اقتراحات عملية للحد من تأثير الذكاء الاصطناعي على المناخ

2 دقائق
مصدر الصورة: ألكسندر هايني/ بيكتشر ألايانس/ وكالة حماية البيانات/ صور أسوشييتد برس

اقترح معهد آلين للذكاء الاصطناعي (إيه آي تو AI2) طريقة جديدة لتحفيز استخدام التعلم الآلي الفعال من حيث استهلاك الطاقة.

آثار شديدة
بدأت تتعالى أصوات المزيد من الباحثين منذرةً بتفاقم تكاليف التعلم العميق. ففي 2018، نشرت أوبن إيه آي دراسة تبين أن الموارد الحاسوبية المطلوبة لتدريب النماذج الكبيرة تتضاعف كل ثلاثة أو أربعة أشهر. وفي يونيو، وجدت دراسة أخرى أن تطوير نماذج معالجة اللغات الطبيعية الضخمة، على وجه الخصوص، يؤدي إلى أثر كربوني مثير للصدمة.

وقد ظهر هذا التوجه بسبب تركيز الأوساط البحثية على تطوير أحدث التكنولوجيات بغض النظر عن التكاليف. وعلى الرغم من وجود قوائم مخصصة لأفضل الإنجازات من حيث الأداء -مثلاً- فإنها نادراً ما تذكر أية تفاصيل عن تكاليف هذه التحسينات الصغيرة، وغالباً ما يترافق التزايد الخطي للأداء بتزايد أُسِّيّ في الموارد المطلوبة. وإذا تابعنا العمل بنفس الوتيرة -كما يتوقع أحد الخبراء- فقد تصل مساهمة الذكاء الاصطناعي في استهلاك الكهرباء على مستوى العالم إلى حوالي العُشر بحلول العام 2025.

الأثرياء أكثر ثراء
لا تثير هذه الإحصائيات المخاوف من وجهة نظر بيئية وحسب، بل إنها تؤدي أيضاً إلى تأثيرات على التنوع والتقدم ضمن الحقل؛ حيث إن ضخامة الموارد المطلوبة للحصول على نتائج جيدة تعطي أفضلية للمختبرات الخاصة على المختبرات الأكاديمية، وهو ما يمكن مثلاً أن يقيد تطور الحقل بالمشاريع قصيرة الأمد التي غالباً ما تكون متوافقة مع أهداف الشركات، بدلاً من المشاريع بعيدة الأمد التي يمكن أن تفيد العامة.

أرِنا ما فعلت
في بحث جديد، قدم باحثون من إيه آي تو في سياتل طريقة جديدة للتخفيف من حدة هذا التوجه، فقد اقترحوا أن يقوم باحثو الذكاء الاصطناعي على الدوام بنشر التكاليف المالية والحاسوبية لتدريب نماذجهم جنباً إلى جنب مع نتائج الأداء. ويأمل المؤلفون في أن زيادة الشفافية حول ما تتطلبه زيادة الأداء ستحفز على زيادة الاستثمار في تطوير خوارزميات أكثر فعالية للتعلم الآلي.

ويعتقد أورين إيتزيوني -وهو الرئيس التنفيذي لإيه آي تو وأحد مؤلفي البحث- أيضاً أن محكّمي الأبحاث في المجلات العلمية والمؤتمرات يجب أن يكافئوا من يتوصلون إلى تحسين الفعالية بقدر أقرانهم الذين يحققون زيادة في الدقة. وإلى أن توضع معايير للفعالية، سيكون من الصعب تقييم أهمية مساهمات كهذه، وهو يقول: "أعتقد أن التصريح عن هذه الأرقام أمر هام، ولكنه ليس كافياً".

لماذا الآن؟
شهدت السنوات الأخيرة تصعيداً كبيراً في مستوى استطاعة الحوسبة التي تخصصها المختبرات البحثية للشركات للتعلم العميق، ولكن إيتزيوني يأمل في أن تصبح الأوساط البحثية أكثر وعياً للعوامل المتوازنة والمتضاربة في هذا العمل. إضافة إلى هذا، فإن الاستثمار في خوارزميات أكثر فعالية يمكن أن يتيح المزيد من الموارد للحصول على نتائج أخرى. وباختصار، فإن الأمر ليس مجرد خيارين يجب أن نركز على أحدهما وحسب، كما يقول إيتزيوني: "نحن نرغب في تحقيق المزيد من التوازن في هذا المجال وحسب".