Günümüzde yapay zekanın insanlığın karşılaştığı en karmaşık sorunları bile çözdüğünü düşündüğümüzde dünyanın bir sorunu haline gelen iklim krizi hakkında da çözüm önerileri sunabileceğini düşünmek bizi hayalperest biri yapmayacaktır. Ancak kullanılan yapay zekaların enerji tüketimlerini incelediğimizde iklim krizine çözüm sunduğu kadar, bir parçası olduğunu da görmüş oluruz.
Peki yapay zekalar bu karbon emisyonlarını nasıl gerçekleştiriyor? Sistemlerini çalıştırabilmek için gerekli olan büyük miktardaki bilgiyi işleyen veri merkezlerinin oluşumu ve işletilmesi gibi yapay zekayı oluşturan altyapılar bu emisyonu ortaya çıkıyor. Ortaya çıkan karbon emisyonunun büyüklüğü ile ilgili bilimsel bir veri sunmak gerekirse, bilim insanları GPT-3’ün eğitimi sırasında 502 metrik ton karbon açığa çıkardığını ölçmüşlerdir. Bu sayının büyüklüğünü daha iyi anlamamız için 502 metrik ton karbon demek bir yıl boyunca 112 benzinli arabanın kullanılması sonucu ortaya çıkan karbon miktarına eşit demektir. Ve biz bu büyüklüğü anlamaya çalışırken yapılan açıklamalar yapay zekanın emisyonlarını ölçmek için henüz bir standart bir ölçüm tekniği geliştirilememesinden dolayı mevcut emisyon tahminlerinin yapay zekanın gerçek karbon ayak izinden daha düşük olabileceği yönündedir.
Bu emisyonları ortadan kaldırmak için yapay zeka sistemlerini oluştururken farklı teknolojik gelişmeleri kullanmak yapay zekanın oluşturduğu karbon ayak izini azaltmaya yardımcı olabileceği düşünülmektedir. Ve bu bağlamda da karşımıza iki teknolojik yaklaşım çıkıyor: sinir ağlarını hızlandırmak ve yaşam boyu öğrenmeyi sağlamak.
Bu iyileştirmelerden ilki olan sinir ağlarını hızlandırma işlemi mevcut olarak kullanılan yapay sinir ağlarını (ANN), spike tabanlı sinir ağları (SSN) ile değiştirmektir. ANN’lerinde SSN’lerinde işleyişleri insan beynini örnek alarak oluşturulmuştur. Beyin gibi, ANN’ler ve SNN’ler de araştırmacıların nöron “sinir hücresi” olarak adlandırdığı bileşenlere sahiptir, ancak bunlar biyolojik değil yapay sinir hücreleridir. İki tür yapay sinir ağı arasındaki temel fark ise nöronların birbirlerine bilgi aktarma şeklidir. SNN’ler bilgiyi işlemek ve iletmek için ani artışların kalıplarını veya zamanlamalarını kullanırken ANN’lerdeki yapay nöronlar her zaman aktiftir. Bu da ANN’lerin sürekli enerji kullanırken SSN’lerin ani bir artış anında enerji kullanması demektir. Yani ANN’ler yerine SSN’leri tercih ettiğimizde enerji tüketimini düşürmüş bu sayede karbon emisyonunu da azaltmış olacağımız anlamına gelmektedir.
Yaşam boyu öğrenme (L2) yapay sinir ağlarının kullanım süresi boyunca genel enerji ihtiyaçlarını azaltmaya yönelik çalışılmaktadır. Bu çalışma, yapay sinir ağlarının yeni problemler üzerinde sıralı olarak eğitilmesi sırasında önceki öğrenilen bilgilerin unutulmasını önlemeyi amaçlamaktadır. Yapay sinir ağları yaşam boyu öğrenme ile farklı görevleri öğrenirken önceki bilgilerini koruyarak, sıfırdan eğitilmelerine gerek kalmadan daha az enerji tüketerek öğrenmeye devam edebilecekleri düşünülmektedir.
Kuantum veri işlemedeki ilerlemelerin YSA ve SNN’lerde kullanımı yapay zeka alanında büyük gelişmelere yol açabilir. Kuantum hesaplamanın sunduğu üstün işlem yetenekleri, enerji açısından daha verimli çözümler bulunmasına imkan tanıyabilir. Azalan enerji tüketimleri yapay zeka modellerinin enerji verimliliğini ve sürdürülebilirliğini artırarak karbon emisyonunun azaltılmasına olanak tanır.
Kaynak
https://techxplore.com/news/2024-02-ai-large-carbon-footprint-potential.html