ChatGPT-3 のトレーニングによる温室効果ガスの排出は、50,000 ガロン以上のガソリンを消費します。これは心配ですよね? そこで、今日は AI モデルのエネルギー消費に関する事実と、より持続可能な世界のための生成 AI の重要性について学びましょう。
ChatGPT は 1 日にどれくらいのエネルギーを消費しますか?
ChatGPT 3モデルのXNUMX日あたりのエネルギー使用量は約 2916KWh.
ChatGPT(Generative Pretrained Transformer)のような会話型AIモデルにキーワードを入力すると、受け取った入力に基づいてモデルが人間のタイプを模倣した応答を動的に生成します。しかし、これは プロセスには高性能コンピューティングリソースへのアクセスが必要であり、 強力な CPU、GPU、TPU などの特殊な AI アクセラレータなどが含まれます。
大規模な展開を処理し、大量のユーザーインタラクションに対応するために、GPTは分散コンピューティング技術を活用することができます。 175億のパラメーター 検索用です。インターネットはハードウェアと連携したサーバー上で実行されるため、エネルギーを消費します。
ChatGPT自体に1日の消費量を計算してもらったが、 納得のいく回答が得られなかった。
そこで、エネルギー消費量を想定する方法を見つけなければなりません。これを経た後 研究論文GPT-3モデルのトレーニングには、405年分のエネルギー消費量に相当する Nvidia V100 GPU、これは 約300Wの電力を消費する簡単に言えば、トレーニング プロセスを完了するには、約 405 個の V100 GPU を XNUMX 年間同時に動作させる必要があります。
これを使う 式ChatGPT 3のエネルギー消費量は、300W（V100消費電力）* 24日365時間 * 405年XNUMX日 * XNUMX年 = 約1064MWh.
その結果、およそ 460トンのCO2相当.
さて、これを使って 温室効果ガス換算計算機このデータは、
- 平均的なガソリン乗用車で1,179,951マイル走行した場合の温室効果ガス排出量または
- 2世帯の58年間のエネルギー使用によるCOXNUMX排出量
ChatGPT 3のXNUMX日あたりのエネルギー消費量
GPT 3の300日のエネルギー使用量は100W（V24消費電力）×405日XNUMX時間×XNUMX年＝ 2916KWh 約
これは二酸化炭素換算で1.3トンに相当し、これは
- 1413ポンドの石炭が燃焼または
- 153,446台のスマートフォンが充電された
お願い: ChatGPT が時間の経過とともに新しいバージョンをリリースしたり、方法論や変数が更新されたりすると、これらの数値は変化する可能性があります。
ChatGPTは1か月あたりどのくらいのエネルギーを消費しますか
GPT 3のXNUMXヶ月あたりのエネルギー使用量は次のように計算できます。
300W（V100の消費電力）*24日30時間*405日（平均）*XNUMX年= 87,480KWh 約。
- 4軒の住宅の1年間のエネルギー使用量
- これは、平均的なガソリン乗用車を 97,013 マイル走行することで発生する温室効果ガス排出量に匹敵します。
- これは、2 ガロンのディーゼル燃料を消費することによって発生する CO3,717 排出量に相当します。
この情報を知った後、Open AI ChatGPTのクエリあたりのエネルギー使用量を知ることに興味が湧きますが、ChatGPTのトレーニングに消費されるエネルギー（1064MWh）をXNUMX日のクエリ数で単純に割るのは賢明ではないかもしれません。トレーニングされたアルゴリズムは数日間にわたって複数回利用される可能性があるため、 ChatGPT クエリの数を時間の経過とともに正確に追跡することは困難です。
また読む： ChatGPTの渇いたデータセンターは水資源を浪費している
AIはどれくらいの電気やエネルギーを消費するのでしょうか?
現在のAIのエネルギー使用傾向から、この技術は最大で 年間29.3TWhの電力これはアイルランド全土の年間電力消費量に相当します。
2027年までに、世界のAI関連の電力使用量は 年間85.4～134.0 TWh主に新しく製造されたサーバーによるものです。この増加は、オランダ、アルゼンチン、スウェーデンなどの国の年間電力消費量に匹敵します。
ジェネレーティブ AI をより環境に優しいものにする方法
Generative AI をより環境に優しいものにするために、以下のヒントを参考にしてください。
1. 新しいモデルを作成するのではなく、大規模な生成モデルを活用する: 大手ベンダーやクラウドプロバイダーを除く企業は、 大きなモデルを作成する必要はありませんこれらの企業は通常、クラウド内にデータと大量のコンピューティング能力を持っているため、クラウドを構築する手間がかかりません。これにより、膨大な計算リソースを消費する大規模なトレーニングの必要性が軽減されます。
2. エネルギー節約型の計算手法を実装する: 小さなマイクロコントローラ上でローカル処理することで、外部サーバーにデータを転送することなく、消費電力を1000倍も効率的に節約できます。たとえば、次のような技術を使用します。 スパース性正規化 or 低精度演算, タイニーML データ処理の計算負荷を軽減します。
3. 重要な場合にのみ大規模モデルを適用する: 小さなモデルで十分なタスクに、不必要に大きなモデルを使用することは避けてください。機械学習や人工知能に頼る前に、開発者は調査と分析を通じてさまざまな代替ソリューションを検討する必要があります。大きなモデルが大きな価値をもたらす場合にのみ、検討してください。 資源が効率的に使用されるようにする 目の前の問題に対処するため。
4. 生成AIを使用するタイミングを慎重に選択する: 生成 AI の導入には注意が必要です。特に、ブログ投稿や面白いストーリーの生成などのタスクでは、大量の計算リソースを必要としない場合があります。より単純な従来の方法で十分なタスクには生成モデルを導入しないでください。そうすることで、不要なエネルギー消費を削減できます。
5. クラウドプロバイダーまたはデータセンターのエネルギー源を促進する: AI とソフトウェアの炭素強度を最小限に抑えるために、AI インフラストラクチャと運用に再生可能エネルギー源を使用する取り組みをサポートします。
6. リソースの再利用: 可能な限りテクノロジーを再利用し、 リサイクル材料 ノートパソコンやプロセッサなどの新しい技術コンポーネントの場合、資源抽出による環境への影響も最小限に抑えられます。
7. 炭素モニタリングに AI アクティビティを含める: 追跡する カーボンフットプリント トレーニングや推論プロセスなど、AI アクティビティに関連するすべてのデータ。企業は、AI 関連の取り組みに関して顧客が十分な情報に基づいた決定を下せるよう、炭素モニタリング データを公開する必要があります。排出量の計算は、研究機関や OpenAI などの AI サービス プロバイダーなどのサプライヤーや処理会社からのデータに依存しています。
8. スマートアルゴリズム技術の探求: 生成AIのためのエネルギー効率の高いアルゴリズムの研究開発に投資しましょう。これらはソフトウェアが映像や音声を解釈するのをガイドし、洞察を導き出すことを可能にします。これらはレシピのようなもので、それぞれシェフやキッチン家電のようにソフトウェアやハードウェアをガイドします。レシピが調理作業を効率化するのと同じように、 効率的なアルゴリズムがデータ処理を最適化し、作業負荷を軽減します ソフトウェアとハードウェアのコンポーネントに重点を置きます。効率性の向上によりコンピューティング能力の要件が軽減され、より環境に優しい AI の実践に貢献します。
9. エネルギーへの投資: 例えば、企業は以下のような組織と提携することができます。 地上 業界標準を使用してカーボンフットプリントを評価するか、次のような多数のパッケージやオンラインツールを使用します。 コードカーボン, グリーンアルゴリズム, ML CO2の影響は、実行時にコード内で排出量を推定するためにアクセス可能であり、炭素削減戦略のカスタマイズされた提案を提供し、企業がプラットフォームを通じて環境への影響を監視できるようにします。
参照： オーストラリアに拠点を置くNearaのAI技術が異常気象から公共事業を守る
Google 検索の年間エネルギー消費量
Googleのエネルギー使用量は急増し、 22.29 TWh 2022年には12.7年の2019TWhから増加します。
しかし、Googleはエネルギー消費に対処するために多くの取り組みを行っており、 100%再生可能エネルギーで事業運営を行うことを約束 同社は、風力発電所や太陽光発電所などの再生可能エネルギープロジェクトや、カーボンオフセットプロジェクトに投資することで、二酸化炭素排出量を相殺しています。二酸化炭素排出量を相殺するために、データセンターや施設のエネルギー効率の向上に注力しています。
下のグラフは、2018年から2022年までのGoogleのエネルギー消費量を示しています。
私たちは技術の進歩を歓迎しますが、毎日何百万ものクエリを処理するOpenAIのChatGPTのようなAIモデルのエネルギーフットプリントを知ることは不可欠です。それはモデルのサイズ、タスクの複雑さ、計算に使用されるハードウェアなどの要因に依存します。さらに、持続可能な世界を作るために、 人工知能が環境に与えるプラスとマイナスの影響。
