Η τεχνολογία είναι ένας παράγοντας που επηρεάζει σε σημαντικό βαθμό την καθημερινότητά μας. Σε αυτή την πραγματικότητα συμβάλλει το γεγονός πως ο τεχνολογικός κλάδος δεν μένει ποτέ στάσιμος. Αντίθετα, η τεχνολογία μεταβάλλεται και εξελίσσεται διαρκώς. Αυτή η αέναη βελτίωση κρύβει όμως και- συχνά παραγνωρισμένους- κινδύνους. Ως εκ τούτου, η εξέταση και κατανόηση των τεχνολογικών εργαλείων που χρησιμοποιούμε καθημερινά, αποτελεί έναν σημαντικό συντελεστή βιωσιμότητας.

Όπως εξηγεί η Marianna Mazzucato, καθηγήτρια οικονομικών στο UCL και διευθύντρια του Ινστιτούτου Καινοτομίας και Δημόσιου Σκοπού, συνήθως όταν σκεφτόμαστε τις νέες τεχνολογικές εξελίξεις, αλλά και τον τεχνολογικό κλάδο εν γένει, τείνουμε να φανταζόμαστε πράγματα που δεν υπάρχουν στον φυσικό χώρο- όπως ακριβώς είναι οι εφαρμογές στο κινητό μας ή το διαδίκτυο. Στην πραγματικότητα όμως, το διαδίκτυο αποτελείται από χιλιάδες κέντρα δεδομένων, ουσιαστικά τεράστιες αποθήκες δεδομένων που υπάρχουν ανά την υφήλιο. Με λίγα λόγια, όλες οι ενέργειές μας στο διαδίκτυο, από τα εργαλεία μας, το ηλεκτρονικό μας ταχυδρομείο, τις ταινίες αλλά και τα έγγραφά μας είναι όλα κάποιου είδους δεδομένα. Οι φυσικές αυτές υποδομές είναι που μας επιτρέπουν να σερφάρουμε στο διαδίκτυο, να ανταλλάσουμε mail και να δημοσιεύουμε το Spotify Wrapped μας στο τέλος κάθε χρονιάς. Αποτελούν δηλαδή την ραχοκοκαλιά του διαδικτύου όπως το γνωρίζουμε.

Η αλήθεια όμως είναι, πως οι υποδομές που απαιτούνται για την αποθήκευση όλων αυτών των πληροφοριών- τα φυσικά δηλαδή κέντρα δεδομένων- απαιτούν την κατανάλωση τεράστιων ποσών ενέργειας. Τα μοντέλα τεχνητής νοημοσύνης, συμπεριλαμβανομένων των μεγάλων γλωσσικών μοντέλων όπως το ChatGPT, δεν αποτελούν εξαίρεση σε αυτόν τον κανόνα καθώς για τη λειτουργία τους απαιτούνται σημαντικοί υπολογιστικοί πόροι.

Συγκεκριμένα, τα κέντρα δεδομένων που φιλοξενούν τα μοντέλα τεχνητής νοημοσύνης. απαιτούν τεράστιες ποσότητες ηλεκτρικής ενέργειας όχι μόνο για την τροφοδοσία του υλικού αλλά και για την ψύξη του. Όπως ακριβώς το κινητό ή ο φορητός υπολογιστής μας μπορεί να  να υπερθερμανθούν κατά την επεξεργασία δεδομένων, έτσι ακριβώς και τα κέντρα δεδομένων βρίσκονται υπό τον διαρκή κίνδυνο υπερθέρμανσης. Για να μη συμβεί αυτό, σημαντικές ποσότητες νερού χρησιμοποιούνται για σκοπούς ψύξης. Σε περιοχές όπου η διαθεσιμότητα νερού είναι ήδη περιορισμένη, το περιβαλλοντικό τίμημα των υποδομών τεχνητής νοημοσύνης γίνεται ακόμη πιο έντονο, καθώς η ζήτηση για ψύξη των κέντρων δεδομένων συγκρούεται με τις τοπικές ανάγκες σε νερό.

Συγχρόνως, ενώ ορυκτά όπως tο λίθιο και το κοβάλτιο είναι κρίσιμα υλικά για την παραγωγή επαναφορτιζόμενων μπαταριών ιόντων λιθίου, οι οποίες τροφοδοτούν ηλεκτρικά οχήματα (EV) -όπως τα αυτοκίνητα Tesla- είναι επίσης ζωτικής σημασίας για τις μπαταρίες που χρησιμοποιούνται στα κέντρα δεδομένων. Και ενώ η εξόρυξή τους,συνδέεται κυρίως με τις προσπάθειές για περιορισμό της εξάρτησής μας από τα ορυκτά καύσιμα, η παγκόσμια ζήτηση για λίθιο και κοβάλτιο έχει οδηγήσει σε μια μορφή «αποικιοκρατίας των πόρων», όπου οι αναπτυσσόμενες χώρες επωμίζονται το περιβαλλοντικό και κοινωνικό κόστος της εξόρυξης, ενώ τα πλουσιότερα έθνη αποκομίζουν τα τεχνολογικά οφέλη. Έτσι, ενώ η Λαϊκή Δημοκρατία του Κονγκό κυριαρχεί στην παγκόσμια παραγωγή κοβαλτίου, αντιμετωπίζει σήμερα μια ανθρωπιστική κρίση όπου πολλά ορυχεία κοβαλτίου βασίζονται σε χειρωνακτική εργασία παιδιών που εργάζονται σε επικίνδυνες και εκμεταλλευτικές συνθήκες. Αυτή η βιοτεχνική εξόρυξη εκθέτει τους εργαζόμενους σε τοξικά υλικά και απόβλητα, οδηγώντας σε μακροχρόνια προβλήματα υγείας. Τέλος, και ίσως σημαντικότερα,τα έσοδα από την εξόρυξη κοβαλτίου συχνά χρηματοδοτούν παραστρατιωτικές και ένοπλες ομάδες, διαιωνίζοντας τη βία και την αστάθεια στην περιοχή ενώ η εξόρυξή τους οδηγεί σε αποψίλωση των δασών και υποβάθμιση του εδάφους επιδεινώνοντας περαιτέρω τις προκλήσεις για τις τοπικές κοινότητες.

Κατά αυτόν τον τρόπο, οι προσπάθειες επίτευξης ενός κλιματικού στόχου, δηλαδή της προσπάθειας απεξάρτησης από μη ανανεώσιμες πηγές ενέργειας, θέτει σε κίνδυνο πολλούς άλλους στόχους, ανάμεσα στους οποίους η εξασφάλιση εφοδιασμού πόσιμου νερού, οι ασφαλείς συνθήκες εργασίας και η διασφάλιση και προστασία των ανθρωπίνων δικαιωμάτων.

Τέλος, ενώ ορισμένες εταιρείες χρησιμοποιούν ανανεώσιμες πηγές ενέργειας για την τροφοδοσία των κέντρων δεδομένων τους, ένα σημαντικό μέρος της τροφοδοσίας εξακολουθεί να βασίζεται σε ορυκτά καύσιμα, συμβάλλοντας στις εκπομπές αερίων του θερμοκηπίου.

Τα μοντέλα τεχνητής νοημοσύνης όπως το ChatGPT βασίζονται σε πολύπλοκα νευρωνικά δίκτυα που απαιτούν τεράστια υπολογιστική ισχύ τόσο για την εκπαίδευση όσο και για την εξαγωγή συμπερασμάτων. Η εκπαίδευση αυτών των μοντέλων περιλαμβάνει την επεξεργασία τεράστιων συνόλων δεδομένων μέσω χιλιάδων επαναλήψεων, η οποία μπορεί να διαρκέσει εβδομάδες ή μήνες. Μάλιστα, η εκπαίδευση ενός μόνο μεγάλου γλωσσικού μοντέλου μπορεί να εκπέμψει τόσο άνθρακα όσο πέντε αυτοκίνητα κατά τη διάρκεια της ζωής τους, συμπεριλαμβανομένης της κατασκευής τους και της κατανάλωσης καυσίμων.

Όλες αυτές οι περιβαλλοντικές επιπτώσεις αναμένεται να κλιμακωθούν σημαντικά, με την παγκόσμια ζήτηση ενέργειας από την τεχνητή νοημοσύνη να προβλέπεται να αυξηθεί εκθετικά σε τουλάχιστον 10 φορές το σημερινό επίπεδο και να ξεπεράσει την ετήσια κατανάλωση ηλεκτρικής ενέργειας μιας μικρής χώρας όπως το Βέλγιο μέχρι το 2026. Για παράδειγμα, η εκπαίδευση του ChatGPT-3 εξέπεμψε περίπου 550 τόνους εκπομπών ισοδύναμου CO2, υπογραμμίζοντας την επείγουσα ανάγκη βελτιστοποίησης του εκπαιδευτικού μοντέλου. H υποβολή 10 ερωτήσεων στο ChatGPT-4 σήμερα, θα μπορούσε έμμεσα να καταναλώσει περίπου 5-10 λίτρα νερού, κατανάλωση αντίστοιχη με το να αφήσουμε μια βρύση να τρέχει για μερικά δευτερόλεπτα. Ωστόσο, πρόκειται για μια προσέγγιση- ο πραγματικός αντίκτυπος εξαρτάται από την τοποθεσία του κέντρου δεδομένων, το ενεργειακό μείγμα και τις τεχνολογίες ψύξης. Εσείς ξεπεράσατε την ενδεδειγμένη ημερήσια κατανάλωση των 2 λίτρων;

Για την αξιολόγηση των περιβαλλοντικών επιπτώσεων της τεχνητής νοημοσύνης χρειαζόμαστε διαφανείς, αξιόπιστες μεθόδους, καθώς χωρίς ακριβή ποσοτικοποίηση, οι περιβαλλοντικές προκλήσεις της τεχνητής νοημοσύνης είναι δύσκολο να αντιμετωπιστούν αποτελεσματικά. Βασικές καινοτομίες περιλαμβάνουν τον σχεδιασμό πιο αποδοτικών αρχιτεκτονικών μοντέλων τεχνητής νοημοσύνης, τη χρήση αλγορίθμων βελτιστοποίησης για την επιτάχυνση της εκπαίδευσης και της εξαγωγής συμπερασμάτων ΤΝ, καθώς και τη δημιουργία ενεργειακά αποδοτικών GPU και επιταχυντών, μεταξύ άλλων. Πλέον παρατηρούμε εταιρείες να επενδύουν σε κέντρα δεδομένων που λειτουργούν με ανανεώσιμες πηγές ενέργειας και να βελτιώνουν τις τεχνολογίες ψύξης τους για τη μείωση των εκπομπών. Καθώς η πίεση από ακτιβιστές και ειδικούς για την θέσπιση κυβερνητικής νομοθεσίας για τη διαμόρφωση κατευθυντήριων γραμμών (παροχή κινήτρων για τη χρήση ανανεώσιμων πηγών ενέργειας και απαίτηση διαφάνειας σχετικά με τις εκπομπές αερίων του θερμοκηπίου από τις εταιρείες τεχνολογίας) που να εξασφαλίζουν τη μείωση των περιβαλλοντικών επιπτώσεων της τεχνητής νοημοσύνης εντείνεται, αναρωτιόμαστε αν τα ληφθέντα μέτρα αρκούν.

Σήμερα έχουμε την ευκαιρία να συνεισφέρουμε στη διαμόρφωση μιας πολιτικής για την ΤΝ που να εξετάζει όλες τις πτυχές των επιπτώσεών της στο κλίμα. Καθώς ο κλάδος κινείται προς ένα πιο βιώσιμο οικοσύστημα τεχνητής νοημοσύνης – συνδυάζοντας την πολιτική, την τεχνολογική ανάπτυξη και τη δραστηριοποίηση του κοινού-  ένα οικοσύστημα που θα εξισορροπεί την καινοτομία με την περιβαλλοντική υπευθυνότητα, η συνεχής επαγρύπνηση και η συνεργασία θα είναι απαραίτητες για τη διατήρηση της προόδου.

Πηγές:

1. “The Uneven Distribution of AI’s Environmental Impacts” https://hbr.org/2024/07/the-uneven-distribution-of-ais-environmental-impacts
2. “The ugly truth behind ChatGPT: AI is guzzling resources at planet-eating rates” by Mariana Mazzucato: https://www.theguardian.com/commentisfree/article/2024/may/30/ugly-truth-ai-chatgpt-guzzling-resources-environment

3. Victor Galaz, Miguel A. Centeno, Peter W. Callahan, Amar Causevic, Thayer Patterson, Irina Brass, Seth Baum, Darryl Farber, Joern Fischer, David Garcia, Timon McPhearson, Daniel Jimenez, Brian King, Paul Larcey, Karen Levy, Artificial intelligence, systemic risks, and sustainability, Technology in Society, Volume 67,2021,101741,ISSN 0160-791X, https://doi.org/10.1016/j.techsoc.2021.101741.(https://www.sciencedirect.com/science/article/pii/S0160791X21002165)
4. “What to know about ChatGPT’s Impact on Planetary Resources”: https://foreignpress.org/journalism-resources/what-to-know-about-chatgpts-impact-on-planetary-resources
5. “AI’s environmental footprint: How much energy does it take to run ChatGPT?: https://planetdetroit.org/2024/10/ai-energy-carbon-emissions/

Λέξεις-κλειδιά: Τεχνητή Νοημοσύνη; Βιωσιμότητα; ChatGPT; Αυτοματοποίηση; Κλιματική Αλλαγή; Πράσινη Τεχνολογία; Βιώσιμη Ανάπτυξη.