ENVIRONMENTÁLNÍ DOPAD CHATUGPT ANEB DAŇ ZA KAŽDÝ PROMPT

MICHALA BENEŠOVSKÁ

ChatGPT je skvělý nástroj, pomáhá urychlit řadu úkolů. Samozřejmě jsou často zmiňovány i jeho stinné stránky, jako jsou bezpečnostní nedostatky (aneb nekrmte chatboty citlivými daty), halucinace (aneb ne vše, co vám chatbot naservíruje, je pravda), praktiky získání trénovacích dat (aneb autorská práva na internetu moc nefungují). A to není zdaleka všechno.

Aspektem, který není na první pohled tak zjevný, jako jsou halucinační výjevy nebo obludné úniky dat, je dopad na životní prostředí. Často si nepřipouštíme, že ty skvělé nástroje, které nám zpříjemňují a zrychlují psaní otravných e-mailů nebo usnadňují tvorbu čím dál tím více generických a nepřirozeně znějících postů na sociální sítě – čili prakticky řeší zcela zásadní problémy dnešního kancelářského bytí – vyžadují ke svému provozu masivní zdroje. Abyste dostali od chatbota relevantní odpověď a pomohl vám vymyslet empaticky znějící odpověď na e-mail či lákavou nabídku pro klienta, která jej přiměje prahnout po vašich produktech a službách, je zapotřebí dobře vytrénovaný jazykový model (LLM). Z těchto modelů, které obsahují rozsáhlé datasety, se chatboty učí předpokládat, co po nich chcete. Trénink těchto modelů probíhá v datových centrech s obrovskou výpočetní kapacitou. Podle nedávno zveřejněného výzkumu Shaolei Rena z UC Riverside to představuje významnou environmentální zátěž.

Rostoucí nároky na zdroje

Růst poptávky po umělé inteligenci způsobuje výrazné zvýšení energetické spotřeby. Goldman Sachs odhaduje, že do roku 2030 vzroste energetická poptávka datových center o 160 % a budou vyžadovat 8 % veškeré vyrobené energie v USA. Tento trend výrazně přispívá ke globálnímu zhoršení ekologických problémů, jako je změna klimatu. V kontextu environmentálních nerovností a obrovské energetické náročnosti datových center a umělé inteligence se stále více diskutuje o možnostech udržitelného napájení těchto technologií. Například společnost Constellation Energy se rozhodla znovu aktivovat jaderný reaktor na místě notoricky známé elektrárny Three Mile Island v Pensylvánii. Tento krok následuje po dohodě s Microsoftem o dodávkách elektřiny pro jeho energeticky náročná datová centra, která jsou klíčová pro provoz a rozvoj umělé inteligence.

Three Mile Island se do historie zapsal v roce 1979 jako místo nejvážnější havárie jaderného reaktoru v USA, kdy selhání chladicího systému vedlo k částečnému roztavení reaktoru. Ačkoliv je tato část elektrárny stále odstavena, sousední reaktor byl uzavřen v roce 2019 z ekonomických důvodů. Po uzavření 20leté smlouvy s Microsoftem však bude tato elektrárna, nově přejmenovaná na Crane Clean Energy Center, opět uvedena do provozu. Tento restart se rovněž pojí s vytvořením 3 400 pracovních míst a ekonomickým přínosem v řádech miliard dolarů.

Tento krok jasně ukazuje, jak technologičtí giganti, jako jsou Microsoft, Google, Amazon nebo Meta, neustále hledají nové způsoby, jak uspokojit rostoucí energetické potřeby svých datových center. Zároveň se však zvyšuje obava, jak tyto energetické nároky ovlivňují životní prostředí. Nedávná analýza ukázala, že emise čtyř největších technologických společností, mezi které patří Microsoft a Meta, mohou být až o 662 % vyšší než oficiálně uváděná čísla.

Zatímco jaderná energie se může jevit jako řešení s nízkou uhlíkovou stopou, otázky týkající se bezpečnosti a ekonomických rizik stále zůstávají. A pokud jde o skutečnou environmentální stopu technologických firem, zvyšuje se tlak na větší transparentnost a odpovědnost.

AI drancuje zdroje

Trénování jazykových a dalších AI modelů a následné poskytování inferenčních služeb spotřebovává obrovské množství elektřiny. Kromě uhlíkové stopy, kterou výroba elektřiny vytváří, se datová centra potýkají i s velkou spotřebou vody, zejména pro chlazení serverů. Tato voda pochází často z již tak omezených zdrojů pitné vody, což vytváří další zátěž pro regiony, které se mohou potýkat s problémy, jako jsou sucho nebo nedostatek vody.

Například datová centra umístěná v Arizoně, která je známá svým suchým klimatem, mohou spotřebovat až devět litrů vody na každou kilowatthodinu spotřebované energie pro chlazení serverů. Navíc regiony, které jsou závislé na fosilních palivech pro výrobu elektřiny, generují významně vyšší emise oxidu uhličitého ve srovnání s oblastmi, kde se využívají obnovitelné zdroje.

Jedním z nejvýznamnějších problémů, které umělá inteligence přináší, je právě tato environmentální nerovnost – tedy situace, kdy některé regiony nesou disproporčně větší ekologickou zátěž. Tato situace vytváří nejen ekologické, ale i sociální a etické otázky. Zatímco v některých regionech se datová centra chladí levně díky klimatickým podmínkám nebo využívají čisté energie, v jiných oblastech jsou energetické náklady vysoké a často se zde spalují fosilní paliva. Tento rozdíl se netýká jen energie, ale i vody – některá centra mají k dispozici více vody pro chlazení, zatímco jiná čelí závažným omezením vodních zdrojů.

Například jen 4 % energie pro datové centrum Google v Singapuru pochází z obnovitelných zdrojů, zatímco ve Finsku je to 94 %. Tato regionální nerovnost zvyšuje ekologickou zátěž v oblastech s již existujícími problémy, jako jsou sucha nebo nízká kvalita ovzduší.

Řešení skrze equity-aware geografické vyrovnávání zátěže (GLB)

V reakci na tento problém přicházejí vědci s konceptem takzvaného equity-aware geografického vyrovnávání zátěže (Global Load Balancing), které zohledňuje dopad AI na nejvíce znevýhodněné regiony. Tento přístup rozkládá pracovní zátěž AI mezi datová centra nejen podle nákladů, ale také podle toho, jaký má jejich provoz dopad na uhlíkovou a vodní stopu v daném regionu.

Vědci testovali tento přístup na deseti datových centrech rozmístěných po celém světě, která poskytují inferenční služby pro velké jazykové modely. Výsledky ukázaly, že tradiční algoritmy pro vyrovnávání zátěže, které se zaměřují pouze na minimalizaci nákladů, často zhoršují regionální nerovnosti tím, že posílají více zátěže do znevýhodněných regionů. Naproti tomu equity-aware GLB dokázalo výrazně snížit uhlíkovou a vodní stopu v těchto oblastech a současně udržet efektivitu a nízké náklady.

Detailní přístup equity-aware GLB

Tradiční přístupy k vyrovnávání zátěže se soustředí na to, jak přesměrovat pracovní zátěž na datová centra s levnější energií nebo lepšími podmínkami provozu. Equity-aware GLB naopak sleduje i environmentální dopady, a to zejména v regionech, které jsou nejvíce zatížené, například kvůli vysokým teplotám nebo nedostatku vody.

V praxi to znamená, že GLB algoritmus nejen optimalizuje náklady, ale přidává i environmentální aspekty – například pokud je datové centrum v oblasti, kde je vysoký nedostatek vody, algoritmus upřednostní jiné regiony pro zpracování zátěže. Tento přístup umožňuje minimalizovat negativní environmentální dopady tam, kde jsou nejvíce pociťovány, aniž by docházelo k výraznému zvýšení provozních nákladů.

Tento přístup je prvním krokem k vytvoření ekologicky spravedlivější AI a otevírá cestu pro další výzkum v oblasti zodpovědného rozvoje technologií. Zatímco energetická efektivita a uhlíkově neutrální řešení jsou stále důležitá, stejně tak důležité je zajistit, aby technologie nepřispívala k prohlubování regionálních nerovností a ekologických nespravedlností.

Jak postupovat dál?

Dopady umělé inteligence na životní prostředí jsou stále více diskutovaným problémem, a přestože se objevují snahy jej řešit, zatím jsou spíše omezené. Více než 190 zemí přijalo nezávazná doporučení týkající se etického využití AI, která zahrnují i ekologické otázky.

Evropská unie a Spojené státy rovněž zavedly legislativu zaměřenou na zmírnění environmentálních dopadů AI. Odborníci však upozorňují, že tyto snahy jsou spíše výjimečné a mnoho národních strategií pro AI opomíjí otázky udržitelnosti.

Kroky k řešení environmentálních dopadů AI

Program OSN pro životní prostředí (UNEP) navrhuje pět hlavních doporučení, jak zvládnout ekologické dopady AI:

1. Zavedení standardizovaných postupů pro měření environmentálních dopadů AI. V současné době chybí spolehlivé informace o tomto tématu.

2. Rozvoj regulací podporovaných UNEP, které by vyžadovaly, aby firmy zveřejňovaly přímé ekologické důsledky produktů a služeb založených na AI.

3. Efektivnější algoritmy – technologické společnosti mohou snížit energetické nároky AI a recyklovat vodu a komponenty, kde je to možné.

4. Zelenější datová centra – země mohou povzbudit firmy k využívání obnovitelných zdrojů energie a k vyrovnávání svých emisí uhlíku.

5. Propojení AI politik se širšími environmentálními regulacemi jednotlivých států.

S rozvojem umělé inteligence roste i potřeba řešit její environmentální dopady. Equity-aware geografické vyrovnávání zátěže představuje jednu z důležitých cest, která může výrazně přispět ke rozložení environmentální zátěže a zajistit, že umělá inteligence bude vyvíjena odpovědně a udržitelně.