNL) - Poročilo o porabi energije v podatkovnih centrih Združenih držav Amerike (2024) (PDF) - lbl.gov

  5. Li in drugi - Kako narediti umetno inteligenco manj »žejno« (2023) (PDF) - arxiv.org

  6. ASHRAE (TC 9.9) - Pojav in širitev tekočega hlajenja v običajnih podatkovnih centrih (PDF) - ashrae.org

  7. Zelena mreža - PUE-Celovit pregled metrike - thegreengrid.org

  8. Ministrstvo za energijo ZDA (DOE) - FEMP - Priložnosti za učinkovitost hladilne vode za zvezne podatkovne centre - energy.gov

  9. Ministrstvo za energijo ZDA (DOE) - FEMP - Energetska učinkovitost v podatkovnih centrih - energy.gov

  10. Ameriška agencija za varstvo okolja (EPA) - Polprevodniška industrija - epa.gov

  11. Mednarodna telekomunikacijska zveza (ITU) - Globalni monitor e-odpadkov 2024 - itu.int

  12. OECD - Številne koristi izboljšav energetske učinkovitosti (2012) (PDF) - oecd.org

  13. API za intenzivnost ogljika (GB) - carbonintensity.org.uk

  14. imec - Zmanjševanje vpliva na okolje pri proizvodnji čipov - imec-int.com

  15. UNEP - Kako deluje MARS - unep.org

  16. Global Forest Watch - Opozorila GLAD o krčenju gozdov - globalforestwatch.org

  17. Inštitut Alana Turinga - Umetna inteligenca in avtonomni sistemi za ocenjevanje biotske raznovrstnosti in zdravja ekosistemov - turing.ac.uk

  18. CodeCarbon - Metodologija - mlco2.github.io

  19. Gholami et al. - Pregled metod kvantizacije (2021) (PDF) - arxiv.org

  20. Lewis in drugi - Generiranje z razširjenim iskanjem (2020) - arxiv.org

  21. Hinton in drugi - Destilacija znanja v nevronski mreži (2015) - arxiv.org

  22. CodeCarbon - codecarbon.io

Poiščite najnovejšo umetno inteligenco v uradni trgovini z umetno inteligenco

O nas

Nazaj na blog