چگونه ردپای محیطی هوش مصنوعی خود را کاهش دهیم

در جدیدترین مراکز داده جهان، محاسبات پرقدرت در تمام ساعات شبانه روز ادامه می یابد زیرا چت ربات های هوش مصنوعی و سایر ابزارهای مولد هوش مصنوعی وظایفی را از پیش پا افتاده تا سنگین انجام می دهند: جمع آوری تصاویر برای رسانه های اجتماعی، ارائه مشاوره روابط، تجزیه و تحلیل تصاویر پزشکی برای تشخیص سرطان، ایجاد کد برای توسعه دهندگان یا کشف کلاهبرداری های مالی برای بانک ها.

همانطور که محبوبیت ابزارهای هوش مصنوعی در سال‌های اخیر افزایش یافته است، هزینه‌های زیست‌محیطی مرتبط نیز افزایش یافته است. به گفته آژانس بین المللی انرژی، مراکز داده اکنون 414 تراوات ساعت در سال یا حدود 1.5 درصد از مصرف برق جهانی را مصرف می کنند – مقداری که به مدت 5 سال سالانه 12 درصد رشد داشت و در سال 2025 به 17 درصد رسید. تا سال 2030، آژانس پیش بینی می کند که تقاضای برق مرکز داده دو برابر خواهد شد. بیشتر تقاضای فزاینده برای برق توسط سوخت های فسیلی تامین می شود، در حالی که کارشناسان همچنین نگران استفاده از منابع آب محلی برای خنک کردن مراکز داده در مناطق خشکسالی هستند.

استفاده از هوش مصنوعی برای تولید متن یا تصاویر احتمالا تنها کسری از ردپای اکولوژیکی یک فرد را نشان می دهد. و کارشناسان تاکید می کنند که شرکت های فناوری مسئولیت کاهش مصرف منابع هوش مصنوعی را دارند، از ایجاد الگوریتم های هوشمندتر و صرفه جویی در انرژی گرفته تا ساخت سخت افزار کارآمدتر.

با این حال، اقدامات ساده‌ای وجود دارد که افراد می‌توانند برای اطمینان از اینکه استفاده از هوش مصنوعی کمترین تأثیر زیست‌محیطی ممکن را دارد انجام دهند – از در نظر گرفتن دقیق مکان‌هایی که هوش مصنوعی مورد نیاز است تا تطبیق دادن اعلان‌ها برای به حداقل رساندن میزان محاسبات مورد نیاز.

ایوانا دروبنیاک، دانشمند کامپیوتر از دانشگاه کالج لندن، می گوید: «انتخاب های فردی بی معنا نیستند، و برخی از آنها قدرتمندتر از آن چیزی هستند که مردم تصور می کنند.

ربات های انرژی گرسنه

تخمین انرژی صرف شده برای پردازش یک درخواست ربات چت فردی بسیار دشوار است. به عنوان مثال، گوگل تخمین می زند که چت ربات Gemini آن برای پاسخ به یک درخواست متنی با طول متوسط ​​حدود 0.24 وات ساعت مصرف می کند – معادل برق مورد نیاز برای تماشای کمتر از 9 ثانیه تلویزیون. همچنین حدود 0.26 میلی لیتر آب مصرف می کند و معادل 0.03 گرم دی اکسید کربن ساطع می کند (رانندگی یک ماشین بنزینی در یک مایل حدود 400 گرم تولید می کند). این هزینه ها به صورت جداگانه برای آن دسته از افراد و شرکت هایی که از ابزارهای هوش مصنوعی بسیاری استفاده می کنند بسیار زیاد می شود.

دلیل اینکه مدل‌های هوش مصنوعی انرژی زیادی مصرف می‌کنند تا حدی در پردازنده‌هایی نهفته است که آن‌ها را تامین می‌کنند، مانند واحدهای پردازش گرافیکی (GPU)، که به طور قابل‌توجهی انرژی بیشتری نسبت به واحدهای پردازش مرکزی (CPU) مصرف می‌کنند، که وظایف ساده‌تری مانند جستجوی وب و ایمیل را تامین می‌کنند. این همچنین به مدل‌هایی مربوط می‌شود که زیربنای محبوب‌ترین ابزارهای هوش مصنوعی مولد هستند، از جمله مدل‌های زبان بزرگ (LLM) که چت‌ربات‌ها و دستیاران هوش مصنوعی را تقویت می‌کنند.

آنها بر اساس یک طراحی خاص به نام معماری ترانسفورماتور هستند. این به LLM ها اجازه می دهد تا روی مجموعه های عظیمی از الگوهای زبانی در متن آموزش ببینند و از این طریق صدها میلیارد یا تریلیون پارامتر را محاسبه کنند. سپس می توان از این پارامترها برای تولید رشته های متنی جدید با پیش بینی کلماتی که احتمالاً دنبال یکدیگر می آیند استفاده کرد.

LLM مبتنی بر ترانسفورماتور از نظر محاسباتی فشرده است زیرا برای هر کلمه جدیدی که در پاسخ به درخواست کاربر ایجاد می کند، پرس و جو و کلماتی را که تاکنون از طریق مدل نوشته شده است اجرا می کند و هر بار میلیاردها محاسبه را انجام می دهد.

شرکت های فناوری خاطرنشان می کنند که LLM ها در طول زمان کارآمدتر انرژی شده اند. بر اساس محاسبات گوگل برای سال 2025، 0.24 وات ساعت Gemini برای یک پیام متنی با طول متوسط ​​استفاده می کند، نشان دهنده کاهش 33 برابری مصرف برق در مدل سال قبل است.

در هر صورت، با توجه به مقیاس استفاده از هوش مصنوعی، حتی مقادیر کمی نیرو به سرعت افزایش می یابد. بر اساس اعداد مربوط به سال 2025 از شرکت فناوری OpenAI، Drobnjak در ماه می تخمین زد که در حال حاضر حدود 3.2 میلیارد درخواست هر روز به چت ربات ChatGPT او ارسال می شود. کاربران برای پردازش و ایجاد حجم عظیمی از متن، تصویر و ویدیو به ابزارهای هوش مصنوعی نیاز دارند. برخی گفتگوهای طولانی با چت بات ها دارند. و به طور فزاینده ای، مردم در حال ایجاد «عامل های هوش مصنوعی» خود هستند که خودشان درخواست هایی را برای چت ربات های هوش مصنوعی ارسال می کنند.

بنابراین کاربران برای به حداقل رساندن منابع صرف شده برای استفاده از هوش مصنوعی چه کاری می توانند انجام دهند؟ کارشناسان توصیه هایی دارند.

جستجو را رها نکنید

به عنوان اولین اقدام ساده و صرفه جویی در مصرف انرژی، کاربران باید به دقت بررسی کنند که آیا واقعاً برای یک کار خاص به هوش مصنوعی نیاز دارند یا خیر. “سوال ChatGPT “امروز چه بپوشم؟” یا “آب و هوا چطوره؟” گونتر کلامبائر، کارشناس هوش مصنوعی در دانشگاه یوهانس کپلر اتریش می‌گوید: مانند کنکورد است تا به سوپرمارکت خود سفر کنید.

همین امر در مورد موتورهای جستجوی وب که از هوش مصنوعی برای ایجاد پاسخ خودکار به یک پرس و جو در کنار نتایج جستجوی واقعی، مانند بررسی های هوش مصنوعی گوگل یا جستجوی کوپایلوت بینگ، صدق می کند. اودیت گوپتا، کارشناس مهندسی برق و کامپیوتر در Cornell Tech در نیویورک می گوید: «اگر فقط به دنبال یک مقاله خاص هستید، خاموش کردن آن می تواند از منظر صرفه جویی در انرژی قدرتمند باشد. انتخاب “فقط نتایج وب” در مرورگر خود یا گنجاندن “-ai” در عبارت جستجوی وب شما ممکن است کارساز باشد.

مدل های کوچکتر انرژی کمتری مصرف می کنند

افراد و مشاغلی که از ابزارهای هوش مصنوعی زیادی برای کارهای خاص مانند ترجمه یا خلاصه‌نویسی استفاده می‌کنند، می‌توانند به سمت مدل‌های زبان کوچک‌تر حرکت کنند که برای آن کارها تخصصی هستند. از آنجایی که آنها با دقت بیشتری آموزش می بینند و محاسبات کمتری را انجام می دهند، از انرژی کمتری نسبت به LLM های عظیم و همه منظوره برای کارهای مشابه استفاده می کنند.

در مطالعه‌ای در سال 2025 که توسط یونسکو منتشر شد، دروبنیاک مزایای استفاده از مدل‌های کوچک را آزمایش کرد – مانند مدلی به نام opus-mt-en-es برای ترجمه‌های انگلیسی به اسپانیایی و سایر مدل‌ها برای خلاصه‌سازی و پاسخگویی به سؤالات – به جای مدل Llama 3.1 که توسط Meta توسعه یافته است. اگرچه استفاده از این مدل‌های کوچک‌تر اغلب نسبت به مدل‌های محبوب‌تر هوش مصنوعی آسان‌تر است، اما به‌طور رایگان از پلتفرم هوش مصنوعی Hugging Face در دسترس هستند. این مطالعه نشان داد که مدل های کوچک بین 15 تا 50 برابر انرژی کمتری مصرف می کنند در حالی که نتایج با کیفیت بالاتری را برای کارهایی که برای آنها طراحی شده اند تولید می کنند.

جابجایی از مدل های بزرگتر منجر به کاهش 90 درصدی در مصرف انرژی به طور کلی شد و آن را به قوی ترین استراتژی صرفه جویی در انرژی تبدیل کرد که Drobnjak در مطالعه خود آزمایش کرد. همانطور که گوپتا می گوید، “شما نیازی به استفاده از مدلی با تریلیون ها پارامتر برای ویرایش ایمیل ندارید.”

چت ربات های کمتر چت

از آنجایی که LLM ها برای هر کلمه متوالی که تولید می کنند محاسبات زیادی انجام می دهند، به انتخاب مدل هایی که در کل متن کمتری تولید می کنند کمک می کند. مشرف چاودوری، کارشناس سیستم‌های هوش مصنوعی از دانشگاه میشیگان، که مصرف برق LLM‌هایی را که در دسترس عموم قرار داشتند اندازه‌گیری کرد، متوجه شد که مدل‌هایی که ماهیت «پخت‌تر» دارند، تمایل بیشتری به مصرف انرژی دارند.

به عنوان مثال، یکی از نسخه‌های مدل Qwen که توسط Alibaba Cloud چین توسعه داده شده است، در حالت «حل مسئله استدلال»، که تقریباً 10 برابر بیشتر از حالت «مکالمه متنی» کلمات تولید می‌کند، انرژی بیشتری مصرف می‌کند. بنابراین برخی از کارشناسان توصیه می کنند از حالت استدلال فقط برای سوالات پیچیده استفاده کنید و در غیر این صورت به حالت استاندارد چت بات پایبند باشید.

صرفاً درخواست از چت ربات های هوش مصنوعی برای “کوتاه نگه داشتن آن” یا دادن محدودیت کلمات به آنها نیز می تواند در مصرف انرژی صرفه جویی کند. در مقاله یونسکو، دروبنیاک و همکارانش دریافتند که می توانند مصرف انرژی مدل لاما را تا 50 درصد کاهش دهند، زمانی که به آن دستور دادند تا تولید خود را به نصف کاهش دهد. در مقابل، کوتاه نگه داشتن خود فرمان صرفه جویی کمتری داشت – فقط 5 درصد برای درخواستی که نیمی از طول پرس و جو اصلی بود.

دروبنیاک می‌گوید: «اندازه تولید چیزی است که بیشترین مصرف انرژی را تعیین می‌کند و آن را هدایت می‌کند. این شرکت با شهر سانفرانسیسکو برای توسعه نکات صرفه جویی در مصرف انرژی برای کاربران هوش مصنوعی همکاری کرد که شامل تا حد امکان خاص بودن و افزودن دستورالعمل هایی مانند “حداکثر پنج گلوله” بود.

به وضوح کم و ویدیوی گروهی تغییر دهید

دروبنیاک می‌گوید که توصیه‌های مشابهی برای تولید تصویر و ویدیو اعمال می‌شود که می‌توانند از انرژی بیشتری نسبت به تولید متن استفاده کنند، زیرا شامل تکرار میلیون‌ها پیکسل بارها و پردازش کل تصویر در هر بار می‌شود. چنین ابزارهایی بسیار محبوب هستند: تقریباً 40 درصد از نوجوانان 13 تا 17 ساله که در نظرسنجی اخیر مرکز تحقیقات Pew مورد بررسی قرار گرفتند از هوش مصنوعی برای ایجاد یا ویرایش تصاویر یا ویدیوها استفاده می کنند.

Drobnjak توصیه می کند که تصاویر یا فیلم ها را فقط در صورت لزوم و تنها با وضوح مورد نیاز تولید کنید. او می‌گوید: «یک گزینه این است که فقط با وضوح پایین شروع کنید، و اگر الگوریتم در جهت درست است، سپس شروع به افزایش وضوح کنید». او همچنین خاطرنشان می کند که ویرایش تصاویر موجود همیشه از نظر محاسباتی کمتر از تولید تصاویر جدید از ابتدا است.

و هنگامی که چندین تصویر تولید می کنید، انجام آن در یک جلسه یا دسته ای کمک می کند، که کارآمدتر از انجام آن در چندین درخواست جداگانه است.

به گفته کارشناسان، این اقدامات ممکن است مانند یک قطره در سطل به نظر برسد، و از بسیاری جهات چنین هستند. اما چیزهای کوچک جمع می شوند. دروبنیاک می‌گوید: در حالی که منتظر شرکت‌های فناوری، دانشمندان و سیاست‌گذاران هستیم تا راه‌هایی برای کاهش تأثیرات زیست‌محیطی هوش مصنوعی بیابند، دروبنیاک می‌گوید: «کسی که می‌داند چگونه به ابزار مناسب دست پیدا کند، می‌تواند تفاوت واقعی ایجاد کند. این هوش مصنوعی است [consuming] آنقدر انرژی که باید از هر زاویه به آن نگاه کنیم.