Last chance! 50% off DataCamp Premium
Sale ends in
Yapay Zekanın Çevresel Etkisinin Hesaplanması: Yöntemsel Zorluklar
ChatGPT’nin 2022 sonundaki lansmanından bu yana yapay zeka sektörü katlanarak büyüdü. Statista’ya göre yapay zeka pazarı 2024’te 184 milyar ABD dolarını aştı ve 2030’da 826 milyar ABD dolarının üzerine çıkması bekleniyor.
2020’den 2030’a dünya çapında yapay zeka pazar büyüklüğü. Kaynak: Statista
Ancak böyle bir genişleme gündemi, önce yapay zekanın gezegensel maliyetleri değerlendirilmeden yürütülmemelidir. Dünya, tam ölçekli bir iklim felaketini önlemek için zamanla yarışırken riskler hiç olmadığı kadar yüksek.
Bu nedenle yapay zekanın çevresel ayak izini değerlendirmek zorunludur. Ancak, Dijital Teknolojilerin ve Verinin Çevresel Etkisi hakkındaki makalemizde açıkladığımız gibi, bu zorlu bir görevdir.
Konu üzerine araştırmalar artsa da, yapay zekanın çevresel ayak izine ilişkin kapsamlı bir değerlendirme yapmak hâlâ mümkün değil. Başlıca sınırlamalar ve zorluklar arasında şunlar var:
Şeffaflık eksikliği ve veri boşlukları
Yapay zeka şirketleri, çevreyle ilgili olanlar da dâhil ürünlerine ilişkin bilgi paylaşma konusunda genellikle isteksizdir. Bu durum, yapay zeka araştırmacılarının işini zorlaştıran önemli veri boşluklarına ve kör noktalara yol açar. Hugging Face’in İklim Lideri Sasha Luccioni’nin belirttiği gibi:
Bildiğim kadarıyla yapay zeka araçları sunan tek bir şirket bile enerji kullanımı ve karbon ayak izi hakkında bilgi vermiyor. GPT gibi büyük modellerin ne kadar büyük olduğunu bile bilmiyoruz. Hiçbir şey açıklanmıyor; her şey şirket sırrı.
Sasha Luccioni, Climate Lead at Hugging Face
Çevresel ayak izi olarak ne sayılır?
Çoğu çalışma enerji talebine veya sera gazı emisyonlarına (yani karbon ayak izi) odaklanır. Ancak su ve maden tüketimi gibi dijital çevresel ayak izine eklenen enerji dışı diğer etkileri de değerlendirmek önemlidir.
Yapay zekanın tüm yaşam döngüsüne bakmak
Makalelerin çoğu, yapay zekanın eğitim sırasındaki ayak izini inceledi. Ancak Luccioni ve arkadaşlarının 2023 tarihli bir makalesinde belirttiği gibi, malzeme çıkarımı, üretim, model dağıtımı ve kullanım ömrü sonu gibi yapay zekanın yaşam döngüsünün diğer alanları da dikkate alınmalıdır.
Yaşam döngüsü değerlendirme yaklaşımı. Kaynak: Luccioni ve ark.
Yapay Zekanın Çevresel Ayak İzi
Yapay zekanın çevresel ayak izini tahmin etmeye yönelik yöntemsel sınırlamalara rağmen, gerçek şu ki yapay zeka, doğal kaynaklar açısından önemli maliyetler getiriyor. Aşağıdaki alt bölümde yalnızca yapay zekanın karbon ve su ayak izlerini ele alacağız. Ancak belirtildiği gibi, maden tüketimi veya biyolojik çeşitlilik kaybı gibi diğer alanlarda etkileri değerlendirmek için yeni araştırmalara ihtiyaç vardır.
Yapay zekanın karbon ayak izi
Yapay zekanın sihrini gerçekleştirmesi için dikkate değer miktarda enerji gerekir; bu da çoğu zaman ilave karbon emisyonlarına dönüşür.
Büyük dil modellerinin (LLM) tükettiği enerji iki kategoriye ayrılabilir:
- İşletim enerjisi. Bu araçların çalıştırılması için gereken enerjidir; eğitim veya çıkarım (inference) sırasında.
- Donanım üretimi. Yapay zeka sistemlerinin ekipmanlarının, örneğin GPU’ların (grafik işlem birimleri) üretilmesi için gereken enerjidir.
Çoğu çalışma, özellikle açık kaynaklı modeller söz konusu olduğunda daha fazla veri bulunabildiği için, eğitim aşamasındaki karbon ayak izine odaklanmıştır.
Örneğin Strubell ve ark., 2019 tarihli bir makalede, 213 milyon parametreli bir LLM’in eğitiminde 626.155 pound CO2 salımı olabileceğini, bunun da yakıt dâhil beş arabanın ömür boyu emisyonuna yakın olduğunu tahmin etmiştir.
Ancak çıkarım (yani bir modelin eğitildiği görevi yerine getirmek için kullanılması süreci) sırasında enerji faturası, LLM’lerin eğitiminden daha fazla hatta daha yüksek olabilir.
2023 tarihli bir çalışmada Luccioni ve ark., 176 milyar parametreli BLOOM modelinin 18 gün boyunca dağıtılmasının günde ortalama 40,32 kWh enerji kullandığını (yaklaşık 1.110 akıllı telefon şarjına eşdeğer) ve günde yaklaşık 19 kg CO2 eşdeğeri emisyon ürettiğini hesapladı.
Daha yakın tarihli bir makalede ise Lucioni ve ark., dağıtım aşamasında gereken enerjinin eldeki göreve büyük ölçüde bağlı olduğunu da gösterdi. Özellikle, görsel tabanlı görevlerin en fazla enerji tükettiğini buldular.
Kaynak: Luccioni ve ark.
Bu bağlamda, yapay zeka sistemlerinin hesaplamalarının –hem eğitim hem çıkarım– genellikle gerçekleştiği veri merkezlerinin elektrik tüketiminin 2026’ya kadar iki katına çıkabileceği, Uluslararası Enerji Ajansı’nın yakın tarihli bir çalışmasına göre şaşırtıcı değildir.
Yapay zekanın yaygın benimsenmesine bağlı elektrik faturalarındaki artış, net sıfır hedefli teknoloji şirketleri için kötü haber. Örneğin Google, son sürdürülebilirlik raporunda emisyonlarının 2023’te bir önceki yıla göre %13 ve 2019’dan bu yana %48 arttığını, bunun başlıca nedeninin veri merkezlerinin enerji tüketimindeki artış olduğunu kabul etti. Benzer şekilde Microsoft da 2020’den bu yana emisyonlarında, ağırlıkla yapay zekayı çalıştırmak için gereken elektrik nedeniyle, %29,1 artış bildirdi.
Yapay zekanın su ayak izi
Giderek daha fazla araştırmacı, yapay zekanın endişe verici su tüketimine yöneliyor. Su ayak izinin aslan payı, yapay zeka istemlerini eğitmek ve yanıtlamak için hesaplamaları yapan sunucuların soğutulması amacıyla milyarlarca galon su gerektiren veri merkezlerinde gerçekleşir. 2021 tarihli bir çalışmaya göre ortalama bir veri merkezi, orta büyüklükte üç hastane kadar su kullanır.
Yapay zekanın taleplerine yetişmek için yeni merkezler inşa edildikçe, veri merkezlerinin su ayak izi önümüzdeki yıllarda dramatik biçimde büyüyebilir. UC Riverside araştırmacılarına göre veri merkezleri 2027’de 4,2 – 6,6 milyar metreküp su tüketebilir. Bu, Birleşik Krallık’ın yıllık toplam su çekiminin yarısından fazlasıdır.
Ticari sır olarak bütüncül biçimde gizlenen su kullanımı hakkında, sosyal ve düzenleyici baskıların ardından teknoloji şirketleri nihayet bilgi paylaşmaya başladı. Örneğin Google, son sürdürülebilirlik raporunda su ayak izinin 2025’e kıyasla %17 arttığını ve toplamda 6,1 milyar galon olduğunu –yıllık 41 golf sahasının sulanması için gereken suya yaklaşık eşdeğer– açıkladı.
En gelişmiş soğutma sistemleri yalnızca temiz suyla çalışabildiğinden, veri merkezlerinin ihtiyaçları sıklıkla komşuların çıkarlarıyla çatışır; özellikle de veri merkezlerinin hâlihazırda su kıtlığı yaşayan bölgelerde yer aldığı durumlarda.
Su kullanımının birincil kaynağı veri merkezleri olsa da, yapay zekanın yaşam döngüsünün diğer aşamalarındaki su ayak izini, özellikle GPU yongalarını oluşturan yarı iletkenler gibi donanım üretimi sırasında aydınlatmak için yeni araştırmalara ihtiyaç vardır.
Yapay Zekanın Çevresel Ayak İzini Azaltmaya Yönelik 3 Teknik
Yapay zeka modellerinin geliştirilmesi ve dağıtılmasının artan çevresel maliyeti göz önüne alındığında, şirketlerin ayak izlerini azaltmak için stratejiler uygulaması ve teknikleri uyarlaması gerekir.
Aşağıdaki alt bölümde, daha sürdürülebilir bir yapay zekayı ilerletmeye yönelik mevcut bazı çözümleri inceliyoruz.
1. Model verimliliğini optimize etmek
Yapay zeka modellerinin karbon ayak izini azaltmanın en bariz stratejilerinden biri verimliliği artırmaktır. Yapay zeka açısından bu, en gelişmiş modellerle aynı doğruluk düzeyini daha küçük, daha az karmaşık modellerle elde etmek anlamına gelir.
Bir yandan verimlilik donanım düzeyinde sağlanabilir. Örneğin mühendisler ve mikroçip üreticileri Moore Yasası’nı –Gordon Moore, mikroçiplerdeki transistör sayısının yaklaşık her iki yılda bir ikiye katlanacağını öngörmüştü– sürdürebilirse, önümüzdeki yıllarda daha hızlı, daha küçük ve daha verimli GPU’lar göreceğiz.
Bazı öngörüler fiziksel sınırlar nedeniyle yasanın 2025 civarında sona ereceğini belirtse de, kuantum bilişim, yeni malzemeler ve yenilikçi yonga mimarileri gibi diğer öncü teknolojiler verimlilik arayışında kritik olabilir. Aynı şekilde, veri merkezlerinin tasarım ve işletimindeki yenilikler enerji tüketimini düşürmek için hayati önem taşır.
Öte yandan yazılım var. Yapay zeka araştırmacıları, eğitim ve çıkarım sırasında yapay zeka modellerini daha verimli kılmak için yeni teknikler ve tasarımlar geliştiriyor; örneğin:
- Model budama (pruning). Bir sinir ağından önemsiz parametreleri çıkararak model boyutunu küçültme ve daha verimli çıkarıma imkân verme tekniğini ifade eder.
- Kantizasyon (quantization). Sürekli sonsuz değerleri daha küçük bir sonlu ayrık değer kümesine eşlemeye yönelik farklı teknikleri kapsar. Daha fazla bilgi için LLM kantizasyonu rehberimize göz atabilirsiniz.
- Bilgi damıtma (knowledge distillation). Büyük, önceden eğitilmiş bir modelin öğrendiklerini daha küçük bir modele aktarmayı amaçlayan bir tekniktir. LLM damıtma hakkında ayrı makalemizde daha fazlasını öğrenebilirsiniz.
2. Yenilenebilir enerjiden yararlanmak
Veri merkezlerinde yapay zekanın endişe verici karbon ayak izini ele almanın bir başka çözümü, yenilenebilir enerjiye yatırım yapmaktır. Güneş panelleri, rüzgâr türbinleri veya hidroelektrik santrallerinin bariz avantajı, karbondioksit salmadan elektrik üretmeleridir.
Büyük yapay zeka oyuncuları olan Google, Microsoft ve Meta, temiz enerji altyapısının en büyük yatırımcıları arasındadır. Ancak Hugging Face İklim Lideri Sasha Luccioni’nin uyardığı gibi:
Yenilenebilir enerji kesinlikle büyüyor. Sorun şu ki, yapay zekanın büyümesine ayak uyduracak kadar hızlı büyümüyor.
Sasha Luccioni, Climate Lead at Hugging Face
Sonuç olarak bu şirketler, yenilenebilir enerji sertifikaları (REC) ve karbon kredileri gibi temiz enerji taahhütlerini karşılamak için geleneksel olarak diğer finansal araçlara güvenmiştir.
3. Bulut tabanlı çözümlerden yararlanmak
Ölçek ekonomileri sayesinde bulut sağlayıcıları, yapay zeka şirketlerine modellerini eğitmek ve dağıtmak için çok daha uygun maliyetli bir çözüm sunar. Bu, şirketlerin cebine iyi geldiği gibi –kendi bilişim altyapılarını satın almanın peşin maliyetlerinden kaçınırlar– iklim değişikliği açısından da olumludur.
Hiperscale veri merkezleri özel olarak verimli olacak şekilde tasarlanır. Enerji yoğun rutinleri daha hızlı ve ölçekli çalıştırabilirler; bu da kayda değer enerji tasarruflarına yol açar. Aynı zamanda, soğutma amacıyla kullanılan suyu azaltacak şekilde optimize edilmiştir.
Bulut bilişim hakkında daha fazla bilgiyi Understanding Cloud Computing kursumuzda edinebilirsiniz.
Sektörde Sürdürülebilir Yapay Zeka Uygulamaları
Aklıselimle kullanıldığında yapay zeka, çevresel krizi ele almak için en büyük müttefiklerimizden biri olabilir. Yapay zekanın sürdürülebilir hedefleri ilerletmede kritik olduğu bazı etkileyici kullanım örneklerini inceleyelim.
Çevresel sürdürülebilirlik için yapay zeka
Karbon emisyonlarını izlemek ve iklime karşı kırılgan bölgeleri tespit etmekten, tedarik zincirlerinde çevresel sürdürülebilirliği iyileştirmeye ve su kullanımını ve toprak bozulmasını sınırlamak için hassas tarımı uygulamaya kadar, çevresel zorluklarla mücadele etmek için yapay zeka destekli uygulamaların sayısı hızla artıyor.
Aşağıda göz atmaya değer bazı uygulamaların bir listesini bulabilirsiniz:
Aşırı hava olaylarının modellenmesi
Hava tahmini, en eski ve en zorlu bilimsel görevlerden biridir. Yapay zeka, meteorologların hava tahminlerini eşi görülmemiş bir doğrulukla yapmasına yardımcı oluyor. Buna aşırı hava olayı tahminleri de dahildir.
Örneğin Google’ın geliştirdiği derin öğrenme modeli GraphCast, siklonların rotalarını daha uzun vadede büyük bir doğrulukla öngörebilir, sel riskiyle ilişkili atmosferik nehirleri tespit edebilir ve aşırı sıcaklıkların başlangıcını tahmin edebilir.
Sera gazı emisyonlarının (GHG) izlenmesi
İnsani ekonomik faaliyetlerin çoğu atmosfere sera gazı emisyonları salar. Emisyonların nerede, ne zaman, kim tarafından ve ne kadar salındığını bilmek; iklim değişikliğini daha iyi anlamak, etkili iklim politikalarını ilerletmek ve emisyon yoğun bölgeleri belirlemek açısından kritiktir.
Yapay zekanın GHG emisyonlarını izlemeye nasıl yardımcı olduğuna harika bir örnek, yapay zekanın ve uzaktan algılamanın gücünden yararlanarak emisyonları eşi görülmemiş bir doğrulukla izleyen, kâr amacı gütmeyen kuruluşların oluşturduğu bir koalisyon projesi olan Climate TRACE’dir.
Elektrik şebekelerinin optimize edilmesi
Elektrik şebekesinin modernleştirilmesi, temiz enerjiye geçişi ele almak için kilit bir girişimdir. Yenilenebilir enerjinin yükselişi, elektrik şebekelerine hızla karmaşıklık katıyor. Sabit akışta enerji sağlayan santrallere kıyasla, güneş panelleri ve rüzgâr türbinleri hava koşullarından büyük ölçüde etkilendikleri için değişken elektrik üretirler.
Yapay zeka, bu karmaşıklığın yönetilmesinde ve arz ile talebin dengelenmesinde kritik bir rol oynayabilir. Büyük miktarda veriyi analiz ederek, ertesi gün ne kadar elektriğe ihtiyaç duyulacağını otomatik olarak tahmin edebilir ve bu enerjiyi en uygun maliyetle dağıtmanın yollarını bulmaya çalışabilir.
Malzeme keşfi
Güneş panelleri ve rüzgâr türbinleri gibi yeşil teknolojiler, inorganik malzemelere dayanır. Yeni malzemeler bulmak, daha yeşil teknolojiler geliştirmek veya mevcut olanları daha verimli hâle getirmek için teknolojik ilerleme açısından kritiktir.
Yapay zeka, malzeme keşfi sürecini hızlandırıyor. Örneğin Google’ın GNoME adlı yapay zeka modeli, elektrikli araçlar için daha iyi pillerden daha verimli bilişim için süper iletkenlere kadar daha yeşil teknolojilerin geliştirilme potansiyelini taşıyan 380.000 kararlı kristal keşfetti.
Kurumsal sorumluluk
Tüm sektörlerdeki işletmeler, sürdürülebilirlik hedeflerine ulaşmak için yapay zekadan yararlanıyor. Yapay zekaya dair benzersiz bilgileri nedeniyle Büyük Teknoloji şirketleri bu alandaki en belirgin örnekler arasında. Örneğin Microsoft, AI & Sustainability Playbook çalışmasında yapay zekanın faydalı olabileceği beş alan belirlemiştir:
Kaynak. Microsoft
DataCamp de daha sürdürülebilir bir gelecek için çalışıyor. Dünya standartlarındaki eğitim platformumuza ücretsiz veya yüksek oranda sübvanse edilmiş erişimle tabandan gelen ve küresel yeşil girişimleri desteklemeye inanıyoruz. DataCamp Donates programımız aracılığıyla, ekiplerini beceri kazandırmak için iklim değişikliği odaklı misyona sahip çeşitli kuruluşlarla çalıştık.
Platformumuz aracılığıyla her türden kuruluşu ve profesyoneli çevre üzerinde olumlu etki yaratmaları için destekleyebiliriz. En kayda değer başarılarımızdan bazıları, CDP ve Omenda gibi STK’lar veya Drax ve SSE gibi temiz enerji şirketleriyle oldu.
Yapay Zeka Geliştirme Üzerine Etik Değerlendirmeler
Her sektör, gezegen üzerindeki olası etkisini değerlendirmek ve çevresel ayak izini azaltmanın yollarını bulmakla yükümlüdür. Yapay zeka sektörü istisna olmamalıdır. Yapay zekanın çevresel hedefleri ilerletme vaatlerine rağmen, sektörün çevresel etkisini azaltmak için ek çabalar zorunludur.
Daha iyi ve daha verimli yapay zeka modellerini ilerletmek için yenilik gereklidir. Ancak bu yeterli değildir. Yapay zekanın artan çevresel maliyeti göz önüne alındığında, sektörün geliştirilmesi ve büyümesi hakkında ciddi ve etik bir tartışmaya büyük ihtiyaç vardır.
Yapay zekanın ödünleşimleri
Öncelikle, yapay zeka geliştirmeyi diğer temel toplumsal ihtiyaçların önüne koymanın sonuçlarını değerlendirmemiz gerekir. Yapay zeka oyuncuları veri merkezlerini beslemek için temiz enerji projelerine hatırı sayılır kaynaklar yatırırken, bu; ısınma veya düşük gelirli ailelere elektrik sağlama gibi diğer potansiyel kullanımlardan alınan enerjidir.
Aynı şekilde, yeşil teknolojilerin; bulunması zor, yeryüzünden çıkarılması çok ciddi miktarda enerji gerektiren ve gezegen için olumsuz sonuçlar doğuran mineraller, metaller ve nadir toprak elementleri gibi kritik malzemelere yüksek derecede bağımlı olduğunu unutmamak önemlidir.
Yapay zekanın karbon ayak izi küresel bir boyuta sahipken, su ayak izi için durum böyle değildir. Burada ödünleşim açıktır: bir veri merkezinin kullandığı su, çevrede yaşayan komşulardan ve biyolojik çeşitlilikten alınan sudur.
Potansiyel geri tepme (rebound) etkileri
İkinci olarak, yapay zeka gelişimiyle ilişkili potansiyel geri tepme etkilerini değerlendirmek için daha fazla araştırmaya ihtiyaç vardır. Diğer sektörlerde gözlemlendiği gibi, yapay zeka modellerinin verimliliğindeki iyileştirmelerin, sonunda bu verimlilik kazanımlarını dengeleyebilecek genel bir yapay zeka kullanım artışına yol açma ihtimali vardır.
Bunu somutlaştırmak için ChatGPT örneğini ele alalım. Goldman Sachs’a göre bir ChatGPT sorgusu, işlenmesi için bir Google aramasının neredeyse 10 katı elektrik gerektiriyor. Günde ortalama 10 milyon sorgu alan bir araç için bu, devasa bir enerji faturasına dönüşür. Bu yüzden çoğu ChatGPT sürümü için bir ücret ödemeniz gerekir ve en gelişmiş sürümlerde bile günlük istem (prompt) sınırı vardır.
Şimdi, OpenAI’ın önemli verimlilik kazanımlarına dönüşen yenilikçi bir sinir mimarisi geliştirdiğini hayal edin. Diyelim ki yeni mimariyle ChatGPT’nin son sürümü, bir Google aramasının elektriğinin yalnızca 5 katını gerektiriyor. Büyük olasılıkla OpenAI, daha az istem sınırıyla daha uygun fiyatlı ChatGPT planları sunacak ve kullanıcı sayısı artacaktır.
Sonuç? OpenAI ek kâr elde eder ve kullanıcılar mutlu olur, ancak ChatGPT daha da popüler ve yaygın hâle geldikçe emisyonlar nihayetinde artışa geçebilir; böylece yeni sinir mimarisini izleyen verimlilik kazanımları dengelenmiş olur.
Yapay zeka ve fosil yakıt endüstrisi
Potansiyel geri tepme etkilerine farklı bir bakış, Microsoft gibi bazı kilit yapay zeka oyuncularının fosil yakıt şirketleriyle yakın bağlarıdır. Büyük Teknoloji şirketleri, uzmanlık ve yapay zeka teknolojilerine erişim sağlayarak petrol ve gaz şirketlerinin fosil yakıt verimini ve üretimini optimize etmelerine ve artırmalarına yardımcı oluyor; bu da ilave sera gazı emisyonlarına ve yenilenebilir enerjiye geçişin potansiyel olarak gecikmesine yol açıyor.
Bu tür işler endişe verici ve küresel iklim taahhütleriyle bir şekilde çelişiyor.
Microsoft’un Eski Veri Merkezi Topluluğu Çevresel Sürdürülebilirlik Kıdemli Program Müdürü Holly Alpine’in yakın tarihli bir yazıda dile getirdiği gibi:
Microsoft’un kamuya açık açıklamaları ve raporları, yapay zekanın sürdürülebilirlik için faydalı uygulamalarını vurgularken, işinin önemli bir kısmının fosil yakıt üretimini artırmak için fosil yakıt şirketlerine teknoloji sağlamak olduğunu kritik biçimde görmezden geliyor.
Holly Alpine, Former Microsoft Senior Program Manager of Datacenter Community Environmental Sustainability
