یک درخواست معمولی به مدل وزن باز Kimi K3 زمانی که روی سرورهای سوئد اجرا می شود، حدود 0.4 گرم CO2 منتشر می کند. درخواست یکسان، روی سخت افزار یکسان، 3.2 گرم در تگزاس منتشر می کند - 8.5 برابر بیشتر. این شکاف محور یک روش منبع باز جدید برای محاسبه انتشار کربن درخواست‌های هوش مصنوعی فردی است که در ۲۱ اکتبر توسط ارائه‌دهنده هوش مصنوعی سوئدی Berget AI همراه با محققان موسسه محیط زیست استکهلم (SEI) و سازمان‌های غیرانتفاعی WattTime و Klimatkollen منتشر شد.

چرا حسابداری کربن در هر درخواست مهم است For more context on this story, see our ongoing latest AI developments.

به گفته Berget AI، اکثر شرکت هایی که از هوش مصنوعی استفاده می کنند، هیچ راهی برای دانستن اینکه استفاده از آنها واقعا چه چیزی را منتشر می کند، ندارند. ارقام عمومی که وجود دارند معمولاً میانگین‌های کلانی هستند که از بیرون تخمین زده می‌شوند، که با ضرب میانگین مفروض در یک حدس در حجم کل محاسبه می‌شوند - اعدادی که هیچ‌کس نمی‌تواند مستقلاً آن را بررسی کند.

روش جدید رویکرد مخالف را دارد: درخواست انتشار را بر اساس درخواست محاسبه می‌کند، بر اساس میانگین شدت انتشار شبکه برق منطقه‌ای که سرورها واقعاً در آن کار می‌کنند، و در کربن جاسازی‌شده تولید سخت‌افزار جمع می‌شود. نتیجه به مدل مورد استفاده، زمان روز و اینکه آیا بخشی از درخواست از حافظه پنهان ارائه می‌شود بستگی دارد، بنابراین هر درخواست به‌جای یک میانگین ثابت، به‌صورت جداگانه محاسبه می‌شود.

آندریاس لوندمارک، مدیرعامل Berget AI در این اطلاعیه گفت: «اکثر شرکت‌ها امروزه راهی برای دانستن اینکه استفاده از هوش مصنوعی چه چیزی منتشر می‌کند، ندارند. "با این روش مشتریان ما می توانند درخواست انتشار گازهای گلخانه ای خود را با درخواست دنبال کنند و ارائه دهندگان را بر اساس داده ها به جای بازاریابی مقایسه کنند. ما می دانیم که اکثر خریداران اروپایی اگر بتوانند اعداد را ببینند، روش متفاوتی را انتخاب می کنند."

گرید متغیری است که غالب است

مقایسه سرفصل - 0.4 گرم CO2 به ازای هر درخواست Kimi K3 در سوئد در مقابل 3.2 گرم در تگزاس - به تنهایی ناشی از تفاوت در ترکیب شبکه است. بر اساس بیانیه مطبوعاتی، همین درخواست در ایرلند 1.6 گرم و در آلمان 2.5 گرم است. از آنجایی که سخت افزار زیرین در هر مورد یکسان است، دلتا تقریباً به طور کامل تابع محل اتصال مرکز داده است.

این متغیر در حال تبدیل شدن به یک تصمیم خرید است تا یک محدودیت ثابت. مدل‌های وزن باز که می‌توانند به طور قانونی در هر مرکز داده اجرا شوند، اکنون سهم رو به رشدی از ترافیک جهانی هوش مصنوعی را اداره می‌کنند. Berget AI به ارقامی از دروازه هوش مصنوعی Vercel اشاره می‌کند که نشان می‌دهد مدل‌های با وزن باز ۲۹ درصد از توکن‌ها را در ژوئن ۲۰۲۶ ارائه می‌کنند، در حالی که این رقم در آوریل ۱۱ درصد بود. برای آن حجم های کاری، خریدار می تواند جغرافیا را انتخاب کند - به شرطی که انتشار گازهای گلخانه ای واقعاً قابل مشاهده باشد.

کریستین لاندگرن، مدیر ارشد فناوری و یکی از بنیانگذاران هوش مصنوعی Berget گفت: "بیشتر ارقام هشداردهنده در مورد ردپای هوش مصنوعی حاصل ضرب میانگین در حدس زدن حجم است و هیچ کس نمی تواند آنها را بررسی کند." "تنها مقایسه منصفانه محاسبه هر درخواست و جمع آوری آنهاست. ما فراخوان های قضاوت خود را منتشر کرده ایم تا هرکسی بتواند آنها را بررسی کرده و استفاده کند."

ساخته شده بر اساس استانداردهای موجود، منتشر شده تحت MIT

این روش از SCI بنیاد نرم افزار سبز برای مشخصات هوش مصنوعی پیروی می کند و تحت مجوز MIT در GitHub در دسترس است. Berget AI همچنین یک ماشین‌حساب عمومی را در co2.berget.ai راه‌اندازی کرده است که این روش را برای هر مدل و منطقه‌ای اعمال می‌کند و بر اساس برآوردگرهای منبع باز قبلی مانند EcoLogits و داشبورد CLEER گروه هوش مصنوعی پایدار است. مشتریان سرویس استنباط خود Berget می توانند هنگام جستجوی مدل ها، مشاهده کنند که انتشار گازهای گلخانه ای خود در کنسول شرکت انباشته می شود.

شرکا اثرات زیست‌محیطی زیرساخت‌های Berget را مستقیماً - انرژی، آب و سخت‌افزار - همراه با ردپای کربن Garbo AI Klimatkollen که بر روی آن زیرساخت اجرا می‌شود، نقشه‌برداری و اندازه‌گیری کردند، سپس اندازه‌گیری‌ها را با تحقیقات فعلی در مورد تبدیل استفاده از منابع به کربن و اثرات زیست محیطی گسترده‌تر ترکیب کردند.

رشد تقاضا همچنان از راندمان بیشتر است

انتشار در بحبوحه پیش بینی های به شدت افزایش یافته برای مصرف برق مرکز داده منتشر می شود. سومیا جوشی، مدیر تحقیقات SEI، به ارقام آژانس بین‌المللی انرژی اشاره کرد که پیش‌بینی می‌کند مصرف برق در مراکز داده تا سال 2030 بیش از دو برابر خواهد شد و به حدود 945 تراوات ساعت خواهد رسید و هوش مصنوعی محرک اصلی است.

جوشی در این اطلاعیه گفت: «هر وعده افزایش بهره وری احتمالاً با تقاضای بالاتر مغلوب خواهد شد و هر گونه کاهش انتشار ناشی از انرژی های تجدیدپذیر را نفی می کند». روش‌هایی مانند این مبنایی شفاف برای تصمیم‌گیری‌های آگاهانه ارائه می‌دهند. نقطه قوت آنها این است که به وضوح نشان می‌دهند که موقعیت شبکه و زیرساخت‌های حیاتی در مورد پایداری هوش مصنوعی چقدر اهمیت دارد.

چه معنایی برای خریداران هوش مصنوعی دارد

برای شرکت‌هایی که استقرار وزن باز خود را اجرا می‌کنند، مفهوم عملی ساده است: همان مدل می‌تواند قیمت کربنی را داشته باشد که بسته به منطقه با ضریب هشت تغییر می‌کند، و اکنون ابزارهایی برای اندازه‌گیری این تفاوت قبل از امضای قرارداد وجود دارد. Berget AI می‌گوید که از دیگر ارائه‌دهندگان استنباط می‌خواهد که گزارش‌های هر درخواست را اتخاذ کنند تا خریداران بتوانند ارائه‌دهندگان را بر اساس ارقام اندازه‌گیری شده به جای ادعاهای بازاریابی مقایسه کنند.

نویسندگان این روش اذعان می‌کنند که ارقام آن‌ها تخمین‌های مبتنی بر مکان با استفاده از ترکیب شبکه متوسط ​​به‌جای انتشار حاشیه‌ای ساعتی است، ساده‌سازی مشترک این دسته از ابزارها. با این حال، شفافیت مفروضات - که همگی برای بررسی منتشر شده اند - چیزی است که تلاش را از میانگین های مبهم متمایز می کند که تاکنون بر گفتمان انرژی هوش مصنوعی تسلط داشته است.

اینکه آیا سایر ارائه‌دهندگان از این روش پیروی می‌کنند یا نه، ممکن است کمتر به کد بستگی داشته باشد تا به فشار تدارکات: اگر خریداران سازمانی شروع به درخواست انتشار هر درخواست در RFP کنند، دفاع از گزارش‌های مبتنی بر میانگین سخت‌تر می‌شود.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →