Μαργαρίτα Φράγκου
Κάθε ερώτηση που κάνουμε σε ένα chatbot, κάθε εικόνα που δημιουργείται και κάθε μοντέλο που εκπαιδεύεται έχει ένα αόρατο περιβαλλοντικό αποτύπωμα. Πίσω από την άυλη υπόσχεση της ψηφιακής εποχής βρίσκονται τεράστιες ενεργειακές απαιτήσεις, πολύτιμοι φυσικοί πόροι και δύσκολες αποφάσεις για το μέλλον του πλανήτη. Επιμέλεια αφιερώματος: Βέτα Μεγάλου, Μαριάνθη Πελεβάνη
Η τεχνητή νοημοσύνη (ΤΝ) έχει γίνει πλέον μέρος της
καθημερινότητάς μας. Από τη συγγραφή ενός email μέχρι τη δημιουργία εικόνων και
βίντεο, εκατομμύρια άνθρωποι χρησιμοποιούν καθημερινά εργαλεία όπως το ChatGPT,
το Gemini και το Copilot.
Ωστόσο, πίσω από κάθε ερώτημα που υποβάλλουμε κρύβεται
μια τεράστια υποδομή για τους υπολογισμούς της ΤΝ, με κέντρα δεδομένων που
καταναλώνουν ολοένα και περισσότερη ηλεκτρική ενέργεια και νερό.
Αν και το μεγαλύτερο βάρος για τη μείωση αυτού του
αποτυπώματος ανήκει στις εταιρείες τεχνολογίας, οι ειδικοί υποστηρίζουν ότι και
οι χρήστες μπορούν να συμβάλλουν σημαντικά. Μάλιστα, προτείνουν τέσσερις απλές
αλλαγές που μπορούν να περιορίσουν αισθητά την κατανάλωση πόρων χωρίς να
στερηθούμε τα οφέλη της AI.
Ο πρώτος και ίσως σημαντικότερος κανόνας είναι να
αναρωτιόμαστε αν πραγματικά χρειαζόμαστε την τεχνητή νοημοσύνη για κάθε
εργασία. Ο ειδικός στην ΤΝ Γκίντερ Κλάμπαουερ από το Πανεπιστήμιο Johannes
Kepler της Αυστρίας παρομοιάζει τη χρήση ενός chatbot για να μάθει κανείς τον
καιρό ή να αποφασίσει τι θα φορέσει με το να χρησιμοποιεί το υπερηχητικό
Concorde (θρυλικό γαλλοβρετανικό υπερηχητικό επιβατηγό αεροσκάφος, διπλάσιας
ταχύτητας από εκείνη του ήχου) για να πάει μέχρι το σούπερ μάρκετ. Με άλλα
λόγια, δεν χρειάζονται όλες οι καθημερινές αναζητήσεις τη δύναμη ενός μεγάλου
γλωσσικού μοντέλου.
Το ίδιο ισχύει και για τις μηχανές αναζήτησης που
δημιουργούν αυτόματα απαντήσεις με τεχνητή νοημοσύνη, όπως τα AI Overviews της
Google ή το Copilot της Bing. Αν ο χρήστης αναζητά απλώς ένα συγκεκριμένο άρθρο
ή μια ιστοσελίδα, μπορεί να επιλέξει μόνο τα κλασικά αποτελέσματα αναζήτησης ή
να προσθέσει τον όρο «ΑΙ» στο ερώτημά του, αποφεύγοντας έτσι περιττούς
υπολογισμούς.
Η δεύτερη συμβουλή αφορά την επιλογή του κατάλληλου
μοντέλου. Οι περισσότεροι χρησιμοποιούν τα μεγαλύτερα και ισχυρότερα γλωσσικά
μοντέλα ακόμη και για απλές εργασίες, όπως μεταφράσεις, περιλήψεις ή απαντήσεις
σε βασικές ερωτήσεις. Όμως υπάρχουν μικρότερα εξειδικευμένα μοντέλα,
σχεδιασμένα ακριβώς για αυτές τις χρήσεις, τα οποία απαιτούν πολύ λιγότερη
υπολογιστική ισχύ.
Έρευνα της UNESCO το 2025 έδειξε ότι μικρά μοντέλα
μετάφρασης και περίληψης κατανάλωναν από 15 έως 50 φορές λιγότερη ενέργεια από
το μεγάλο μοντέλο Llama 3.1 της Meta, ενώ ταυτόχρονα παρήγαγαν καλύτερα αποτελέσματα
στις εργασίες για τις οποίες είχαν σχεδιαστεί. Συνολικά, η αντικατάσταση των
μεγάλων μοντέλων από εξειδικευμένα μικρότερα μείωσε την ενεργειακή κατανάλωση
κατά περίπου 90%, γεγονός που καθιστά αυτή τη σημαντικότερη στρατηγική
εξοικονόμησης ενέργειας που έχει καταγραφεί μέχρι σήμερα. Όπως επισημαίνουν οι
ερευνητές, δεν χρειάζεται να χρησιμοποιείται ένα μοντέλο με τρισεκατομμύρια
παραμέτρους για να διορθωθεί ένα απλό email.
Η τρίτη σύσταση είναι να ζητάμε από τα chatbots να είναι
σύντομα και περιεκτικά. Κάθε επιπλέον λέξη που παράγει ένα μεγάλο γλωσσικό
μοντέλο απαιτεί δισεκατομμύρια νέους υπολογισμούς. Όσο μεγαλύτερη είναι η
απάντηση, τόσο περισσότερη ενέργεια καταναλώνεται.
Οι επιστήμονες έχουν διαπιστώσει ότι ορισμένα μοντέλα
είναι ιδιαίτερα «ομιλητικά» και παράγουν πολύ περισσότερες λέξεις από όσες
είναι απαραίτητες. Για παράδειγμα, όταν λειτουργούν σε ειδική λειτουργία
λογικής επεξεργασίας για την επίλυση σύνθετων προβλημάτων, μπορούν να παράγουν
έως και δεκαπλάσιο κείμενο σε σχέση με τη συνηθισμένη λειτουργία συνομιλίας, με
αντίστοιχη αύξηση της κατανάλωσης ενέργειας.
Η λύση είναι απλή. Οι χρήστες μπορούν να ζητούν από το
chatbot να απαντά «σύντομα», να ορίζουν μέγιστο αριθμό λέξεων ή να ζητούν, για
παράδειγμα, «πέντε σημεία το πολύ». Στη μελέτη της UNESCO, οι ερευνητές
κατάφεραν να μειώσουν κατά 50% την κατανάλωση ενέργειας ενός μοντέλου απλώς
ζητώντας του να περιορίσει στο μισό το μήκος της απάντησής του. Αντίθετα, η
συντόμευση του ίδιου του ερωτήματος είχε πολύ μικρότερο αποτέλεσμα, μόλις
περίπου 5%.
Η τέταρτη συμβουλή αφορά τη δημιουργία εικόνων και
βίντεο, μια διαδικασία που αποδεικνύεται πολύ πιο ενεργοβόρα από την παραγωγή
κειμένου, επειδή απαιτεί την επεξεργασία εκατομμυρίων εικονοστοιχείων πολλές
φορές μέχρι να ολοκληρωθεί το τελικό αποτέλεσμα.
Οι ειδικοί προτείνουν να δημιουργούνται εικόνες ή βίντεο
μόνο όταν είναι πραγματικά απαραίτητα και στη χαμηλότερη δυνατή ανάλυση,
σημειώνει το knowablemagazine.org. Αν το αποτέλεσμα είναι ικανοποιητικό, τότε
μπορεί να αυξηθεί σταδιακά η ποιότητα της εικόνας, χωρίς να επαναλαμβάνεται από
την αρχή ολόκληρη η διαδικασία σε υψηλή ανάλυση. Παράλληλα, η επεξεργασία μιας
ήδη υπάρχουσας εικόνας απαιτεί πολύ λιγότερη ενέργεια από τη δημιουργία μιας
νέας από το μηδέν.
Τέλος, όταν χρειάζονται πολλές εικόνες, είναι προτιμότερο
να δημιουργούνται όλες μαζί, σε μία μόνο συνεδρία ή παρτίδα (batch), αντί να
υποβάλλονται ξεχωριστά αιτήματα. Με αυτόν τον τρόπο τα συστήματα λειτουργούν
αποδοτικότερα και απαιτούν λιγότερους συνολικούς υπολογιστικούς πόρους.