الاستجابة للتأثير المناخي لوكالة الذكاء الاصطناعي | أخبار معهد ماساتشوستس للتكنولوجيا

في الجزء 2 من سلسلة من جزأين على الآثار البيئية للذكاء الاصطناعي التوليديو أخبار معهد ماساتشوستس للتكنولوجيا يستكشف بعض الطرق التي يعمل بها الخبراء على تقليل بصمة الكربون في التكنولوجيا.

من المتوقع أن تستمر متطلبات الطاقة في الذكاء الاصطناعي التوليدي في الزيادة بشكل كبير خلال العقد المقبل.

على سبيل المثال ، يتنبأ تقرير من وكالة الطاقة الدولية في أبريل 2025 بأن الطلب العالمي على الكهرباء من مراكز البيانات ، والذي يضم البنية التحتية الحاسوبية لتدريب نماذج الذكاء الاصطناعى ونشره ، سوف يزيد عن ضعف حوالي 945 ساعة Terawatt. على الرغم من أن جميع العمليات التي يتم إجراؤها في مركز البيانات مرتبطون بالنيابة ، فإن هذا المبلغ الإجمالي أكثر بقليل من استهلاك الطاقة في اليابان.

علاوة على ذلك ، يتوقع تحليل أبحاث في أغسطس 2025 من جولدمان ساكس أن حوالي 60 في المائة من متطلبات الكهرباء المتزايدة من مراكز البيانات سيتم تلبيتها عن طريق حرق الوقود الأحفوري ، مما يزيد من انبعاثات الكربون العالمية بحوالي 220 مليون طن. بالمقارنة ، فإن قيادة سيارة تعمل بالغاز لمسافة 5000 ميل تنتج حوالي 1 طن من ثاني أكسيد الكربون.

هذه الإحصائيات مذهلة ، ولكن في الوقت نفسه ، يدرس العلماء والمهندسون في معهد ماساتشوستس للتكنولوجيا وحول العالم الابتكارات والتدخلات لتخفيف بصمة الكربون المتضخمة من الذكاء الاصطناعى ، من تعزيز كفاءة الخوارزميات إلى إعادة التفكير في تصميم مراكز البيانات.

النظر في انبعاثات الكربون

عادةً ما يتمحور الحديث عن الحد من بصمة الكربون من الذكاء الاصطناعى التوليدي على “الكربون التشغيلي” – الانبعاثات التي تستخدمها المعالجات القوية ، والمعروفة باسم وحدات معالجة الرسومات ، داخل مركز البيانات. غالبًا ما يتجاهل “الكربون المجسد” ، وهو انبعاثات تم إنشاؤها عن طريق بناء مركز البيانات في المقام الأول ، كما يقول فيجاي جاديبالي ، كبير العلماء في مختبر معهد ماساتشوستس للتكنولوجيا لينكولن ، الذي يقود مشاريع البحث في مركز حوسلية مختبر لينكولن.

يستهلك بناء مركز بيانات وإعادة تعديله ، مبنيًا من الكثير من الصلب والخرسانة ومملوءة بوحدات تكييف الهواء ، وأجهزة الحوسبة ، وأميال من الكابل ، كمية هائلة من الكربون. في الواقع ، فإن التأثير البيئي لمراكز البيانات هو أحد الأسباب التي تجعل الشركات مثل Meta و Google تستكشف مواد بناء أكثر استدامة. (التكلفة عامل آخر.)

بالإضافة إلى ذلك ، فإن مراكز البيانات هي مباني هائلة-وهي أكبر مباني في العالم ، وهي حديقة معلومات منغوليا في العالم ، تتغلب على حوالي 10 ملايين قدم مربع-مع حوالي 10 إلى 50 ضعف كثافة الطاقة في مبنى المكاتب العادي ، يضيف Gadeply.

يقول: “إن الجانب التشغيلي هو جزء فقط من القصة. بعض الأشياء التي نعمل عليها لتقليل الانبعاثات التشغيلية قد تقرض نفسها لتقليل الكربون المجسد أيضًا ، لكننا بحاجة إلى بذل المزيد من الجهد على تلك الجبهة في المستقبل”.

تقليل انبعاثات الكربون التشغيلية

عندما يتعلق الأمر بتقليل انبعاثات الكربون التشغيلية لمراكز بيانات الذكاء الاصطناعى ، هناك العديد من أوجه التشابه مع تدابير لتوفير الطاقة المنزلية. لأحد ، يمكننا ببساطة رفض الأنوار.

يقول جاديبالي: “حتى لو كان لديك أسوأ مصباح في منزلك من وجهة نظر الكفاءة ، فإن إيقاف تشغيلها أو تعتيمها ستستخدم دائمًا طاقة أقل من تركها في الانفجار الكامل”.

وعلى نفس الطريقة ، أظهرت الأبحاث من مركز الحوسبة الفائقة أن “رفض” وحدات معالجة الرسومات في مركز البيانات بحيث تستهلك حوالي ثلاثة أعشار التأثيرات الحد الأدنى على أداء نماذج الذكاء الاصطناعى ، مع جعل الأجهزة أسهل في التهدئة.

استراتيجية أخرى هي استخدام أجهزة الحوسبة الأقل كثافة في الطاقة.

عادة ما تحتاج إلى أعباء عمل منظمة العفو الدولية ، مثل تدريب نماذج التفكير الجديدة مثل GPT-5 ، على العديد من وحدات معالجة الرسومات في وقت واحد. يقدر تحليل Goldman Sachs أن نظامًا حديثًا يمكن أن يكون له قريبًا ما يصل إلى 576 وحدات معالجة الرسومات التي تعمل في وقت واحد.

لكن يمكن للمهندسين في بعض الأحيان تحقيق نتائج مماثلة عن طريق تقليل دقة الحوسبة ، ربما عن طريق التحول إلى معالجات أقل قوة تم ضبطها للتعامل مع عبء عمل معين من الذكاء الاصطناعي.

هناك أيضًا تدابير تعزز كفاءة تدريب نماذج التعلم العميق قبل نشرها.

وجدت مجموعة Gadeply أن حوالي نصف الكهرباء المستخدمة في تدريب نموذج الذكاء الاصطناعى قد تم إنفاقه للحصول على آخر 2 أو 3 نقاط مئوية في الدقة. يمكن أن يؤدي إيقاف عملية التدريب في وقت مبكر إلى توفير الكثير من هذه الطاقة.

يقول: “قد تكون هناك حالات تكون فيها دقة 70 في المائة جيدة بما يكفي لتطبيق معين ، مثل نظام التوصية للتجارة الإلكترونية”.

يمكن للباحثين أيضًا الاستفادة من تدابير تعزيز الكفاءة.

على سبيل المثال ، أدركت مرحلة ما بعد الدكتوراه في مركز الحوسبة الفائقة أن المجموعة قد تدير ألف محاكاة خلال عملية التدريب لاختيار أفضل طرازين أو ثلاثة من طراز AI لمشروعهم.

من خلال بناء أداة سمحت لهم بتجنب حوالي 80 في المائة من دورات الحوسبة الضائعة ، قاموا بتقليل متطلبات التدريب بشكل كبير دون أي انخفاض في دقة النموذج ، كما يقول جاديبالي.

الاستفادة من تحسينات الكفاءة

لا يزال الابتكار المستمر في حساب الأجهزة ، مثل المصفوفات الأكثر كثافة من الترانزستورات على رقائق أشباه الموصلات ، يمكّن تحسينات مثيرة في كفاءة الطاقة لنماذج الذكاء الاصطناعى.

على الرغم من أن تحسينات كفاءة الطاقة كانت تباطؤ في معظم الرقائق منذ حوالي عام 2005 ، إلا أن كمية الحساب التي يمكن أن تقوم بها وحدات معالجة الرسومات التي يمكن أن تفعلها لكل جول من الطاقة تحسن بنسبة تتراوح بين 50 و 60 في المائة كل عام ، كما يقول نيل طومسون ، مدير مشروع أبحاث FutureTech في مختبر علوم الكمبيوتر في معهد ماساتشوستس للتكنولوجيا والمحقق الرئيسي في MIT في بداية الاقتصاد الرقمي.

يقول Thomspon: “لا يزال اتجاه” قانون مور “الذي لا يزال مستمراً في الحصول على المزيد والمزيد من الترانزستورات على رقاقة ، يهم الكثير من أنظمة الذكاء الاصطناعى هذه ، لأن تشغيل العمليات بالتوازي لا يزال ذا قيمة كبيرة لتحسين الكفاءة”.

والأهم من ذلك ، أن أبحاث مجموعته تشير إلى أن مكاسب الكفاءة من بنية نموذجية جديدة يمكنها حل المشكلات المعقدة بشكل أسرع ، وتستهلك طاقة أقل لتحقيق النتائج نفسها أو أفضل ، وتضاعف كل ثمانية أو تسعة أشهر.

صاغ طومسون مصطلح “negaflop” لوصف هذا التأثير. بنفس الطريقة التي يمثل بها “Negawatt” الكهرباء المحفوظة بسبب تدابير لتوفير الطاقة ، فإن “Negaflop” هي عملية حوسبة لا تحتاج إلى تنفيذها بسبب التحسينات الخوارزمية.

يمكن أن تكون هذه أشياء مثل “التقليم” بعيدًا عن المكونات غير الضرورية لشبكة عصبية أو توظيف تقنيات ضغط تمكن المستخدمين من بذل المزيد من الجهد مع حساب أقل.

“إذا كنت بحاجة إلى استخدام نموذج قوي حقًا اليوم لإكمال مهمتك ، في غضون بضع سنوات فقط ، فقد تكون قادرًا على استخدام نموذج أصغر بشكل ملحوظ لفعل نفس الشيء ، والذي سيحمل عبءًا بيئيًا أقل بكثير. جعل هذه النماذج أكثر كفاءة هو الشيء المهم الوحيد الذي يمكنك القيام به لتقليل التكاليف البيئية ل AI” ، يقول Thompson.

تعظيم وفورات الطاقة

في حين أن تقليل استخدام الطاقة الكلي لخوارزميات الذكاء الاصطناعى وأجهزة الحوسبة سيؤدي إلى خفض انبعاثات غازات الدفيئة ، فإن كل الطاقة ليست هي نفسها.

يقول: “تختلف كمية انبعاثات الكربون في الساعة 1 كيلووات بشكل كبير ، حتى خلال اليوم ، وكذلك على مدار الشهر والسنة”.

يمكن للمهندسين الاستفادة من هذه الاختلافات من خلال الاستفادة من مرونة أعباء العمل من الذكاء الاصطناعي وعمليات مركز البيانات لزيادة تخفيضات الانبعاثات إلى الحد الأقصى. على سبيل المثال ، لا تحتاج بعض أعباء عمل الذكاء الاصطناعي التوليدي إلى تنفيذها بالكامل في نفس الوقت.

يقول Deepjyoti Deka ، عالم الأبحاث في مبادرة طاقة معهد ماساتشوستس للتكنولوجيا ، إن تقسيم عمليات الحوسبة بحيث يتم تنفيذ بعضها لاحقًا ، عندما يكون المزيد من الكهرباء التي يتم تغذيتها في الشبكة من مصادر متجددة مثل الطاقة الشمسية والرياح ، يمكن أن تقطع شوطًا طويلاً نحو الحد من بصمة الكربون في مركز البيانات.

يدرس Deka وفريقه أيضًا مراكز بيانات “Smarter” حيث يتم تعديل عبء عمل AI لشركات متعددة باستخدام نفس معدات الحوسبة بمرونة لتحسين كفاءة الطاقة.

يقول ديكا: “من خلال النظر إلى النظام ككل ، فإن أملنا هو تقليل استخدام الطاقة وكذلك الاعتماد على الوقود الأحفوري ، مع الحفاظ على معايير الموثوقية لشركات AI والمستخدمين”.

يقوم هو وآخرون في MITEI ببناء نموذج مرونة لمركز بيانات يأخذ في الاعتبار متطلبات الطاقة المختلفة لتدريب نموذج التعلم العميق مقابل نشر هذا النموذج. أملهم هو الكشف عن أفضل الاستراتيجيات لجدولة وتبسيط عمليات الحوسبة لتحسين كفاءة الطاقة.

يستكشف الباحثون أيضًا استخدام وحدات تخزين الطاقة طويلة المدة في مراكز البيانات ، والتي تخزن الطاقة الزائدة للأوقات التي تكون فيها الحاجة.

مع وجود هذه الأنظمة ، يمكن لمركز البيانات استخدام الطاقة المخزنة التي تم إنشاؤها بواسطة مصادر متجددة خلال فترة عالية الطلب ، أو تجنب استخدام مولدات النسخ الاحتياطي للديزل إذا كانت هناك تقلبات في الشبكة.

يقول ديكا: “يمكن أن يكون تخزين الطاقة طويل المدة بمثابة تغيير في اللعبة هنا لأننا نستطيع تصميم العمليات التي تغير بالفعل مزيج الانبعاثات من النظام للاعتماد أكثر على الطاقة المتجددة”.

بالإضافة إلى ذلك ، يقوم الباحثون في معهد ماساتشوستس للتكنولوجيا وجامعة برينستون بتطوير أداة برمجية لتخطيط الاستثمار في قطاع الطاقة ، يسمى GenX ، والتي يمكن استخدامها لمساعدة الشركات على تحديد المكان المثالي لتحديد مركز بيانات لتقليل الآثار والتكاليف البيئية.

يمكن أن يكون للموقع تأثير كبير على تقليل بصمة الكربون في مركز البيانات. على سبيل المثال ، تدير Meta مركز بيانات في Lulea ، وهي مدينة على ساحل شمال السويد حيث تقلل درجات الحرارة الباردة من كمية الكهرباء اللازمة لتبريد أجهزة الحوسبة.

بالتفكير أبعد من خارج الصندوق (الطريق أبعد) ، تستكشف بعض الحكومات حتى بناء مراكز البيانات على القمر حيث يمكن أن يتم تشغيلها مع جميع الطاقة المتجددة تقريبًا.

الحلول القائمة على الذكاء الاصطناعي

في الوقت الحالي ، لا يواكب التوسع في توليد الطاقة المتجددة هنا على الأرض النمو السريع لـ AI ، وهو أحد الحاجز الرئيسي الذي يقلل من بصمة الكربون ، كما تقول جنيفر تورليوك ماجستير إدارة

يمكن أن تستغرق عمليات المراجعة المحلية والولائية والاتحادية المطلوبة لمشاريع الطاقة المتجددة الجديدة سنوات.

يستكشف الباحثون في معهد ماساتشوستس للتكنولوجيا وأماكن أخرى استخدام الذكاء الاصطناعي لتسريع عملية توصيل أنظمة الطاقة المتجددة الجديدة بشبكة الطاقة.

على سبيل المثال ، يمكن لنموذج الذكاء الاصطناعي التوليدي تبسيط دراسات التوصيل البيني التي تحدد كيف سيؤثر المشروع الجديد على شبكة الطاقة ، وهي خطوة تستغرق سنوات في كثير من الأحيان لإكمالها.

وعندما يتعلق الأمر بتسريع تطوير وتنفيذ تقنيات الطاقة النظيفة ، يمكن أن تلعب الذكاء الاصطناعى دورًا رئيسيًا.

ويضيف تورليوك: “يعد التعلم الآلي رائعًا لمعالجة المواقف المعقدة ، ويقال إن الشبكة الكهربائية واحدة من أكبر الآلات والأكثر تعقيدًا في العالم”.

على سبيل المثال ، يمكن أن تساعد الذكاء الاصطناعي في تحسين التنبؤ بتوليد الطاقة الشمسية وطاقة الرياح أو تحديد المواقع المثالية للمرافق الجديدة.

يمكن استخدامه أيضًا لأداء الصيانة التنبؤية والكشف عن الأعطال للألواح الشمسية أو البنية التحتية للطاقة الخضراء الأخرى ، أو لمراقبة قدرة أسلاك النقل لزيادة الكفاءة.

من خلال مساعدة الباحثين على جمع وتحليل كميات هائلة من البيانات ، يمكن لـ AI أيضًا إبلاغ التدخلات السياسية المستهدفة التي تهدف إلى الحصول على أكبر “ضجة للباك” من مجالات مثل الطاقة المتجددة ، كما يقول Turliuk.

لمساعدة صانعي السياسات والعلماء والمؤسسات في النظر في التكاليف والفوائد متعددة الأوجه لأنظمة الذكاء الاصطناعى ، طورت هي ومتعاونوها درجة صافية تأثير المناخ.

النتيجة هي إطار عمل يمكن استخدامه للمساعدة في تحديد التأثير المناخي الصافي لمشاريع الذكاء الاصطناعي ، مع الأخذ في الاعتبار الانبعاثات والتكاليف البيئية الأخرى إلى جانب الفوائد البيئية المحتملة في المستقبل.

في نهاية اليوم ، من المحتمل أن تنجم الحلول الأكثر فعالية عن التعاون بين الشركات والمنظمين والباحثين ، مع قيادة الأوساط الأكاديمية.

وتقول: “كل يوم مهم. نحن على طريق لن تكون فيه تأثيرات تغير المناخ معروفة تمامًا حتى فوات الأوان لفعل أي شيء حيال ذلك. هذه فرصة لمرة واحدة في العمر للابتكار وجعل أنظمة الذكاء الاصطناعية أقل كثافة من الكربون”.