انرژی مصرفی برای ساخت تصویر از طریق هوش مصنوعی چقدر است؟

به گزارش پیوست، تحقیقات مرتبط با مصرف انرژی و انتشار گازهای گلخانه‌ای مرتبط با هوش مصنوعی نشان می‌دهد که استفاده از مدل‌های بزرگ هوش مصنوعی منجر به مصرف انرژی بالا و انتشار گازهای گلخانه‌ای بیشتری می‌شود.

روش‌های هوش مصنوعی برای تصویرسازی

روش‌های مختلفی برای ساخت تصویر با استفاده از هوش مصنوعی وجود دارد. یکی از روش‌های محبوب در این زمینه استفاده از شبکه‌های مولد مقابله‌ای (GAN) است. در یک سیستم GAN ۲ شبکه به نام تولیدکننده (Generator) و تمیزدهنده  (Discriminator) وجود دارد. تولیدکننده مسئول تولید تصاویر جدید است و تمییزدهنده سعی می‌کند تفاوت تصاویر تولید شده و تصاویر واقعی را تشخیص دهد. این فرآیند ادامه پیدا می‌کند تا شبکه تولیدکننده بتواند تصاویری ایجاد کند که به شدت واقعی به نظر می‌رسد.

روش‌های دیگری نیز برای ساخت تصویر با هوش مصنوعی وجود دارد، از جمله این روش‌ها می‌توان به شبکه‌های مولد تصویر مبتنی بر متن Text-to-Image که با استفاده از مدل‌های زبانی و تصویری، توانایی تولید تصاویر براساس توصیفات متنی را دارد اشاره کرد. برای ساخت تصاویر با استفاده از فناوری هوش مصنوعی، معمولا از داده‌های آموزشی بزرگی استفاده می‌شود که شامل تصاویر واقعی است. سپس سیستم‌های هوش مصنوعی براساس این داده‌ها آموزش داده می‌شوند تا تصاویر جدیدی تولید شود.  با توجه به توضیحاتی که ارائه شد باید به این موضوع نیز توجه کرد که چه میزان انرژی توسط سیستم‌عامل‌ها برای ساخت این تصاویر با استفاده از هوش مصنوعی صرف می‌شود.

در ساخت تصویر هوش مصنوعی چه میزان انرژی مصرف می‌شود؟

هوش مصنوعی می‌تواند برای تصویرسازی از انرژی‌های خاصی استفاده کند، به ویژه در مواردی که فرآیند تصویرسازی پیچیده و محاسباتی باشد. این مصرف انرژی ممکن است به دلیل محاسبات پردازشی مورد نیاز برای آموزش مدل‌های یادگیری عمیق (deep learning) و استفاده از سخت‌افزار‌های قدرتمند باشد. برای مثال، آموزش یک مدل شبکه عمیق عصبی روی مجموعه‌ای از تصاویر بزرگ، نیاز به قدرت پردازشی بالا و به دنبال آن مصرف انرژی بیشتری دارد.

لازم به ذکر است که مصرف انرژی برای تولید تصویر بسیار بالا است و به اندازه ۹۵۰ بار شارژ گوشی هوشمند (۱۱.۴۹ کیلووات ساعت) یا تقریبا یک بار شارژ در هر تولید تصویر، انرژی مصرف می‌کند. ساخت تصویر با استفاده از مدل‌های هوش مصنوعی نیازمند مصرف انرژی بالایی است. تولید تصویر توسط پلتفرم‌های هوش مصنوعی به مصرف انرژی بالایی نیاز دارد به اندازه‌ای که می‌تواند معادل شارژ یک تلفن همراه باشد. در مقایسه با این موضوع، فعالیت‌های متنی هوش مصنوعی مانند گفت‌وگو با چت‌بات‌ها یا نوشتن مقاله با استفاده از این ابزار، انرژی کمتری مصرف می‌کند که معادل شارژ ۱۶ درصد ظرفیت باتری یک تلفن هوشمند معمولی است.

اندازه‌گیری گازهای گلخانه‌ای در ساخت تصویر هوش مصنوعی

استفاده از مدل‌های هوش مصنوعی مولد نسبت به مدل‌های کوچکتر و تخصصی‌تر باعث مصرف انرژی بیشتری می‌شود. استفاده از مدل‌های هوش مصنوعی بزرگ برای وظایف خاص مانند طبقه‌بندی نقدهای فیلم می‌تواند تا ۳۰ برابر بیشتر انرژی مصرف کند. این امر به دلیل تلاش مدل‌های مولد برای انجام چندین وظیفه هم‌زمان مانند تولید، طبقه‌بندی و تبدیل متن به تصویر است.

تحقیقات مرتبط با مصرف انرژی و انتشار گازهای گلخانه‌ای مرتبط با هوش مصنوعی نشان می‌دهد که استفاده از مدل‌های بزرگ هوش مصنوعی منجر به مصرف انرژی بیشتر و انتشار گازهای گلخانه‌ای بیشتری می‌شود. این مدل‌ها در طول زمان آموزش می‌بینند و پس از آن میلیاردها بار استفاده می‌شوند. به ‌عنوان نمونه، مدل ChatGPT روزانه تا ۱۰ میلیون کاربر دارد و هر کاربر ممکن است بیش از یک بار از مدل درخواست کند.

انتشار این آلودگی‌های حاصل از آموزش مدل‌های بزرگ هوش مصنوعی بیشتر از انتشار آلودگی توسط آموزش مدل‌های کوچکتر است. شرکت‌ها و توسعه‌دهندگان هوش مصنوعی مسئولیت بیشتری در قبال مصرف انرژی و انتشار گازهای گلخانه‌ای دارند. افزایش آگاهی در مورد اثرات زیست محیطی استفاده از هوش مصنوعی و توجه به مصرف انرژی و پاسخگویی به این مسائل، می‌تواند به شرکت‌ها کمک کند تا اقدامات مناسبی را برای کاهش انتشار گازهای گلخانه‌ای در این زمینه انجام دهند.

آیا مصرف انرژی درساخت تصویر هوش مصنوعی می‌تواند به مشکلات زیست‌محیطی منجر شود؟

مصرف انرژی بالا در هوش مصنوعی می‌تواند به مشکلات زیست‌محیطی منجر شود. افزایش استفاده از سرورها، سیستم‌های پردازشی قدرتمند و دیتاسنترها برای پشتیبانی از اجرای الگوریتم‌های هوش مصنوعی منجر به افزایش مصرف انرژی می‌شود. این مصرف انرژی بالا می‌تواند اثرات زیست‌محیطی زیر را به دنبال داشته باشد:

۱- افزایش گازهای گلخانه‌ای

مصرف بالای انرژی در هوش مصنوعی به معنای استفاده بیشتر از منابع انرژی فسیلی مانند نفت و گاز است که منجر به افزایش انتشار گازهای گلخانه‌ای می‌شود و بر تغییرات آب و هوایی تأثیر می‌گذارد.

۲- افزایش مصرف آب

فرآیندهای پردازشی هوش مصنوعی نیاز به سرمایه‌گذاری روی سرورها دارد. این سرورها نیز نیازمند سیستم‌های خنک‌کننده قدرتمند برای حفظ دمای بهینه است.

۳- آلاینده‌های هوا

پردازش بالا و استفاده از تراشه‌های گرافیکی و واحدهای پردازش واحد در هوش مصنوعی ممکن است به افزایش مصرف انرژی برق و در نتیجه افزایش آلاینده‌های هوا مانند گازهای گلخانه‌ای و ذرات معلق منجر شود.

چه تکنیک‌هایی می‌تواند به کاهش مصرف انرژی در ساخت تصویر هوش مصنوعی کمک کند؟

برای کاهش مصرف انرژی در ساخت تصویر هوش مصنوعی، می‌توان از روش‌ها و تکنیک‌های زیر استفاده کرد:

۱- استفاده از مدل‌های کوچکتر

استفاده از مدل‌های کوچکتر با تعداد پارامتر کمتر، می‌تواند به کاهش مصرف انرژی کمک کند. این مدل‌ها عموماً از ساختار ساده‌تری برخوردار است و عملیات محاسباتی کمتری انجام می‌دهند.

۲- فشرده‌سازی مدل‌ها

با استفاده از تکنیک‌های فشرده‌سازی مدل‌ها می‌توان حجم مدل‌ها و تعداد پارامترهای آنها را کاهش داد. این تکنیک‌ها شامل کم ‌کردن بیت‌ها و حذف لایه‌های غیرضروری است. با کاهش تعداد پارامترها، مصرف انرژی در طول آموزش و استفاده از مدل‌ها کاهش می‌یابد.

۳- کوانتیزاسیون

در این روش، به جای استفاده از اعداد حقیقی ۳۲ بیتی، از اعداد با دقت کمتر مانند ۸ بیتی استفاده می‌شود. این کاهش دقت ممکن است تأثیری روی دقت نهایی مدل داشته باشد، اما می‌تواند به کاهش مصرف انرژی و افزایش سرعت پردازش کمک کند.

۴- پردازش موازی

استفاده از سخت‌افزارهایی که قابلیت پردازش موازی را دارد، مانند واحدهای پردازش گرافیکی (GPU) و واحدهای پردازش تنسور (TPU)، می‌تواند به کاهش زمان پردازش و مصرف انرژی در تصویرسازی هوش مصنوعی کمک کند. با توزیع  بار محاسباتی بین چند واحد پردازش، می‌توان کارایی را افزایش و مصرف انرژی را کاهش داد.

۵- بهینه‌سازی الگوریتم‌ها

بهبود الگوریتم‌ها و روش‌های پردازش تصاویر، می‌تواند منجر به کاهش مصرف انرژی شود. استفاده از الگوریتم‌های بهینه‌ برای کاهش تعداد مراحل پردازش و استفاده از الگوریتم‌های فشرده‌تر و سریع‌تر می‌تواند به کاهش مصرف انرژی در تصویرسازی هوش مصنوعی کمک کند.

۶- تنظیمات سخت‌افزاری

در صورت امکان، باید تنظیمات سخت‌افزاری برای بهینه‌سازی مصرف انرژی تنظیم شود که شامل تنظیمات مربوط به ولتاژ و سایر تنظیمات مربوط به مدیریت انرژی است.

۷- مدیریت حافظه

استفاده بهینه از حافظه و کاهش ترافیک داده‌ها بین حافظه اصلی و حافظه دسترسی تصادفی (RAM) نیز می‌تواند به کاهش مصرف انرژی در تصویرسازی هوش مصنوعی کمک کند.

سخن پایانی

تلاش‌هایی نیز در جهت بهبود کارایی و کاهش مصرف انرژی در مدل‌های هوش مصنوعی صورت می‌گیرد. به عنوان مثال، استفاده از معماری‌های شبکه عصبی و بهینه‌سازی الگوریتم‌ها در جهت کاهش تعداد پارامترها و مصرف انرژی می‌تواند مفید باشد.

این انتخاب به معنای انتخاب مدل‌هایی است که برای وظایف و محدودیت‌های خاص طراحی شده‌اند و از نظر انرژی مصرفی بهینه‌سازی شده‌اند. این اقدام می‌تواند به کاهش مصرف انرژی و انتشار کربن مرتبط با هوش مصنوعی منجر شود.

technologyreview : منبع