Обучение нейросетей названо основным источником углеродного следа ИИ
Группа исследователей представила на arXiv обзорную работу, посвященную влиянию систем искусственного интеллекта на окружающую среду. Авторы систематизировали публикации по направлениям Green AI и Green DL и рассмотрели способы оптимизации, которые могут сократить выбросы парниковых газов при обучении нейросетей.
В дополнение к обзору исследователи провели собственный эксперимент на обычных центральных процессорах. Для многоклассовой классификации были запущены шесть моделей глубокого обучения. Цель состояла в том, чтобы измерить их суммарный углеродный след и выяснить, какой этап жизненного цикла моделей вносит наибольший вклад в загрязнение окружающей среды.
Результаты показали, что основным источником выбросов является этап обучения модели. На него приходится значительная часть общего углеродного следа, что особенно важно на фоне роста числа крупных нейросетей, требующих всё больших вычислительных ресурсов.
Ещё один важный вывод касается связи сложности архитектуры и качества предсказаний. Увеличение числа параметров и усложнение структуры сети не всегда приводит к пропорциональному повышению точности. В ряде случаев более простые модели могут достигать сопоставимых результатов с меньшими затратами энергии.
Эта закономерность указывает на необходимость пересмотра подходов к выбору моделей и проектированию ИИ-систем. Авторы рекомендуют учитывать не только показатели точности, но и экологическую стоимость, особенно при массовом применении искусственного интеллекта в промышленности и науке.
Также в статье проанализированы существующие инструменты для оценки выбросов от алгоритмов. Сравнение таких утилит позволяет разработчикам выбирать подходящие средства для контроля за углеродным следом своих решений.
Систематический обзор и экспериментальные данные подчеркивают растущую значимость устойчивого искусственного интеллекта, где эффективность и экологичность рассматриваются как равнозначные критерии.
