AI ਵਾਤਾਵਰਣ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ?

AI ਵਾਤਾਵਰਣ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ?

ਛੋਟਾ ਜਵਾਬ: AI ਵਾਤਾਵਰਣ ਨੂੰ ਮੁੱਖ ਤੌਰ 'ਤੇ ਡੇਟਾ ਸੈਂਟਰਾਂ ਵਿੱਚ ਬਿਜਲੀ ਦੀ ਵਰਤੋਂ (ਸਿਖਲਾਈ ਅਤੇ ਰੋਜ਼ਾਨਾ ਅਨੁਮਾਨ ਦੋਵੇਂ) ਰਾਹੀਂ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ, ਕੂਲਿੰਗ ਲਈ ਪਾਣੀ ਦੇ ਨਾਲ-ਨਾਲ ਹਾਰਡਵੇਅਰ ਨਿਰਮਾਣ ਅਤੇ ਈ-ਕੂੜੇ ਦੇ ਸੰਮਿਲਿਤ ਪ੍ਰਭਾਵਾਂ ਰਾਹੀਂ। ਜੇਕਰ ਵਰਤੋਂ ਅਰਬਾਂ ਸਵਾਲਾਂ ਤੱਕ ਫੈਲਦੀ ਹੈ, ਤਾਂ ਅਨੁਮਾਨ ਸਿਖਲਾਈ ਤੋਂ ਵੱਧ ਹੋ ਸਕਦਾ ਹੈ; ਜੇਕਰ ਗਰਿੱਡ ਸਾਫ਼ ਹਨ ਅਤੇ ਸਿਸਟਮ ਕੁਸ਼ਲ ਹਨ, ਤਾਂ ਪ੍ਰਭਾਵ ਘਟਦੇ ਹਨ ਜਦੋਂ ਕਿ ਲਾਭ ਵਧ ਸਕਦੇ ਹਨ।

ਮੁੱਖ ਗੱਲਾਂ:

ਬਿਜਲੀ : ਕੰਪਿਊਟ ਵਰਤੋਂ ਨੂੰ ਟਰੈਕ ਕਰੋ; ਜਦੋਂ ਵਰਕਲੋਡ ਸਾਫ਼ ਗਰਿੱਡਾਂ 'ਤੇ ਚੱਲਦੇ ਹਨ ਤਾਂ ਨਿਕਾਸ ਘਟਦਾ ਹੈ।

ਪਾਣੀ : ਠੰਢਾ ਕਰਨ ਦੇ ਵਿਕਲਪ ਪ੍ਰਭਾਵ ਬਦਲਦੇ ਹਨ; ਪਾਣੀ-ਅਧਾਰਿਤ ਤਰੀਕੇ ਦੁਰਲੱਭ ਖੇਤਰਾਂ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਮਾਇਨੇ ਰੱਖਦੇ ਹਨ।

ਹਾਰਡਵੇਅਰ : ਚਿੱਪਸ ਅਤੇ ਸਰਵਰ ਮਹੱਤਵਪੂਰਨ ਰੂਪ ਵਿੱਚ ਪ੍ਰਭਾਵ ਪਾਉਂਦੇ ਹਨ; ਜੀਵਨ ਕਾਲ ਵਧਾਉਂਦੇ ਹਨ ਅਤੇ ਨਵੀਨੀਕਰਨ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦੇ ਹਨ।

ਰੀਬਾਉਂਡ : ਕੁਸ਼ਲਤਾ ਕੁੱਲ ਮੰਗ ਨੂੰ ਵਧਾ ਸਕਦੀ ਹੈ; ਨਤੀਜਿਆਂ ਨੂੰ ਮਾਪੋ, ਸਿਰਫ਼ ਪ੍ਰਤੀ-ਕਾਰਜ ਲਾਭਾਂ ਨੂੰ ਹੀ ਨਹੀਂ।

ਕਾਰਜਸ਼ੀਲ ਲੀਵਰ : ਸੱਜੇ-ਆਕਾਰ ਦੇ ਮਾਡਲ, ਅਨੁਮਾਨ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਂਦੇ ਹਨ, ਅਤੇ ਪ੍ਰਤੀ-ਬੇਨਤੀ ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਪਾਰਦਰਸ਼ੀ ਢੰਗ ਨਾਲ ਰਿਪੋਰਟ ਕਰਦੇ ਹਨ।

ਏਆਈ ਵਾਤਾਵਰਣ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ? ਇਨਫੋਗ੍ਰਾਫਿਕ

ਇਸ ਤੋਂ ਬਾਅਦ ਤੁਸੀਂ ਜੋ ਲੇਖ ਪੜ੍ਹਨਾ ਪਸੰਦ ਕਰ ਸਕਦੇ ਹੋ:

🔗 ਕੀ AI ਵਾਤਾਵਰਣ ਲਈ ਮਾੜਾ ਹੈ?
AI ਦੇ ਕਾਰਬਨ ਫੁੱਟਪ੍ਰਿੰਟ, ਬਿਜਲੀ ਦੀ ਵਰਤੋਂ, ਅਤੇ ਡੇਟਾ-ਸੈਂਟਰ ਦੀਆਂ ਮੰਗਾਂ ਦੀ ਪੜਚੋਲ ਕਰੋ।.

🔗 ਏਆਈ ਸਮਾਜ ਲਈ ਮਾੜਾ ਕਿਉਂ ਹੈ?
ਪੱਖਪਾਤ, ਨੌਕਰੀਆਂ ਵਿੱਚ ਵਿਘਨ, ਗਲਤ ਜਾਣਕਾਰੀ, ਅਤੇ ਵਧਦੀ ਸਮਾਜਿਕ ਅਸਮਾਨਤਾ ਨੂੰ ਦੇਖੋ।.

🔗 ਏਆਈ ਮਾੜਾ ਕਿਉਂ ਹੈ? ਏਆਈ ਦਾ ਹਨੇਰਾ ਪੱਖ
ਨਿਗਰਾਨੀ, ਹੇਰਾਫੇਰੀ, ਅਤੇ ਮਨੁੱਖੀ ਨਿਯੰਤਰਣ ਦੇ ਨੁਕਸਾਨ ਵਰਗੇ ਜੋਖਮਾਂ ਨੂੰ ਸਮਝੋ।.

🔗 ਕੀ AI ਬਹੁਤ ਦੂਰ ਚਲਾ ਗਿਆ ਹੈ?
ਨੈਤਿਕਤਾ, ਨਿਯਮ, ਅਤੇ ਨਵੀਨਤਾ ਨੂੰ ਕਿੱਥੇ ਰੇਖਾਵਾਂ ਖਿੱਚਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ, ਇਸ ਬਾਰੇ ਬਹਿਸ।.

ਏਆਈ ਵਾਤਾਵਰਣ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ: ਇੱਕ ਤੇਜ਼ ਸਨੈਪਸ਼ਾਟ ⚡🌱

ਜੇਕਰ ਤੁਹਾਨੂੰ ਸਿਰਫ਼ ਕੁਝ ਨੁਕਤੇ ਯਾਦ ਹਨ, ਤਾਂ ਇਸਨੂੰ ਇਹ ਬਣਾਓ:

ਅਤੇ ਫਿਰ ਉਹ ਹਿੱਸਾ ਹੈ ਜੋ ਲੋਕ ਭੁੱਲ ਜਾਂਦੇ ਹਨ: ਪੈਮਾਨਾ । ਇੱਕ AI ਪੁੱਛਗਿੱਛ ਛੋਟੀ ਹੋ ​​ਸਕਦੀ ਹੈ, ਪਰ ਉਨ੍ਹਾਂ ਵਿੱਚੋਂ ਅਰਬਾਂ ਇੱਕ ਬਿਲਕੁਲ ਵੱਖਰਾ ਜਾਨਵਰ ਹੈ... ਇੱਕ ਛੋਟੇ ਜਿਹੇ ਬਰਫ਼ ਦੇ ਗੋਲੇ ਵਾਂਗ ਜੋ ਕਿਸੇ ਤਰ੍ਹਾਂ ਸੋਫੇ ਦੇ ਆਕਾਰ ਦੇ ਬਰਫ਼ਬਾਰੀ ਵਿੱਚ ਬਦਲ ਜਾਂਦਾ ਹੈ। (ਉਹ ਰੂਪਕ ਥੋੜ੍ਹਾ ਜਿਹਾ ਗਲਤ ਹੈ, ਪਰ ਤੁਸੀਂ ਸਮਝਦੇ ਹੋ।) IEA: ਊਰਜਾ ਅਤੇ AI

AI ਦਾ ਵਾਤਾਵਰਣ ਪ੍ਰਭਾਵ ਇੱਕ ਚੀਜ਼ ਨਹੀਂ ਹੈ - ਇਹ ਇੱਕ ਸਟੈਕ ਹੈ 🧱🌎

ਜਦੋਂ ਲੋਕ AI ਅਤੇ ਸਥਿਰਤਾ ਬਾਰੇ ਬਹਿਸ ਕਰਦੇ ਹਨ, ਤਾਂ ਉਹ ਅਕਸਰ ਇੱਕ ਦੂਜੇ ਤੋਂ ਅੱਗੇ ਵਧ ਕੇ ਗੱਲਾਂ ਕਰਦੇ ਹਨ ਕਿਉਂਕਿ ਉਹ ਵੱਖ-ਵੱਖ ਪਰਤਾਂ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰ ਰਹੇ ਹੁੰਦੇ ਹਨ:

1) ਬਿਜਲੀ ਦੀ ਗਣਨਾ ਕਰੋ

  • ਵੱਡੇ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਵੱਡੇ ਕਲੱਸਟਰਾਂ ਨੂੰ ਲੰਬੇ ਸਮੇਂ ਤੱਕ ਸਖ਼ਤ ਮਿਹਨਤ ਕਰਨ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ। IEA: ਊਰਜਾ ਅਤੇ AI

  • ਅਨੁਮਾਨ (ਰੋਜ਼ਾਨਾ ਵਰਤੋਂ) ਸਮੇਂ ਦੇ ਨਾਲ ਵੱਡਾ ਪ੍ਰਭਾਵ ਬਣ ਸਕਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਲਗਾਤਾਰ, ਹਰ ਜਗ੍ਹਾ ਹੁੰਦਾ ਹੈ। IEA: ਊਰਜਾ ਅਤੇ AI

2) ਡਾਟਾ ਸੈਂਟਰ ਓਵਰਹੈੱਡ

3) ਪਾਣੀ ਅਤੇ ਗਰਮੀ

4) ਹਾਰਡਵੇਅਰ ਸਪਲਾਈ ਚੇਨ

5) ਵਿਵਹਾਰ ਅਤੇ ਰੀਬਾਉਂਡ ਪ੍ਰਭਾਵ

ਇਸ ਲਈ ਜਦੋਂ ਕੋਈ ਪੁੱਛਦਾ ਹੈ ਕਿ AI ਵਾਤਾਵਰਣ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ, ਤਾਂ ਸਿੱਧਾ ਜਵਾਬ ਹੁੰਦਾ ਹੈ: ਇਹ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਤੁਸੀਂ ਕਿਸ ਪਰਤ ਨੂੰ ਮਾਪ ਰਹੇ ਹੋ, ਅਤੇ ਉਸ ਸਥਿਤੀ ਵਿੱਚ "AI" ਦਾ ਕੀ ਅਰਥ ਹੈ।.

ਸਿਖਲਾਈ ਬਨਾਮ ਅਨੁਮਾਨ: ਉਹ ਅੰਤਰ ਜੋ ਸਭ ਕੁਝ ਬਦਲ ਦਿੰਦਾ ਹੈ 🧠⚙️

ਲੋਕ ਸਿਖਲਾਈ ਬਾਰੇ ਗੱਲ ਕਰਨਾ ਪਸੰਦ ਕਰਦੇ ਹਨ ਕਿਉਂਕਿ ਇਹ ਨਾਟਕੀ ਲੱਗਦਾ ਹੈ - "ਇੱਕ ਮਾਡਲ ਨੇ X ਊਰਜਾ ਦੀ ਵਰਤੋਂ ਕੀਤੀ।" ਪਰ ਅਨੁਮਾਨ ਸ਼ਾਂਤ ਦੈਂਤ ਹੈ। IEA: ਊਰਜਾ ਅਤੇ AI

ਸਿਖਲਾਈ (ਵੱਡੀ ਉਸਾਰੀ)

ਸਿਖਲਾਈ ਇੱਕ ਫੈਕਟਰੀ ਬਣਾਉਣ ਵਾਂਗ ਹੈ। ਤੁਸੀਂ ਪਹਿਲਾਂ ਹੀ ਇਸਦੀ ਕੀਮਤ ਅਦਾ ਕਰਦੇ ਹੋ: ਭਾਰੀ ਗਣਨਾ, ਲੰਬੇ ਰਨਟਾਈਮ, ਬਹੁਤ ਸਾਰੇ ਟ੍ਰਾਇਲ-ਐਂਡ-ਐਰਰ ਰਨ (ਅਤੇ ਹਾਂ, ਬਹੁਤ ਸਾਰੇ "ਓਹ ਜੋ ਕੰਮ ਨਹੀਂ ਕਰਦੇ, ਦੁਬਾਰਾ ਕੋਸ਼ਿਸ਼ ਕਰੋ" ਦੁਹਰਾਓ)। ਸਿਖਲਾਈ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਇਆ ਜਾ ਸਕਦਾ ਹੈ, ਪਰ ਇਹ ਅਜੇ ਵੀ ਮਹੱਤਵਪੂਰਨ ਹੋ ਸਕਦਾ ਹੈ। IEA: ਊਰਜਾ ਅਤੇ AI

ਅਨੁਮਾਨ (ਰੋਜ਼ਾਨਾ ਵਰਤੋਂ)

ਅਨੁਮਾਨ ਹਰ ਰੋਜ਼, ਹਰੇਕ ਲਈ, ਪੈਮਾਨੇ 'ਤੇ ਚੱਲ ਰਹੀ ਫੈਕਟਰੀ ਵਾਂਗ ਹੈ:

  • ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਵਾਲੇ ਚੈਟਬੋਟ

  • ਚਿੱਤਰ ਨਿਰਮਾਣ

  • ਖੋਜ ਦਰਜਾਬੰਦੀ

  • ਸਿਫ਼ਾਰਸ਼ਾਂ

  • ਭਾਸ਼ਣ-ਤੋਂ-ਲਿਖਤ

  • ਧੋਖਾਧੜੀ ਦਾ ਪਤਾ ਲਗਾਉਣਾ

  • ਦਸਤਾਵੇਜ਼ਾਂ ਅਤੇ ਕੋਡ ਟੂਲਸ ਵਿੱਚ ਸਹਿ-ਪਾਇਲਟ

ਭਾਵੇਂ ਹਰੇਕ ਬੇਨਤੀ ਮੁਕਾਬਲਤਨ ਛੋਟੀ ਹੋਵੇ, ਵਰਤੋਂ ਦੀ ਮਾਤਰਾ ਸਿਖਲਾਈ ਨੂੰ ਘਟਾ ਸਕਦੀ ਹੈ। ਇਹ ਕਲਾਸਿਕ "ਇੱਕ ਤੂੜੀ ਕੁਝ ਵੀ ਨਹੀਂ ਹੈ, ਇੱਕ ਮਿਲੀਅਨ ਤੂੜੀ ਇੱਕ ਸਮੱਸਿਆ ਹੈ" ਸਥਿਤੀ ਹੈ। IEA: ਊਰਜਾ ਅਤੇ AI

ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਗੱਲ - ਕੁਝ AI ਕੰਮ ਦੂਜਿਆਂ ਨਾਲੋਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਭਾਰੀ ਹੁੰਦੇ ਹਨ। ਤਸਵੀਰਾਂ ਜਾਂ ਲੰਬੇ ਵੀਡੀਓ ਬਣਾਉਣਾ ਛੋਟੇ ਟੈਕਸਟ ਵਰਗੀਕਰਣ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਊਰਜਾ-ਭੁੱਖਾ ਹੁੰਦਾ ਹੈ। ਇਸ ਲਈ "AI" ਨੂੰ ਇੱਕ ਬਾਲਟੀ ਵਿੱਚ ਇਕੱਠਾ ਕਰਨਾ ਇੱਕ ਸਾਈਕਲ ਦੀ ਤੁਲਨਾ ਇੱਕ ਕਾਰਗੋ ਜਹਾਜ਼ ਨਾਲ ਕਰਨ ਅਤੇ ਦੋਵਾਂ ਨੂੰ "ਟ੍ਰਾਂਸਪੋਰਟ" ਕਹਿਣ ਵਰਗਾ ਹੈ। IEA: ਊਰਜਾ ਅਤੇ AI

ਡਾਟਾ ਸੈਂਟਰ: ਬਿਜਲੀ, ਕੂਲਿੰਗ, ਅਤੇ ਉਹ ਸ਼ਾਂਤ ਪਾਣੀ ਦੀ ਕਹਾਣੀ 💧🏢

ਡਾਟਾ ਸੈਂਟਰ ਨਵੇਂ ਨਹੀਂ ਹਨ, ਪਰ AI ਤੀਬਰਤਾ ਨੂੰ ਬਦਲਦਾ ਹੈ। ਉੱਚ-ਪ੍ਰਦਰਸ਼ਨ ਵਾਲੇ ਐਕਸਲੇਟਰ ਤੰਗ ਥਾਵਾਂ 'ਤੇ ਬਹੁਤ ਸਾਰੀ ਸ਼ਕਤੀ ਖਿੱਚ ਸਕਦੇ ਹਨ, ਜੋ ਗਰਮੀ ਵਿੱਚ ਬਦਲ ਜਾਂਦੀ ਹੈ, ਜਿਸਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ। LBNL (2024): ਸੰਯੁਕਤ ਰਾਜ ਡੇਟਾ ਸੈਂਟਰ ਊਰਜਾ ਵਰਤੋਂ ਰਿਪੋਰਟ (PDF) IEA: ਊਰਜਾ ਅਤੇ AI

ਕੂਲਿੰਗ ਦੀਆਂ ਮੂਲ ਗੱਲਾਂ (ਸਰਲ, ਪਰ ਵਿਹਾਰਕ)

ਇਹੀ ਸਮਝੌਤਾ ਹੈ: ਤੁਸੀਂ ਕਈ ਵਾਰ ਪਾਣੀ-ਅਧਾਰਤ ਕੂਲਿੰਗ 'ਤੇ ਭਰੋਸਾ ਕਰਕੇ ਬਿਜਲੀ ਦੀ ਖਪਤ ਨੂੰ ਘਟਾ ਸਕਦੇ ਹੋ। ਸਥਾਨਕ ਪਾਣੀ ਦੀ ਕਮੀ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹੋਏ, ਇਹ ਠੀਕ ਹੋ ਸਕਦਾ ਹੈ... ਜਾਂ ਇਹ ਇੱਕ ਅਸਲੀ ਸਮੱਸਿਆ ਹੋ ਸਕਦੀ ਹੈ। ਲੀ ਐਟ ਅਲ. (2023): ਏਆਈ ਨੂੰ ਘੱਟ "ਪਿਆਸਾ" ਬਣਾਉਣਾ (PDF)

ਇਸ ਤੋਂ ਇਲਾਵਾ, ਵਾਤਾਵਰਣ ਦਾ ਪ੍ਰਭਾਵ ਇਸ 'ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਨਿਰਭਰ ਕਰਦਾ ਹੈ:

ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ: ਜਨਤਕ ਗੱਲਬਾਤ ਅਕਸਰ "ਡੇਟਾ ਸੈਂਟਰ" ਨੂੰ ਇੱਕ ਬਲੈਕ ਬਾਕਸ ਵਾਂਗ ਸਮਝਦੀ ਹੈ। ਇਹ ਬੁਰਾਈ ਨਹੀਂ ਹੈ, ਇਹ ਜਾਦੂਈ ਨਹੀਂ ਹੈ। ਇਹ ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਹੈ। ਇਹ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਵਾਂਗ ਵਿਵਹਾਰ ਕਰਦਾ ਹੈ।.

ਚਿਪਸ ਅਤੇ ਹਾਰਡਵੇਅਰ: ਉਹ ਹਿੱਸਾ ਜਿਸਨੂੰ ਲੋਕ ਛੱਡ ਦਿੰਦੇ ਹਨ ਕਿਉਂਕਿ ਇਹ ਘੱਟ ਸੈਕਸੀ ਹੈ 🪨🔧

ਏਆਈ ਹਾਰਡਵੇਅਰ 'ਤੇ ਰਹਿੰਦਾ ਹੈ। ਹਾਰਡਵੇਅਰ ਦਾ ਇੱਕ ਜੀਵਨ ਚੱਕਰ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਜੀਵਨ ਚੱਕਰ ਦੇ ਪ੍ਰਭਾਵ ਵੱਡੇ ਹੋ ਸਕਦੇ ਹਨ। ਯੂਐਸ ਈਪੀਏ: ਸੈਮੀਕੰਡਕਟਰ ਇੰਡਸਟਰੀ ਆਈਟੀਯੂ: ਗਲੋਬਲ ਈ-ਵੇਸਟ ਮਾਨੀਟਰ 2024

ਜਿੱਥੇ ਵਾਤਾਵਰਣ ਪ੍ਰਭਾਵ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ

ਈ-ਕੂੜਾ ਅਤੇ "ਬਿਲਕੁਲ ਵਧੀਆ" ਸਰਵਰ

ਬਹੁਤ ਸਾਰਾ ਵਾਤਾਵਰਣ ਨੁਕਸਾਨ ਇੱਕ ਮੌਜੂਦਾ ਡਿਵਾਈਸ ਤੋਂ ਨਹੀਂ ਹੁੰਦਾ - ਇਹ ਇਸਨੂੰ ਜਲਦੀ ਬਦਲਣ ਨਾਲ ਹੁੰਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਹੁਣ ਲਾਗਤ-ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਨਹੀਂ ਰਿਹਾ। AI ਇਸਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ ਕਿਉਂਕਿ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਛਾਲ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੋ ਸਕਦੀ ਹੈ। ਹਾਰਡਵੇਅਰ ਨੂੰ ਤਾਜ਼ਾ ਕਰਨ ਦਾ ਲਾਲਚ ਅਸਲ ਹੈ। ITU: ਗਲੋਬਲ ਈ-ਵੇਸਟ ਮਾਨੀਟਰ 2024

ਇੱਕ ਵਿਹਾਰਕ ਨੁਕਤਾ: ਹਾਰਡਵੇਅਰ ਦੀ ਉਮਰ ਵਧਾਉਣਾ, ਵਰਤੋਂ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨਾ, ਅਤੇ ਨਵੀਨੀਕਰਨ ਕਰਨਾ ਕਿਸੇ ਵੀ ਫੈਂਸੀ ਮਾਡਲ ਟਵੀਕ ਜਿੰਨਾ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ। ਕਈ ਵਾਰ ਸਭ ਤੋਂ ਹਰਾ GPU ਉਹ ਹੁੰਦਾ ਹੈ ਜੋ ਤੁਸੀਂ ਨਹੀਂ ਖਰੀਦਦੇ। (ਇਹ ਇੱਕ ਨਾਅਰਾ ਲੱਗਦਾ ਹੈ, ਪਰ ਇਹ... ਕੁਝ ਹੱਦ ਤੱਕ ਸੱਚ ਵੀ ਹੈ।)

ਏਆਈ ਵਾਤਾਵਰਣ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ: "ਲੋਕ ਇਸ ਵਿਵਹਾਰ ਨੂੰ ਭੁੱਲ ਜਾਂਦੇ ਹਨ" ਲੂਪ 🔁😬

ਇਹ ਅਜੀਬ ਸਮਾਜਿਕ ਹਿੱਸਾ ਹੈ: AI ਚੀਜ਼ਾਂ ਨੂੰ ਆਸਾਨ ਬਣਾਉਂਦਾ ਹੈ, ਇਸ ਲਈ ਲੋਕ ਹੋਰ ਚੀਜ਼ਾਂ ਕਰਦੇ ਹਨ। ਇਹ ਸ਼ਾਨਦਾਰ ਹੋ ਸਕਦਾ ਹੈ - ਵਧੇਰੇ ਉਤਪਾਦਕਤਾ, ਵਧੇਰੇ ਰਚਨਾਤਮਕਤਾ, ਵਧੇਰੇ ਪਹੁੰਚ। ਪਰ ਇਸਦਾ ਅਰਥ ਸਰੋਤਾਂ ਦੀ ਸਮੁੱਚੀ ਵਰਤੋਂ ਵੀ ਹੋ ਸਕਦਾ ਹੈ। OECD (2012): ਊਰਜਾ ਕੁਸ਼ਲਤਾ ਸੁਧਾਰਾਂ ਦੇ ਕਈ ਲਾਭ (PDF)

ਉਦਾਹਰਨਾਂ:

  • ਜੇਕਰ AI ਵੀਡੀਓ ਜਨਰੇਸ਼ਨ ਨੂੰ ਸਸਤਾ ਬਣਾਉਂਦਾ ਹੈ, ਤਾਂ ਲੋਕ ਹੋਰ ਵੀਡੀਓ ਜਨਰੇਟ ਕਰਨਗੇ।.

  • ਜੇਕਰ AI ਇਸ਼ਤਿਹਾਰਬਾਜ਼ੀ ਨੂੰ ਵਧੇਰੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਬਣਾਉਂਦਾ ਹੈ, ਤਾਂ ਹੋਰ ਇਸ਼ਤਿਹਾਰ ਦਿੱਤੇ ਜਾਣਗੇ, ਹੋਰ ਸ਼ਮੂਲੀਅਤ ਲੂਪ ਘੁੰਮਣਗੇ।.

  • ਜੇਕਰ AI ਸ਼ਿਪਿੰਗ ਲੌਜਿਸਟਿਕਸ ਨੂੰ ਵਧੇਰੇ ਕੁਸ਼ਲ ਬਣਾਉਂਦਾ ਹੈ, ਤਾਂ ਈ-ਕਾਮਰਸ ਹੋਰ ਵੀ ਔਖਾ ਹੋ ਸਕਦਾ ਹੈ।.

ਇਹ ਘਬਰਾਉਣ ਦਾ ਕਾਰਨ ਨਹੀਂ ਹੈ। ਇਹ ਸਿਰਫ਼ ਕੁਸ਼ਲਤਾ ਨਹੀਂ, ਸਗੋਂ ਨਤੀਜਿਆਂ ਨੂੰ ਮਾਪਣ ਦਾ ਕਾਰਨ ਹੈ।.

ਇੱਕ ਅਪੂਰਣ-ਪਰ-ਮਜ਼ੇਦਾਰ ਰੂਪਕ: AI ਕੁਸ਼ਲਤਾ ਇੱਕ ਕਿਸ਼ੋਰ ਨੂੰ ਇੱਕ ਵੱਡਾ ਫਰਿੱਜ ਦੇਣ ਵਾਂਗ ਹੈ - ਹਾਂ, ਭੋਜਨ ਸਟੋਰੇਜ ਵਿੱਚ ਸੁਧਾਰ ਹੁੰਦਾ ਹੈ, ਪਰ ਕਿਸੇ ਤਰ੍ਹਾਂ ਫਰਿੱਜ ਇੱਕ ਦਿਨ ਵਿੱਚ ਦੁਬਾਰਾ ਖਾਲੀ ਹੋ ਜਾਂਦਾ ਹੈ। ਇੱਕ ਸੰਪੂਰਨ ਰੂਪਕ ਨਹੀਂ, ਪਰ... ਤੁਸੀਂ ਇਸਨੂੰ ਹੁੰਦਾ ਦੇਖਿਆ ਹੈ 😅

ਫਾਇਦਾ: AI ਸੱਚਮੁੱਚ ਵਾਤਾਵਰਣ ਦੀ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ (ਜਦੋਂ ਇਸਦਾ ਉਦੇਸ਼ ਸਹੀ ਹੋਵੇ) 🌿✨

ਹੁਣ ਉਸ ਹਿੱਸੇ ਲਈ ਜਿਸਨੂੰ ਘੱਟ ਸਮਝਿਆ ਜਾਂਦਾ ਹੈ: AI ਮੌਜੂਦਾ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਨਿਕਾਸ ਅਤੇ ਰਹਿੰਦ-ਖੂੰਹਦ ਨੂੰ ਘਟਾ ਸਕਦਾ ਹੈ ਜੋ... ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ, ਅਯੋਗ ਹਨ। IEA: ਊਰਜਾ ਅਨੁਕੂਲਤਾ ਅਤੇ ਨਵੀਨਤਾ ਲਈ AI

ਉਹ ਖੇਤਰ ਜਿੱਥੇ AI ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ

ਮਹੱਤਵਪੂਰਨ ਸੂਖਮਤਾ: AI "ਮਦਦ" ਆਪਣੇ ਆਪ AI ਦੇ ਪੈਰਾਂ ਦੇ ਨਿਸ਼ਾਨ ਨੂੰ ਆਫਸੈੱਟ ਨਹੀਂ ਕਰਦਾ। ਇਹ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਕੀ AI ਅਸਲ ਵਿੱਚ ਤੈਨਾਤ ਹੈ, ਅਸਲ ਵਿੱਚ ਵਰਤਿਆ ਗਿਆ ਹੈ, ਅਤੇ ਕੀ ਇਹ ਸਿਰਫ਼ ਬਿਹਤਰ ਡੈਸ਼ਬੋਰਡਾਂ ਦੀ ਬਜਾਏ ਅਸਲ ਕਟੌਤੀਆਂ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ। ਪਰ ਹਾਂ, ਸੰਭਾਵਨਾ ਅਸਲ ਹੈ। IEA: ਊਰਜਾ ਅਨੁਕੂਲਤਾ ਅਤੇ ਨਵੀਨਤਾ ਲਈ AI

ਵਾਤਾਵਰਣ ਅਨੁਕੂਲ AI ਦਾ ਇੱਕ ਚੰਗਾ ਸੰਸਕਰਣ ਕੀ ਬਣਾਉਂਦਾ ਹੈ? ✅🌍

ਇਹ "ਠੀਕ ਹੈ ਤਾਂ ਸਾਨੂੰ ਕੀ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ" ਭਾਗ ਹੈ। ਇੱਕ ਚੰਗੇ ਵਾਤਾਵਰਣ ਲਈ ਜ਼ਿੰਮੇਵਾਰ AI ਸੈੱਟਅੱਪ ਵਿੱਚ ਆਮ ਤੌਰ 'ਤੇ ਇਹ ਹੁੰਦੇ ਹਨ:

  • ਸਾਫ਼ ਵਰਤੋਂ-ਕੇਸ ਮੁੱਲ : ਜੇਕਰ ਮਾਡਲ ਫੈਸਲਿਆਂ ਜਾਂ ਨਤੀਜਿਆਂ ਨੂੰ ਨਹੀਂ ਬਦਲਦਾ, ਤਾਂ ਇਹ ਸਿਰਫ਼ ਫੈਂਸੀ ਕੰਪਿਊਟ ਹੈ।

  • ਮਾਪ ਇਸ ਵਿੱਚ ਬੇਕ ਕੀਤਾ ਗਿਆ ਹੈ : ਊਰਜਾ, ਕਾਰਬਨ ਅਨੁਮਾਨ, ਉਪਯੋਗਤਾ, ਅਤੇ ਕੁਸ਼ਲਤਾ ਮੈਟ੍ਰਿਕਸ ਜੋ ਕਿਸੇ ਵੀ ਹੋਰ KPI ਵਾਂਗ ਟਰੈਕ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਕੋਡਕਾਰਬਨ: ਵਿਧੀ।

  • ਸੱਜੇ-ਆਕਾਰ ਦੇ ਮਾਡਲ : ਜਦੋਂ ਛੋਟੇ ਮਾਡਲ ਕੰਮ ਕਰਦੇ ਹਨ ਤਾਂ ਛੋਟੇ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਕੁਸ਼ਲ ਹੋਣਾ ਨੈਤਿਕ ਅਸਫਲਤਾ ਨਹੀਂ ਹੈ।

  • ਕੁਸ਼ਲ ਅਨੁਮਾਨ ਡਿਜ਼ਾਈਨ : ਕੈਚਿੰਗ, ਬੈਚਿੰਗ, ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ, ਪ੍ਰਾਪਤੀ, ਅਤੇ ਚੰਗੇ ਪ੍ਰੋਂਪਟਿੰਗ ਪੈਟਰਨ। ਘੋਲਾਮੀ ਐਟ ਅਲ. (2021): ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ ਵਿਧੀਆਂ ਦਾ ਸਰਵੇਖਣ (PDF) ਲੇਵਿਸ ਐਟ ਅਲ. (2020): ਪ੍ਰਾਪਤੀ-ਵਧਾਈ ਗਈ ਪੀੜ੍ਹੀ

  • ਹਾਰਡਵੇਅਰ ਅਤੇ ਸਥਾਨ ਜਾਗਰੂਕਤਾ : ਵਰਕਲੋਡ ਚਲਾਓ ਜਿੱਥੇ ਗਰਿੱਡ ਸਾਫ਼ ਹੋਵੇ ਅਤੇ ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਕੁਸ਼ਲ ਹੋਵੇ (ਜਦੋਂ ਸੰਭਵ ਹੋਵੇ)। ਕਾਰਬਨ ਇੰਟੈਂਸਿਟੀ API (GB)

  • ਹਾਰਡਵੇਅਰ ਦੀ ਲੰਬੀ ਉਮਰ : ਵੱਧ ਤੋਂ ਵੱਧ ਵਰਤੋਂ, ਮੁੜ ਵਰਤੋਂ ਅਤੇ ਨਵੀਨੀਕਰਨ। ITU: ਗਲੋਬਲ ਈ-ਵੇਸਟ ਮਾਨੀਟਰ 2024

  • ਸਿੱਧੀ ਰਿਪੋਰਟਿੰਗ : ਬਿਨਾਂ ਨੰਬਰਾਂ ਦੇ "ਵਾਤਾਵਰਣ-ਅਨੁਕੂਲ AI" ਵਰਗੇ ਹਰਾ-ਭਰਾ ਭਾਸ਼ਾ ਅਤੇ ਅਸਪਸ਼ਟ ਦਾਅਵਿਆਂ ਤੋਂ ਬਚੋ।

ਜੇਕਰ ਤੁਸੀਂ ਅਜੇ ਵੀ ਟਰੈਕ ਕਰ ਰਹੇ ਹੋ ਕਿ AI ਵਾਤਾਵਰਣ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ, ਤਾਂ ਇਹ ਉਹ ਬਿੰਦੂ ਹੈ ਜਿੱਥੇ ਜਵਾਬ ਦਾਰਸ਼ਨਿਕ ਹੋਣਾ ਬੰਦ ਕਰ ਦਿੰਦਾ ਹੈ ਅਤੇ ਕਾਰਜਸ਼ੀਲ ਹੋ ਜਾਂਦਾ ਹੈ: ਇਹ ਤੁਹਾਡੀਆਂ ਚੋਣਾਂ ਦੇ ਅਧਾਰ ਤੇ ਇਸਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ।.

ਤੁਲਨਾ ਸਾਰਣੀ: ਉਹ ਸਾਧਨ ਅਤੇ ਤਰੀਕੇ ਜੋ ਅਸਲ ਵਿੱਚ ਪ੍ਰਭਾਵ ਨੂੰ ਘਟਾਉਂਦੇ ਹਨ 🧰⚡

ਹੇਠਾਂ ਇੱਕ ਤੇਜ਼, ਵਿਹਾਰਕ ਸਾਰਣੀ ਹੈ। ਇਹ ਸੰਪੂਰਨ ਨਹੀਂ ਹੈ, ਅਤੇ ਹਾਂ, ਕੁਝ ਸੈੱਲ ਥੋੜੇ ਜਿਹੇ ਵਿਚਾਰਸ਼ੀਲ ਹਨ... ਕਿਉਂਕਿ ਅਸਲ ਔਜ਼ਾਰ ਚੋਣ ਇਸ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਦੀ ਹੈ।.

ਔਜ਼ਾਰ / ਪਹੁੰਚ ਦਰਸ਼ਕ ਕੀਮਤ ਇਹ ਕਿਉਂ ਕੰਮ ਕਰਦਾ ਹੈ
ਕਾਰਬਨ/ਊਰਜਾ ਟਰੈਕਿੰਗ ਲਾਇਬ੍ਰੇਰੀਆਂ (ਰਨਟਾਈਮ ਅਨੁਮਾਨਕ) ਐਮਐਲ ਟੀਮਾਂ ਫ੍ਰੀ-ਇਸ਼ ਦ੍ਰਿਸ਼ਟੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ - ਜੋ ਕਿ ਅੱਧੀ ਲੜਾਈ ਹੈ, ਭਾਵੇਂ ਅਨੁਮਾਨ ਥੋੜੇ ਧੁੰਦਲੇ ਹੋਣ.. ਕੋਡਕਾਰਬਨ
ਹਾਰਡਵੇਅਰ ਪਾਵਰ ਨਿਗਰਾਨੀ (GPU/CPU ਟੈਲੀਮੈਟਰੀ) ਇਨਫਰਾ + ਐਮਐਲ ਮੁਫ਼ਤ ਅਸਲ ਖਪਤ ਨੂੰ ਮਾਪਦਾ ਹੈ; ਬੈਂਚਮਾਰਕਿੰਗ ਰਨ ਲਈ ਵਧੀਆ (ਨਿਰਬਲ ਪਰ ਸੁਨਹਿਰੀ)
ਮਾਡਲ ਡਿਸਟਿਲੇਸ਼ਨ ਐਮਐਲ ਇੰਜੀਨੀਅਰ ਮੁਫ਼ਤ (ਸਮਾਂ-ਲਾਗਤ 😵) ਛੋਟੇ ਵਿਦਿਆਰਥੀ ਮਾਡਲ ਅਕਸਰ ਪ੍ਰਦਰਸ਼ਨ ਨਾਲ ਬਹੁਤ ਘੱਟ ਅਨੁਮਾਨ ਲਾਗਤ ਨਾਲ ਮੇਲ ਖਾਂਦੇ ਹਨ। ਹਿੰਟਨ ਐਟ ਅਲ. (2015): ਇੱਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਵਿੱਚ ਗਿਆਨ ਨੂੰ ਡਿਸਟਿਲ ਕਰਨਾ
ਮਾਤਰਾਕਰਨ (ਘੱਟ ਸ਼ੁੱਧਤਾ ਅਨੁਮਾਨ) ML + ਉਤਪਾਦ ਮੁਫ਼ਤ ਲੇਟੈਂਸੀ ਅਤੇ ਪਾਵਰ ਵਰਤੋਂ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ; ਕਈ ਵਾਰ ਛੋਟੇ ਗੁਣਵੱਤਾ ਵਪਾਰ ਦੇ ਨਾਲ, ਕਈ ਵਾਰ ਕੋਈ ਨਹੀਂ ਘੋਲਾਮੀ ਅਤੇ ਹੋਰ (2021): ਕੁਆਂਟਾਇਜ਼ੇਸ਼ਨ ਵਿਧੀਆਂ ਦਾ ਸਰਵੇਖਣ (PDF)
ਕੈਸ਼ਿੰਗ + ਬੈਚਿੰਗ ਅਨੁਮਾਨ ਉਤਪਾਦ + ਪਲੇਟਫਾਰਮ ਮੁਫ਼ਤ ਰਿਡੰਡੈਂਟ ਕੰਪਿਊਟ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ; ਖਾਸ ਤੌਰ 'ਤੇ ਵਾਰ-ਵਾਰ ਪ੍ਰੋਂਪਟ ਜਾਂ ਸਮਾਨ ਬੇਨਤੀਆਂ ਲਈ ਸੌਖਾ
ਪ੍ਰਾਪਤੀ-ਵਧਾਈ ਗਈ ਪੀੜ੍ਹੀ (RAG) ਐਪ ਟੀਮਾਂ ਮਿਸ਼ਰਤ "ਮੈਮੋਰੀ" ਨੂੰ ਪ੍ਰਾਪਤੀ ਲਈ ਆਫਲੋਡ ਕਰਦਾ ਹੈ; ਵੱਡੀਆਂ ਸੰਦਰਭ ਵਿੰਡੋਜ਼ ਦੀ ਜ਼ਰੂਰਤ ਨੂੰ ਘਟਾ ਸਕਦਾ ਹੈ ਲੇਵਿਸ ਐਟ ਅਲ. (2020): ਪ੍ਰਾਪਤੀ-ਵਧਾਈ ਗਈ ਪੀੜ੍ਹੀ
ਕਾਰਬਨ ਤੀਬਰਤਾ ਦੁਆਰਾ ਵਰਕਲੋਡ ਤਹਿ ਕਰਨਾ ਇਨਫਰਾ/ਓਪਸ ਮਿਸ਼ਰਤ ਲਚਕਦਾਰ ਕੰਮਾਂ ਨੂੰ ਸਾਫ਼-ਸੁਥਰੇ ਪਾਵਰ ਵਿੰਡੋਜ਼ ਵਿੱਚ ਤਬਦੀਲ ਕਰਨਾ - ਹਾਲਾਂਕਿ ਤਾਲਮੇਲ ਦੀ ਲੋੜ ਹੈ ਕਾਰਬਨ ਇੰਟੈਂਸਿਟੀ API (GB)
ਡਾਟਾ ਸੈਂਟਰ ਕੁਸ਼ਲਤਾ ਫੋਕਸ (ਉਪਯੋਗਤਾ, ਇਕਸੁਰਤਾ) ਆਈਟੀ ਲੀਡਰਸ਼ਿਪ ਭੁਗਤਾਨ ਕੀਤਾ (ਆਮ ਤੌਰ 'ਤੇ) ਸਭ ਤੋਂ ਘੱਟ ਗਲੈਮਰਸ ਲੀਵਰ, ਪਰ ਅਕਸਰ ਸਭ ਤੋਂ ਵੱਡਾ - ਅੱਧੇ-ਖਾਲੀ ਸਿਸਟਮ ਚਲਾਉਣਾ ਬੰਦ ਕਰੋ ਹਰਾ ਗਰਿੱਡ: PUE
ਗਰਮੀ ਦੀ ਮੁੜ ਵਰਤੋਂ ਦੇ ਪ੍ਰੋਜੈਕਟ ਸਹੂਲਤਾਂ ਇਹ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਬਰਬਾਦ ਹੋਈ ਗਰਮੀ ਨੂੰ ਮੁੱਲ ਵਿੱਚ ਬਦਲਦਾ ਹੈ; ਹਮੇਸ਼ਾ ਸੰਭਵ ਨਹੀਂ ਹੁੰਦਾ, ਪਰ ਜਦੋਂ ਇਹ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਇਹ ਥੋੜਾ ਸੁੰਦਰ ਹੁੰਦਾ ਹੈ
"ਕੀ ਸਾਨੂੰ ਇੱਥੇ AI ਦੀ ਵੀ ਲੋੜ ਹੈ?" ਚੈੱਕ ਕਰੋ। ਹਰ ਕੋਈ ਮੁਫ਼ਤ ਬੇਕਾਰ ਗਣਨਾ ਨੂੰ ਰੋਕਦਾ ਹੈ। ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਅਨੁਕੂਲਤਾ (ਕਈ ਵਾਰ) ਨਾਂਹ ਕਹਿਣਾ ਹੈ।

ਧਿਆਨ ਦਿਓ ਕੀ ਗੁੰਮ ਹੈ? "ਇੱਕ ਜਾਦੂਈ ਹਰਾ ਸਟਿੱਕਰ ਖਰੀਦੋ।" ਉਹ ਮੌਜੂਦ ਨਹੀਂ ਹੈ 😬

ਵਿਹਾਰਕ ਪਲੇਬੁੱਕ: ਉਤਪਾਦ ਨੂੰ ਖਤਮ ਕੀਤੇ ਬਿਨਾਂ AI ਪ੍ਰਭਾਵ ਨੂੰ ਘਟਾਉਣਾ 🛠️🌱

ਜੇਕਰ ਤੁਸੀਂ AI ਸਿਸਟਮ ਬਣਾ ਰਹੇ ਹੋ ਜਾਂ ਖਰੀਦ ਰਹੇ ਹੋ, ਤਾਂ ਇੱਥੇ ਇੱਕ ਯਥਾਰਥਵਾਦੀ ਕ੍ਰਮ ਹੈ ਜੋ ਅਭਿਆਸ ਵਿੱਚ ਕੰਮ ਕਰਦਾ ਹੈ:

ਕਦਮ 1: ਮਾਪ ਨਾਲ ਸ਼ੁਰੂਆਤ ਕਰੋ

  • ਊਰਜਾ ਦੀ ਵਰਤੋਂ ਨੂੰ ਟਰੈਕ ਕਰੋ ਜਾਂ ਇਸਦਾ ਲਗਾਤਾਰ ਅੰਦਾਜ਼ਾ ਲਗਾਓ। ਕੋਡਕਾਰਬਨ: ਵਿਧੀ

  • ਪ੍ਰਤੀ ਸਿਖਲਾਈ ਦੌੜ ਅਤੇ ਪ੍ਰਤੀ ਅਨੁਮਾਨ ਬੇਨਤੀ ਮਾਪ।.

  • ਮਾਨੀਟਰ ਉਪਯੋਗਤਾ - ਵਿਹਲੇ ਸਰੋਤਾਂ ਕੋਲ ਸਾਦੀ ਨਜ਼ਰ ਵਿੱਚ ਲੁਕਣ ਦਾ ਇੱਕ ਤਰੀਕਾ ਹੁੰਦਾ ਹੈ। ਗ੍ਰੀਨ ਗਰਿੱਡ: PUE

ਕਦਮ 2: ਮਾਡਲ ਨੂੰ ਕੰਮ ਲਈ ਸੱਜਾ-ਆਕਾਰ ਦਿਓ

  • ਵਰਗੀਕਰਨ, ਕੱਢਣ, ਰੂਟਿੰਗ ਲਈ ਛੋਟੇ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ।.

  • ਔਖੇ ਕੇਸਾਂ ਲਈ ਭਾਰੀ ਮਾਡਲ ਨੂੰ ਬਚਾਓ।.

  • ਇੱਕ "ਮਾਡਲ ਕੈਸਕੇਡ" 'ਤੇ ਵਿਚਾਰ ਕਰੋ: ਪਹਿਲਾਂ ਛੋਟਾ ਮਾਡਲ, ਲੋੜ ਪੈਣ 'ਤੇ ਹੀ ਵੱਡਾ ਮਾਡਲ।.

ਕਦਮ 3: ਅਨੁਮਾਨ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਓ (ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਸਕੇਲ ਕੱਟਦਾ ਹੈ)

  • ਕੈਸ਼ਿੰਗ : ਵਾਰ-ਵਾਰ ਪੁੱਛੇ ਜਾਣ ਵਾਲੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਸਟੋਰ ਕਰੋ (ਸਾਵਧਾਨੀ ਨਾਲ ਗੋਪਨੀਯਤਾ ਨਿਯੰਤਰਣਾਂ ਦੇ ਨਾਲ)।

  • ਬੈਚਿੰਗ : ਹਾਰਡਵੇਅਰ ਕੁਸ਼ਲਤਾ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਸਮੂਹ ਬੇਨਤੀਆਂ।

  • ਛੋਟੇ ਆਉਟਪੁੱਟ : ਲੰਬੇ ਆਉਟਪੁੱਟ ਦੀ ਕੀਮਤ ਜ਼ਿਆਦਾ ਹੁੰਦੀ ਹੈ - ਕਈ ਵਾਰ ਤੁਹਾਨੂੰ ਲੇਖ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ।

  • ਤੁਰੰਤ ਅਨੁਸ਼ਾਸਨ : ਬੇਢੰਗੇ ਪ੍ਰੋਂਪਟ ਲੰਬੇ ਕੰਪਿਊਟ ਮਾਰਗ ਬਣਾਉਂਦੇ ਹਨ... ਅਤੇ ਹਾਂ, ਹੋਰ ਟੋਕਨ।

ਕਦਮ 4: ਡੇਟਾ ਸਫਾਈ ਵਿੱਚ ਸੁਧਾਰ ਕਰੋ

ਇਹ ਅਸੰਬੰਧਿਤ ਲੱਗਦਾ ਹੈ, ਪਰ ਇਹ ਨਹੀਂ ਹੈ:

  • ਸਾਫ਼ ਡੇਟਾਸੈੱਟ ਮੁੜ-ਸਿਖਲਾਈ ਦੇ ਚੱਕਰ ਨੂੰ ਘਟਾ ਸਕਦੇ ਹਨ।.

  • ਘੱਟ ਸ਼ੋਰ ਦਾ ਮਤਲਬ ਹੈ ਘੱਟ ਪ੍ਰਯੋਗ ਅਤੇ ਘੱਟ ਵਿਅਰਥ ਦੌੜਾਂ।.

ਕਦਮ 5: ਹਾਰਡਵੇਅਰ ਨੂੰ ਇੱਕ ਸੰਪਤੀ ਵਾਂਗ ਸਮਝੋ, ਇੱਕ ਵਾਰ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਵਾਂਗ ਨਹੀਂ

  • ਜਿੱਥੇ ਵੀ ਸੰਭਵ ਹੋਵੇ ਰਿਫਰੈਸ਼ ਚੱਕਰ ਵਧਾਓ। ITU: ਗਲੋਬਲ ਈ-ਵੇਸਟ ਮਾਨੀਟਰ 2024

  • ਹਲਕੇ ਕੰਮ ਦੇ ਬੋਝ ਲਈ ਪੁਰਾਣੇ ਹਾਰਡਵੇਅਰ ਦੀ ਮੁੜ ਵਰਤੋਂ ਕਰੋ।.

  • "ਹਮੇਸ਼ਾ ਸਿਖਰ 'ਤੇ" ਪ੍ਰੋਵਿਜ਼ਨਿੰਗ ਤੋਂ ਬਚੋ।.

ਕਦਮ 6: ਤੈਨਾਤੀ ਨੂੰ ਸਮਝਦਾਰੀ ਨਾਲ ਚੁਣੋ

  • ਜੇਕਰ ਤੁਸੀਂ ਕਰ ਸਕਦੇ ਹੋ ਤਾਂ ਲਚਕਦਾਰ ਕੰਮ ਚਲਾਓ ਜਿੱਥੇ ਬਿਜਲੀ ਸਾਫ਼ ਹੋਵੇ। ਕਾਰਬਨ ਇੰਟੈਂਸਿਟੀ API (GB)

  • ਬੇਲੋੜੀ ਨਕਲ ਘਟਾਓ।.

  • ਲੇਟੈਂਸੀ ਟੀਚਿਆਂ ਨੂੰ ਯਥਾਰਥਵਾਦੀ ਰੱਖੋ (ਬਹੁਤ ਘੱਟ ਲੇਟੈਂਸੀ ਹਮੇਸ਼ਾ-ਚਾਲੂ ਸੈੱਟਅੱਪਾਂ ਨੂੰ ਅਕੁਸ਼ਲ ਬਣਾ ਸਕਦੀ ਹੈ)।.

ਅਤੇ ਹਾਂ... ਕਈ ਵਾਰ ਸਭ ਤੋਂ ਵਧੀਆ ਕਦਮ ਇਹ ਹੁੰਦਾ ਹੈ: ਹਰੇਕ ਉਪਭੋਗਤਾ ਕਾਰਵਾਈ ਲਈ ਸਭ ਤੋਂ ਵੱਡੇ ਮਾਡਲ ਨੂੰ ਆਟੋ-ਰਨ ਨਾ ਕਰੋ। ਇਹ ਆਦਤ ਵਾਤਾਵਰਣ ਦੇ ਅਨੁਸਾਰ ਹਰ ਲਾਈਟ ਨੂੰ ਚਾਲੂ ਰੱਖਣ ਦੇ ਬਰਾਬਰ ਹੈ ਕਿਉਂਕਿ ਸਵਿੱਚ ਵੱਲ ਤੁਰਨਾ ਤੰਗ ਕਰਨ ਵਾਲਾ ਹੁੰਦਾ ਹੈ।.

ਆਮ ਮਿੱਥਾਂ (ਅਤੇ ਸੱਚਾਈ ਦੇ ਨੇੜੇ ਕੀ ਹੈ) 🧠🧯

ਮਿੱਥ: "ਏਆਈ ਹਮੇਸ਼ਾ ਰਵਾਇਤੀ ਸਾਫਟਵੇਅਰ ਨਾਲੋਂ ਮਾੜਾ ਹੁੰਦਾ ਹੈ"

ਸੱਚਾਈ: AI ਵਧੇਰੇ ਗਣਨਾ-ਭਾਰੀ ਹੋ ਸਕਦਾ ਹੈ, ਪਰ ਇਹ ਅਕੁਸ਼ਲ ਦਸਤੀ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਵੀ ਬਦਲ ਸਕਦਾ ਹੈ, ਰਹਿੰਦ-ਖੂੰਹਦ ਨੂੰ ਘਟਾ ਸਕਦਾ ਹੈ, ਅਤੇ ਸਿਸਟਮਾਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾ ਸਕਦਾ ਹੈ। ਇਹ ਸਥਿਤੀਗਤ ਹੈ। IEA: ਊਰਜਾ ਅਨੁਕੂਲਤਾ ਅਤੇ ਨਵੀਨਤਾ ਲਈ AI

ਮਿੱਥ: "ਸਿਖਲਾਈ ਹੀ ਇੱਕੋ ਇੱਕ ਸਮੱਸਿਆ ਹੈ"

ਸੱਚਾਈ: ਸਮੇਂ ਦੇ ਨਾਲ ਪੈਮਾਨੇ 'ਤੇ ਅਨੁਮਾਨ ਹਾਵੀ ਹੋ ਸਕਦਾ ਹੈ। ਜੇਕਰ ਤੁਹਾਡਾ ਉਤਪਾਦ ਵਰਤੋਂ ਵਿੱਚ ਵਿਸਫੋਟ ਕਰਦਾ ਹੈ, ਤਾਂ ਇਹ ਮੁੱਖ ਕਹਾਣੀ ਬਣ ਜਾਂਦੀ ਹੈ। IEA: ਊਰਜਾ ਅਤੇ AI

ਮਿੱਥ: "ਨਵਿਆਉਣਯੋਗ ਊਰਜਾ ਇਸਨੂੰ ਤੁਰੰਤ ਹੱਲ ਕਰਦੇ ਹਨ"

ਸੱਚਾਈ: ਸਾਫ਼ ਬਿਜਲੀ ਬਹੁਤ ਮਦਦ ਕਰਦੀ ਹੈ, ਪਰ ਹਾਰਡਵੇਅਰ ਫੁੱਟਪ੍ਰਿੰਟ, ਪਾਣੀ ਦੀ ਵਰਤੋਂ, ਜਾਂ ਰੀਬਾਉਂਡ ਪ੍ਰਭਾਵਾਂ ਨੂੰ ਨਹੀਂ ਮਿਟਾਉਂਦੀ। ਫਿਰ ਵੀ ਮਹੱਤਵਪੂਰਨ ਹੈ। IEA: ਊਰਜਾ ਅਤੇ AI

ਮਿੱਥ: "ਜੇ ਇਹ ਕੁਸ਼ਲ ਹੈ, ਤਾਂ ਇਹ ਟਿਕਾਊ ਹੈ"

ਸੱਚਾਈ: ਮੰਗ ਨਿਯੰਤਰਣ ਤੋਂ ਬਿਨਾਂ ਕੁਸ਼ਲਤਾ ਅਜੇ ਵੀ ਕੁੱਲ ਪ੍ਰਭਾਵ ਨੂੰ ਵਧਾ ਸਕਦੀ ਹੈ। ਇਹੀ ਰੀਬਾਉਂਡ ਟ੍ਰੈਪ ਹੈ। OECD (2012): ਊਰਜਾ ਕੁਸ਼ਲਤਾ ਸੁਧਾਰਾਂ ਦੇ ਕਈ ਲਾਭ (PDF)

ਸ਼ਾਸਨ, ਪਾਰਦਰਸ਼ਤਾ, ਅਤੇ ਇਸ ਬਾਰੇ ਨਾਟਕ ਨਾ ਕਰਨਾ 🧾🌍

ਜੇਕਰ ਤੁਸੀਂ ਇੱਕ ਕੰਪਨੀ ਹੋ, ਤਾਂ ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਵਿਸ਼ਵਾਸ ਬਣਦਾ ਹੈ ਜਾਂ ਗੁਆਚਦਾ ਹੈ।.

ਇਹ ਉਹ ਹਿੱਸਾ ਹੈ ਜਿੱਥੇ ਲੋਕ ਆਪਣੀਆਂ ਅੱਖਾਂ ਘੁੰਮਾਉਂਦੇ ਹਨ, ਪਰ ਇਹ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ। ਜ਼ਿੰਮੇਵਾਰ ਤਕਨਾਲੋਜੀ ਸਿਰਫ਼ ਚਲਾਕ ਇੰਜੀਨੀਅਰਿੰਗ ਬਾਰੇ ਨਹੀਂ ਹੈ। ਇਹ ਇਹ ਵੀ ਹੈ ਕਿ ਵਪਾਰ ਦਾ ਦਿਖਾਵਾ ਨਾ ਕੀਤਾ ਜਾਵੇ ਕਿ ਕੋਈ ਵੀ ਸਮਝੌਤਾ ਮੌਜੂਦ ਨਹੀਂ ਹੈ।.

ਸਮਾਪਤੀ ਸਾਰ: ਏਆਈ ਵਾਤਾਵਰਣ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ ਇਸਦਾ ਇੱਕ ਸੰਖੇਪ ਸੰਖੇਪ 🌎✅

AI ਵਾਤਾਵਰਣ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ ਇਹ ਵਾਧੂ ਭਾਰ ਤੱਕ ਆਉਂਦਾ ਹੈ: ਬਿਜਲੀ, ਪਾਣੀ (ਕਈ ਵਾਰ), ਅਤੇ ਹਾਰਡਵੇਅਰ ਦੀ ਮੰਗ। IEA: ਊਰਜਾ ਅਤੇ AI Li et al. (2023): AI ਨੂੰ ਘੱਟ "ਪਿਆਸਾ" ਬਣਾਉਣਾ (PDF) ਇਹ ਦੂਜੇ ਖੇਤਰਾਂ ਵਿੱਚ ਨਿਕਾਸ ਅਤੇ ਰਹਿੰਦ-ਖੂੰਹਦ ਨੂੰ ਘਟਾਉਣ ਲਈ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਾਧਨ ਵੀ ਪੇਸ਼ ਕਰਦਾ ਹੈ। IEA: ਊਰਜਾ ਅਨੁਕੂਲਨ ਅਤੇ ਨਵੀਨਤਾ ਲਈ AI ਸ਼ੁੱਧ ਨਤੀਜਾ ਪੈਮਾਨੇ, ਗਰਿੱਡ ਸਫਾਈ, ਕੁਸ਼ਲਤਾ ਵਿਕਲਪਾਂ, ਅਤੇ ਕੀ AI ਅਸਲ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰ ਰਿਹਾ ਹੈ ਜਾਂ ਸਿਰਫ ਨਵੀਨਤਾ ਲਈ ਨਵੀਨਤਾ ਪੈਦਾ ਕਰ ਰਿਹਾ ਹੈ, 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। IEA: ਊਰਜਾ ਅਤੇ AI

ਜੇ ਤੁਸੀਂ ਸਭ ਤੋਂ ਸਰਲ ਵਿਹਾਰਕ ਉਪਾਅ ਚਾਹੁੰਦੇ ਹੋ:

  • ਮਾਪ।.

  • ਸੱਜੇ-ਆਕਾਰ।.

  • ਅਨੁਮਾਨ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਓ।.

  • ਹਾਰਡਵੇਅਰ ਦੀ ਉਮਰ ਵਧਾਓ।.

  • ਲੈਣ-ਦੇਣ ਬਾਰੇ ਸਪੱਸ਼ਟ ਰਹੋ।.

ਅਤੇ ਜੇਕਰ ਤੁਸੀਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਥੱਕੇ ਹੋਏ ਮਹਿਸੂਸ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਇੱਥੇ ਇੱਕ ਸ਼ਾਂਤ ਕਰਨ ਵਾਲੀ ਸੱਚਾਈ ਹੈ: ਛੋਟੇ ਸੰਚਾਲਨ ਫੈਸਲੇ, ਹਜ਼ਾਰ ਵਾਰ ਦੁਹਰਾਏ ਜਾਂਦੇ ਹਨ, ਆਮ ਤੌਰ 'ਤੇ ਇੱਕ ਵੱਡੇ ਸਥਿਰਤਾ ਕਥਨ ਨੂੰ ਮਾਤ ਦਿੰਦੇ ਹਨ। ਦੰਦ ਬੁਰਸ਼ ਕਰਨ ਵਾਂਗ। ਗਲੈਮਰਸ ਨਹੀਂ, ਪਰ ਇਹ ਕੰਮ ਕਰਦਾ ਹੈ... 😄🪥

ਅਕਸਰ ਪੁੱਛੇ ਜਾਂਦੇ ਸਵਾਲ

AI ਸਿਰਫ਼ ਵੱਡੀਆਂ ਖੋਜ ਪ੍ਰਯੋਗਸ਼ਾਲਾਵਾਂ ਵਿੱਚ ਹੀ ਨਹੀਂ, ਸਗੋਂ ਰੋਜ਼ਾਨਾ ਵਰਤੋਂ ਵਿੱਚ ਵਾਤਾਵਰਣ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ?

AI ਦੇ ਜ਼ਿਆਦਾਤਰ ਪੈਰਾਂ ਦੇ ਨਿਸ਼ਾਨ ਉਸ ਬਿਜਲੀ ਤੋਂ ਆਉਂਦੇ ਹਨ ਜੋ ਸਿਖਲਾਈ ਅਤੇ ਰੋਜ਼ਾਨਾ "ਅਨੁਮਾਨ" ਦੋਵਾਂ ਦੌਰਾਨ GPU ਅਤੇ CPU ਚਲਾਉਣ ਵਾਲੇ ਡੇਟਾ ਸੈਂਟਰਾਂ ਨੂੰ ਸ਼ਕਤੀ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ। ਇੱਕ ਸਿੰਗਲ ਬੇਨਤੀ ਮਾਮੂਲੀ ਹੋ ਸਕਦੀ ਹੈ, ਪਰ ਪੈਮਾਨੇ 'ਤੇ ਉਹ ਬੇਨਤੀਆਂ ਤੇਜ਼ੀ ਨਾਲ ਇਕੱਠੀਆਂ ਹੁੰਦੀਆਂ ਹਨ। ਪ੍ਰਭਾਵ ਇਸ ਗੱਲ 'ਤੇ ਵੀ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਡੇਟਾ ਸੈਂਟਰ ਕਿੱਥੇ ਬੈਠਦਾ ਹੈ, ਸਥਾਨਕ ਗਰਿੱਡ ਕਿੰਨਾ ਸਾਫ਼ ਹੈ, ਅਤੇ ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਕਿੰਨੀ ਕੁਸ਼ਲਤਾ ਨਾਲ ਚਲਾਇਆ ਜਾਂਦਾ ਹੈ।.

ਕੀ ਏਆਈ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ ਵਾਤਾਵਰਣ ਲਈ ਇਸਦੀ ਵਰਤੋਂ ਨਾਲੋਂ ਮਾੜਾ ਹੈ (ਅਨੁਮਾਨ)?

ਸਿਖਲਾਈ ਗਣਨਾ ਦਾ ਇੱਕ ਵੱਡਾ, ਪਹਿਲਾਂ ਤੋਂ ਕੀਤਾ ਜਾਣ ਵਾਲਾ ਵਿਸਫੋਟ ਹੋ ਸਕਦਾ ਹੈ, ਪਰ ਅਨੁਮਾਨ ਸਮੇਂ ਦੇ ਨਾਲ ਵੱਡਾ ਪ੍ਰਭਾਵ ਬਣ ਸਕਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਨਿਰੰਤਰ ਅਤੇ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਚੱਲਦਾ ਹੈ। ਜੇਕਰ ਇੱਕ ਟੂਲ ਹਰ ਰੋਜ਼ ਲੱਖਾਂ ਲੋਕਾਂ ਦੁਆਰਾ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਵਾਰ-ਵਾਰ ਕੀਤੀਆਂ ਜਾਣ ਵਾਲੀਆਂ ਬੇਨਤੀਆਂ ਇੱਕ ਵਾਰ ਦੀ ਸਿਖਲਾਈ ਲਾਗਤ ਤੋਂ ਵੱਧ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸੇ ਲਈ ਅਨੁਕੂਲਤਾ ਅਕਸਰ ਅਨੁਮਾਨ ਕੁਸ਼ਲਤਾ 'ਤੇ ਕੇਂਦ੍ਰਿਤ ਹੁੰਦੀ ਹੈ।.

ਏਆਈ ਪਾਣੀ ਦੀ ਵਰਤੋਂ ਕਿਉਂ ਕਰਦਾ ਹੈ, ਅਤੇ ਕੀ ਇਹ ਹਮੇਸ਼ਾ ਇੱਕ ਸਮੱਸਿਆ ਹੁੰਦੀ ਹੈ?

AI ਪਾਣੀ ਦੀ ਵਰਤੋਂ ਮੁੱਖ ਤੌਰ 'ਤੇ ਇਸ ਲਈ ਕਰ ਸਕਦਾ ਹੈ ਕਿਉਂਕਿ ਕੁਝ ਡੇਟਾ ਸੈਂਟਰ ਪਾਣੀ-ਅਧਾਰਤ ਕੂਲਿੰਗ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ, ਜਾਂ ਕਿਉਂਕਿ ਬਿਜਲੀ ਉਤਪਾਦਨ ਦੁਆਰਾ ਪਾਣੀ ਦੀ ਅਸਿੱਧੇ ਤੌਰ 'ਤੇ ਖਪਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਕੁਝ ਖਾਸ ਮੌਸਮਾਂ ਵਿੱਚ, ਵਾਸ਼ਪੀਕਰਨ ਕੂਲਿੰਗ ਪਾਣੀ ਦੀ ਵਰਤੋਂ ਨੂੰ ਵਧਾਉਂਦੇ ਹੋਏ ਬਿਜਲੀ ਦੀ ਵਰਤੋਂ ਨੂੰ ਘਟਾ ਸਕਦੀ ਹੈ, ਇੱਕ ਅਸਲੀ ਵਪਾਰ ਪੈਦਾ ਕਰਦੀ ਹੈ। ਕੀ ਇਹ "ਮਾੜਾ" ਹੈ ਇਹ ਸਥਾਨਕ ਪਾਣੀ ਦੀ ਕਮੀ, ਕੂਲਿੰਗ ਡਿਜ਼ਾਈਨ, ਅਤੇ ਕੀ ਪਾਣੀ ਦੀ ਵਰਤੋਂ ਨੂੰ ਮਾਪਿਆ ਅਤੇ ਪ੍ਰਬੰਧਿਤ ਕੀਤਾ ਗਿਆ ਹੈ, 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ।.

AI ਦੇ ਵਾਤਾਵਰਣ ਪ੍ਰਭਾਵ ਦੇ ਕਿਹੜੇ ਹਿੱਸੇ ਹਾਰਡਵੇਅਰ ਅਤੇ ਈ-ਕੂੜੇ ਤੋਂ ਆਉਂਦੇ ਹਨ?

ਏਆਈ ਚਿੱਪਸ, ਸਰਵਰਾਂ, ਨੈੱਟਵਰਕਿੰਗ ਗੀਅਰ, ਇਮਾਰਤਾਂ ਅਤੇ ਸਪਲਾਈ ਚੇਨਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ - ਜਿਸਦਾ ਅਰਥ ਹੈ ਮਾਈਨਿੰਗ, ਨਿਰਮਾਣ, ਸ਼ਿਪਿੰਗ, ਅਤੇ ਅੰਤਮ ਨਿਪਟਾਰੇ। ਸੈਮੀਕੰਡਕਟਰ ਨਿਰਮਾਣ ਊਰਜਾ-ਸੰਘਣੀ ਹੈ, ਅਤੇ ਤੇਜ਼ ਅਪਗ੍ਰੇਡ ਚੱਕਰ ਇਮੂਬਾਈਡਡ ਨਿਕਾਸ ਅਤੇ ਈ-ਕੂੜੇ ਨੂੰ ਵਧਾ ਸਕਦੇ ਹਨ। ਹਾਰਡਵੇਅਰ ਦੀ ਉਮਰ ਵਧਾਉਣਾ, ਨਵੀਨੀਕਰਨ ਕਰਨਾ, ਅਤੇ ਵਰਤੋਂ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨਾ ਪ੍ਰਭਾਵ ਨੂੰ ਕਾਫ਼ੀ ਘਟਾ ਸਕਦਾ ਹੈ, ਕਈ ਵਾਰ ਮਾਡਲ-ਪੱਧਰ ਦੇ ਬਦਲਾਅ ਦਾ ਮੁਕਾਬਲਾ ਕਰਦਾ ਹੈ।.

ਕੀ ਨਵਿਆਉਣਯੋਗ ਊਰਜਾ ਦੀ ਵਰਤੋਂ AI ਦੇ ਵਾਤਾਵਰਣ ਪ੍ਰਭਾਵ ਨੂੰ ਹੱਲ ਕਰਦੀ ਹੈ?

ਸਾਫ਼ ਬਿਜਲੀ ਕੰਪਿਊਟ ਤੋਂ ਨਿਕਾਸ ਨੂੰ ਘਟਾ ਸਕਦੀ ਹੈ, ਪਰ ਇਹ ਪਾਣੀ ਦੀ ਵਰਤੋਂ, ਹਾਰਡਵੇਅਰ ਨਿਰਮਾਣ, ਅਤੇ ਈ-ਕੂੜੇ ਵਰਗੇ ਹੋਰ ਪ੍ਰਭਾਵਾਂ ਨੂੰ ਨਹੀਂ ਮਿਟਾਉਂਦੀ। ਇਹ ਆਪਣੇ ਆਪ "ਰੀਬਾਉਂਡ ਪ੍ਰਭਾਵਾਂ" ਨੂੰ ਵੀ ਸੰਬੋਧਿਤ ਨਹੀਂ ਕਰਦੀ, ਜਿੱਥੇ ਘੱਟ ਲਾਗਤ ਵਾਲਾ ਕੰਪਿਊਟ ਸਮੁੱਚੇ ਤੌਰ 'ਤੇ ਵਧੇਰੇ ਵਰਤੋਂ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ। ਨਵਿਆਉਣਯੋਗ ਊਰਜਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਲੀਵਰ ਹਨ, ਪਰ ਉਹ ਫੁੱਟਪ੍ਰਿੰਟ ਸਟੈਕ ਦਾ ਸਿਰਫ ਇੱਕ ਹਿੱਸਾ ਹਨ।.

ਰੀਬਾਉਂਡ ਪ੍ਰਭਾਵ ਕੀ ਹੈ, ਅਤੇ ਇਹ AI ਅਤੇ ਸਥਿਰਤਾ ਲਈ ਕਿਉਂ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ?

ਰੀਬਾਉਂਡ ਪ੍ਰਭਾਵ ਉਦੋਂ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਵਾਧਾ ਕਿਸੇ ਚੀਜ਼ ਨੂੰ ਸਸਤਾ ਜਾਂ ਆਸਾਨ ਬਣਾਉਂਦਾ ਹੈ, ਇਸ ਲਈ ਲੋਕ ਇਸਦਾ ਜ਼ਿਆਦਾ ਇਸਤੇਮਾਲ ਕਰਦੇ ਹਨ - ਕਈ ਵਾਰ ਬੱਚਤ ਨੂੰ ਖਤਮ ਕਰ ਦਿੰਦੇ ਹਨ। AI ਦੇ ਨਾਲ, ਸਸਤਾ ਉਤਪਾਦਨ ਜਾਂ ਆਟੋਮੇਸ਼ਨ ਸਮੱਗਰੀ, ਕੰਪਿਊਟ ਅਤੇ ਸੇਵਾਵਾਂ ਦੀ ਕੁੱਲ ਮੰਗ ਨੂੰ ਵਧਾ ਸਕਦਾ ਹੈ। ਇਸ ਲਈ ਅਭਿਆਸ ਵਿੱਚ ਨਤੀਜਿਆਂ ਨੂੰ ਮਾਪਣਾ ਇਕੱਲਤਾ ਵਿੱਚ ਕੁਸ਼ਲਤਾ ਦਾ ਜਸ਼ਨ ਮਨਾਉਣ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ।.

ਉਤਪਾਦ ਨੂੰ ਨੁਕਸਾਨ ਪਹੁੰਚਾਏ ਬਿਨਾਂ AI ਪ੍ਰਭਾਵ ਨੂੰ ਘਟਾਉਣ ਦੇ ਕਿਹੜੇ ਵਿਹਾਰਕ ਤਰੀਕੇ ਹਨ?

ਇੱਕ ਆਮ ਪਹੁੰਚ ਇਹ ਹੈ ਕਿ ਮਾਪ (ਊਰਜਾ ਅਤੇ ਕਾਰਬਨ ਅਨੁਮਾਨ, ਉਪਯੋਗਤਾ) ਨਾਲ ਸ਼ੁਰੂਆਤ ਕੀਤੀ ਜਾਵੇ, ਫਿਰ ਕੰਮ ਲਈ ਸਹੀ-ਆਕਾਰ ਦੇ ਮਾਡਲ ਬਣਾਏ ਜਾਣ ਅਤੇ ਕੈਚਿੰਗ, ਬੈਚਿੰਗ, ਅਤੇ ਛੋਟੇ ਆਉਟਪੁੱਟ ਨਾਲ ਅਨੁਮਾਨ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਇਆ ਜਾਵੇ। ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ, ਡਿਸਟਿਲੇਸ਼ਨ, ਅਤੇ ਪ੍ਰਾਪਤੀ-ਵਧਾਈ ਗਈ ਪੀੜ੍ਹੀ ਵਰਗੀਆਂ ਤਕਨੀਕਾਂ ਕੰਪਿਊਟ ਜ਼ਰੂਰਤਾਂ ਨੂੰ ਘਟਾ ਸਕਦੀਆਂ ਹਨ। ਕਾਰਜਸ਼ੀਲ ਵਿਕਲਪ - ਜਿਵੇਂ ਕਿ ਕਾਰਬਨ ਤੀਬਰਤਾ ਅਤੇ ਲੰਬੇ ਹਾਰਡਵੇਅਰ ਜੀਵਨ ਕਾਲ ਦੁਆਰਾ ਵਰਕਲੋਡ ਸ਼ਡਿਊਲਿੰਗ - ਅਕਸਰ ਵੱਡੀਆਂ ਜਿੱਤਾਂ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ।.

ਏਆਈ ਵਾਤਾਵਰਣ ਨੂੰ ਨੁਕਸਾਨ ਪਹੁੰਚਾਉਣ ਦੀ ਬਜਾਏ ਉਸਦੀ ਕਿਵੇਂ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ?

AI ਅਸਲ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ ਤੈਨਾਤ ਕੀਤੇ ਜਾਣ 'ਤੇ ਨਿਕਾਸ ਅਤੇ ਰਹਿੰਦ-ਖੂੰਹਦ ਨੂੰ ਘਟਾ ਸਕਦਾ ਹੈ: ਗਰਿੱਡ ਪੂਰਵ ਅਨੁਮਾਨ, ਮੰਗ ਪ੍ਰਤੀਕਿਰਿਆ, ਬਿਲਡਿੰਗ HVAC ਨਿਯੰਤਰਣ, ਲੌਜਿਸਟਿਕਸ ਰੂਟਿੰਗ, ਭਵਿੱਖਬਾਣੀ ਰੱਖ-ਰਖਾਅ, ਅਤੇ ਲੀਕ ਖੋਜ। ਇਹ ਜੰਗਲਾਂ ਦੀ ਕਟਾਈ ਚੇਤਾਵਨੀਆਂ ਅਤੇ ਮੀਥੇਨ ਖੋਜ ਵਰਗੇ ਵਾਤਾਵਰਣ ਨਿਗਰਾਨੀ ਦਾ ਵੀ ਸਮਰਥਨ ਕਰ ਸਕਦਾ ਹੈ। ਮੁੱਖ ਗੱਲ ਇਹ ਹੈ ਕਿ ਕੀ ਸਿਸਟਮ ਫੈਸਲਿਆਂ ਨੂੰ ਬਦਲਦਾ ਹੈ ਅਤੇ ਮਾਪਣਯੋਗ ਕਟੌਤੀਆਂ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਨਾ ਕਿ ਸਿਰਫ਼ ਬਿਹਤਰ ਡੈਸ਼ਬੋਰਡ।.

AI ਦਾਅਵਿਆਂ ਨੂੰ "ਗ੍ਰੀਨਵਾਸ਼ਿੰਗ" ਤੋਂ ਬਚਣ ਲਈ ਕੰਪਨੀਆਂ ਨੂੰ ਕਿਹੜੇ ਮਾਪਦੰਡਾਂ ਦੀ ਰਿਪੋਰਟ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ?

ਪ੍ਰਤੀ-ਕਾਰਜ ਜਾਂ ਪ੍ਰਤੀ-ਬੇਨਤੀ ਮੈਟ੍ਰਿਕਸ ਦੀ ਰਿਪੋਰਟ ਕਰਨਾ ਸਿਰਫ਼ ਵੱਡੇ ਕੁੱਲ ਸੰਖਿਆਵਾਂ ਦੀ ਬਜਾਏ ਵਧੇਰੇ ਅਰਥਪੂਰਨ ਹੈ, ਕਿਉਂਕਿ ਇਹ ਯੂਨਿਟ ਪੱਧਰ 'ਤੇ ਕੁਸ਼ਲਤਾ ਦਰਸਾਉਂਦਾ ਹੈ। ਊਰਜਾ ਦੀ ਵਰਤੋਂ, ਕਾਰਬਨ ਅਨੁਮਾਨ, ਵਰਤੋਂ, ਅਤੇ - ਜਿੱਥੇ ਢੁਕਵਾਂ ਹੋਵੇ - ਪਾਣੀ ਦੇ ਪ੍ਰਭਾਵਾਂ ਨੂੰ ਟਰੈਕ ਕਰਨਾ ਸਪੱਸ਼ਟ ਜਵਾਬਦੇਹੀ ਬਣਾਉਂਦਾ ਹੈ। ਇਹ ਵੀ ਮਹੱਤਵਪੂਰਨ ਹੈ: ਸੀਮਾਵਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ (ਕੀ ਸ਼ਾਮਲ ਹੈ) ਅਤੇ ਬਿਨਾਂ ਮਾਤਰਾ ਵਾਲੇ ਸਬੂਤਾਂ ਦੇ "ਈਕੋ-ਅਨੁਕੂਲ AI" ਵਰਗੇ ਅਸਪਸ਼ਟ ਲੇਬਲਾਂ ਤੋਂ ਬਚੋ।.

ਹਵਾਲੇ

  1. ਅੰਤਰਰਾਸ਼ਟਰੀ ਊਰਜਾ ਏਜੰਸੀ (IEA) - ਊਰਜਾ ਅਤੇ AI - iea.org

  2. ਅੰਤਰਰਾਸ਼ਟਰੀ ਊਰਜਾ ਏਜੰਸੀ (IEA) - ਊਰਜਾ ਅਨੁਕੂਲਨ ਅਤੇ ਨਵੀਨਤਾ ਲਈ AI - iea.org

  3. ਅੰਤਰਰਾਸ਼ਟਰੀ ਊਰਜਾ ਏਜੰਸੀ (IEA) - ਡਿਜੀਟਲਾਈਜ਼ੇਸ਼ਨ - iea.org

  4. ਲਾਰੈਂਸ ਬਰਕਲੇ ਨੈਸ਼ਨਲ ਲੈਬਾਰਟਰੀ (LBNL) - ਸੰਯੁਕਤ ਰਾਜ ਡੇਟਾ ਸੈਂਟਰ ਊਰਜਾ ਵਰਤੋਂ ਰਿਪੋਰਟ (2024) (PDF) - lbl.gov

  5. ਲੀ ਅਤੇ ਹੋਰ - ਏਆਈ ਨੂੰ ਘੱਟ "ਪਿਆਸਾ" ਬਣਾਉਣਾ (2023) (PDF) - arxiv.org

  6. ASHRAE (TC 9.9) - ਮੁੱਖ ਧਾਰਾ ਡੇਟਾ ਸੈਂਟਰਾਂ ਵਿੱਚ ਤਰਲ ਕੂਲਿੰਗ ਦਾ ਉਭਾਰ ਅਤੇ ਵਿਸਥਾਰ (PDF) - ashrae.org

  7. ਗ੍ਰੀਨ ਗਰਿੱਡ - PUE-ਮੈਟ੍ਰਿਕ ਦੀ ਇੱਕ ਵਿਆਪਕ ਪ੍ਰੀਖਿਆ - thegreengrid.org

  8. ਅਮਰੀਕੀ ਊਰਜਾ ਵਿਭਾਗ (DOE) - FEMP - ਸੰਘੀ ਡੇਟਾ ਸੈਂਟਰਾਂ ਲਈ ਠੰਢਾ ਪਾਣੀ ਕੁਸ਼ਲਤਾ ਦੇ ਮੌਕੇ - energy.gov

  9. ਅਮਰੀਕੀ ਊਰਜਾ ਵਿਭਾਗ (DOE) - FEMP - ਡੇਟਾ ਸੈਂਟਰਾਂ ਵਿੱਚ ਊਰਜਾ ਕੁਸ਼ਲਤਾ - energy.gov

  10. ਅਮਰੀਕੀ ਵਾਤਾਵਰਣ ਸੁਰੱਖਿਆ ਏਜੰਸੀ (EPA) - ਸੈਮੀਕੰਡਕਟਰ ਉਦਯੋਗ - epa.gov

  11. ਅੰਤਰਰਾਸ਼ਟਰੀ ਦੂਰਸੰਚਾਰ ਯੂਨੀਅਨ (ITU) - ਗਲੋਬਲ ਈ-ਵੇਸਟ ਮਾਨੀਟਰ 2024 - itu.int

  12. OECD - ਊਰਜਾ ਕੁਸ਼ਲਤਾ ਸੁਧਾਰਾਂ ਦੇ ਕਈ ਲਾਭ (2012) (PDF) - oecd.org

  13. ਕਾਰਬਨ ਇੰਟੈਂਸਿਟੀ API (GB) - carbonintensity.org.uk

  14. imec - ਚਿੱਪ ਨਿਰਮਾਣ ਵਿੱਚ ਵਾਤਾਵਰਣ ਪ੍ਰਭਾਵ ਨੂੰ ਘਟਾਉਣਾ - imec-int.com

  15. UNEP - MARS ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ - unep.org

  16. ਗਲੋਬਲ ਫਾਰੈਸਟ ਵਾਚ - ਜੰਗਲਾਂ ਦੀ ਕਟਾਈ ਬਾਰੇ ਖੁਸ਼ੀ ਦੀਆਂ ਚੇਤਾਵਨੀਆਂ - globalforestwatch.org

  17. ਐਲਨ ਟਿਊਰਿੰਗ ਇੰਸਟੀਚਿਊਟ - ਜੈਵ ਵਿਭਿੰਨਤਾ ਅਤੇ ਈਕੋਸਿਸਟਮ ਸਿਹਤ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਏਆਈ ਅਤੇ ਆਟੋਨੋਮਸ ਸਿਸਟਮ - turing.ac.uk

  18. ਕੋਡਕਾਰਬਨ - ਵਿਧੀ - mlco2.github.io

  19. ਘੋਲਾਮੀ ਅਤੇ ਹੋਰ - ਕੁਆਂਟਾਇਜ਼ੇਸ਼ਨ ਵਿਧੀਆਂ ਦਾ ਸਰਵੇਖਣ (2021) (PDF) - arxiv.org

  20. ਲੇਵਿਸ ਅਤੇ ਹੋਰ - ਪ੍ਰਾਪਤੀ-ਵਧਾਈ ਗਈ ਪੀੜ੍ਹੀ (2020) - arxiv.org

  21. ਹਿੰਟਨ ਅਤੇ ਹੋਰ - ਇੱਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਵਿੱਚ ਗਿਆਨ ਨੂੰ ਡਿਸਟਿਲ ਕਰਨਾ (2015) - arxiv.org

  22. ਕੋਡਕਾਰਬਨ - codecarbon.io

ਅਧਿਕਾਰਤ AI ਸਹਾਇਕ ਸਟੋਰ 'ਤੇ ਨਵੀਨਤਮ AI ਲੱਭੋ

ਸਾਡੇ ਬਾਰੇ

ਬਲੌਗ ਤੇ ਵਾਪਸ ਜਾਓ