Naukowcy z otwartą platformą AI Hisging twarzy odkryli, że ślad węglowy generatywnych narzędzi AI jest znacznie gorszy niż wcześniej oszacowano, szczególnie w przypadku przekształcających podpowiedzi tekstu na wideo, ze względu na nieliniowe skalowanie energii. W nowo opublikowanym artykule naukowcy szczegółowo opisali, w jaki sposób wymagania energetyczne generatorów tekstu do filmu-video rosną wykładniczo niż w bezpośrednim proporcji do długości treści. Badanie wykazało, że gdy czas trwania wygenerowanego filmu jest podwojony, powiązane zużycie energii czterokrotnie. Aby zilustrować tę zasadę, artykuł zawiera konkretny przykład: tworzenie sześciosekundowego klipu wideo z AI wymaga czterech razy więcej energii niż generowanie trzyosekundowego klipu. „Odkrycia te podkreślają zarówno nieefektywność strukturalną obecnych rurociągów dyfuzyjnych wideo, jak i pilną potrzebę projektowania zorientowanego na wydajność”-podsumowali naukowcy w swoim artykule. Badania pojawiają się wśród ostrzeżeń ekspertów, że generatywne technologie AI są wdrażane bez pełnego zrozumienia ich konsekwencji środowiskowych. Niedawna analiza MIT Technology Review potwierdza ten problem, stwierdzając, że „wspólne zrozumienie zużycia energii AI jest pełne dziur”. Luka w zrozumieniu jest znacząca przy porównywaniu różnych rodzajów narzędzi generatywnych. Podczas tworzenia pojedynczego 024 na 1024 pikseli obrazu z generatorem AI zużywa energię równoważną o rozgrzewaniu czegoś w kuchence mikrofalowej przez pięć sekund, wymagania dotyczące wideo są rzędu wielkości większej. Badanie Hisging Face wykazało, że wytwarzanie zaledwie pięciosekundowego klipu wideo wymaga ilości energii porównywalnej z uruchomieniem standardowej mikrofalowej przez ponad godzinę. Ta rozbieżność podkreśla intensywną naturę generowania wideo. Nieliniowe skalowanie oznacza, że gdy klipy wideo stają się dłuższe, zużycie energii eskaluje jeszcze szybciej. Według artykułu trajektoria ta implikuje „szybko rosnące koszty sprzętu i środowiska” dla użytkowników i programistów tych technologii. Istnieją potencjalne metody złagodzenia tych wysokich wymagań energii. Naukowcy sugerują kilka strategii, w tym wdrażanie inteligentnych systemów buforowania i praktyka ponownego wykorzystania istniejących treści generowanych przez AI, aby uniknąć zbędnego przetwarzania. Inną proponowaną techniką jest „przycinanie”, która obejmuje metodyczne identyfikację i usuwanie nieefektywnych przykładów z dużych zestawów danych używanych do szkolenia modeli AI. Proces ten może pomóc w usprawnieniu modeli i zmniejszeniu ich śladu energii operacyjnej podczas zadań wytwarzania. Nie jest jednak pewne, czy te miary wydajności będą wystarczające, aby wywrzeć znaczący wpływ na całkowite zużycie energii elektrycznej w obecnych systemach AI. Skala problemu jest już znaczna. Według danych z jednego ostatniego badania działania związane z AI stanowią obecnie 20 procent całkowitego zapotrzebowania na energię ze strony wszystkich globalnych centrów danych. W odpowiedzi na rosnące popyt na AI, główne firmy technologiczne inwestują dziesiątki miliardów dolarów w nowe budynki infrastrukturalne, co doprowadziło niektórych do porzucenia wcześniej określonych celów klimatycznych.
Raport o wpływie na środowisko Google 2024 Ujawniono, że firma jest znacznie opóźniona, aby osiągnąć emisję węgla netto do 2030 r.. Raport ujawnił 13-procentowy wzrost emisji dwutlenku węgla rok do roku, co w dużej mierze przypisywała jej rozszerzeniu generatywnych usług AI. Na początku tego roku Google wydało generator wideo Veo 3 AI. Firma ogłosiła później, że użytkownicy utworzyli ponad 40 milionów filmów z narzędziem w ciągu pierwszych siedmiu tygodni dostępności. Specyficzne opłaty za środowisko VEO 3 nie zostało ujawnione.
