Kako vještačka inteligencija utiče na okolinu?

Kako vještačka inteligencija utiče na okolinu?

Kratak odgovor: Vještačka inteligencija utiče na okolinu uglavnom kroz upotrebu električne energije u podatkovnim centrima (i obuka i svakodnevno zaključivanje), uz vodu za hlađenje, plus utjelovljene uticaje proizvodnje hardvera i elektronskog otpada. Ako se upotreba proširi na milijarde upita, zaključivanje može nadmašiti obuku; ako su mreže čistije, a sistemi efikasni, uticaji se smanjuju, dok koristi mogu rasti.

Ključne zaključke:

Električna energija : Praćenje korištenja računarskih resursa; emisije se smanjuju kada se radna opterećenja izvršavaju na čistijim mrežama.

Voda : Izbori za hlađenje mijenjaju utjecaje; metode na bazi vode najvažnije su u rijetkim regijama.

Hardver : Čipovi i serveri imaju značajan uticaj; produžavaju vijek trajanja i daju prioritet obnavljanju.

Oporavak : Efikasnost može povećati ukupnu potražnju; mjerite rezultate, ne samo dobitke po zadatku.

Operativne poluge : Odredite modele prave veličine, optimizirajte zaključivanje i transparentno izvještavajte o metrikama po zahtjevu.

Kako umjetna inteligencija utiče na okolinu? Infografika

Članci koje biste možda željeli pročitati nakon ovog:

🔗 Da li je vještačka inteligencija loša za okolinu?
Istražite ugljični otisak umjetne inteligencije, potrošnju električne energije i zahtjeve podatkovnih centara.

🔗 Zašto je vještačka inteligencija loša za društvo?
Pogledajte pristranost, poremećaje u radu, dezinformacije i širenje društvene nejednakosti.

🔗 Zašto je vještačka inteligencija loša? Tamna strana vještačke inteligencije
Razumjeti rizike poput nadzora, manipulacije i gubitka ljudske kontrole.

🔗 Da li je vještačka inteligencija otišla predaleko?
Debate o etici, regulaciji i gdje inovacije trebaju povući granice.

Kako umjetna inteligencija utiče na okolinu: brzi pregled ⚡🌱

Ako se sjećate samo nekoliko tačaka, neka budu ove:

A onda postoji dio koji ljudi zaboravljaju: razmjer . Jedan upit umjetne inteligencije može biti mali, ali milijarde njih su sasvim druga priča... poput malene grudve snijega koja nekako postane lavina veličine sofe. (Ta metafora je malo pogrešna, ali shvatate.) IEA: Energija i umjetna inteligencija

Ekološki otisak vještačke inteligencije nije jedna stvar - to je gomila 🧱🌎

Kada se ljudi raspravljaju o vještačkoj inteligenciji i održivosti, često zanemaruju jedni druge jer ukazuju na različite slojeve:

1) Izračunajte električnu energiju

2) Troškovi podatkovnog centra

3) Voda i grijanje

4) Lanac snabdijevanja hardverom

5) Ponašanje i povratni efekti

Dakle, kada neko pita kako vještačka inteligencija utiče na okolinu, direktan odgovor je: zavisi od toga koji sloj mjerite i šta "vještačka inteligencija" znači u toj situaciji.

Trening naspram zaključivanja: razlika koja mijenja sve 🧠⚙️

Ljudi vole pričati o obuci jer zvuči dramatično - „jedan model je koristio X energije.“ Ali inferencija je tihi div. IEA: Energija i umjetna inteligencija

Trening (velika gradnja)

Obuka je kao izgradnja fabrike. Plaćate početne troškove: opterećenje računarstvom, dugo vrijeme izvršavanja, mnogo pokušaja i grešaka (i da, mnogo iteracija tipa "ups, nije uspjelo, pokušajte ponovo"). Obuka se može optimizirati, ali i dalje može biti značajna. IEA: Energija i vještačka inteligencija

Zaključivanje (svakodnevna upotreba)

Zaključivanje je kao fabrika koja radi svaki dan, za sve, u velikom obimu:

  • Chatbotovi odgovaraju na pitanja

  • Generiranje slike

  • Rangiranje u pretrazi

  • Preporuke

  • Pretvaranje govora u tekst

  • Otkrivanje prevare

  • Kopiloti u dokumentima i alatima za kodiranje

Čak i ako je svaki zahtjev relativno mali, obim korištenja može zasjeniti obuku. To je klasična situacija „jedna slamka nije ništa, milion slamki je problem“. IEA: Energija i vještačka inteligencija

Mala napomena - neki zadaci umjetne inteligencije su mnogo teži od drugih. Generiranje slika ili dugih videozapisa obično troši više energije nego klasifikacija kratkih tekstova. Dakle, svrstavanje "umjetne inteligencije" u jednu kategoriju pomalo je kao upoređivanje bicikla s teretnim brodom i nazivanje oba "transportom". IEA: Energija i umjetna inteligencija

Podatkovni centri: napajanje, hlađenje i ta tiha priča o vodi 💧🏢

Centri podataka nisu novina, ali umjetna inteligencija mijenja intenzitet. Visokoučinkoviti akceleratori mogu povući mnogo energije u skučenim prostorima, što se pretvara u toplinu, kojom se mora upravljati. LBNL (2024): Izvještaj o korištenju energije u podatkovnim centrima Sjedinjenih Država (PDF) IEA: Energija i umjetna inteligencija

Osnove hlađenja (pojednostavljeno, ali praktično)

To je kompromis: ponekad možete smanjiti potrošnju električne energije oslanjajući se na hlađenje na bazi vode. U zavisnosti od lokalne nestašice vode, to može biti u redu... ili može biti pravi problem. Li i dr. (2023): Kako učiniti vještačku inteligenciju manje „žednom“ (PDF)

Takođe, uticaj na okolinu u velikoj mjeri zavisi od:

Da budem iskren: javni razgovori često tretiraju "centar podataka" kao crnu kutiju. To nije zlo, nije magično. To je infrastruktura. Ponaša se kao infrastruktura.

Čipovi i hardver: dio koji ljudi preskaču jer je manje seksi 🪨🔧

VI živi od hardvera. Hardver ima životni ciklus, a uticaji na životni ciklus mogu biti veliki. US EPA: Industrija poluprovodnika ITU: Globalni monitor elektronskog otpada 2024

Gdje se uticaj na okolinu manifestuje

Elektronski otpad i "savršeno ispravni" serveri

Velika šteta za okoliš ne dolazi od jednog postojećeg uređaja - već od njegove rane zamjene jer više nije isplativ. Vještačka inteligencija ubrzava ovaj proces jer skokovi u performansama mogu biti veliki. Iskušenje za osvježavanjem hardvera je stvarno. ITU: Globalni monitor elektronskog otpada 2024.

Praktična stvar: produženje vijeka trajanja hardvera, poboljšanje iskorištenosti i obnavljanje mogu biti jednako važni kao i bilo koje fensi podešavanje modela. Ponekad je najzeleniji GPU onaj koji ne kupite. (To zvuči kao slogan, ali je također... donekle istinito.)

Kako vještačka inteligencija utiče na okolinu: petlja ponašanja „ljudi ovo zaboravljaju“ 🔁😬

Evo neugodnog društvenog dijela: umjetna inteligencija olakšava stvari, tako da ljudi rade više stvari. To može biti divno - veća produktivnost, više kreativnosti, veći pristup. Ali to također može značiti veću ukupnu upotrebu resursa. OECD (2012): Višestruke koristi od poboljšanja energetske efikasnosti (PDF)

Primjeri:

  • Ako vještačka inteligencija pojeftinjuje generiranje videa, ljudi će generirati više videa.

  • Ako vještačka inteligencija učini oglašavanje efikasnijim, prikazivat će se više oglasa i pokrenut će se više petlji angažmana.

  • Ako vještačka inteligencija učini logistiku dostave efikasnijom, e-trgovina se može još više skalirati.

Ovo nije razlog za paniku. To je razlog za mjerenje rezultata, ne samo efikasnosti.

Nesavršena, ali zabavna metafora: Efikasnost vještačke inteligencije je kao da tinejdžeru date veći frižider - da, skladištenje hrane se poboljšava, ali nekako je frižider opet prazan za jedan dan. Nije savršena metafora, ali... vidjeli ste da se to dešava 😅

Prednost: Vještačka inteligencija zaista može pomoći okolišu (kada je pravilno usmjerena) 🌿✨

A sada dio koji se potcjenjuje: umjetna inteligencija može smanjiti emisije i otpad u postojećim sistemima koji su... iskreno, neelegantni. IEA: umjetna inteligencija za optimizaciju energije i inovacije

Područja u kojima vještačka inteligencija može pomoći

Važna nijansa: „Pomaganje“ umjetne inteligencije ne kompenzira automatski utjecaj umjetne inteligencije. Zavisi od toga da li se umjetna inteligencija zaista primjenjuje, zaista koristi i da li dovodi do stvarnih smanjenja, a ne samo do boljih kontrolnih ploča. Ali da, potencijal je stvaran. IEA: Umjetna inteligencija za optimizaciju energije i inovacije

Šta čini dobru verziju ekološki prihvatljive vještačke inteligencije? ✅🌍

Ovo je odjeljak „u redu, šta bismo trebali učiniti“. Dobra ekološki odgovorna AI postavka obično ima:

  • Jasna vrijednost upotrebne vrijednosti : Ako model ne mijenja odluke ili ishode, to je samo fensi računanje.

  • Ugrađeno mjerenje : Energija, procjene ugljika, iskorištenost i metrike efikasnosti prate se kao i svaki drugi KPI. CodeCarbon: Metodologija

  • Modeli odgovarajuće veličine : Koristite manje modele kada manji modeli funkcionišu. Biti efikasan nije moralni neuspjeh.

  • Efikasan dizajn zaključivanja : keširanje, grupiranje, kvantizacija, pronalaženje i dobri obrasci podsticanja. Gholami i dr. (2021): Pregled metoda kvantizacije (PDF) Lewis i dr. (2020): Generisanje prošireno pronalaženjem

  • Svijest o hardveru i lokaciji : izvršavajte radna opterećenja tamo gdje je mreža čistija, a infrastruktura efikasna (kada je to izvodljivo). API za intenzitet ugljika (GB)

  • Duži vijek trajanja hardvera : maksimiziranje iskorištenosti, ponovne upotrebe i obnove. ITU: Globalni monitor elektroničkog otpada 2024.

  • Direktno izvještavanje : izbjegavajte greenwashing jezik i nejasne tvrdnje poput „ekološki prihvatljiva vještačka inteligencija“ bez ikakvih brojki.

Ako još uvijek pratite kako vještačka inteligencija utiče na okolinu, ovo je tačka u kojoj odgovor prestaje biti filozofski i postaje operativan: utiče na nju na osnovu vaših izbora.

Tabela za poređenje: alati i pristupi koji zapravo smanjuju uticaj 🧰⚡

Ispod je brza, praktična tabela. Nije savršena, i da, nekoliko ćelija je pomalo neodređeno... jer tako funkcioniše pravi odabir alata.

Alat / Pristup Publika Cijena Zašto to funkcioniše
Biblioteke za praćenje ugljika/energije (estimatori za vrijeme izvođenja) Timovi strojnog učenja Slobodno Pruža vidljivost - što je pola bitke, čak i ako su procjene malo nejasne.. Kod ugljika
Praćenje napajanja hardvera (telemetrija GPU/CPU-a) Infra + strojno učenje Besplatno Mjeri stvarnu potrošnju; dobro za benchmarking (ne blještavo, ali zlatno)
Modelna destilacija Inženjeri strojnog učenja Besplatno (uzima vrijeme i novac 😵) Manji studentski modeli često poklapaju performanse sa znatno manjim troškovima zaključivanja Hinton i dr. (2015): Destilacija znanja u neuronskoj mreži
Kvantizacija (zaključivanje niže preciznosti) ML + proizvod Besplatno Smanjuje latenciju i potrošnju energije; ponekad uz male kompromise u kvaliteti, ponekad bez ikakvih Gholami i dr. (2021): Pregled metoda kvantizacije (PDF)
Keširanje + zaključivanje o grupiranju Proizvod + platforma Besplatno Smanjuje redundantno računanje; posebno korisno za ponovljene upite ili slične zahtjeve
Generisanje proširenim pronalaženjem (RAG) Timovi za aplikacije Mješovito Preusmjerava "memoriju" na preuzimanje; može smanjiti potrebu za ogromnim kontekstnim prozorima Lewis i dr. (2020): Generisanje proširenim pronalaženjem
Raspoređivanje radnih opterećenja prema intenzitetu ugljika Infra/operacije Mješovito Prebacuje fleksibilne poslove na čistije električne prozore - međutim, potrebna je koordinacija API za intenzitet ugljika (GB)
Fokus na efikasnost podatkovnog centra (iskorištenost, konsolidacija) IT liderstvo Plaćeno (obično) Najmanje glamurozna poluga, ali često najveća - prestanite koristiti poluprazne sisteme Zelena mreža: PUE
Projekti ponovne upotrebe toplote Sadržaji Zavisi Pretvara otpadnu toplotu u vrijednost; nije uvijek izvodljivo, ali kada jeste, prilično je lijepo
"Da li nam uopšte treba vještačka inteligencija ovdje?" provjeri Svi Besplatno Sprečava besmisleno računanje. Najmoćnija optimizacija je reći ne (ponekad)

Primjećujete li šta nedostaje? "Kupite čarobnu zelenu naljepnicu." Ta ne postoji 😬

Praktičan priručnik: smanjenje utjecaja umjetne inteligencije bez uništavanja proizvoda 🛠️🌱

Ako gradite ili kupujete AI sisteme, evo realističnog redoslijeda koji funkcionira u praksi:

Korak 1: Počnite s mjerenjem

  • Pratite potrošnju energije ili je dosljedno procjenjujte. CodeCarbon: Metodologija

  • Mjeri po pokretanju obuke i po zahtjevu za zaključivanje.

  • Pratite iskorištenost - neaktivni resursi imaju tendenciju da se skrivaju na vidljivom mjestu. Zelena mreža: PUE

Korak 2: Prilagodite model zadatku

  • Koristite manje modele za klasifikaciju, ekstrakciju, usmjeravanje.

  • Sačuvajte teški model za tvrde slučajeve.

  • Razmotrite „kaskadu modela“: prvo mali model, veći model samo ako je potrebno.

Korak 3: Optimizacija zaključivanja (ovdje je bitno mjerilo)

  • Keširanje : pohranjivanje odgovora za ponovljene upite (uz pažljive kontrole privatnosti).

  • Grupiranje : grupiranje zahtjeva radi poboljšanja efikasnosti hardvera.

  • Kraći radovi : duži radovi koštaju više - ponekad vam esej nije potreban.

  • Disciplina promptova : neuredni prompti stvaraju duže računarske putanje... i da, više tokena.

Korak 4: Poboljšajte higijenu podataka

Ovo zvuči nepovezano, ali nije:

  • Čistiji skupovi podataka mogu smanjiti odliv korisnika prilikom prekvalifikacije.

  • Manje buke znači manje eksperimenata i manje izgubljenih pokušaja.

Korak 5: Tretirajte hardver kao imovinu, a ne kao predmet za jednokratnu upotrebu

Korak 6: Mudro odaberite raspoređivanje

  • Obavljajte fleksibilne poslove gdje je energija čistija ako je moguće. API za intenzitet ugljika (GB)

  • Smanjite nepotrebno repliciranje.

  • Održavajte realne ciljeve latencije (ultra niska latencija može uzrokovati neefikasne postavke stalnog uključivanja).

I da... ponekad je najbolji korak jednostavno: nemojte automatski pokretati najveći model za svaku pojedinačnu radnju korisnika. Ta navika je ekološki ekvivalent ostavljanja svakog svjetla upaljenim jer je hodanje do prekidača dosadno.

Uobičajeni mitovi (i šta je bliže istini) 🧠🧯

Mit: „Vještačka inteligencija je uvijek gora od tradicionalnog softvera“

Istina: Vještačka inteligencija može biti računski zahtjevnija, ali također može zamijeniti neefikasne ručne procese, smanjiti otpad i optimizirati sisteme. Zavisi od situacije. IEA: Vještačka inteligencija za optimizaciju energije i inovacije

Mit: „Obuka je jedini problem“

Istina: Zaključivanje na velikoj skali može dominirati tokom vremena. Ako upotreba vašeg proizvoda eksplodira, to postaje glavna priča. IEA: Energija i vještačka inteligencija

Mit: „Obnovljivi izvori to rješavaju odmah“

Istina: Čistija električna energija mnogo pomaže, ali ne briše hardverski otisak, potrošnju vode ili efekte povratnog efekta. Ipak, i dalje je važna. IEA: Energija i vještačka inteligencija

Mit: „Ako je nešto efikasno, onda je održivo“

Istina: Efikasnost bez kontrole potražnje i dalje može povećati ukupni uticaj. To je zamka povratnog efekta. OECD (2012): Višestruke koristi od poboljšanja energetske efikasnosti (PDF)

Upravljanje, transparentnost i ne pretjerano teatralnost 🧾🌍

Ako ste kompanija, ovo je mjesto gdje se gradi ili gubi povjerenje.

Ovo je dio gdje ljudi prevrću očima, ali je važno. Odgovorna tehnologija nije samo pametan inženjering. Radi se i o tome da se ne pretvaramo da kompromisi ne postoje.

Završni sažetak: sažet pregled kako umjetna inteligencija utiče na okoliš 🌎✅

Uticaj vještačke inteligencije na okolinu svodi se na dodatno opterećenje: struju, vodu (ponekad) i potražnju za hardverom. IEA: Energija i vještačka inteligencija Li i dr. (2023): Kako učiniti vještačku inteligenciju manje „žednom“ (PDF) Također nudi moćne alate za smanjenje emisija i otpada u drugim sektorima. IEA: Vještačka inteligencija za optimizaciju energije i inovacije Neto rezultat zavisi od obima, čistoće mreže, izbora efikasnosti i od toga da li vještačka inteligencija rješava stvarne probleme ili samo generiše novost radi novosti. IEA: Energija i vještačka inteligencija

Ako želite najjednostavniji praktični recept za van:

  • Mjera.

  • Prave veličine.

  • Optimizirajte zaključivanje.

  • Produžite vijek trajanja hardvera.

  • Budite iskreni u vezi s kompromisima.

A ako se osjećate preopterećeno, evo jedne umirujuće istine: male operativne odluke, ponovljene hiljadu puta, obično pobjeđuju jednu veliku izjavu o održivosti. Pomalo kao pranje zuba. Nije glamurozno, ali djeluje… 😄🪥

Često postavljana pitanja

Kako umjetna inteligencija utiče na okolinu u svakodnevnoj upotrebi, ne samo u velikim istraživačkim laboratorijama?

Većina utjecaja umjetne inteligencije dolazi od električne energije koja napaja podatkovne centre koji pokreću GPU-ove i CPU-ove tokom obuke i svakodnevnog "zaključivanja". Jedan zahtjev može biti skroman, ali u velikim razmjerima ti se zahtjevi brzo akumuliraju. Utjecaj također ovisi o tome gdje se podatkovni centar nalazi, koliko je čista lokalna mreža i koliko se efikasno upravlja infrastrukturom.

Da li je obučavanje AI modela lošije za okolinu od njegovog korištenja (inferencija)?

Obuka može biti veliki, početni nalet računarskih resursa, ali inferencija može vremenom postati veći faktor jer se izvršava konstantno i u velikim razmjerima. Ako alat koriste milioni ljudi svaki dan, ponovljeni zahtjevi mogu nadmašiti jednokratne troškove obuke. Zato se optimizacija često fokusira na efikasnost inferencije.

Zašto vještačka inteligencija koristi vodu i da li je to uvijek problem?

Vještačka inteligencija može koristiti vodu uglavnom zato što se neki podatkovni centri oslanjaju na hlađenje na bazi vode ili zato što se voda indirektno troši kroz proizvodnju električne energije. U određenim klimama, evaporativno hlađenje može smanjiti potrošnju električne energije, a istovremeno povećati potrošnju vode, stvarajući pravi kompromis. Da li je to „loše“ zavisi od lokalne nestašice vode, dizajna hlađenja i toga da li se potrošnja vode mjeri i upravlja.

Koji dijelovi ekološkog otiska umjetne inteligencije potiču od hardvera i elektroničkog otpada?

Vještačka inteligencija zavisi od čipova, servera, mrežne opreme, zgrada i lanaca snabdijevanja - što znači rudarstvo, proizvodnju, transport i konačno odlaganje. Proizvodnja poluprovodnika je energetski intenzivna, a brzi ciklusi nadogradnje mogu povećati utjelovljene emisije i elektronski otpad. Produženje vijeka trajanja hardvera, obnavljanje i poboljšanje iskorištenosti mogu značajno smanjiti utjecaj, ponekad parirajući promjenama na nivou modela.

Da li korištenje obnovljivih izvora energije rješava utjecaj umjetne inteligencije na okoliš?

Čistija električna energija može smanjiti emisije iz računarstva, ali ne briše druge uticaje poput potrošnje vode, proizvodnje hardvera i elektronskog otpada. Također ne rješava automatski "efekte povratka", gdje jeftinije računarstvo dovodi do veće ukupne upotrebe. Obnovljivi izvori energije su važna poluga, ali su samo jedan dio ukupnog ekološkog otiska.

Šta je efekat povratka i zašto je važan za vještačku inteligenciju i održivost?

Efekat povratka nastaje kada povećanje efikasnosti nešto učini jeftinijim ili lakšim, pa ljudi to rade više - ponekad brišući uštede. S umjetnom inteligencijom, jeftinija proizvodnja ili automatizacija mogu povećati ukupnu potražnju za sadržajem, računanjem i uslugama. Zato je mjerenje rezultata u praksi važnije od slavljenja efikasnosti u izolaciji.

Koji su praktični načini za smanjenje utjecaja umjetne inteligencije bez nanošenja štete proizvodu?

Uobičajeni pristup je započeti s mjerenjem (procjene energije i ugljika, iskorištenje), zatim prilagoditi modele zadatku i optimizirati zaključivanje keširanjem, grupiranjem i kraćim izlazima. Tehnike poput kvantizacije, destilacije i generiranja proširenog pretraživanjem mogu smanjiti računalne potrebe. Operativni izbori - poput raspoređivanja radnog opterećenja prema intenzitetu ugljika i dužeg životnog vijeka hardvera - često donose velike dobitke.

Kako vještačka inteligencija može pomoći okolišu, a ne naštetiti mu?

Vještačka inteligencija može smanjiti emisije i otpad kada se primijeni za optimizaciju stvarnih sistema: predviđanje mreže, odgovor na potražnju, kontrolu HVAC sistema u zgradama, usmjeravanje logistike, prediktivno održavanje i detekciju curenja. Također može podržati praćenje okoliša poput upozorenja o deforestaciji i detekcije metana. Ključno je da li sistem mijenja odluke i proizvodi mjerljiva smanjenja, a ne samo bolje kontrolne table.

Koje metrike bi kompanije trebale izvještavati kako bi izbjegle tvrdnje o „zelenom pranju“ u vezi sa vještačkom inteligencijom?

Značajnije je izvještavati o metrikama po zadatku ili zahtjevu nego samo o velikim ukupnim brojevima, jer to pokazuje efikasnost na nivou jedinice. Praćenje potrošnje energije, procjena ugljika, iskorištenosti i - gdje je relevantno - utjecaja na vodu stvara jasniju odgovornost. Također je važno: definirati granice (šta je uključeno) i izbjegavati nejasne oznake poput „ekološki prihvatljiva vještačka inteligencija“ bez kvantificiranih dokaza.

Reference

  1. Međunarodna agencija za energiju (IEA) - Energija i umjetna inteligencija - iea.org

  2. Međunarodna agencija za energiju (IEA) - Umjetna inteligencija za optimizaciju energije i inovacije - iea.org

  3. Međunarodna agencija za energiju (IEA) - Digitalizacija - iea.org

  4. Nacionalna laboratorija Lawrence Berkeley (LBNL) - Izvještaj o korištenju energije u podatkovnim centrima Sjedinjenih Američkih Država (2024.) (PDF) - lbl.gov

  5. Li i dr. - Kako učiniti vještačku inteligenciju manje „žednom“ (2023) (PDF) - arxiv.org

  6. ASHRAE (TC 9.9) - Pojava i širenje tečnog hlađenja u glavnim podatkovnim centrima (PDF) - ashrae.org

  7. Zelena mreža - PUE-Sveobuhvatni pregled metrike - thegreengrid.org

  8. Ministarstvo energetike SAD-a (DOE) - FEMP - Mogućnosti efikasnosti rashladne vode za federalne podatkovne centre - energy.gov

  9. Ministarstvo energetike SAD-a (DOE) - FEMP - Energetska efikasnost u podatkovnim centrima - energy.gov

  10. Američka Agencija za zaštitu okoliša (EPA) - Industrija poluprovodnika - epa.gov

  11. Međunarodna telekomunikacijska unija (ITU) - Globalni monitor elektroničkog otpada 2024. - itu.int

  12. OECD - Višestruke koristi od poboljšanja energetske efikasnosti (2012) (PDF) - oecd.org

  13. API za intenzitet ugljika (GB) - carbonintensity.org.uk

  14. imec - Smanjenje utjecaja na okoliš u proizvodnji čipova - imec-int.com

  15. UNEP - Kako MARS funkcioniše - unep.org

  16. Global Forest Watch - GLAD upozorenja o deforestaciji - globalforestwatch.org

  17. Institut Alan Turing - Vještačka inteligencija i autonomni sistemi za procjenu biodiverziteta i zdravlja ekosistema - turing.ac.uk

  18. CodeCarbon - Metodologija - mlco2.github.io

  19. Gholami i dr. - Pregled metoda kvantizacije (2021) (PDF) - arxiv.org

  20. Lewis i dr. - Generisanje proširenim pronalaženjem (2020) - arxiv.org

  21. Hinton i dr. - Destilacija znanja u neuronskoj mreži (2015) - arxiv.org

  22. CodeCarbon - codecarbon.io

Pronađite najnoviju umjetnu inteligenciju u službenoj trgovini AI Assistant

O nama

Nazad na blog