Ez itt az on the other hand, a portfolio vélemény rovata.
Mára az AI-alkalmazások egészen változatos gazdasági területeken lelhetők fel: nagy gépi tanulási modellek képzése; chatbotok, képfelismerő és ajánlórendszerek; végfelhasználói- és IoT-eszközök; természetes nyelvfeldolgozó (NLP) és fordítóeszközök; autonóm járművek és robotika; egészségügy; pénzügy és kereskedelem; kutatás és fejlesztés.
Az AI-alkalmazások energiafogyasztása egyre nagyobb aggodalomra adhat okot az alkalmazott modellek méretének exponenciális növekedése és az AI mindennapi életben való elterjedése miatt.
A nagyméretű mesterségesintelligencia-modellek a legintenzívebb energiafogyasztók, de még a kisebb alkalmazások is jelentős energiafelhasználást mutathatnak. Az iparág vezetői egyre inkább arra összpontosítanak, hogy a hardverek és algoritmusok fejlesztésével, valamint a környezeti hatások mérséklése érdekében megújuló energiaforrások felhasználásával energiahatékonyabbá tegyék a mesterséges intelligenciát.
Mennyi energiát fogyaszt az AI?
Az AI-megoldások energiafogyasztási profilja összetett és sokrétű, a szolgáltatási lánc különböző pontjaira terjed ki. Emellett a szakértők sokszor becsülni kénytelenek a fogyasztási értékeket, mivel az AI-vállalatok az évek során egyre több mutatót kezelnek üzleti titokként, részben az egyre fokozódó verseny miatt, részben talán a bírálatok megelőzése végett is.
Kezdjük a modelltanítással, mivel ez az AI energiafogyasztásának egyik legnagyobb része, és a modellméretek (általában a paraméterek számában mért) növekedése egyre nagyobb számítási kapacitást igényel, ezáltal pedig egyre magasabb energiafogyasztást is eredményez. Például az OpenAI GPT-3 – több mint 175 milliárd paraméterrel – becslések szerint 1287 megawattóra (MWh) energiát fogyasztott a betanítás során, míg a GPT-4 – több külső forrásból támogatott becslés szerint 1,76 trillió paraméterrel – akár 62 000 megawattórát is elfogyaszthatott, ami nagyjából 1000 átlagos amerikai otthon 5-6 éves áramfogyasztásának felel meg.
Az energiaköltségek aztán minden egyes következtetésnél (angolul inference, amikor megtörténik egy lekérdezés a modell paraméterein keresztül) is összeadódnak, amikor a modellt a fogyasztók számára széles körben elérhetővé teszik. Az energiafelhasználás itt függ többek között attól, hogy a modell mennyi ideig van használatban, és naponta hány lekérdezés érkezik hozzá, így a mesterségesintelligencia-modellek energiafelhasználásának többségét nem a képzés, hanem a használat teheti ki. Egyes becslések szerint a Chat GTP 2,89 wattóra energiát igényel lekérdezésenként – ez körülbelül 10-szer több energiát jelent, mint egy hagyományos Google-keresés. Ha a Google napi 9 milliárd keresésének mindegyike ilyen átlagos energiafogyasztással a ChatGPT-n keresztül futna, a használat alig 2,5 nap alatt meghaladná a betanítás energiafogyasztását.
Érdemes még megvizsgálnunk az olyan cloud computing platformokat is, mint az Amazon Web Services (AWS) vagy a Microsoft Azure, amelyek mind a mesterségesintelligencia-modellek képzésében, mind az üzemeltetési fázisában jelentős szerepet játszanak. Az Amazon, amelynek AWS-e a világ teljes felhőinfrastruktúra-szolgáltatási körének mintegy felét bonyolítja, mindig is bizalmasan kezelte az energiafogyasztásával kapcsolatos adatokat, de a Nemzetközi Energiaügynökség becslése szerint 2021-ben 30,9 TWh-t fogyasztott a teljes működése során. Az AI terjedése a Microsoft kibocsátási célkitűzéseire is nyomást gyakorol, mivel a vállalat villamosenergia-fogyasztása mindössze négy év alatt több mint kétszeresére nőtt (11 TWh-ról 24 TWh-ra), és a teljes szén-dioxid-kibocsátása ehhez képest 42%-kal növekedett (ami a megújuló energiaforrások növekvő arányára utal az energiamixben). Ezek a növekvő felhasználási, kibocsátási trendek egybeesnek a tendenciával, hogy egyre többen használják a Microsoft Azure-t AI-modellek betanítására és működtetésére – többek között az OpenAI ChatGPT esetében is a Microsoft adja ehhez az infrastruktúrát.
A globálisan keletkező és feldolgozott adatmennyiség növekedése az adatátviteli rendszereket is erőteljesen igénybe veszi.
A fentiek fényében nem meglepő, hogy az AI-alapú szolgáltatások hatalmas mennyiségű adatforgalmat generálnak, amelyet aztán a hálózatokon keresztül a felhasználói eszközökre továbbítanak, tovább növelve ezzel a környezeti lábnyomot.
Összességében az adatközpontok és az adatátviteli hálózatok energiaigénye egyenként a globális villamosenergia-felhasználás 1-1,5%-át teszi ki, ami 2020-ban 330 megatonna CO2e kibocsátást eredményezett.
(Mindez nem tartalmazza a kriptovaluta-bányászathoz felhasznált energiát, amely a becslések szerint 2022-ben az éves globális villamosenergia-szükséglet 0,4%-át tette ki.)
A fenntartható mesterséges intelligenciához vezető út
A kialakulóban lévő Green AI mozgalom a mesterséges intelligencia rendszerek energiaigényének és általános környezeti lábnyomának csökkentésére összpontosít. Egyes kutatási és fejlesztési erőfeszítések az AI-modellek áramvonalasítása felé fordultak, hogy anélkül csökkentsék a számítási kapacitási igényeiket – és ezáltal működési költségeiket –, hogy teljesítményük jelentősen romlana. Több ilyen „áramvonalasított” modell is megjelent már a piacon, mint az OpenAI GTP 4o mini, a Google Gemini 1.5 Flash-8B vagy az Anthropic Claude 3 Haiku. A hatékonyabb modellarchitektúra alkalmazása mellett a jobb processzorok és a környezetbarátabb adatközpontok is segíthetnek a szén-dioxid-kibocsátás – a Google egyik tanulmánya szerint több század vagy akár ezredrészére való – csökkentésében. A Google 2020-ra elérte azt a mérföldkövet, hogy összességében annyi megújuló energiát vásárol, hogy az a globális működése során (beleértve az adatközpontjai és irodái fogyasztását is) felhasznált villamos energia 100%-át fedezze. Mindezek mellett célul tűzte ki, hogy 2030-ra szén-dioxid-kibocsátástól mentes energiát (carbon-free energy, CFE) használjon a működéséhez a nap 24 órájában és világszerte mindenhol. Emellett bemutatta a Tensor Processing Unit (TPU) megoldásának több változatát is, amelyek a csúcskategóriás NVIDIA GPU-khoz képest akár 30-50%-kal is képesek voltak csökkenteni az AI-betanítás energiafogyasztását – ezzel új versenyt indítva az AI-felhasználásra szabott, egyre energiahatékonyabb chipek fejlesztésében. A Meta is beszállt a mozgalomba olyan kezdeményezésekkel, mint adatközpontok hűtőrendszereinek optimalizálása, valamint az LLM-adatkészletek finomhangolása, hogy kevesebb energiát használjanak a betanítás során.
Ezek a „Green in AI” törekvések nem az egyetlen formái a zöld mesterséges intelligenciának.
A „Green by AI” kezdeményezések más területeken, például a közlekedésben vagy a mezőgazdaságban alkalmazott környezetbarát gyakorlatokat támogató AI-megoldások kifejlesztésére összpontosítanak.
Az energiafogyasztás pontos mérésére és optimalizálására szolgáló eszközök szintén a törekvések részét képezik. A marketing területéről is látunk előremutató kezdeményezést az energiafelhasználás és a karbonkibocsátás csökkentésre. A naponta keletkező 350 milliárd e-mail jelentős részét képező kereskedelmi levelek esetében a átlagos 20-22 százalékos megnyitási ráta egyúttal azt is jelenti, hogy 78-80 százalékot feleslegesen küldenek a szolgáltatók.
A meg nem nyitás AI segítségével történő prediktálása a Carbon.Crane szakembereinek tapasztalata alapján akár 30%-kal csökkentheti az energiafelhasználást,
ráadásul a marketinghatékonysági mutatókat is javítja.
Hogyan mérhetik fel és optimalizálhatják a vállalkozások az AI energiaigényüket?
Az ESG-irányelveknek való megfelelés érdekében a vállalatoknak tudatosan kell kezelniük valamennyi digitális rendszerük energiafogyasztását, beleértve, de nem kizárólagosan az AI-t is. Az első lépés a felhasznált energia mennyiségének mérése és a fogyasztási jellemzők értékelése. A digitális rendszerek szén-dioxid-kibocsátásának nyomon követésére és ellenőrzésére már rendelkezésre állnak különböző eszközök. Hazai startup is fejleszt olyan megoldást, amely segít a vállalatoknak mérni és optimalizálni digitális infrastruktúrájuk szén-dioxid-kibocsátását. Elsőként a weboldalaikat és az e-mail-kampányaikat, amelyek a jelentős online ügyfélforgalmat bonyolító és tömeges e-mailes ügyfélkommunikációt folytató vállalatok esetében évente több száz tonna CO2e kibocsátástért is felelősek lehetnek. Az optimalizálási megoldások ezt akár 50-80%-kal is csökkenthetik, így a környezetet jelentős karbonkibocsátástól óvhatják meg, mindemelett a digitálisan fenntarthatóan működő vállalkozások jelentős energiaköltségeket is megtakaríthatnak.
Amint a vállalatok megértették energiafogyasztásuk jellemzőit, továbbléphetnek a következő szintre: az AI-rendszereik használatának optimalizálására. Kevés vállalat elég nagy ahhoz, hogy saját AI-modelleket fejlesszen, de minden vállalat törekedhet arra, hogy olyan energiatakarékosabb architektúrákat és modelleket válasszon, amelyek még mindig megfelelnek az igényeinek. A lehető „legzöldebb” felhőszolgáltatások kiválasztása, olyan edge computing megoldások keresése, amelyek lehetővé teszik, hogy az AI adatfeldolgozása közelebb történjen az adatok forrásához, csak az üzleti célok elérése szempontjából szükséges adatok feldolgozása, valamint a feladatok ütemezése olyan időpontokra, amikor a megújuló energia nagyobb mennyiségben áll rendelkezésre, szintén sokat segíthetnek a használat energiaigényének optimalizálásában, csökkentésében.
Zöld AI: Mit tehetnek a vállalatok?
Azok a vállalatok, amelyek AI-alkalmazásaikat megújuló energiával kívánják ellátni, több olyan, egymással összefüggő stratégiát alkalmazhatnak, amelyek jelentősen csökkentik környezeti hatásukat. Az egyik hatékony megközelítés a megújuló energia helyszíni előállítása napelemek vagy szélturbinák telepítésével. Ezek a rendszerek közvetlen és megbízható tiszta energiaforrást biztosíthatnak a mesterséges intelligencia által vezérelt műveletek, például adatközpontok vagy edge computing eszközök energiaellátásához. Az egyenletes energiaellátás biztosítása érdekében a vállalatok ezeket a létesítményeket energiatároló rendszerekkel párosíthatják, amelyek lehetővé teszik számukra, hogy a csúcstermelés idején tárolják a felesleges energiát, és később használják fel, amikor viszont a megújuló energiatermelés alacsony.
Egy másik fontos stratégia a zöld adatközpontokkal való együttműködés. Számos mesterséges intelligencia-alkalmazást felhőalapú vagy harmadik feles adatközpontokban futtatnak, és a vállalatok olyan szolgáltatókat választhatnak, mint az AWS, a Google Cloud vagy a Microsoft Azure, amelyek egyre inkább megújuló energiaforrásokkal, például szél-, nap- vagy vízenergiával működnek. Ahogy korábban már írtuk, a Google Cloud például elkötelezte magát amellett, hogy 2030-ig 100%-ban szén-dioxid-kibocsátástól mentes energiával működteti adatközpontjait, így biztosítva az AI-munkamenetek fenntartható forrásból származó áramellátását.
A megújuló energia használata mellett az AI-munkamenetek energiahatékonyságra való optimalizálása is segíthet a teljes villamosenergia-szükséglet csökkentésében. Az olyan technikák, mint a kompaktabb, de gyorsabb modellek használata az összetettebb, de lényegesen lassabb modellekkel szemben (modell compression), a modellek egyszerűsítése (pruning) és a már meglévő gépi tanulási modellek újrafelhasználása hasonló feladatoknál (transzfertanulás – transfer learning), hatékonyabbá tehetik az AI-modelleket, csökkentve az energiafogyasztást mind a betanítás, mind a felhasználás során. A vállalatok az energiaigényes feladatokat, például a mesterséges intelligencia betanítását is ütemezhetik olyan időszakokra, amikor a megújuló energiaellátás a legnagyobb, például amikor a napenergia-termelés lehetősége napközben tetőzik. Az energiapiacon ilyen időszakokban kialakuló negatív árazás jól mutatja, hogy a hirtelen megjelenő “energiafelesleg” kezelése komoly nehézséget okoz, amit az AI ilyen célú felhasználásával nagyban tudna támogatni.
Stratégiai megfontolások a környezeti kockázatok mérséklése céljából
A mesterséges intelligencia energiafogyasztásának mérséklése érdekében különböző stratégiák képzelhetők el, amelyek mind a hardver- és szoftverinnovációkat, mind a szélesebb körű infrastrukturális és stratégiai intézkedéseket kihasználják.
A hardver optimalizálása, az algoritmikus hatékonyság javítása, a zöld adatközpontokra való áttérés és a transzfertanulás előmozdítása olyan kulcsfontosságú stratégiák, amelyek csökkenthetik az AI-alkalmazások energiafogyasztását, biztosítva, hogy a mesterséges intelligencia egyszerre innovatív és környezettudatos módon alkalmazható legyen.
Az AI energiaigénye egyre fontosabb kérdéssé válik a technológiai szektorban, különösen, ha a fenntarthatóság és az ESG-elvárások szemszögéből vizsgáljuk. Ahogy a mesterséges intelligencia beépül a mindennapi életbe és az üzleti gyakorlatba, fontos, hogy az energiahatékony megoldásokra, a zöld AI-kezdeményezésekre és a fenntartható működésre összpontosítsunk. Ezen a területen már nagyban folyik a kutatás és fejlesztés, de a vállalatoknak aktívan részt kell venniük az AI energiafelhasználásának mérésében és optimalizálásában annak érdekében, hogy a technológiai fejlődés környezetileg felelős módon valósulhasson meg.
A szerzőkről
Dervalics Ákos a Green Brother ügyvezető partnere, 8 éve az EIT InnoEnergy HUB Magyarország vezetője, környezeti hasznossággal bíró innovatív vállalkozások angyal befektetője.
Bodnár József a Carbon.Crane társalapítója és cégvezetője.
A címlapkép illusztráció, forrása: Portfolio. A cikkbeli képek forrása: Getty Images
