به گزارش خرید بک لینک بعضی از کارشناسان اعتقاد دارند که هوش مصنوعی(AI) به رغم کاربردش برای مقابله با کربن دی اکسید در حال تبدیل شدن به یکی از روش های تولید کربن دی اکسید است. بنابراین به تازگی دو دانشجو نرم افزاری برای مقابله با کربن دی اکسید بوجود آمده توسط هوش مصنوعی توسعه داده اند.
به گزارش خرید بک لینک به نقل از ایسنا و به نقل از یونایت، اخیر دو دانشجوی دانشگاه کپنهاگ، تمرکز خویش را بر روی چگونگی اصلاح این شرایط گذاشته اند. روش های پیشرفته هوش مصنوعی مانند یادگیری عمیق با سرعت حیرت انگیزی در حال توسعه هستند، اما این امر با مقادیر زیادی مصرف انرژی همراه می باشد.
اگر این روند افزایش پیدا کند، فناوری ها و روش های هوش مصنوعی بخصوص یادگیری عمیق به احتمال زیاد به یک ابزار مسبب تغییرات آب و هوایی تبدیل خواهند شد. با این وجود، این تنها در صورتی امکانپذیر است که برای تغییر مسیر فعلی اقدامی صورت نگیرد. از سال ۲۰۱۲ تا ۲۰۱۸، قدرت محاسباتی مورد نیاز برای یادگیری عمیق ۳۰ هزار درصد افزایش یافته است.
یکی از اشکالات مهم این صنعت این است که مصرف انرژی و اثر کربن به علت توسعه الگوریتم ها به ندرت اندازه گیری می شود. در همین زمان، خیلی از مطالعات به بررسی جزئیات این مورد می پردازند و خواهان اقدام برای کنترل هستند.
در جستجوی پرداختن به این مورد دو دانشجو به نامهای “لیس اف ولف آنتونی”(Lasse F. Wolff Anthony) و “بنجامین کندینگ”(Benjamin Kanding) از دانشکده علوم کامپیوتر دانشگاه کپنهاگ با کمک پروفسور “راقاوندرا سلوان”(Raghavendra Selvan) برنامه نرم افزاری جدیدی به نام “ردیاب کربن”(Carbontracker ) را توسعه داده اند.
این نرم افزار می تواند میزان مصرف انرژی و انتشار کربن دی اکسید حاصل از مدلهای یادگیری عمیق آموزش دیده را به صورت دقیق محاسبه و پیش بینی نماید.
لیس اف ولف آنتونی اظهار داشت: پیشرفت در این حوزه به سرعت جنون آمیزی، سریع رخ می دهد و مدلهای یادگیری عمیق حالا در مقیاس عظیمی در حال پیشرفته تر شدن هستند. هم اکنون، رشد نمایی وجود دارد و این به معنای افزایش مصرف انرژی است که به نظر می آید اغلب مردم به آن فکر نمی کنند. مدلهای یادگیری عمیق همچنان که پیشرفته تر می شوند و مشکلات بسیار پیچیده تری را حل می کنند مصرف انرژی آنها هم به میزان قابل توجهی افزایش می یابد.
بنجامین کندینگ اظهار داشت: هر روز مجموعه داده ها بزرگتر می شوند و در نتیجه مشکلاتی که الگوریتم ها باید آنها را حل کنند پیچیده تر می شوند.
یکی از بهترین نمونه ها، مدل زبان پیشرفته GPT-۳ است. این یکی از بزرگترین و پیچیده ترین مدلهای یادگیری عمیق است که تا به امروز ساخته شده است. GPT-۳ به همان مقدار انرژی نیاز دارد که ۱۲۶ خانه در دانمارک در سال مصرف می کنند و نکته جالب این است که GPT-۳ تمام این انرژی را تنها در یک جلسه مصرف می کند و میزان کربن دی اکسید آزاد شده آن معادل ۷۰۰ هزار کیلومتر رانندگی است. ردیاب کربن میزان کربن دی اکسید مورد استفاده برای تولید انرژی را در مناطقی که آموزش یادگیری عمیق در آن اتفاق می افتد ردیابی می کند و امکان پیشبینی انتشار کربن دی اکسید بعد از تبدیل مصرف انرژی را فراهم می آورد. به قول دانشجویان، کاربران یادگیری عمیق باید توجه داشته باشند که از چه نوع سخت افزار و الگوریتمی استفاده می نمایند. عملکرد الگوریتم ها در بهره وری انرژی بسیار متفاوت می باشد برای مثال برخی از آنها برای دستیابی به نتایج مشابه به محاسبه کمتر و در نتیجه انرژی کمتری نیاز دارند. اگر کسی بتواند این نوع پارامترها را تنظیم کند، همه چیز به صورت قابل توجهی تغییر می کند.
