Last chance! 50% off DataCamp Premium
Sale ends in
Tính toán tác động môi trường của AI: Những thách thức phương pháp luận
Kể từ khi ChatGPT ra mắt cuối năm 2022, ngành AI đã tăng trưởng theo cấp số nhân. Theo Statista, thị trường trí tuệ nhân tạo đã vượt 184 tỷ đô la Mỹ vào năm 2024 và dự kiến sẽ tiếp tục tăng, vượt mốc 826 tỷ đô la Mỹ vào năm 2030.
Quy mô thị trường AI toàn cầu từ 2020 đến 2030. Nguồn: Statista
Tuy nhiên, một chương trình mở rộng như vậy không nên tiến hành mà không đánh giá trước “chi phí hành tinh” của AI. Mức độ rủi ro cao hơn bao giờ hết, khi thế giới đang nhanh chóng cạn kiệt thời gian để ngăn chặn một thảm họa khí hậu toàn diện.
Vì vậy, việc đánh giá dấu chân môi trường của AI là bắt buộc. Tuy nhiên, như chúng tôi đã giải thích trong bài viết về Tác động môi trường của công nghệ số và dữ liệu, đây là một nhiệm vụ đầy thách thức.
Mặc dù nghiên cứu về chủ đề này đang tăng lên, vẫn chưa thể đưa ra một đánh giá toàn diện về dấu chân môi trường của AI. Một số hạn chế và thách thức chính bao gồm:
Thiếu minh bạch và khoảng trống dữ liệu
Các công ty AI thường ngần ngại công bố thông tin về sản phẩm của họ, bao gồm cả thông tin liên quan đến môi trường. Điều này dẫn đến những khoảng trống dữ liệu và “điểm mù” quan trọng, gây khó khăn cho công việc của các nhà nghiên cứu AI. Như Sasha Luccioni, Trưởng bộ phận Khí hậu tại Hugging Face, đã nêu:
Không một công ty nào cung cấp công cụ AI, mà tôi biết, đưa ra thông tin về mức sử dụng năng lượng và dấu chân carbon. Chúng ta thậm chí không biết các mô hình lớn như GPT có quy mô thế nào. Chẳng có gì được tiết lộ; mọi thứ đều là bí mật công ty.
Sasha Luccioni, Climate Lead at Hugging Face
Những gì được tính là dấu chân môi trường?
Hầu hết các nghiên cứu tập trung vào nhu cầu năng lượng hoặc phát thải khí nhà kính (tức là dấu chân carbon). Tuy nhiên, điều quan trọng là đánh giá các tác động phi năng lượng khác cũng góp phần vào dấu chân môi trường số, như tiêu thụ nước và khoáng sản.
Xem xét toàn bộ vòng đời AI
Phần lớn bài viết đã nghiên cứu dấu chân của AI trong giai đoạn huấn luyện. Tuy nhiên, như Luccioni và cộng sự đã nêu trong một bài báo năm 2023, các khía cạnh khác của vòng đời AI cũng nên được cân nhắc, bao gồm khai thác vật liệu, sản xuất, triển khai mô hình và thải bỏ.
Cách tiếp cận đánh giá vòng đời. Nguồn: Luccioni et al.
Dấu chân môi trường của AI
Bất chấp những hạn chế phương pháp trong việc ước tính dấu chân môi trường của AI, thực tế là AI đi kèm với chi phí đáng kể về tài nguyên thiên nhiên. Trong phần tiếp theo, chúng tôi chỉ đề cập đến dấu chân carbon và nước của AI. Tuy nhiên, như đã đề cập, cần có các nghiên cứu mới để đánh giá tác động của AI ở các lĩnh vực khác, như tiêu thụ khoáng sản hay mất đa dạng sinh học.
Dấu chân carbon của AI
Để “thể hiện phép màu” của mình, AI cần lượng năng lượng đáng kể, thường đồng nghĩa với phát thải carbon gia tăng.
Năng lượng tiêu thụ bởi các LLM có thể được phân thành hai nhóm:
- Năng lượng vận hành. Đây là năng lượng cần để vận hành các công cụ này, dù là huấn luyện hay suy luận.
- Sản xuất phần cứng. Đây là năng lượng cần để tạo ra trang thiết bị cho hệ thống AI, chẳng hạn như GPU (bộ xử lý đồ họa).
Phần lớn nghiên cứu tập trung vào dấu chân carbon của AI trong giai đoạn huấn luyện, chủ yếu vì đây là giai đoạn trong vòng đời AI có nhiều dữ liệu nhất, đặc biệt với các mô hình mã nguồn mở.
Chẳng hạn, trong một bài viết năm 2019, Strubell và cộng sự ước tính rằng huấn luyện một LLM với 213 triệu tham số có thể thải ra 626.155 pound CO2, gần bằng lượng phát thải trọn đời của năm chiếc ô tô, tính cả nhiên liệu.
Tuy nhiên, hóa đơn năng lượng trong giai đoạn suy luận (tức là quá trình sử dụng mô hình để thực hiện tác vụ đã được huấn luyện) có thể ngang bằng, thậm chí cao hơn giai đoạn huấn luyện LLM.
Trong một nghiên cứu năm 2023, Luccioni và cộng sự tính toán rằng triển khai mô hình BLOOM 176 tỷ tham số trong 18 ngày sử dụng trung bình 40,32 kWh năng lượng mỗi ngày (xấp xỉ tương đương 1.110 lần sạc điện thoại thông minh) và phát thải khoảng 19 kg CO2 tương đương mỗi ngày.
Trong một bài viết gần đây hơn, Lucioni và cộng sự cũng chứng minh rằng năng lượng cần trong giai đoạn triển khai bị ảnh hưởng mạnh bởi tác vụ cụ thể. Đặc biệt, họ nhận thấy các tác vụ dựa trên hình ảnh tiêu tốn năng lượng nhiều nhất.
Nguồn: Luccioni et al.
Trong bối cảnh đó, không ngạc nhiên khi tiêu thụ điện của các trung tâm dữ liệu – nơi diễn ra tính toán cho hệ thống AI, cả huấn luyện lẫn suy luận – có thể tăng gấp đôi vào năm 2026, theo một nghiên cứu gần đây của Cơ quan Năng lượng Quốc tế.
Hóa đơn điện tăng vọt do AI được ứng dụng rộng rãi là tin xấu cho các công ty công nghệ đặt mục tiêu phát thải ròng bằng 0. Ví dụ, trong báo cáo bền vững mới nhất, Google thừa nhận phát thải của họ đã tăng 13% vào năm 2023 so với năm trước và 48% kể từ 2019, chủ yếu do mức tiêu thụ năng lượng của các trung tâm dữ liệu tăng. Tương tự, Microsoft báo cáo mức phát thải tăng 29,1% kể từ năm 2020, phần lớn do điện năng cần để vận hành AI.
Dấu chân nước của AI
Ngày càng có nhiều nhà nghiên cứu quan tâm đến lượng nước tiêu thụ đáng lo ngại của AI. Phần lớn dấu chân nước của AI diễn ra tại các trung tâm dữ liệu, vốn cần hàng tỷ gallon nước để làm mát máy chủ thực hiện tính toán huấn luyện và trả lời truy vấn AI. Theo một nghiên cứu năm 2021, một trung tâm dữ liệu trung bình sử dụng lượng nước tương đương ba bệnh viện cỡ trung bình.
Dấu chân nước của các trung tâm dữ liệu có thể tăng mạnh trong những năm tới khi các trung tâm mới được xây dựng để đáp ứng nhu cầu AI. Theo các nhà nghiên cứu tại UC Riverside, trung tâm dữ liệu có thể tiêu thụ 4,2 – 6,6 tỷ mét khối nước vào năm 2027. Con số này lớn hơn một nửa tổng lượng nước rút ra hàng năm ở Vương quốc Anh.
Vốn được che giấu một cách “toàn diện” như bí mật kinh doanh, các công ty công nghệ cuối cùng cũng bắt đầu công bố thông tin về việc sử dụng nước của họ, sau áp lực xã hội và quy định. Chẳng hạn, trong báo cáo bền vững mới nhất, Google thông báo mức tăng 17% trong dấu chân nước so với 2025, lên tổng cộng 6,1 tỷ gallon – xấp xỉ lượng nước cần để tưới 41 sân gôn mỗi năm.
Vì các hệ thống làm mát tiên tiến chỉ hoạt động được với nước sạch, nhu cầu của trung tâm dữ liệu thường xung đột với lợi ích của cư dân lân cận, đặc biệt khi trung tâm dữ liệu đặt tại các khu vực vốn đã khan hiếm nước.
Dù trung tâm dữ liệu là nguồn tiêu thụ nước chính, cần có nghiên cứu mới để làm sáng tỏ dấu chân nước ở các giai đoạn khác của vòng đời AI, đặc biệt trong sản xuất phần cứng, như chất bán dẫn cấu thành chip GPU.
3 kỹ thuật giảm dấu chân môi trường của AI
Trước chi phí môi trường ngày càng tăng của việc phát triển và triển khai mô hình AI, các công ty phải thực thi chiến lược và áp dụng kỹ thuật để giảm dấu chân của mình.
Trong phần tiếp theo, chúng tôi phân tích một số giải pháp hiện có để thúc đẩy AI bền vững hơn.
1. Tối ưu hóa hiệu suất mô hình
Một trong những chiến lược rõ ràng nhất để giảm dấu chân carbon của các mô hình AI là tăng hiệu suất. Trong ngữ cảnh AI, điều đó có nghĩa đạt được mức độ chính xác tương đương các mô hình tiên tiến bằng những mô hình nhỏ hơn, ít phức tạp hơn.
Một mặt, hiệu suất có thể đạt ở cấp độ phần cứng. Ví dụ, nếu kỹ sư và nhà sản xuất vi mạch có thể duy trì Định luật Moore – Gordon Moore dự đoán số lượng transistor trên vi mạch sẽ tăng gấp đôi khoảng mỗi hai năm –, trong những năm tới chúng ta sẽ thấy GPU nhanh hơn, nhỏ hơn và hiệu quả hơn.
Tuy một số nhà dự báo cho rằng định luật này sẽ chấm dứt vào khoảng 2025 do giới hạn vật lý, các công nghệ mũi nhọn khác như máy tính lượng tử, vật liệu mới và kiến trúc chip sáng tạo có thể đóng vai trò then chốt trong hành trình tìm kiếm hiệu suất. Đồng thời, đổi mới trong thiết kế và vận hành trung tâm dữ liệu cũng rất quan trọng để giảm tiêu thụ năng lượng.
Mặt khác là phần mềm. Các nhà nghiên cứu AI đang phát triển những kỹ thuật và thiết kế mới để giúp mô hình AI hiệu quả hơn trong giai đoạn huấn luyện và suy luận, như:
- Cắt tỉa mô hình (model pruning). Là kỹ thuật loại bỏ các tham số không quan trọng khỏi mạng nơ-ron nhằm giảm kích thước mô hình và cho phép suy luận hiệu quả hơn.
- Định lượng (quantization). Bao gồm tập hợp kỹ thuật ánh xạ các giá trị liên tục vô hạn sang một tập giá trị rời rạc hữu hạn nhỏ hơn. Bạn có thể đọc hướng dẫn về định lượng LLM để tìm hiểu thêm.
- Chưng cất tri thức (knowledge distillation). Là kỹ thuật nhằm chuyển giao tri thức của một mô hình lớn đã huấn luyện sẵn sang một mô hình nhỏ hơn. Bạn có thể tìm hiểu thêm về chưng cất LLM trong bài viết riêng của chúng tôi.
2. Sử dụng năng lượng tái tạo
Một giải pháp khác để giải quyết dấu chân carbon đáng lo của AI tại các trung tâm dữ liệu là đầu tư vào năng lượng tái tạo. Ưu điểm rõ ràng của tấm pin mặt trời, tua-bin gió hay nhà máy thủy điện là tạo ra điện mà không thải khí CO2.
Các “ông lớn” trong ngành AI như Google, Microsoft và Meta là những nhà đầu tư lớn vào hạ tầng năng lượng sạch. Tuy vậy, như Sasha Luccioni, Trưởng bộ phận Khí hậu tại Hugging Face, đã cảnh báo:
Năng lượng tái tạo chắc chắn đang tăng trưởng. Vấn đề là tốc độ ấy không đủ nhanh để bắt kịp tốc độ phát triển của AI.
Sasha Luccioni, Climate Lead at Hugging Face
Do đó, các công ty này truyền thống dựa vào những công cụ tài chính khác để đáp ứng cam kết năng lượng sạch, như chứng chỉ năng lượng tái tạo (REC) và tín chỉ carbon.
3. Tận dụng giải pháp dựa trên đám mây
Thông qua lợi thế quy mô, các nhà cung cấp đám mây mang đến cho công ty AI giải pháp tiết kiệm chi phí hơn nhiều để huấn luyện và triển khai mô hình. Đây là tin tốt cho chi phí doanh nghiệp – vì tránh được đầu tư ban đầu cho hạ tầng tính toán riêng –, đồng thời cũng tích cực cho biến đổi khí hậu.
Các trung tâm dữ liệu “siêu quy mô” được thiết kế riêng để tối ưu hiệu suất. Chúng có thể vận hành các quy trình tốn năng lượng nhanh hơn và ở quy mô lớn, mang lại tiết kiệm năng lượng đáng kể. Đồng thời, chúng cũng được tối ưu để giảm nước sử dụng cho mục đích làm mát.
Bạn có thể tìm hiểu thêm về điện toán đám mây trong Khóa học Hiểu về Điện toán Đám mây của chúng tôi.
Thực tiễn AI bền vững trong ngành
Nếu được sử dụng khôn ngoan, AI có thể là một trong những đồng minh mạnh mẽ nhất của chúng ta trong việc giải quyết khủng hoảng môi trường. Hãy phân tích một số trường hợp sử dụng thuyết phục, nơi AI đóng vai trò then chốt để thúc đẩy các mục tiêu bền vững.
AI cho phát triển bền vững môi trường
Số lượng ứng dụng dựa trên AI nhằm giải quyết thách thức môi trường đang tăng nhanh, từ các sáng kiến giám sát phát thải carbon và xác định khu vực dễ tổn thương bởi khí hậu, đến cải thiện bền vững môi trường trong chuỗi cung ứng và triển khai nông nghiệp chính xác để hạn chế sử dụng nước và thoái hóa đất.
Dưới đây là danh sách một số ứng dụng đáng để tìm hiểu:
Mô hình hóa thời tiết cực đoan
Dự báo thời tiết là một trong những nhiệm vụ khoa học lâu đời và đầy thách thức. AI đang giúp các nhà khí tượng đưa ra dự báo với độ chính xác chưa từng có, bao gồm dự đoán các hiện tượng thời tiết cực đoan.
Ví dụ, GraphCast, một mô hình học sâu do Google tạo ra, có thể dự đoán quỹ đạo bão với độ chính xác cao hơn trong tương lai, nhận diện các “sông khí quyển” liên quan đến nguy cơ lũ lụt và dự báo sự xuất hiện của nhiệt độ cực đoan.
Giám sát phát thải khí nhà kính (GHG)
Hầu hết các hoạt động kinh tế của con người đều phát thải GHG vào khí quyển. Biết được nơi nào, khi nào, ai và phát thải bao nhiêu là điều then chốt để hiểu rõ hơn biến đổi khí hậu, thúc đẩy chính sách hiệu quả và xác định “điểm nóng” phát thải.
Một ví dụ điển hình về cách AI hỗ trợ theo dõi phát thải GHG là Climate TRACE, một dự án từ liên minh phi lợi nhuận tận dụng sức mạnh của AI và quan sát từ xa để giám sát phát thải với độ chính xác chưa từng có.
Tối ưu hóa lưới điện
Hiện đại hóa lưới điện là nhiệm vụ then chốt trong quá trình chuyển dịch sang năng lượng sạch. Sự trỗi dậy của năng lượng tái tạo đang nhanh chóng làm tăng độ phức tạp của lưới điện. So với nhà máy điện cung cấp dòng điện ổn định, tấm pin mặt trời và tua-bin gió tạo ra điện biến thiên, chịu tác động lớn từ thời tiết.
AI có thể đóng vai trò trụ cột trong quản lý độ phức tạp này và cân bằng cung - cầu. Bằng cách phân tích lượng dữ liệu khổng lồ, AI có thể tự động dự báo lượng điện cần thiết vào ngày hôm sau và tìm cách phân bổ năng lượng đó sao cho hiệu quả chi phí nhất.
Khám phá vật liệu
Các công nghệ xanh như tấm pin mặt trời và tua-bin gió phụ thuộc vào vật liệu vô cơ. Tìm ra vật liệu mới là yếu tố then chốt cho tiến bộ công nghệ, dù là phát triển công nghệ xanh hơn hay cải thiện hiệu suất của công nghệ hiện có.
AI đang tăng tốc quá trình khám phá vật liệu. Ví dụ, mô hình AI GNoME của Google gần đây đã phát hiện 380.000 tinh thể ổn định, có tiềm năng phát triển công nghệ xanh hơn, từ pin tốt hơn cho xe điện đến siêu dẫn cho tính toán hiệu quả hơn.
Trách nhiệm doanh nghiệp
Doanh nghiệp ở mọi lĩnh vực cũng đang sử dụng AI để đạt mục tiêu bền vững. Các công ty Big Tech là ví dụ nổi bật, nhờ kiến thức vượt trội về AI. Chẳng hạn, trong Sổ tay AI & Bền vững, Microsoft xác định năm lĩnh vực AI có thể hữu ích:
Nguồn: Microsoft
DataCamp cũng đang hướng tới một tương lai bền vững hơn. Chúng tôi tin tưởng vào việc hỗ trợ các sáng kiến xanh ở cấp cơ sở và toàn cầu bằng quyền truy cập miễn phí hoặc được trợ giá cao vào nền tảng giáo dục đẳng cấp thế giới của chúng tôi. Thông qua chương trình DataCamp Donates, chúng tôi đã hợp tác với nhiều tổ chức có sứ mệnh tập trung vào biến đổi khí hậu để nâng cao kỹ năng cho đội ngũ của họ.
Thông qua nền tảng của mình, chúng tôi có thể hỗ trợ mọi loại hình tổ chức và chuyên gia tạo tác động tích cực tới môi trường. Một số thành công đáng chú ý là với các NGO như CDP và Omenda, hoặc các công ty năng lượng sạch như Drax và SSE.
Cân nhắc đạo đức trong phát triển AI
Mọi ngành đều có trách nhiệm đánh giá tác động tiềm ẩn lên hành tinh và tìm cách giảm dấu chân môi trường. Ngành AI không phải ngoại lệ. Bên cạnh những hứa hẹn AI mang lại cho các mục tiêu môi trường, cần có thêm nỗ lực để giảm tác động môi trường của ngành.
Cần đổi mới để phát triển các mô hình AI tốt hơn và hiệu quả hơn. Nhưng như thế là chưa đủ. Trước chi phí môi trường ngày càng tăng của AI, cần có một cuộc tranh luận nghiêm túc và mang tính đạo đức về việc phát triển và tăng trưởng của ngành AI.
Những đánh đổi của AI
Trước hết, chúng ta cần đánh giá hệ quả của việc ưu tiên phát triển AI hơn các nhu cầu xã hội thiết yếu khác. Trong khi các bên liên quan đến AI đầu tư nguồn lực đáng kể vào dự án năng lượng sạch để vận hành trung tâm dữ liệu, thì đó là năng lượng bị lấy đi khỏi các mục đích tiềm năng khác, như sưởi ấm hay cung cấp điện cho các hộ gia đình thu nhập thấp.
Đồng thời, cần nhớ rằng công nghệ xanh phụ thuộc rất lớn vào vật liệu chiến lược, bao gồm khoáng sản, kim loại và đất hiếm, vốn khó tìm và cần lượng năng lượng khổng lồ để khai thác, kéo theo các hệ quả tiêu cực cho hành tinh.
Trong khi dấu chân carbon của AI mang tính toàn cầu, điều này không đúng với dấu chân nước. Ở đây đánh đổi rất rõ ràng: nước dùng cho một trung tâm dữ liệu là nước bị rút khỏi cộng đồng dân cư và hệ sinh thái sống xung quanh.
Hiệu ứng “bật nảy” tiềm ẩn
Thứ hai, cần nghiên cứu thêm để đánh giá các hiệu ứng bật nảy tiềm ẩn gắn với phát triển AI. Như đã thấy ở các lĩnh vực khác, có khả năng việc cải thiện hiệu suất của mô hình AI dẫn đến tổng mức sử dụng AI tăng, cuối cùng triệt tiêu các lợi ích hiệu suất đạt được.
Để minh họa, hãy xét trường hợp ChatGPT. Theo Goldman Sachs, một truy vấn ChatGPT cần lượng điện gần gấp 10 lần một lượt tìm kiếm Google. Với một công cụ nhận trung bình 10 triệu truy vấn mỗi ngày, điều này chuyển thành một hóa đơn năng lượng khổng lồ. Đó là lý do bạn phải trả phí cho hầu hết các phiên bản ChatGPT, và ngay cả ở các phiên bản tiên tiến nhất cũng có giới hạn số lượt truy vấn mỗi ngày.
Giả sử giờ đây OpenAI phát triển một kiến trúc nơ-ron đột phá mang lại cải thiện hiệu suất đáng kể. Nói rằng, với kiến trúc mới, phiên bản ChatGPT mới nhất chỉ cần gấp 5 lần điện của một lượt tìm kiếm Google. Rất có thể khi đó OpenAI sẽ cung cấp các gói ChatGPT phải chăng hơn với ít giới hạn truy vấn hơn, dẫn đến số người dùng tăng lên.
Kết quả? OpenAI thu thêm lợi nhuận và người dùng hài lòng, nhưng phát thải có thể sẽ tăng, do ChatGPT trở nên phổ biến và hiện diện rộng rãi hơn, từ đó triệt tiêu những lợi ích hiệu suất mà kiến trúc nơ-ron mới mang lại.
AI và ngành nhiên liệu hóa thạch
Một cách nhìn khác về hiệu ứng bật nảy tiềm ẩn là mối liên hệ chặt chẽ giữa một số “người chơi” chủ chốt trong AI, như Microsoft, với các công ty nhiên liệu hóa thạch. Bằng cách cung cấp chuyên môn và quyền truy cập công nghệ AI, các tập đoàn công nghệ lớn đang giúp các công ty dầu khí tối ưu hóa và gia tăng sản lượng nhiên liệu hóa thạch, dẫn tới phát thải GHG bổ sung và có thể trì hoãn quá trình chuyển đổi sang năng lượng tái tạo.
Những mô hình kinh doanh kiểu này đáng lo ngại và phần nào mâu thuẫn với các cam kết khí hậu toàn cầu của họ.
Như Holly Alpine, cựu quản lý cấp cao chương trình Bền vững Môi trường Cộng đồng Trung tâm Dữ liệu của Microsoft, đã chia sẻ trong một bài viết gần đây:
Trong khi các tuyên bố và báo cáo công khai của Microsoft nhấn mạnh các ứng dụng có lợi của AI cho bền vững, họ lại bỏ qua một thực tế quan trọng là một phần đáng kể hoạt động kinh doanh của Microsoft là cung cấp công nghệ cho các công ty nhiên liệu hóa thạch để gia tăng sản lượng.
Holly Alpine, Former Microsoft Senior Program Manager of Datacenter Community Environmental Sustainability
