Mistral AI baru-baru ini menerbitkan analisis kitaran hayat komprehensif pertama bagi model bahasa besar, mendedahkan bahawa model Mistral Large 2 mereka menggunakan 20,400 tan setara CO2 dan 281,000 meter padu air dalam tempoh 18 bulan operasi. Walaupun syarikat itu meletakkan perkara ini sebagai ketelusan terobosan untuk industri AI, komuniti teknologi telah mencetuskan perdebatan yang tidak dijangka dengan membandingkan jejak alam sekitar AI dengan pilihan penggunaan harian.
Kesan Alam Sekitar Mistral Large 2 (18 bulan)
- Pelepasan CO2: 20,400 tan setara CO2
- Penggunaan air: 281,000 meter padu
- Kehabisan sumber: 660 kg setara Sb
- Setiap respons 400-token: 1.14g CO2e, 45mL air, 0.16mg setara Sb
 |
|---|
| Analisis Kitaran Hayat Model Large 2 Mistral AI menggambarkan impak alam sekitar pembangunan AI |
Perbandingan Mengejutkan Daging Lembu vs AI
Perbincangan paling hangat tertumpu pada perbandingan matematik yang telah mengejutkan ramai. Analisis komuniti mencadangkan bahawa menghasilkan satu kilogram daging lembu memerlukan tenaga yang setara dengan 60,000 pertanyaan ChatGPT dan air yang setara dengan 50 juta pertanyaan. Ini bermakna pengeluaran daging lembu harian France mencipta impak alam sekitar yang jauh melebihi latihan model AI besar setiap enam bulan.
Anda benar-benar melihat matematik dan berkata tetapi saya suka daging saya, mengapa saya perlu melepaskannya jika anda mendapat AI anda. Kerana, seperti yang baru saya tunjukkan, AI saya mengambil pecahan yang sangat kecil daripada daging anda. Ia benar-benar mengambil anda hanya menjadi vegan untuk sehari bagi mengimbangi keseluruhan penggunaan AI anda sepanjang tahun.
Perbandingan ini telah memecahbelahkan komuniti antara mereka yang melihatnya sebagai perspektif yang sah mengenai keutamaan alam sekitar dan yang lain yang melihatnya sebagai pengalihan daripada permintaan tenaga AI yang semakin meningkat.
Perbandingan Impak Alam Sekitar
- Pengeluaran 1kg daging lembu = ~60,000 pertanyaan ChatGPT (setara tenaga)
- Pengeluaran 1kg daging lembu = ~50,000,000 pertanyaan ChatGPT (setara air)
- 400 token AI = 10 saat penstriman video AS
- Pelepasan tahunan pesawat A320neo tunggal > latihan Mistral selama 18 bulan
Penggunaan Individu vs Skala Industri
Perdebatan mendedahkan ketegangan asas antara tanggungjawab peribadi dan akauntabiliti korporat. Data Mistral menunjukkan bahawa menghasilkan 400 token (kira-kira satu halaman teks) menghasilkan 1.14 gram setara CO2 - setanding dengan 10 saat penstriman video dalam talian di Amerika Syarikat. Ini telah menyebabkan sesetengah pihak berhujah bahawa penggunaan AI individu adalah diabaikan berbanding aktiviti harian yang lain.
Walau bagaimanapun, pengkritik menunjukkan bahawa pembingkaian ini mengabaikan skala industri penggunaan AI. Mereka berhujah bahawa walaupun pertanyaan individu mungkin kelihatan kecil, infrastruktur kolektif yang diperlukan untuk menyokong berjuta-juta pengguna mewakili kategori baru penggunaan tenaga yang ketara yang tidak wujud sebelum ini.
Pertukaran Kecekapan vs Akses
Perbincangan komuniti menyerlahkan pertimbangan teknikal yang penting: hubungan antara saiz model dan impak alam sekitar. Kajian Mistral mengesahkan bahawa impak berskala secara kasar berkadar dengan saiz model - model yang 10 kali lebih besar menghasilkan impak satu urutan magnitud yang lebih besar untuk output yang sama.
Ini telah mencetuskan perbualan tentang sama ada industri harus memberi tumpuan kepada menjalankan model yang lebih kecil dan lebih cekap secara tempatan pada peranti pengguna berbanding mengekalkan pendekatan semasa model besar dan berpusat. Sesetengah pihak berhujah bahawa operasi pusat data boleh mencapai kecekapan yang lebih baik melalui kumpulan dan perkakasan yang dioptimumkan, manakala yang lain menyokong pengkomputeran teragih untuk mengurangkan keperluan untuk ladang pelayan yang besar.
Konteks yang Hilang dalam Perbincangan Alam Sekitar
Komuniti telah menyatakan bahawa perbincangan alam sekitar semasa sering kekurangan konteks penting. Walaupun syarikat AI menghadapi penelitian untuk penggunaan tenaga mereka, industri lain dengan impak alam sekitar yang berpotensi lebih besar menerima perhatian yang kurang. Sesetengah pihak menunjukkan bahawa satu pesawat komersial menghasilkan lebih banyak pelepasan tahunan daripada keseluruhan proses latihan model Mistral selama 18 bulan.
Perspektif ini menunjukkan bahawa tumpuan kepada impak alam sekitar AI mungkin tidak berkadar, terutamanya apabila mempertimbangkan bahawa banyak aplikasi AI membantu mengoptimumkan penggunaan tenaga dalam sektor lain. Walau bagaimanapun, yang lain berhujah bahawa menjadi sumber pelepasan baru menjadikan AI layak mendapat penelitian khas, terutamanya kerana teknologi berkembang dengan pesat.
Melihat ke Hadapan
Perdebatan mencerminkan soalan yang lebih luas tentang bagaimana masyarakat harus mengutamakan kebimbangan alam sekitar dalam era perubahan teknologi yang pesat. Walaupun inisiatif ketelusan Mistral menyediakan data berharga untuk membuat keputusan yang berinformasi, perbincangan komuniti mendedahkan bahawa cabaran sebenar mungkin membangunkan rangka kerja untuk membandingkan impak alam sekitar merentas sektor dan skala masa yang berbeza.
Ketika AI terus berintegrasi ke dalam kehidupan harian, perbualan ini tentang tanggungjawab alam sekitar, akauntabiliti individu berbanding korporat, dan kos sebenar kemajuan teknologi berkemungkinan akan semakin intensif.
Rujukan: Our contribution to a global environmental standard for AI