„Pravděpodobně jste již četli o tom, že těžba bitcoinu spotřebuje víc energie než nějaká země... Mnohem méně se ale píše o tom, kolik energie se spotřebuje při sebemenším pokroku ve světě umělé inteligence,“ píše na stránkách FTAlphaville Jemima Kelly s tím, že právě tomuto tématu se věnuje nová studie z MIT.
Ve studii se píše o takzvaných NPL modelech, které se zaměřují na porozumění a používání lidského jazyka. Pokrok v této oblasti přichází v hardwaru i softwaru a je patrný na výrazném zlepšení funkce modelů. Je ale zároveň závislý na obrovském množství počítačových zdrojů, a tudíž i na velkém objemu energie. Tyto modely „je nákladné zlepšovat a vyvíjet, a to z hlediska finančního i z hlediska životního prostředí“.
Takzvané „vycvičení“ modelu se dnes významně liší od toho před deseti lety. Tehdy probíhalo na běžném laptopu či serveru, nyní vyžaduje specializovaný hardware. Úměrně s tím, jak se zvyšuje jeho výkon, roste spotřeba energie, a ta následně ještě prudce stoupá ve chvíli, kdy je model dolaďován. To se děje na základě metody pokusu a omylu a tato fáze se vyznačuje tím, že relativně malé dodatečné zlepšování modelu s sebou nese vysoké mezní náklady.
Následující graf srovnává uhlíkovou stopu zpátečního letu z New Yorku do San Francisca, jednoho lidského života (průměr za jeden rok), jednoho roku života Američana, jednoho amerického auta včetně spotřeby paliva a vycvičení NPL modelu Transformer. FTAlphaville jej komentuje s tím, že jeho zajímavost spočívá nejen ve srovnání energie potřebné na vycvičení modelu, ale i v tom, že průměrný Američan za sebou nechá uhlíkovou stopu třikrát vyšší než „průměrný globální občan“.

Studie poukazuje i na vysoké náklady výcviku modelů, což znamená, že tato činnost se začíná omezovat na velké firmy, jako je , a Google. Akademici na ně naopak přestávají mít prostředky a mohou studovat jen modely vytvořené mimo akademickou půdu. Podle studie to je negativní jev, protože kreativní lidé nemají přístup k potřebným počítačovým a finančním zdrojům. A tento jev může dokonce vést k tomu, že v oblasti výzkumu „bohatí bohatnou“. Další zdroje totiž získávají ti, kdo byli doposud úspěšní.
Řešením by mohly být vládní investice do „centralizovaných cloudových zdrojů“, které by využívali různí vědci. K tomu by bylo vhodné sladit postup velkých firem a akademického výzkumu a mimo jiné se zaměřit na technologie, které jsou méně náročné na energie. FTAlphaville k tomu dodává, že u umělé inteligence někdy panují obavy z toho, že vyhladí lidstvo. Toto vyhlazení ale podle toho, co ukazuje studie o spotřebě energie, nemusí nakonec provést ozbrojený robot.
Zdroj: FTAlphaville