บริษัท Mistral AI เพิ่งเผยแพร่การวิเคราะห์วงจรชีวิตที่ครอบคลุมของโมเดลภาษาขนาดใหญ่เป็นครั้งแรก เผยให้เห็นว่าโมเดล Mistral Large 2 ของพวกเขาใช้คาร์บอนไดออกไซด์เทียบเท่า 20,400 ตัน และน้ำ 281,000 ลูกบาศก์เมตรในระหว่างการดำเนินงาน 18 เดือน แม้ว่าบริษัทจะนำเสนอสิ่งนี้เป็นความโปร่งใสที่ก้าวล้ำสำหรับอุตสาหกรรม AI แต่ชุมชนเทคโนโลยีได้จุดประกายการถกเถียงที่ไม่คาดคิดโดยเปรียบเทียบรอยเท้าคาร์บอนของ AI กับทางเลือกการบริโภคในชีวิตประจำวัน
ผลกระทบต่อสิ่งแวดล้อมของ Mistral Large 2 (18 เดือน)
- การปล่อยก๊าซ CO2: 20,400 ตัน CO2 equivalent
- การใช้น้ำ: 281,000 ลูกบาศก์เมตร
- การหมดสิ้นทรัพยากร: 660 กิโลกรัม Sb equivalent
- ต่อการตอบสนอง 400 โทเค็น: 1.14 กรัม CO2e, 45 มิลลิลิตรน้ำ, 0.16 มิลลิกรัม Sb eq
 |
|---|
| การวิเคราะห์วงจรชีวิตของโมเดล Large 2 ของ Mistral AI แสดงให้เห็นผลกระทบต่อสิ่งแวดล้อมจากการพัฒนา AI |
การเปรียบเทียบเนื้อวัวกับ AI ที่น่าประหลาดใจ
การอภิปรายที่ร้อนแรงที่สุดมุ่งเน้นไปที่การเปรียบเทียบทางคณิตศาสตร์ที่ทำให้หลายคนประหลาดใจ การวิเคราะห์ของชุมชนชี้ให้เห็นว่าการผลิตเนื้อวัวหนึ่งกิโลกรัมต้องใช้พลังงานเทียบเท่ากับการสอบถาม ChatGPT 60,000 ครั้ง และใช้น้ำเทียบเท่ากับ 50 ล้านการสอบถาม ซึ่งหมายความว่าการผลิตเนื้อวัวรายวันของ France สร้างผลกระทบต่อสิ่งแวดล้อมที่เกินกว่าการฝึกโมเดล AI ขนาดใหญ่ทุกหกเดือน
คุณเห็นตัวเลขแล้วแต่ก็ยังบอกว่าฉันชอบเนื้อ ทำไมฉันต้องเลิกกินถ้าคุณมี AI ของคุณ เพราะอย่างที่ฉันเพิ่งแสดงให้เห็น AI ของฉันใช้เศษเสี้ยวเล็กน้อยของเนื้อของคุณ มันต้องการแค่ให้คุณกินมังสวิรัติเพียงหนึ่งวันเพื่อชดเชยการใช้ AI ของคุณทั้งปี
การเปรียบเทียบนี้ได้แบ่งแยกชุมชนระหว่างผู้ที่เห็นว่าเป็นมุมมองที่ถูกต้องเกี่ยวกับลำดับความสำคัญด้านสิ่งแวดล้อม และผู้อื่นที่มองว่าเป็นการหลีกเลี่ยงจากความต้องการพลังงานที่เพิ่มขึ้นของ AI
การเปรียบเทียบผลกระทบต่อสิ่งแวดล้อม
- การผลิตเนื้อวัว 1 กิโลกรัม = การใช้งาน ChatGPT ประมาณ 60,000 ครั้ง (เทียบเท่าพลังงาน)
- การผลิตเนื้อวัว 1 กิโลกรัม = การใช้งาน ChatGPT ประมาณ 50,000,000 ครั้ง (เทียบเท่าน้ำ)
- AI tokens 400 ตัว = การสตรีมวิดีโอในสหรัฐอเมริกา 10 วินาที
- การปล่อยก๊าซเรือนกระจกรายปีของเครื่องบิน A320neo หนึ่งลำ > การฝึกโมเดล Mistral เป็นเวลา 18 เดือน
การใช้งานส่วนบุคคลเทียบกับระดับอุตสาหกรรม
การถกเถียงเผยให้เห็นความตึงเครียดพื้นฐานระหว่างความรับผิดชอบส่วนบุคคลและความรับผิดชอบขององค์กร ข้อมูลของ Mistral แสดงให้เห็นว่าการสร้าง 400 โทเค็น (ประมาณหนึ่งหน้ากระดาษ) ผลิตคาร์บอนไดออกไซด์เทียบเท่า 1.14 กรัม - เทียบเท่ากับการสตรีมวิดีโอออนไลน์ 10 วินาทีในสหรัฐอเมริกา สิ่งนี้ทำให้บางคนโต้แย้งว่าการใช้ AI ส่วนบุคคลมีความสำคัญเล็กน้อยเมื่อเปรียบเทียบกับกิจกรรมประจำวันอื่นๆ
อย่างไรก็ตาม นักวิจารณ์ชี้ให้เห็นว่ากรอบความคิดนี้ไม่สนใจระดับอุตสาหกรรมของการใช้งาน AI พวกเขาโต้แย้งว่าแม้การสอบถามแต่ละครั้งอาจดูเล็ก แต่โครงสร้างพื้นฐานรวมที่ต้องการเพื่อสนับสนุนผู้ใช้หลายล้านคนแสดงถึงหมวดหมู่ใหม่ของการใช้พลังงานที่สำคัญซึ่งไม่เคยมีมาก่อน
การแลกเปลี่ยนระหว่างประสิทธิภาพกับการเข้าถึง
การอภิปรายของชุมชนเน้นข้อพิจารณาทางเทคนิคที่สำคัญ: ความสัมพันธ์ระหว่างขนาดโมเดลและผลกระทบต่อสิ่งแวดล้อม การศึกษาของ Mistral ยืนยันว่าผลกระทบมีขนาดประมาณสัดส่วนกับขนาดโมเดล - โมเดลที่ใหญ่กว่า 10 เท่าสร้างผลกระทบที่ใหญ่กว่าหนึ่งอันดับสำหรับผลลัพธ์เดียวกัน
สิ่งนี้ได้จุดประกายการสนทนาเกี่ยวกับว่าอุตสาหกรรมควรมุ่งเน้นไปที่การใช้โมเดลที่เล็กกว่าและมีประสิทธิภาพมากกว่าในเครื่องอุปกรณ์ของผู้บริโภค หรือรักษาแนวทางปัจจุบันของโมเดลขนาดใหญ่แบบรวมศูนย์ บางคนโต้แย้งว่าการดำเนินงานศูนย์ข้อมูลสามารถบรรลุประสิทธิภาพที่ดีกว่าผ่านการจัดกลุ่มและฮาร์ดแวร์ที่ปรับให้เหมาะสม ในขณะที่คนอื่นสนับสนุนการคำนวณแบบกระจายเพื่อลดความจำเป็นในการมีฟาร์มเซิร์ฟเวอร์ขนาดใหญ่
บริบทที่ขาดหายไปในการอภิปรายด้านสิ่งแวดล้อม
ชุมชนได้สังเกตว่าการอภิปรายด้านสิ่งแวดล้อมในปัจจุบันมักขาดบริบทที่สำคัญ ในขณะที่บริษัท AI เผชิญกับการตรวจสอบอย่างใกล้ชิดสำหรับการใช้พลังงาน อุตสาหกรรมอื่นๆ ที่มีผลกระทบต่อสิ่งแวดล้อมที่อาจใหญ่กว่าได้รับความสนใจน้อยกว่า บางคนชี้ให้เห็นว่าเครื่องบินพาณิชย์ลำเดียวผลิตการปล่อยก๊าซเรือนกระจกรายปีมากกว่ากระบวนการฝึกโมเดลของ Mistral ทั้ง 18 เดือน
มุมมองนี้ชี้ให้เห็นว่าการมุ่งเน้นไปที่ผลกระทบต่อสิ่งแวดล้อมของ AI อาจไม่สมส่วน โดยเฉพาะเมื่อพิจารณาว่าแอปพลิเคชัน AI หลายตัวช่วยปรับปรุงการใช้พลังงานในภาคส่วนอื่นๆ อย่างไรก็ตาม คนอื่นๆ โต้แย้งว่าการเป็นแหล่งปล่อยก๊าซใหม่ทำให้ AI สมควรได้รับการตรวจสอบพิเศษ โดยเฉพาะเมื่อเทคโนโลยีขยายตัวอย่างรวดเร็ว
มองไปข้างหน้า
การถกเถียงสะท้อนคำถามที่กว้างขึ้นเกี่ยวกับว่าสังคมควรจัดลำดับความสำคัญของความกังวลด้านสิ่งแวดล้อมในยุคของการเปลี่ยนแปลงทางเทคโนโลยีอย่างรวดเร็วอย่างไร แม้ว่าความคิดริเริ่มด้านความโปร่งใสของ Mistral จะให้ข้อมูลที่มีค่าสำหรับการตัดสินใจอย่างมีข้อมูล แต่การอภิปรายของชุมชนเผยให้เห็นว่าความท้าทายที่แท้จริงอาจเป็นการพัฒนากรอบสำหรับเปรียบเทียบผลกระทบต่อสิ่งแวดล้อมในภาคส่วนและช่วงเวลาที่แตกต่างกัน
เมื่อ AI ยังคงบูรณาการเข้าสู่ชีวิตประจำวัน การสนทนาเหล่านี้เกี่ยวกับความรับผิดชอบด้านสิ่งแวดล้อม ความรับผิดชอบส่วนบุคคลเทียบกับองค์กร และต้นทุนที่แท้จริงของความก้าวหน้าทางเทคโนโลยีมีแนวโน้มที่จะทวีความรุนแรงขึ้น
อ้างอิง: Our contribution to a global environmental standard for AI