(SeaPRwire) – سواء كان الأمر يتعلق بكتابة رسالة بريد إلكتروني أو التخطيط لقضاء إجازة، يقول حوالي أنهم يتفاعلون مع الذكاء الاصطناعي عدة مرات في اليوم، بينما يقول 28٪ آخرون أن استخدامهم له مرة واحدة تقريبًا في اليوم.
ولكن قد يكون الكثير من الناس غير مدركين للتأثير البيئي لعمليات البحث التي يقومون بها. فالطلب الذي يتم باستخدام ChatGPT، على سبيل المثال، يستهلك 10 أضعاف الكهرباء التي يستهلكها بحث Google، وفقًا لـ . بالإضافة إلى ذلك، تستهلك مراكز البيانات، وهي ضرورية لتشغيل نماذج الذكاء الاصطناعي، من إجمالي الكهرباء المستهلكة في الولايات المتحدة في عام 2023 — ومن المتوقع أن تستهلك ما يقرب من 6.7 إلى 12٪ من كهرباء البلاد بحلول عام 2028. ومن المرجح أن يزداد الأمر من هناك: فقد ارتفع عدد مراكز البيانات في جميع أنحاء العالم من 500,000 في عام 2012 إلى أكثر من 8 ملايين اعتبارًا من .
تهدف دراسة جديدة، نُشرت في , ، إلى لفت المزيد من الانتباه إلى هذه القضية. حلل الباحثون عدد “الرموز”—أصغر وحدات البيانات التي يستخدمها نموذج اللغة لمعالجة وإنشاء النصوص—المطلوبة لإنتاج استجابات، ووجدوا أن بعض المطالبات يمكن أن تطلق ما يصل إلى 50 ضعفًا من انبعاثات ثاني أكسيد الكربون مقارنة بغيرها.
تستخدم نماذج الذكاء الاصطناعي المختلفة عددًا مختلفًا من المعلمات؛ غالبًا ما تكون تلك التي تحتوي على المزيد من المعلمات . فحصت الدراسة 14 نموذجًا لغويًا كبيرًا (LLMs) تتراوح من سبعة إلى 72 مليار معلمة، وطرحت عليها نفس الأسئلة المعيارية الـ 1000 عبر مجموعة من الموضوعات. المعلمات هي المتغيرات الداخلية التي يتعلمها النموذج أثناء التدريب، ثم يستخدمها لإنتاج النتائج.
تُنشئ النماذج التي تدعم الاستدلال، والقادرة على أداء مهام أكثر تعقيدًا، في المتوسط 543.5 “رمز تفكير” لكل سؤال (هذه وحدات بيانات إضافية تنشئها نماذج LLM للاستدلال قبل إنتاج إجابة). وذلك مقارنة بالنماذج الأكثر إيجازًا التي تتطلب 37.7 رمزًا فقط لكل سؤال. وكلما زاد عدد الرموز المستخدمة، زادت الانبعاثات—بغض النظر عما إذا كانت الإجابة صحيحة أم لا.
أثر موضوع الموضوعات على كمية الانبعاثات المنتجة. أنتجت الأسئلة حول الموضوعات المباشرة، مثل تاريخ المدرسة الثانوية، ما يصل إلى ستة أضعاف أقل من الانبعاثات مقارنة بموضوعات مثل الجبر المجرد أو الفلسفة، والتي تتطلب عمليات استدلال مطولة.
يقول الباحثون حاليًا أن العديد من النماذج لديها “مفاضلة متأصلة بين الدقة والاستدامة”. النموذج الذي اعتبره الباحثون الأكثر دقة، وهو نموذج الاستدلال Cogito، أنتج ثلاثة أضعاف انبعاثات ثاني أكسيد الكربون مقارنة بالنماذج ذات الأحجام المماثلة التي ولّدت إجابات أكثر إيجازًا. والتحدي المتأصل إذن، في المشهد الحالي لنماذج الذكاء الاصطناعي، هو القدرة على تحسين كل من كفاءة الطاقة والدقة. وقال المؤلف الأول Maximilian Dauner، الباحث في Hochschule München University of Applied Sciences، في بيان صحفي: “لم تحقق أي من النماذج التي حافظت على الانبعاثات أقل من 500 جرام من مكافئ ثاني أكسيد الكربون دقة أعلى من 80٪ في الإجابة على الأسئلة الـ 1000 بشكل صحيح”.
ليس فقط أنواع الأسئلة المطروحة أو درجة دقة الإجابة، ولكن النماذج نفسها هي التي يمكن أن تؤدي إلى الاختلاف في الانبعاثات. وجد الباحثون أن بعض النماذج اللغوية تنتج انبعاثات أكثر من غيرها. لكي يجيب DeepSeek R1 (70 مليار معلمة) على 600,000 سؤال، فإنه سيُحدث انبعاثات ثاني أكسيد الكربون تعادل رحلة ذهابًا وإيابًا من لندن إلى نيويورك، في حين أن Qwen 2.5 (72 مليار معلمة) يمكنه الإجابة على أكثر من ثلاثة أضعاف عدد الأسئلة—حوالي 1.9 مليون—بمعدلات دقة مماثلة ونفس القدر من الانبعاثات.
يأمل الباحثون أن يكون المستخدمون أكثر وعيًا بالتأثير البيئي لاستخدامهم للذكاء الاصطناعي. وقال Dauner: “إذا كان المستخدمون يعرفون التكلفة الدقيقة لثاني أكسيد الكربون للمخرجات التي تم إنشاؤها بواسطة الذكاء الاصطناعي، مثل تحويل أنفسهم بشكل عرضي إلى شخصية أكشن، فقد يكونون أكثر انتقائية وتفكيرًا بشأن متى وكيف يستخدمون هذه التقنيات”.
يتم توفير المقال من قبل مزود محتوى خارجي. لا تقدم SeaPRwire (https://www.seaprwire.com/) أي ضمانات أو تصريحات فيما يتعلق بذلك.
القطاعات: العنوان الرئيسي، الأخبار اليومية
يوفر SeaPRwire تداول بيانات صحفية في الوقت الفعلي للشركات والمؤسسات، مع الوصول إلى أكثر من 6500 متجر إعلامي و 86000 محرر وصحفي، و3.5 مليون سطح مكتب احترافي في 90 دولة. يدعم SeaPRwire توزيع البيانات الصحفية باللغات الإنجليزية والكورية واليابانية والعربية والصينية المبسطة والصينية التقليدية والفيتنامية والتايلندية والإندونيسية والملايو والألمانية والروسية والفرنسية والإسبانية والبرتغالية ولغات أخرى.
“`
