Pojedynczy produkt cyfrowy może mieć mniejszy ślad środowiskowy niż jego fizyczny odpowiednik (pomyśl o papierowej dokumentacji i umowach podpisywanych cyfrowo). Jednak kiedy korzystamy z usług cyfrowych, używamy ich w innej skali, co sprawia, że ​​to porównanie przestaje być tak proste. Możemy korzystać z wyszukiwarek setki razy dziennie, rozmawiać z chatbotami i promptować drobne edycje lub zmiany w generowanych obrazach. Nowe możliwości technologii takich jak sztuczna inteligencja rodzą nowe zastosowania, a przez co zwiększają ogólną skalę użycia.

To praktyczny przykład tzw. paradoksu Jevonsa. Kiedy proces staje się zoptymalizowany i bardziej wydajny, często używamy go znacznie częściej (a nie mniej). Zatem, gdy modele sztucznej inteligencji stają się łatwiejsze w użyciu, tańsze w eksploatacji (tylko w kategoriach finansowych, wrócimy do tego później) i szybsze, używamy ich coraz częściej, pochłaniając wszelkie korzyści z wydajności i zwiększając (a nie zmniejszając) ogólne koszty. Gdyby chodziło tylko o pieniądze, byłby to mniejszy problem. AI ma jednak poważne koszty środowiskowe, które musimy nauczyć się zmniejszać tak samo, jak emisje i odpady wynikające z wszystkich działań osób czy organizacji.

Infrastruktura, trening i działanie, czyli skąd się biorą koszty środowiskowe AI?

Ślad środowiskowy modeli i narzędzi AI to więcej niż zużycie energii. Jak w przypadku każdej technologii cyfrowej musimy spojrzeć na wszystkie etapu tzw. cyklu życia (lifecycle) i zasobów potrzebnych do tego, by dana usługa mogła działać. Organizacje pozarządowe są częściej konsumentami niż twórcami technologii i usług cyfrowych. Aby dokonać świadomego wyboru produktu czy usługi przydatne będzie zrozumienie, jak powstają i funkcjonują w szerszym kontekście niż tylko to, co widzimy na naszych ekranach.

Od wydobycia surowców do produkcji sprzętu

Zanim firma wytrenuje nowy model AI lub uruchomi usługę opartą o AI w centrach, musi powstać sprzęt, na którym odbędzie się trening, a potem będzie działać model. Produkcja procesorów graficznych (GPU) jest ekstremalnie zasobochłonna: fabryka półprzewodników zużywa ok. 38 milionów litrów wody dziennie do wytworzenia wody niezbędnej w procesie produkcji chipów. Do tego dochodzi wydobycie metali ziem rzadkich (które często oznacza wysokie lokalne koszty środowiskowe takie jak zanieczyszczenia gleby i wód gruntowych), transport i budowa samych centrów danych. Jest to wymiar śladu środowiskowego AI, który rzadziej pojawia się w dyskusji, jest trudniejszy do zmierzenia niż zużycie energii i wymaga zmierzenia się z etycznymi kosztami AI - życia i zdrowia osób, które żyją lub pracują w okolicach bezpośrednio związanych z wydobyciem minerałów lub budową centrów danych.

Drugą stroną tego samego problemu są e-odpady. Presja na coraz wydajniejszy sprzęt skraca cykl życia wielu urządzeń. Szacuje się, że AI wygeneruje dodatkowe 1,2–5 mln ton e-odpadów. Tymczasem globalna produkcja odpadów elektronicznych rośnie 5 razy szybciej niż ich recykling, a znaczna część trafia na wysypiska w krajach rozwijających się, gdzie substancje takie jak rtęć, arsen i ołów przenikają do lokalnych ekosystemów.

Trening modeli

Wytrenowanie dużego modelu językowego (LLM, ang. Large Language Model) zużywa ogrom energii. Trening modelu GPT-4 wymagał ok. 25 000 GPU pracujących przez 90–100 dni. Szacunkowe zużycie energii wyniosło od 51 000 do 62 000 MWh — ponad 40 razy więcej niż trening poprzedniego modelu GPT-3. To odpowiednik zużycia energii przez 1 000 amerykańskich domów przez 5–6 lat. Choć wiele modeli rośnie z nowymi wersjami (jak wspomniane modele GPT), to wiele firm stara się ten proces optymalizować (czego głośnym biznesowo przykładem była premiera chińskiego modelu DeepSeek pod koniec 2024 roku) lub rozwija znacznie bardziej oszczędne modele dedykowane konkretnym zadaniom lub mniej wydajnym maszynom. To tzw. małe modele językowe.

Inference (działanie modelu)

Trening modelu przykuwa uwagę ze względu na swój rozmach, ale to inference, czyli wnioskowanie i generowanie odpowiedzi na miliony zapytań użytkowników, stanowi główny bieżący koszt środowiskowy AI. Przy skali miliarda zapytań dziennie nawet bardzo efektywny model — zużywający zaledwie 0,42 Wh na jedno krótkie zapytanie — generuje roczne łączne zużycie energii porównywalne z 35 000 domów w USA.

Różnice między modelami są przy tym ogromne, a większość danych (bardzo wybiórczo publikowanych przez firmy tworzące rozwiązania AI) dotyczy działania modeli tekstowych. Generowanie obrazów i wideo jest znacznie droższe i zużywa więcej energii.

Praca ludzka w łańcuchu dostaw AI

Jeśli potraktujemy środowisko bardzo szeroko i uwzględnimy w nim również wpływ na zdrowie ludzkie, to poza zanieczyszczeniami, o których już wspomniałem, powinniśmy również mówić o pracy ludzi, którzy oceniają, filtrują i doszkalają modele AI. Proces ten obejmuje etykietowanie danych treningowych, ocenianie odpowiedzi modelu i filtrowanie szkodliwych treści (tzw. RLHF — reinforcement learning from human feedback). Ta niskopłatna praca jest celowo niewidoczna, zlecana dużym podwykonawcom, którzy działają w państwach ze słabym zabezpieczeniem praw pracowników m.in Kenii,Ugandzie, Indiach, . Koszty dla zdrowia psychicznego są tutaj podobne do tych, które dotykają moderatorów treści w mediach społecznościowych, którzy oglądają brutalne i wulgarne treści, aby filtrować je, zanim trafią na platformy.

Jak wybierać narzędzi i modele AI z perspektywy kosztów środowiskowych?

Możemy obniżać koszty środowiskowe korzystania z każdej technologii cyfrowej. Musimy jednak być świadome tego, które działania mają znaczenie systemowe, indywidualne, a które mogą okazać się tzw. greenwashingiem - pozornymi lub przereklamowanymi działaniami na rzecz środowiska i klimatu.

Jako organizacje nie mamy wpływu na to, jak modele powstają, ale możemy wybierać, z których skorzystamy. Dostęp do danych o ich kosztach środowiskowych, efektywności energetycznej powinno być podstawą dla naszych wyborów. Na razie jednak informacje te są ograniczone. Poza oparciem się na danych powinniśmy również uczyć się korzystać z technologii AI w sposób intencjonalny i ograniczony. W tym momencie wiele osób i organizacji wykorzystuje AI, zwłaszcza generatywną, do wielu zadań, w których niekoniecznie jest optymalnym rozwiązaniem. Warto rozróżniać kilka podstawowych technologii AI, które będą mieć znaczenie dla kosztów środowiskowych:

• LLM (duże modele językowe) to rodziny modeli GPT, Claude, Gemini czy DeepSeek. Wytrenowane na setkach miliardów parametrów, LLMy działają na serwerach dużych firm technologicznych. Koszt treningu jest astronomiczny, ale rozkłada się na miliony użytkowników. Dostęp odbywa się przez interfejs online (strony WWW i aplikacje mobilne) lub API w wypadku własnych narzędzi (np. podłączenie modelu AI do systemu CRM), co oznacza, że każde zapytanie przechodzi przez zewnętrzne centrum danych. Są to modele, które potrafią bardzo dużo, ale czasem na proste zadanie zużywają więcej zasobów, niż ma to sens (np. wyszukanie odpowiedzi na proste pytanie w wyszukiwarce, a zadanie pytania chatowi).

• SLM (małe modele językowe) to modele takie jak Mistral Small 24B, Phi-4 14B czy Gemma 2B. Mają mniej parametrów, działają szybciej i mogą być uruchamiane lokalnie: na laptopie, serwerze organizacji, a niektóre nawet na smartphonie. Dla wielu typowych zadań takich jak klasyfikacja dokumentów, streszczenia, odpowiadania na pytania z własnej bazy wiedzy organizacji są w pełni wystarczające. Możesz wypróbować takie modele m.in. z pomocą programów LMstudio lub ollama.

• Modele otwarte (open weight) — takie jak Llama, Qwen, Mistral — udostępniają swoje parametry i mogą być uruchamiane lokalnie. Poza kontrolą nad tym, gdzie i kiedy model pracuje, organizacje, które potrzebują bardziej dopasowanych do siebie rozwiązań, mogą dopracować taki model do swoich potrzeb (tzw. fine-tuning).

Kilka praktycznych przykładów dopasowania narzędzi AI do zadania:

• Powtarzalne zapytania i zadania (np. przeszukiwanie i odpowiadanie na pytania oparte na dokumentacji organizacji) można zorganizować za pomocą modelu lokalnego uruchomionego na serwerze organizacji, który równocześnie korzysta z określonej bazy wiedzy (to tzw. systemy RAG - retrival augmented generation).

• Transkrypcja nagrania nie wymaga uruchamiania dużego modelu językowego w chmurze typu ChatGPT czy Gemini, który zużyje na to więcej zasobów niż np. lokalnie działający program taki jak openwhisper.

• Do sterowania komputerem z pomocą komend głosowych, do czego zachęcają nas producenci dużych komercyjnych modeli AI, możemy wykorzystać lokalne i otwarte narzędzie takie jak handy.

• Do edycji i redakcji tekstów możemy wykorzystać małe, lokalnie uruchamiane modele językowe, które nie wymagają dostępu do sieci.

Dobór mniejszego lub wyspecjalizowanego modelu do konkretnego zadania może zmniejszyć koszty środowiskowe korzystania z AI w organizacji. Modele lokalne są korzystne środowiskowo wtedy, gdy działają na odpowiednio wydajnym sprzęcie lub gdy alternatywą jest bardzo intensywne korzystanie z dużego komercyjnego modelu do zadań, które mały model obsłużyłby równie dobrze. Zaletą korzystania z modeli lokalnych jest również większa kontrola, kiedy je uruchamiamy. Wiele usług AI, zwłaszcza w pakietach biurowych, jest uruchamiana w tle, nawet kiedy ich nie potrzebujemy.

W wielu sytuacjach najlepszym ograniczeniem kosztów środowiskowych AI jest jednak zrezygnowanie z ich użycia lub wykonanie zadania w sposób tradycyjny. Przykładowo do przygotowania wielojęzycznego wideo możemy wykorzystać zwykłe napisy, ewentualnie nagrać i podłożyć nową ścieżkę dźwiękową.Tworzenie do takiego zadania zupełnie nowych filmów z AI, w których wideo i głos są najpierw klonowane, a potem przetwarzane dla każdego języka, w wielu przypadkach będzie zbyteczne i marnotrawne.

Przygotowanie na przyszłość

Zużycie energii przez centra danych, które obsługują trening i działanie modeli AI, to tylko część energii zużywanej przez cały sektor cyfrowy. Zapotrzebowanie obu rośnie, a nawet jeśli będzie odpowiadać tylko za kilka procent emisji dwutlenku węgla (CO2), to jako organizacje pozarządowe powinniśmy wymagać od firm, które je dostarczają, i od siebie, więcej niż tylko patrzenia na rachunek za prąd. Możemy korzystać z możliwości, które dają nam modele AI, ale zarówno z perspektywy dbania o środowisko oraz niezależność organizacji, warto korzystać z nich celowo i intencjonalnie. A to oznacza czasem rezygnację lub ograniczenie tego, co na rynku jest najpopularniejsze lub z czego korzystamy domyślnie, bo podpowiada nam to reklama.

Twoja opinia ma znaczenie

Co sądzisz o tym tekście? Poświęć 30 sekund, aby podzielić się swoją opinią i pomóc nam tworzyć wartościowe treści dla społeczeństwa obywatelskiego!

Niniejszy artykuł to druga część serii "Mapa drogowa odpowiedzialnej AI dla OSO" opracowanej przy okazji projektu AI for Social Change realizowanego przez TechSoup w ramach Programu Aktywizmu Cyfrowego przy wsparciu Google.org.

Narzędzia AI dynamicznie się rozwijają i chociaż dokładamy wszelkich starań, aby zapewnić aktualność udostępnianych przez nas treści, czasami niektóre elementy mogą być nieaktualne. Jeśli zauważysz, że jakaś informacja jest nieaktualna, prosimy o kontakt pod adresem content@techsoup.org.