Οι προσδοκίες γύρω από τις αναδυόμενες δυνατότητες χρήσης της Τεχνητής Νοημοσύνης, όπως βελτίωση της παραγωγικότητας των εργαζομένων και η προαγωγή της επιστημονικής έρευνας, είναι ιδιαίτερα μεγάλες. Ενώ η εκρηκτική ανάπτυξη αυτής της νέας τεχνολογίας επέτρεψε την ταχεία ανάπτυξη ισχυρών μοντέλων σε πολλές βιομηχανίες, οι περιβαλλοντικές συνέπειες αυτού του γενεσιουργού «χρυσού πυρετού» της Τεχνητής Νοημοσύνης παραμένουν δύσκολο να εντοπιστούν, πόσο μάλλον να μετριαστούν.
Η υπολογιστική ισχύς που απαιτείται για την εκπαίδευση παραγωγικών μοντέλων τεχνητής νοημοσύνης που συχνά έχουν δισεκατομμύρια παραμέτρους, όπως το GPT-4 του OpenAI, μπορεί να απαιτήσει μια εκπληκτική ποσότητα ηλεκτρικής ενέργειας, η οποία οδηγεί σε αυξημένες εκπομπές διοξειδίου του άνθρακα και πιέσεις στο ηλεκτρικό δίκτυο.
Επιπλέον, η ανάπτυξη αυτών των μοντέλων σε πραγματικές εφαρμογές, δίνοντας τη δυνατότητα σε εκατομμύρια ανθρώπους να χρησιμοποιούν γενετική τεχνητή νοημοσύνη στην καθημερινή τους ζωή και στη συνέχεια να βελτιστοποιήσουν τα μοντέλα για να βελτιώσουν την απόδοσή τους, αντλούν μεγάλες ποσότητες ενέργειας πολύ καιρό μετά την ανάπτυξη ενός μοντέλου.
Πέρα από τις απαιτήσεις ηλεκτρικής ενέργειας, απαιτούνται μεγάλες ποσότητες νερού για την ψύξη του υλικού που χρησιμοποιείται, για την εκπαίδευση, την ανάπτυξη και τη βελτίωση των μοντέλων παραγωγής τεχνητής νοημοσύνης, τα οποία μπορούν να καταπονήσουν τα δημοτικά αποθέματα νερού και να διαταράξουν τα τοπικά οικοσυστήματα. Ο αυξανόμενος αριθμός εφαρμογών τεχνητής νοημοσύνης έχει επίσης τονώσει τη ζήτηση για υπολογιστικό υλικό υψηλής απόδοσης, προσθέτοντας έμμεσες περιβαλλοντικές επιπτώσεις από την κατασκευή και τη μεταφορά του.
Οι απαιτήσεις ηλεκτρικής ενέργειας των κέντρων δεδομένων είναι ένας σημαντικός παράγοντας που συμβάλλει στις περιβαλλοντικές επιπτώσεις της τεχνητής νοημοσύνης, καθώς τα κέντρα δεδομένων χρησιμοποιούνται για την εκπαίδευση και την εκτέλεση των μοντέλων βαθιάς μάθησης πίσω από δημοφιλή εργαλεία όπως το ChatGPT και το DALL-E.
Ένα κέντρο δεδομένων είναι ένα κτίριο ελεγχόμενης θερμοκρασίας που φιλοξενεί υπολογιστική υποδομή, όπως διακομιστές, μονάδες αποθήκευσης δεδομένων και εξοπλισμό δικτύου. Για παράδειγμα, η Amazon διαθέτει περισσότερα από 100 κέντρα δεδομένων παγκοσμίως, καθένα από τα οποία έχει περίπου 50.000 διακομιστές που χρησιμοποιεί η εταιρεία για την υποστήριξη υπηρεσιών υπολογιστικού νέφους.
Ενώ τα κέντρα δεδομένων υπάρχουν από τη δεκαετία του 1940 (το πρώτο κατασκευάστηκε στο Πανεπιστήμιο της Πενσυλβάνια το 1945 για να υποστηρίξει τον πρώτο ψηφιακό υπολογιστή γενικής χρήσης, τον ENIAC), η άνοδος της Τεχνητής Νοημοσύνης αύξησε δραματικά τον ρυθμό κατασκευής κέντρων δεδομένων.
Η ζήτηση για νέα κέντρα δεδομένων δεν μπορεί να ικανοποιηθεί με βιώσιμο τρόπο. Ο ρυθμός με τον οποίο οι εταιρείες κατασκευάζουν νέα κέντρα δεδομένων δημιουργεί την ανάγκη το μεγαλύτερο μέρος της ηλεκτρικής ενέργειας για την τροφοδοσία τους να προέρχεται από σταθμούς ηλεκτροπαραγωγής που βασίζονται σε ορυκτά καύσιμα συνδεδεμένων με την παραγωγή διοξειδίου του άνθρακα άρα περαιτέρω περιβαλλοντικής επιβάρυνσης.
Η ισχύς που απαιτείται για την εκπαίδευση και την ανάπτυξη ενός μοντέλου όπως το GPT-3 του OpenAI είναι δύσκολο να εξακριβωθεί. Σε μια ερευνητική εργασία του 2021, επιστήμονες από τη Google και το Πανεπιστήμιο της Καλιφόρνια στο Μπέρκλεϋ υπολόγισαν ότι η εκπαιδευτική διαδικασία καταναλώνει μόνο 1.287 μεγαβατώρες ηλεκτρικής ενέργειας (αρκετή για να τροφοδοτήσει περίπου 120 κατά μέσο όρο σπίτια στις ΗΠΑ για ένα χρόνο), παράγοντας περίπου 552 τόνους διοξειδίου του άνθρακα.
Μόλις αναπτυχθεί ένα παραγωγικό μοντέλο Τεχνητής νοημοσύνης, οι ενεργειακές απαιτήσεις δεν εξαφανίζονται.
Κάθε φορά που χρησιμοποιείται ένα μοντέλο, ίσως από ένα άτομο που ζητά από το ChatGPT να συνοψίσει ένα email, το υπολογιστικό υλικό που εκτελεί αυτές τις λειτουργίες καταναλώνει ενέργεια. Οι ερευνητές έχουν υπολογίσει ότι ένα ερώτημα ChatGPT καταναλώνει περίπου πέντε φορές περισσότερη ηλεκτρική ενέργεια από μια απλή αναζήτηση στο διαδίκτυο.
Επιπλέον, τα μοντέλα παραγωγής τεχνητής νοημοσύνης έχουν ιδιαίτερα μικρή διάρκεια ζωής, λόγω της αυξανόμενης ζήτησης για νέες εφαρμογές τεχνητής νοημοσύνης. Οι εταιρείες κυκλοφορούν νέα μοντέλα κάθε λίγες εβδομάδες, έτσι η ενέργεια που χρησιμοποιείται για την εκπαίδευση προηγούμενων εκδόσεων πάει χαμένη. Τα νέα μοντέλα καταναλώνουν συχνά περισσότερη ενέργεια για, αφού συνήθως έχουν περισσότερες παραμέτρους από τους προκατόχους τους.
Ενώ οι απαιτήσεις ηλεκτρικής ενέργειας των κέντρων δεδομένων μπορεί να τραβούν τη μεγαλύτερη προσοχή στην ερευνητική βιβλιογραφία, η ποσότητα νερού που καταναλώνεται από αυτές τις εγκαταστάσεις έχει επίσης περιβαλλοντικές επιπτώσεις.
Το κρύο νερό χρησιμοποιείται για την ψύξη ενός κέντρου δεδομένων απορροφώντας θερμότητα από τον υπολογιστικό εξοπλισμό. Έχει υπολογιστεί ότι, για κάθε κιλοβατώρα ενέργειας που καταναλώνει ένα κέντρο δεδομένων, θα χρειαζόταν δύο λίτρα νερού για ψύξη.
Η κατασκευή των υποδομών που απαιτούνται για την υποστήριξη αυτών των τεχνολογιών απαιτεί την εξόρυξη σπανίων γαιών και άλλων φυσικών πόρων, κάτι που μπορεί να έχει αρνητικές επιπτώσεις για τα οικοσυστήματα, όπως η αποδάσωση και η καταστροφή φυσικών οικοτόπων.
Η αυξανόμενη εξάρτηση από την τεχνολογία ΑΙ ενδέχεται επίσης να οδηγήσει σε μεγαλύτερη παραγωγή απόβλητων ηλεκτρονικών συσκευών, τα οποία περιέχουν τοξικές ουσίες, όπως μόλυβδος και κάδμιο, που αποτελούν απειλή για το περιβάλλον αν δεν ανακυκλωθούν σωστά. Η αυξανόμενη ανάγκη για αναβάθμιση του τεχνολογικού εξοπλισμού, προκειμένου να ανταποκριθεί στις απαιτήσεις των συστημάτων Τ.Ν., μπορεί να επιβαρύνει την παραγωγή και διάθεση ηλεκτρονικών αποβλήτων, δημιουργώντας επιπλέον περιβαλλοντικά προβλήματα. Επιπλέον, η τεχνητή νοημοσύνη χρησιμοποιείται για την ανάπτυξη στρατιωτικών τεχνολογιών, όπως τα αυτόνομα όπλα, που μπορούν να έχουν σοβαρές αρνητικές επιπτώσεις όχι μόνο στο περιβάλλον αλλά και στην ανθρώπινη ασφάλεια και σταθερότητα. Η χρήση τέτοιων τεχνολογιών μπορεί να εντείνει τις συγκρούσεις και να προκαλέσει περιβαλλοντική καταστροφή σε περιοχές που πλήττονται από πολέμους.
Η Τεχνητή Νοημοσύνη όμως έχει τη δυνατότητα να επιφέρει και σημαντικές θετικές αλλαγές στον τομέα της βιωσιμότητας και της προστασίας του περιβάλλοντος. Η πιο σημαντική ίσως εφαρμογή της ΑΙ είναι η βελτίωση της ενεργειακής απόδοσης. Χρησιμοποιώντας έξυπνα συστήματα, η ΑΙ μπορεί να παρακολουθεί και να ρυθμίζει την κατανάλωση ενέργειας σε πραγματικό χρόνο, βελτιώνοντας την αποδοτικότητα τόσο σε κτίρια όσο και σε βιομηχανικές διαδικασίες. Αυτό έχει ως αποτέλεσμα την μείωση των εκπομπών CO2, διότι μειώνεται η σπατάλη ενέργειας και οι ανάγκες για ηλεκτρική ενέργεια, η οποία μπορεί να προέρχεται από μη ανανεώσιμες πηγές. Εξίσου σημαντική είναι η βοήθεια της ΑΙ στην προώθηση της χρήσης ανανεώσιμων πηγών ενέργειας, όπως η ηλιακή ακτινοβολία και ο άνεμος. Μέσω προηγμένων αλγορίθμων, η ΑΙ είναι σε θέση να προβλέπει τις καιρικές συνθήκες και να βελτιστοποιεί τη λειτουργία των φωτοβολταϊκών και αιολικών πάρκων, μεγιστοποιώντας την αποδοτικότητα τους και μειώνοντας την εξάρτηση από ορυκτά καύσιμα.
Η ΑΙ μπορεί επίσης να συνεισφέρει στην προστασία και διαχείριση των φυσικών πόρων. Στην παρακολούθηση περιβαλλοντικών φαινομένων, η Τ.Ν. βοηθά στη γρηγορότερη και πιο ακριβή εκτίμηση κινδύνων, όπως πλημμύρες, ξηρασίες ή ακόμα και δασικές πυρκαγιές, δίνοντας στους υπεύθυνους την δυνατότητα να λάβουν τα κατάλληλα μέτρα σε πραγματικό χρόνο για την αποφυγή καταστροφών. Επίσης, η Τ.Ν. χρησιμοποιείται στην παρακολούθηση της βιοποικιλότητας, καταγράφοντας τις αλλαγές σε οικοσυστήματα και προσδιορίζοντας περιοχές που χρήζουν προστασίας. Ένας άλλος τομέας στον οποίο η Τ.Ν. έχει θετικό αντίκτυπο είναι η ανακύκλωση και η διαχείριση απορριμμάτων. Ρομποτικά συστήματα και αλγόριθμοι που βασίζονται στην Τ.Ν. μπορούν να επιταχύνουν και να βελτιώσουν τη διαδικασία διαλογής ανακυκλώσιμων υλικών, διευκολύνοντας την ανακύκλωση και μειώνοντας τα απόβλητα που καταλήγουν σε χωματερές.
Η γενικότερη ασάφεια η οποία συνοδεύει σε σημαντικό βαθμό τις μεθόδους ανάπτυξης και χρήσης της τεχνητής νοημοσύνης γεννά σε πολλές περιπτώσεις έλλειψη διαφάνειας και λογοδοσίας σχετικά με τις περιβαλλοντικές επιπτώσεις της. Ορισμένες εταιρείες βάζουν την οικονομική ευημερία και το ανταγωνιστικό τους πλεονέκτημα μπροστά από τυχόν αρνητικές επιπτώσεις που ενδέχεται να έχουν οι τεχνολογίες τεχνητής νοημοσύνης στο περιβάλλον. Οι χρήστες θεωρούν ότι είναι δύσκολο να εκτιμήσουν πλήρως το περιβαλλοντικό τους αποτύπωμα λόγω της πολυπλοκότητας των συστημάτων Τ.Ν.. Η ακριβής αξιολόγηση του αποτυπώματος άνθρακα ή των πιθανών περιβαλλοντικών επιπτώσεων παρεμποδίζεται από τις μυστικές μεθόδους και τα κρυφά δεδομένα που χρησιμοποιούνται για την εκπαίδευση μοντέλων τεχνητής νοημοσύνης.
Για να λυθεί αυτό, απαιτούνται πιο διαφανείς διαδικασίες και νόμοι που διασφαλίζουν ότι η δημιουργία και η εφαρμογή της τεχνητής νοημοσύνης είναι σύμφωνες με τις περιβαλλοντικές ανησυχίες. Μια υπεύθυνη προσέγγιση για την τεχνητή νοημοσύνη που δίνει προτεραιότητα στη βιωσιμότητα θα καταστεί δυνατή με την προσπάθεια για μεγαλύτερη υπευθυνότητα.
Τέλος, είναι σημαντικό να αναγνωρίσουμε ότι, ενώ η ΑΙ μπορεί να προσφέρει λύσεις για την προστασία του περιβάλλοντος, η ανάπτυξή της πρέπει να συνοδεύεται από υπεύθυνες και βιώσιμες πρακτικές. Η ανάγκη για έναν ισχυρό κανονιστικό πλαίσιο και για τη χρήση πράσινης τεχνολογίας θα είναι καθοριστική για να διασφαλίσουμε ότι η ΑΙ θα συνεχίσει να προσφέρει οφέλη για το περιβάλλον χωρίς να επιδεινώνει τις ήδη υπάρχουσες περιβαλλοντικές προκλήσεις.
Βιβλιογραφία
https://news.mit.edu/2025/explained-generative-ai-environmental-impact-0117
https://www.scientificamerican.com/article/ais-climate-impact-goes-beyond-its-emissions/
