معالجة مشكلة تغيُّر المناخ بسبب الذكاء الاصطناعي
صناعة الذكاء الاصطناعي يمكن أن تصبح قريباً واحدةً من أكبر الجهات المساهمة في انبعاثات الكربون، إذا استمرت الاتجاهات الحالية.
نيكلاس سوندبيرغ
في عصر يحدِّده كل من وعد الابتكار التكنولوجي وتهديد تغير المناخ، برز الذكاء الاصطناعي كأداة قيمة وكتحدٍّ صعب. وبينما نستخدم الذكاء الاصطناعي لمعالجة المشكلات الصعبة، يجب علينا أيضاً أن نتعامل مع تكلفته البيئية الخفية، وأن ننظر في الحلول التي ستسمح لنا بتسخير إمكاناته مع التخفيف من تأثيرها المناخي.
أثار نجاح نموذج اللغة تشات جي بي تي ChatGPT من أوبن إيه آي OpenAI، والذي تدعمه مايكروسوفت Microsoft، سباقَ تسلُّح تكنولوجي، إذ استثمرت شركات التكنولوجيا العملاقة استثمارات هائلة في بناء أنظمة معالجة اللغة الطبيعية Natural language processing systems الخاصة بها. لكن البحث عن آلات أكثر ذكاء سرعان ما يصطدم بشبكة من تحديات الاستدامة. يتسم الذكاء الاصطناعي ببصمة كربونية سريعة النمو، تنبع من شهيته الشرهة إلى الطاقة والتكلفة الكربونية لتصنيع الأجهزة التي تستخدمها. منذ العام 2012 استخدَمت عملياتُ تدريب الذكاء الاصطناعي الأكثر شمولاً قوةَ حوسبة أكبر بقدر كبير، تتضاعف كل 3.4 أشهر في المتوسط.((AI and Compute,” OpenAI, May 16, 2018, https://openai.com.))
التكلفة البيئية للذكاء الاصطناعي
في الأغلب يحدث تجاهل التأثير البيئي لتكنولوجيا المعلومات، على الرغم من أن مراكز البيانات وشبكات النقل تمثل 1% إلى 1.5% من استخدام الكهرباء العالمي. كما أنها تمثل 0.6% من انبعاثات الكربون العالمية، التي يجب خفضها إلى النصف لتحقيق سيناريو صافي انبعاثات صفرية Net-zero emissions scenario بحلول العام 2050، وفق وكالة الطاقة الدولية International Energy Agency.((“Data Centers and Data Transmission Networks,” International Energy Agency, accessed Oct. 16, 2023, www.iea.org; and D. Patterson, J. Gonzalez, Q. Le, et al., “Carbon Emissions and Large Neural Network Training,” Arxiv, April 23, 2021, https://arxiv.org.)) يستهلك مركز بيانات متوسط واحد ما يعادل تدفئة 50,000 منزل سنوياً. والنفايات الإلكترونية هي تيار النفايات الأسرع نمواً في العالم، إذ يصل إلى 57 مليون طن تُنتَج كل عام، وهو وزن سور الصين العظيم نفسه تقريباً.((O. Rosane, “This Year’s E-Waste to Outweigh Great Wall of China,” World Economic Forum, Oct. 18, 2021, www.weforum.org.))
تساهم عدة عوامل في البصمة الكربونية لأنظمة الذكاء الاصطناعي طوال دورات حياتها:
النماذج الكبيرة والمعقدة Large and complex models: تتطلب نماذج اللغة الكبيرة Large language models (LLMs) عشرات الآلاف من الرقائق المتطورة العالية الأداء للتدريب وللرد على الاستفسارات، ما يؤدي إلى ارتفاع استهلاك الطاقة وانبعاثات الكربون. وكلما زاد تعقيد النموذج، زاد الوقت المستغرق في إنجاز المهام، ما يؤدي إلى زيادة استهلاك الطاقة.((R. Cho, “AI’s Growing Carbon Footprint,” State of the Planet, June 9, 2023, https://news.climate.columbia.edu.)) تُعَد نماذج اللغة الكبيرة مثل Chat GPT من بين نماذج الذكاء الاصطناعي الأكثر تعقيداً وتكلفة من الناحية الحوسبية. أصبحت قدرات GPT-3، نموذج اللغة الكبير من OpenAI، ممكنة بفضل نموذجها البالغ 175 بليون مُعامِل Parameter، ويُعَد أحد أكبر النماذج عند إطلاقه. وتشير التقديرات إلى أن تدريبه وحده استخدم 1.3 غيغاوات/ساعة من الطاقة (أي ما يعادل متوسط الاستهلاك السنوي لـ120 أسرة أمريكية) وولّد 552 طناً من انبعاثات الكربون (أي ما يعادل الانبعاثات السنوية لـ120 سيارة أمريكية).((Patterson, “Carbon Emissions and Large Neural Network Training.”)) ويُشَاع أن أحدث طراز من OpenAI، GPT-4، أكبر بـ10 مرات.((M. Schreiner, “GPT-4 Architecture, Datasets, Costs and More Leaked,” The Decoder, July 11, 2023, https://the-decoder.com.))
تخزين البيانات ومعالجتها Data storage and processing: إن مجموعات البيانات المطلوبة لتدريب نماذج الذكاء الاصطناعي وتشغيلها كبيرة ومعقدة، ما يؤدي إلى ارتفاع استهلاك الطاقة وانبعاثات الكربون. يستهلك تخزين البيانات وتشغيل وحدة المعالجة المركزية CPU وتشغيل الشرائح Chips معظم الطاقة في مراكز البيانات. إضافةً إلى ذلك يعمل نحو 40% من الكهرباء المستخدمة في مراكز البيانات على تشغيل مكيفات الهواء الكبيرة، وهي ضرورية للحفاظ على برودة الخوادم Servers وتشغيلها. يحتوي فالكون 180ب Falcon 180B، وهو نموذج لغة كبير مفتوح الوصول Open access أُطلِق أخيراً، على 180 بليون مُعامِل (شبيه بـ GPT-3) ودُرِّب على مجموعة بيانات تبلغ 3.5 تريليون رمز مميز Token (مقارنة بـ499 بليون رمز مميز لدى GPT-3).((Schmid, O. Sanseviero, P. Cuenca, et al., “Spread Your Wings: Falcon 180B Is Here,” Hugging Face, Sept. 6, 2023, https://huggingface.co.)) وتشير التقديرات إلى أن تدريب هذا النموذج على مجموعة البيانات الكبيرة هذه قد ولَّد ما يقدَّر بنحو 1,870 طناً من انبعاثات الكربون، أي ما يعادل تدفئة 350 أسرة أمريكية مدة سنة، بافتراض مزيج طاقة Energy mix نموذجي أمريكي.((This figure is based on the author’s calculations, given reasonable assumptions regarding GPU energy demands and energy mix.))
مصادر الطاقة Energy sources: تحدد كثافة الكربون الخاصة بمصادر الطاقة المستخدمة لتشغيل أنظمة الذكاء الاصطناعي بصمتها الكربونية Carbon footprint. يمكن أن يكون لمراكز البيانات التي يمكنها الاعتماد على مصادر الطاقة المتجددة آثار كربونية أقل من تلك التي لا تفعل حتى لو كان استهلاكها للطاقة مشابهاً.
استهلاك المياه Water consumption: تتجاوز الآثار البيئية للذكاء الاصطناعي وغيره من تكنولوجيات المعلومات انبعاثات الكربون. تستخدم مراكز البيانات كميات كبيرة من المياه في أبراج التبريد Cooling towers وأنظمة التدفئة والتهوية وتكييف الهواء HVAC systems لمنع ارتفاع درجة حرارة الخوادم والمعدات Equipment الحيوية الأخرى. وتزيد متطلبات الحوسبة والبيانات المكثفة لنماذج الذكاء الاصطناعي فقط من استهلاك مراكز البيانات للمياه. وكشفت مايكروسوفت Microsoft في أحدث تقرير بيئي لها أن استخدامها العالمي للمياه زاد بنسبة 34% من العام 2021 إلى العام 2022 (إلى ما يقرب من 1.7 بليون جالون، أو أكثر من 2,500 حمام سباحة أولمبي). وأبلغت غوغل Google عن زيادة بنسبة 20% في استخدام المياه خلال الفترة نفسها، في زيادة ربطها خبراء خارجيون بتطويرها الذكاء الاصطناعي.((M. O’Brien and H. Fingerhut, “Artificial Intelligence Technology Behind ChatGPT Was Built in Iowa — With a Lot of Water,” Associated Press, Sept. 9, 2023, https://apnews.com.)) هذا اتجاه مقلق للشركات التي وضعت أهدافاً بيئية واجتماعية وحوكمية Environmental, social, and governance (اختصاراً: الأهداف ESG) طموحة تشمل تقليص الكربون والمياه العذبة في محيطها بحلول العام 2030.
الأجهزة Hardware: يساهم إنتاج أجهزة الذكاء الاصطناعي والتخلص منها في انبعاثات الكربون ومشكلة النفايات الإلكترونية المتنامية.((P. Dhar, “The Carbon Impact of Artificial Intelligence,” Nature Machine Intelligence 2, no. 8 (August 2020): 423-425.)) من المتوقَّع أن يصل الحجم العالمي للنفايات الإلكترونية إلى 120 مليون طن سنوياً بحلول العام 2050، أي ضعف ما هو عليه حالياً. وتبلغ القيمة المادية للنفايات الإلكترونية نفسها – التي يُعَاد تدوير 20% منها رسمياً – نحو 62.5 بليون دولار.((“A New Circular Vision for Electronics: Time for a Global Reboot,” PDF file (Geneva: World Economic Forum, January 2019), https://www.weforum.org.)) ويمكن لإعادة تدوير هذه الموارد والاحتفاظ بمزيد من هذه القيمة أن تفتح الأبواب أمام اقتصاد أكثر قوة واستدامة، ما يقلل من الحاجة إلى استخراج مزيد من المواد المستخدمة في تصنيعها وإبعادها عن مدافن النفايات.
لا يعني هذا أننا يجب أن نوقف تطوير نماذج الذكاء الاصطناعي واستخدامها لحماية المناخ. على الرغم من هذه التكاليف البيئية الكبيرة، يثبت الذكاء الاصطناعي أيضاً أنه أداة حيوية في تعزيز الاستدامة والتصدي لتغير المناخ. يُستخدَم الذكاء الاصطناعي لتحقيق أقصى استفادة من مصادر الطاقة المتجددة مثل طاقة الرياح والطاقة الشمسية وتطوير شبكات ذكية تُوازن بين العرض والطلب في مجال الطاقة.((E. Mehlum, D. Hischier, and M. Caine, “This Is How AI Will Accelerate the Energy Transition,” World Economic Forum, Sept. 1, 2021, https://www.weforum.org.)) وتساعد الحلول التي تعمل بالذكاء الاصطناعي المزارعين على زيادة المحاصيل الزراعية مع استخدام عدد أقل من المبيدات الحشرية والأسمدة، ما يؤدي إلى أساليب زراعية أكثر ملاءمة للبيئة.((M. Javaid, A. Haleem, I. Haleem Khan, et al., “Understanding the Potential Applications of Artificial Intelligence in Agriculture Sector,” Advanced Agrochem 2, no. 1 (March 2023): 15-30.)) ويُستخدَم الذكاء الاصطناعي لتحسين الخدمات اللوجستية وتقليل النفايات في سلاسل الإمداد، ولمراقبة التنظيمات البيئية وفرضها، ولتحسين عمليات مراكز البيانات من خلال خوارزميات تعلُّم الآلة التي تعمل ديناميكياً على ضبط إعدادات درجات الحرارة، وتوزيع أحمال العمل، واستخدام الخوادم.((Cho, “AI’s Growing Carbon Footprint”; and N. Sundberg, “Sustainable IT Playbook for Technology Leaders” (Birmingham, U.K.: Packt Publishing, 2022).))
يمكن أن تفوق مساهمات الذكاء الاصطناعي في حل أزمة المناخ آثارَه المناخية السلبية، لكن فقط إذا تبنت صناعة الذكاء الاصطناعي ممارسات تؤكد على استدامة بيئية واجتماعية وحوكمية، وجعلت الاستدامة مركزية في إرشادات أخلاقيات الذكاء الاصطناعي، وبحثت بنشاط عن فرص للحد من البصمة البيئية لتكنولوجيات الذكاء الاصطناعي. يجب أن يكون مستخدمو الذكاء الاصطناعي أيضاً على دراية بالعوامل التي تساهم في الآثار البيئية لهذه الأدوات من أجل توجيه استخدامهم لها، وإضافة الاستدامة إلى قائمة المعايير التي يستخدمونها لتقييم بائعي الذكاء الاصطناعي.
وتُعَد الشفافية أمراً بالغ الأهمية، ويجب نشر مقاييس موثوق بها لاستخدام الطاقة وانبعاثات الكربون في النماذج الجديدة لزيادة الوعي بها وتشجيع مطوري الذكاء الاصطناعي على التنافس على استدامة النماذج. كثير مما نعرفه فيما يتعلق بانبعاثات الكربون واستخدام الطاقة من قبل نماذج الذكاء الاصطناعي يتحقق من خلال التقديرات المحسوبة من قِبل أطراف ثالثة بدلاً من الأرقام التي يبلغ عنها مطورو النماذج أنفسهم، وهذا يجب أن يتغير. يمكن أن تساعد الأدوات المتاحة حالياً، مثل حاسبة انبعاثات تعلُّم الآلة Machine Learning Emissions Calculator، مهندسي الذكاء الاصطناعي على محاكاة انبعاثات الكربون على نماذج تعمل بالذكاء الاصطناعي بناء على متغيرات مثل الأجهزة وعدد الساعات والمزود والموقع. ويقترح باحثون من غوغل استكشاف أربع من أفضل الممارسات التقنية التي يشيرون إليها باسم فور إمس 4Ms – النموذج Model والآلة Machine والميكنة Mechanization وأمثلة الخرائط Map optimization – والتي يقلل كل منها على حدة من انبعاثات الطاقة والكربون. ويزعمون أن اتباع أفضل الممارسات هذه يمكن أن يقلل من طاقة التدريب على تعلُّم الآلة بما يصل إلى مئة ضعف وانبعاثات ثاني أكسيد الكربون بنسبة تصل إلى ألف ضعف.((D. Patterson, J. Gonzalez, U. Hölzle, et al., “The Carbon Footprint of Machine Learning Training Will Plateau, Then Shrink,” Computer 55, no. 7 (July 2022): 18-28.))
نقل الموقع وتصحيح الحجم وإعادة تصميم النموذج
بينما تتناول 4Ms استخدام الطاقة وانبعاثات الكربون من قبل الذكاء الاصطناعي من وجهة نظر تقنية، يمكن التعبير عن أفضل ممارسات الذكاء الاصطناعي المستدامة على نطاق أوسع على أنها الـ ثري آرز 3Rs: نقل الموقع Relocate وتصحيح الحجم Rightsize وإعادة تصميم النموذج Re-architect.
نقل الموقع Relocate: ليست الطاقات كلها متساوية. يمكننا التخفيف من انبعاثات الكربون المرتبطة باستهلاك الطاقة في الذكاء الاصطناعي من خلال الانتقال إلى مصادر الطاقة المتجددة مثل الطاقة الشمسية أو طاقة الرياح. في السنوات الـ10 الماضية، انخفضت تكلفة الطاقة من الطاقة الشمسية وطاقة الرياح بنسبة 89% و70% على التوالي، وهي الآن أقل تكلفة من البدائل التي تستخدم الوقود الأحفوري مثل الفحم والغاز. وعلى الرغم من انخفاض أسعار الرياح والطاقة الشمسية بقدر كبير، لا يزال القيد الأكبر هو الحاجة إلى الوصول إلى مصادر الطاقة المتجددة على مدار الساعة. إن وضع عبء عمل الحوسبة في كيبيك، كندا، حيث الوصول إلى الطاقة المتجددة بنسبة 100% تقريباً ومتوسط كثافة الكربون 32 غراماً لكل كيلووات/ساعة، يمكن أن يؤدي إلى انخفاض 16 ضعفاً في انبعاثات الكربون مقارنة بالمتوسط الأمريكي البالغ 519 غراماً لكل كيلووات/ساعة.((Sundberg, “Sustainable IT Playbook for Technology Leaders.”)) يستخدم بعض بائعي خدمات السحابة تعويضات الكربون Carbon offsets لإثبات مزاعمهم بالصافي الصفري، لكن هذا يختلف عن العمل على الطاقة الخالية من الكربون. إنه ببساطة ينقل المشكلة إلى شخص آخر.
يمكن أن يؤدي الانتقال من الحوسبة المحلية إلى الحوسبة المستندة إلى السحابة إلى توفير الانبعاثات والطاقة بمقدار 1.4 ضعف إلى ضعفين إذا صُمِّم بنحو جيد.((Patterson, et al., “The Carbon Footprint.”)) مراكز البيانات المستندة إلى السحابة هي مستودعات مصممة خصيصاً لكفاءة الطاقة. تتيح مرونة السحابة أيضاً حرية كبيرة في اختيار موقع عبء العمل. قارن قيم كفاءة استخدام الطاقة Power usage efficiency (اختصاراً: القيم PUE) لمراكز البيانات المحلية وتلك المستندة إلى السحابة: كلما انخفضت القيمة، زادت كفاءة المركز. يمكن للمرء أيضاً اختيار مركز بيانات يعمل بنحو أساسي على مصادر الطاقة المتجددة.
تصحيح الحجم Rightsize: في الأغلب تستخدم الشركات من موارد الحوسبة والتخزين أكثر مما تحتاج إليه. يمكنها تقليل بصماتها الكربونية عن طريق تعديل نماذج الذكاء الاصطناعي وتطبيقاته واستخدام إجراءات الأرشفة المناسبة. يمكن زيادة الأداء وكفاءة الطاقة بمقدار ضعفين إلى خمسة أضعاف عند استخدام المعالجات والأنظمة المصممة للتدريب على تعلُّم الآلة بدلاً من تشغيل خوادم للأغراض العامة تكون غير مُؤمثَلة لأحمال عمل الذكاء الاصطناعي.((Ibid.)) يتضمن التحسين تحقيق التوازن المثالي بين النطاق وحجم النموذج وجودة النموذج والاستخدام الفاعل/المستدام للموارد. توفر الشركات المصنعة لوحدات المعالجة الرسومية Graphical processing unit (اختصاراً: الوحدات GPU) طرقاً للحد من مقدار الطاقة المسموح لوحدة المعالجة الرسومية بسحبها، والتي يمكن أن تقلل من استهلاك الطاقة في مقابل أداء أبطأ – وهو أمر قد يكون مقبولاً في عديد من الظروف.((K. Foy, “AI Models Are Devouring Energy. Tools to Reduce Consumption Are Here, if Data Centers Will Adopt,” MIT Lincoln Laboratory, Sept. 22, 2023, www.ll.mit.edu.)) هناك استراتيجية أخرى يجب مراعاتها وهي تغيير الوقت: أداء أعباء العمل الصعبة، مثل فترات التدريب، في أوقات اليوم التي تميل فيها كثافة الكربون إلى الانخفاض.
إعادة التصميم Re-architect: يتطلب بناء نموذج ذكاء اصطناعي يعمل بنحو جيد بنية برمجيات/أجهزة قوية مصممة لتوسيع نطاق النموذج وضبطه مع الحفاظ على وقت استجابة منخفض الكمون Low-latency. يمكن أن يؤدي اختيار بنية نموذج تعلُّم الآلة الفاعلة، مثل النموذج المتناثر Sparse model، إلى تحسين جودة تعلُّم الآلة مع تقليل الحوسبة بمقدار ثلاثة أضعاف إلى 10 أضعاف.((Patterson, et al., “The Carbon Footprint.”)) بمجرد وصول نموذج الذكاء الاصطناعي إلى الإنتاج، تكون إدارة الديون التقنية Technical debt من منظور الأداء والأمان وتجربة المستخدم النهائي أمراً بالغ الأهمية. يمكن أن يؤدي سوء إدارة الديون التقنية أو تجاهلها لمصلحة التحسينات الوظيفية إلى تراكمها بسرعة وتشكيل مخاطر تقنية خطيرة، بما في ذلك الأداء البطيء، والمخرجات ذات الجودة الرديئة، والتوقف غير المتوقع، وفقدان البيانات، أو حتى الانتهاكات الأمنية. ويمكن إعادة تصميم بعض التطبيقات أو نماذج الذكاء الاصطناعي فقط. ومع ذلك، عندما تسنح الفرصة، من الأهمية بمكان التحقيق في بنيات نماذج تعلُّم الآلة الأكثر كفاءة لضمان جودة أفضل مع تقليل الحوسبة.
ممارسات استدامة الذكاء الاصطناعي الأخرى
إضافة إلى 3Rs، يجب على قادة الذكاء الاصطناعي الانتباه لما يلي كسبل لتحسين الاستدامة.
إدارة البيانات Data management: يتسارع إنتاج البيانات الرقمية بسرعة. في العام 2022 أنتج العالم ما يُقدَّر بنحو 97 زيتابايت Zettabytes، أو 97 تريليون غيغابايت، من البيانات. وقد يتضاعف هذا الرقم تقريباً، إلى 181 زيتابايت، بحلول العام 2025.((T. Jackson and I.R. Hodgkinson, “What Is ‘Dark Data’ and How Is It Adding to All of Our Carbon Footprints?” World Economic Forum, Oct. 5, 2022, www.weforum.org.)) يُنشَأ معظم هذه البيانات للاستخدام مرةً واحدة، ولا يُستخدَم مرة أخرى، ومع ذلك يُحفَظ على خوادم تشغل مساحة وتستخدم كثيراً من الكهرباء. لذلك تكون ممارسات إدارة البيانات المسؤولة لتقليل كمية ”البيانات المعتمة“ Dark data المحفوظة من دون داعٍ ممارسات ضرورية لتطوير الذكاء الاصطناعي المستدام ونشره. النماذج الأكبر لا تعادل بالضرورة نماذج أفضل. بمرور الوقت سيتدهور الأداء. يمكن تقليل استهلاك الطاقة والتأثير البيئي إلى الحد الأدنى عن طريق نقل تخزين البيانات ومعالجتها إلى مراكز البيانات ذات التبريد الأكثر كفاءة في استخدام الطاقة، وتشغلها الطاقة المتجددة، ومن خلال تنفيذ إجراءات ضغط البيانات وإلغاء البيانات المكررة وأرشفة البيانات الخاملة.
يمكن أن يولِّد استعلام واحد في ChatGPT كربوناً أكثر بـ100 مرة من بحث عادي على غوغل.
التعليم والتوعية Education and awareness: يمكن لقادة الذكاء الاصطناعي تعزيز ممارسات الذكاء الاصطناعي المسؤولة بيئياً من خلال تثقيف الموظفين والشركاء والعملاء والجمهور حول الآثار البيئية الذكاء الاصطناعي. هذه التأثيرات ليست مفهومة على نطاق واسع، ويمكن أن يجعل التوافر السهل لأدوات مثل ChatGPT استخدامها يبدو مكافئاً للاستعلام عن طريق محرك بحث، على الرغم من أن استعلاماً واحداً عن طريق ChatGPT يمكن أن يولد كربونا أكثر بـ100 مرة من بحث عادي عبر غوغل.((M. van Rijmenam, “Building a Greener Future: The Importance of Sustainable AI,” The Digital Speaker, Feb. 23, 2023, www.thedigitalspeaker.com.)) وكلما كانت المؤسسات ومتخذو القرار أكثر انسجاماً مع العواقب البيئية للذكاء الاصطناعي، بحثوا عن حلول ذات تأثيرات بيئية أقل وضغطوا على مقدمي خدمات الذكاء الاصطناعي لتبني ممارسات أكثر استدامة.
الامتثال Compliance: سيحتاج القادة في الذكاء الاصطناعي إلى مراقبة التنظيمات الناشئة وأفضل الممارسات المحيطة بأشياء مثل كفاءة الطاقة وإدارة النفايات الإلكترونية وآثارها في الاستثمارات في التكنولوجيا. أصدرت جمعية التجارة غير الربحية ساستينابل آي تي دوت أورغ SustainableIT.org التي تتخذ من الولايات المتحدة مقراً لها معايير على الإطلاق مصممة خصيصاً لتأثير تكنولوجيا المعلومات في استدامة الأعمال. وتنشأ تشريعات عامة وأخرى تركز على الذكاء الاصطناعي، مثل توجيه الاتحاد الأوروبي لاستدامة الشركات Corporate Sustainability Directive، وقانونه للذكاء الاصطناعي Artificial Intelligence Act والمتوقع الانتهاء منه ودخوله حيز التنفيذ العام 2024. وفي الولايات المتحدة، لا تزال قاعدة الإفصاح عن الكربون Carbon Disclosure Rule الصادرة عن لجنة الأوراق المالية والبورصات Securities and Exchange Commission مُعلَّقة، وأصدرت ولاية كاليفورنيا أخيراً قانونين يتطلبان من الشركات تقديم تقارير عامة سنوية تكشف عن انبعاثاتها المباشرة وغير المباشرة وانبعاثات غازات الدفيئة في سلسلة التوريد (الإمداد) Supply chain، والتحقق منها من قِبل مزود طرف ثالث مستقل وذي خبرة.
يأتي الاعتماد الواسع النطاق لنماذج الذكاء الاصطناعي التوليدي مع الحاجة الملحة لدى الأطراف المعنية كلها في
الصناعة، بمن في ذلك مديرو الذكاء الاصطناعي ومستخدموه، لتحمل مسؤولية أكبر عن الآثار البيئية والاجتماعية لهذه التكنولوجيا الواعدة.
يمكن أن يساعد اتباع ممارسات الذكاء الاصطناعي المستدامة الموضحة في هذه المقالة على بناء منظومة إيكولوجية للذكاء الاصطناعي تكون أكثر استدامة. من خلال إيجاد طرق لتقليل الطاقة والموارد الطبيعية التي تستهلكها عمليات تطوير الذكاء الاصطناعي ونشره لدينا وجذب مزيد من الاهتمام إلى مسائل الاستدامة في المناقشات حول الذكاء الاصطناعي، يمكننا تسخير قوة هذه التكنولوجيا مع تقليل تأثيرها السلبي في كوكبنا ومجتمعنا.
