Bởi Lance Eliot, Người trong cuộc Xu hướng AI
AI xanh đang phát triển.
Tin tức gần đây về lợi ích của Machine Learning (ML) và Deep Learning (DL) đã có một chút lạc quan khi chỉ ra rằng có một chi phí sinh thái tiềm ẩn liên quan đến các hệ thống này. Đặc biệt, các nhà phát triển AI và nhà nghiên cứu AI cần lưu ý đến lượng khí thải carbon bất lợi và có hại mà họ đang tạo ra khi tạo ra các khả năng ML/DL.
Đó là một lời cảnh tỉnh “xanh” hoặc môi trường đáng được lắng nghe đối với AI.
Trước tiên chúng ta hãy xem xét bản chất của dấu chân carbon (CFP) vốn đã khá quen thuộc với tất cả chúng ta, chẳng hạn như ngành vận tải thải khí carbon.
Dấu chân carbon thường được biểu thị bằng lượng khí thải carbon dioxide thải ra, chẳng hạn như khi bạn bay trên máy bay thương mại từ Los Angeles đến New York hoặc khi bạn lái chiếc ô tô chạy bằng xăng từ Thung lũng Silicon đến Bãi biển Silicon.
Tính toán lượng carbon được sử dụng để tính toán lượng khí thải carbon mà một máy móc hoặc hệ thống tạo ra khi được sử dụng và có thể tính toán cho máy bay, ô tô, máy giặt, tủ lạnh và bất kỳ thứ gì thải ra khói carbon.
Bây giờ tất cả chúng ta dường như đều biết rằng ô tô của chúng ta đang thải ra nhiều loại khí nhà kính khác nhau, bao gồm cả hơi carbon dioxide đáng sợ gây ra nhiều tác động xấu đến môi trường. Một số người nhanh chóng chỉ ra rằng ô tô hybrid sử dụng cả xăng và năng lượng điện có xu hướng tạo ra lượng khí thải carbon thấp hơn so với ô tô thông thường, trong khi Xe điện (EV) về cơ bản là không có lượng khí thải carbon ở ống xả.
Tính toán lượng khí thải carbon cho ô tô
Khi xác định lượng khí thải carbon của một máy móc hoặc thiết bị, bạn rất dễ rơi vào bẫy tinh thần khi chỉ xem xét lượng khí thải xảy ra khi sử dụng thiết bị đó. Theo EPA và Bộ Năng lượng, một chiếc ô tô chạy xăng có thể thải ra 200 gam carbon dioxide trên mỗi km di chuyển, trong khi một chiếc xe hybrid điện có thể tạo ra khoảng một nửa ở mức 92 gam và một chiếc xe điện có lẽ là 0 gam.
Xem trang web này của chính phủ Hoa Kỳ để biết ước tính chi tiết về lượng khí thải carbon của ô tô: https://www.fueleconomy.gov/feg/info.shtml#guzzler
Mặc dù khía cạnh dấu chân carbon trực tiếp thực sự liên quan đến những gì xảy ra trong quá trình sử dụng máy móc hoặc thiết bị, nhưng cũng có dấu chân carbon gián tiếp đòi hỏi sự quan tâm như nhau của chúng ta, liên quan đến cả các yếu tố thượng nguồn và hạ nguồn góp phần tạo nên bức tranh đầy đủ hơn về lượng carbon thực sự. dấu chân liên quan. Ví dụ, một chiếc ô tô chạy bằng xăng thông thường có thể tạo ra khoảng 28% tổng lượng khí thải carbon dioxide trong suốt vòng đời của nó khi chiếc ô tô đó ban đầu được sản xuất và vận chuyển đi bán.
Ban đầu bạn có thể thường nghĩ như thế này:
- Tổng CFP của ô tô = CFP khi đốt xăng
Nhưng nó nên như thế này hơn:
- Tổng CFP của một chiếc ô tô = CFP khi sản xuất ô tô + CFP khi đốt xăng
Hãy định nghĩa “CFP Made” là một yếu tố về lượng khí thải carbon khi một chiếc ô tô được sản xuất và vận chuyển, và một yếu tố khác mà chúng ta sẽ gọi là “CFP FuelUse” đại diện cho lượng khí thải carbon khi ô tô đang vận hành.
Để có toàn bộ vòng đời của một chiếc ô tô, chúng ta cần bổ sung thêm nhiều yếu tố vào phương trình.
Có một lượng khí thải carbon khi bản thân xăng được tạo ra, tôi sẽ gọi nó là “CFP FuelGen”, và do đó chúng ta không chỉ bao gồm CFP khi nhiên liệu được tiêu thụ mà cả khi nhiên liệu được xử lý hoặc tạo ra ban đầu. Hơn nữa, một khi một chiếc ô tô đã hết hạn sử dụng và sẽ bị bỏ đi và không còn được sử dụng nữa thì sẽ có dấu chân carbon liên quan đến việc vứt bỏ hoặc loại bỏ chiếc ô tô (“Xử lý CFP”).
Điều này cũng đưa ra một khía cạnh về EV. Việc xe điện chú ý đến việc không có CFP ở ống xả có phần gây nhầm lẫn khi xem xét tổng CFP trong vòng đời vì bạn cũng nên tính đến lượng khí thải carbon cần thiết để tạo ra năng lượng điện được sạc vào xe điện và sau đó được tiêu thụ khi xe điện đang chạy. xung quanh. Chúng tôi sẽ chỉ định số tiền đó cho hệ số CFP FuelGen.
Công thức mở rộng là:
- Tổng CFP của một chiếc ô tô = CFP được sản xuất + CFP FuelUse + CFP FuelGen + CFP thải bỏ
Hãy sắp xếp lại các yếu tố để nhóm lại lượng dấu chân carbon một lần, đó sẽ là CFP được tạo ra và Xử lý CFP, đồng thời nhóm các lượng dấu chân carbon đang được sử dụng liên tục, sẽ là CFP FuelUse và CFP FuelGen. Điều này có ý nghĩa vì nhiên liệu được sử dụng và các yếu tố tạo ra nhiên liệu sẽ khác nhau tùy thuộc vào mức độ lái của một chiếc xe cụ thể. Có lẽ, một chiếc ô tô chạy với quãng đường thấp chủ yếu nằm trong gara của bạn sẽ có tổng lượng tiêu thụ CFP trong suốt vòng đời của nó nhỏ hơn so với một chiếc ô tô được lái liên tục và chạy hàng tấn dặm.
Công thức tổng thể được sắp xếp lại là:
- Tổng CFP của một chiếc ô tô = (CFP được sản xuất + CFP thải bỏ) + (CFP FuelUse + CFP FuelGen)
Tiếp theo, tôi muốn nói thêm một điểm mà rất ít người cân nhắc khi nói đến sự xuất hiện của ô tô tự lái, cụ thể là lượng khí thải carbon liên quan đến AI Machine Learning dành cho ô tô không người lái.
Hãy gọi số tiền đó là “CFP ML” và thêm nó vào phương trình.
- Tổng CFP của một chiếc ô tô = (CFP được sản xuất + CFP thải bỏ) + (CFP FuelUse + CFP FuelGen) + CFP ML
Bạn có thể bối rối không biết yếu tố mới này bao gồm những gì và tại sao nó lại được đưa vào. Cho phép tôi giải thích thêm.
Học máy AI như một dấu chân carbon
Trong một nghiên cứu gần đây được thực hiện tại Đại học Massachusetts, các nhà nghiên cứu đã kiểm tra một số hệ thống AI Machine Learning hoặc Deep Learning đang được sử dụng để Xử lý ngôn ngữ tự nhiên (NLP) và cố gắng ước tính lượng khí thải carbon đã được sử dụng để phát triển các hệ thống NLP đó ( xem nghiên cứu tại liên kết này ở đây: https://arxiv.org/pdf/1906.02243.pdf).
Bạn có thể đã biết điều gì đó về NLP nếu bạn đã từng đối thoại với Alexa hoặc Siri. Các hệ thống tương tác giọng nói phổ biến này được đào tạo thông qua Mạng thần kinh nhân tạo (ANN) quy mô lớn hoặc sâu, một loại mô hình dựa trên máy tính bắt chước một cách đơn giản các tế bào thần kinh và mạng lưới thần kinh giống như não và là một lĩnh vực quan trọng của AI để có các hệ thống có thể “học” dựa trên bộ dữ liệu được cung cấp cho họ.
Những người thông thạo máy tính có thể bối rối rằng việc phát triển hệ thống AI Machine Learning bằng cách nào đó sẽ tạo ra CFP vì nó chỉ đơn thuần là phần mềm chạy trên phần cứng máy tính chứ không phải máy bay hay ô tô.
Chà, nếu bạn cho rằng có năng lượng điện được sử dụng để cung cấp năng lượng cho phần cứng máy tính, được sử dụng để chạy phần mềm tạo ra mô hình ML, thì bạn có thể khẳng định rằng việc chế tạo hệ thống AI Machine Learning đã gây ra một số vấn đề. tuy nhiên lượng CFP được tạo ra để cung cấp năng lượng cho hoạt động đào tạo ML.
Theo tính toán của các nhà nghiên cứu, một mô hình NLP ML hơi nhỏ hoặc khiêm tốn đã tiêu thụ khoảng 78,468 pound khí thải carbon dioxide cho quá trình đào tạo của nó, trong khi một mô hình NLP ML lớn hơn tiêu thụ khoảng 626,155 pound trong quá trình đào tạo. Để làm cơ sở so sánh, họ báo cáo rằng một chiếc ô tô trung bình trong suốt vòng đời của nó có thể tiêu thụ 126,000 pound khí thải carbon dioxide.
Một phương tiện chính để tính toán lượng carbon dioxide được tạo ra dựa trên công thức của EPA về tổng năng lượng điện tiêu thụ nhân với hệ số 0.954 để đạt được CFP trung bình tính bằng pound trên kilowatt giờ và dựa trên giả định của các nhà máy phát điện ở Hoa Kỳ.
Tầm quan trọng của CFP đối với học máy
Tại sao bạn nên quan tâm đến CFP của AI Machine Learning cho ô tô tự lái?
Có lẽ, ô tô thông thường không cần phải bao gồm hệ số CFP ML vì ô tô thông thường không có khả năng như vậy, do đó hệ số này sẽ có giá trị bằng 0 trong trường hợp ô tô thông thường. Trong khi đó, đối với ô tô không người lái, CFP ML sẽ có một số giá trị có thể xác định được và cần được cộng vào tổng tính toán CFP cho ô tô không người lái.
Về cơ bản, nó tạo ra lượng khí thải carbon của ô tô không người lái và có xu hướng tăng CFP so với ô tô thông thường.
Đối với những người trong số các bạn có thể phản ứng ngay lập tức với khía cạnh này, tôi không nghĩ rằng điều này có nghĩa là bầu trời đang sụp đổ và bằng cách nào đó chúng ta nên dừng việc phát triển ô tô tự hành, bạn nên xem xét các chủ đề nổi bật sau:
- Nếu AI ML đang được triển khai trên một đội xe không người lái, có thể là hàng trăm, hàng nghìn hoặc cuối cùng là hàng triệu ô tô tự hành và nếu AI ML là phiên bản giống nhau cho mỗi chiếc ô tô không người lái đó, thì lượng CFP cho Việc sản xuất AI ML được chia cho tất cả những chiếc xe không người lái đó và do đó có thể sẽ bổ sung một phần CFP tương đối nhỏ trên cơ sở mỗi chiếc xe không người lái.
- Ô tô tự hành nhiều khả năng là xe điện, một phần do khía cạnh tiện dụng là xe điện có khả năng lưu trữ năng lượng điện rất tốt, trong đó các cảm biến ô tô không người lái và bộ xử lý máy tính hoạt động chậm chạp và cần rất nhiều. Do đó, nền tảng dành cho ô tô tự hành sẽ cắt giảm đáng kể CFP do sử dụng xe điện.
- Những cải tiến thuật toán liên tục trong khả năng tạo ra AI ML chắc chắn sẽ giúp việc tạo ra các mô hình đó hiệu quả hơn và do đó giảm lượng thời gian cần thiết để tạo ra các mô hình (theo đó có khả năng giảm điện năng tiêu thụ) hoặc có thể sử dụng năng lượng điện tốt hơn về mặt xử lý nhanh hơn bằng phần cứng hoặc phần mềm.
- Đối với ô tô bán tự động, bạn có thể mong đợi rằng chúng ta sẽ thấy AI ML cũng được sử dụng ở đó, ngoài những ô tô tự động hoàn toàn, và do đó thực tế là CFP của AI ML cuối cùng sẽ áp dụng cho tất cả ô tô kể từ truyền thống. ô tô sẽ dần bị soán ngôi bởi ô tô bán tự động và tự động hoàn toàn.
- Một số người có thể lập luận rằng CFP của AI ML nên được đưa vào nhóm CFP Made, nghĩa là nó chỉ là một thành phần CFP khác trong nỗ lực sản xuất ô tô tự hành. Và, nếu vậy, dựa trên các phân tích sơ bộ, có vẻ như CFP AI ML khá tầm thường so với phần còn lại của CFP để sản xuất và vận chuyển ô tô.
Đối với những người quan tâm đến việc dùng thử công cụ theo dõi tác động thử nghiệm trong quá trình phát triển AI ML của mình, có nhiều công cụ khác nhau sắp ra mắt, chẳng hạn như công cụ này được đăng trên GitHub do Đại học Stanford, Facebook AI Research và Đại học McGill cùng phát triển: https://github.com/Breakend/experiment-impact-tracker.
Như họ nói, quãng đường của bạn có thể thay đổi tùy theo việc sử dụng bất kỳ công cụ theo dõi mới nổi nào và bạn nên tiến hành một cách thận trọng và có sự thẩm định phù hợp để có thể áp dụng và tính đúng đắn.
Đối với khuôn khổ của tôi về xe hơi tự trị AI, xem liên kết ở đây: https://aitrends.com/ai-insider/framework-ai-self-driving-driverless-cars-big-picture/
Tại sao đây là một nỗ lực moonshot, xem giải thích của tôi ở đây: https://aitrends.com/ai-insider/self-driving-car-mother-ai-projects-moonshot/
Để biết thêm về các cấp độ như một loại thang đo Richter, hãy xem thảo luận của tôi ở đây: https://aitrends.com/ai-insider/richter-scale-levels-self-driving-cars/
Đối với các tranh luận về phân chia các cấp độ, xem giải thích của tôi ở đây: https://aitrends.com/ai-insider/reframing-ai-levels-for-self-driving-cars-bifurcation-of-autonomy/
Kết luận
Có một sự cân nhắc bổ sung đối với CFP của AI ML.
Bạn có thể tuyên bố rằng có CFP AI ML để khởi tạo mô hình Machine Learning sẽ điều khiển ô tô tự hành và sau đó cũng có quá trình cập nhật và nâng cấp liên tục.
Do đó, CFP AI ML không chỉ là CFP một lần mà còn là một phần của nhóm đang diễn ra.
Hãy chia nó thành hai nhóm:
- Tổng CFP của một chiếc ô tô = (CFP được sản xuất + CFP thải bỏ + CFP ML1) + (CFP FuelUse + CFP FuelGen + CFP ML2)
Bạn có thể đi sâu hơn nữa và chỉ ra rằng một số AI ML sẽ diễn ra trên đám mây của nhà sản xuất ô tô hoặc công ty công nghệ và sau đó được đẩy xuống ô tô không người lái (thông qua liên lạc điện tử Over-The-Air hoặc OTA) , trong khi một số AI ML cũng có thể xuất hiện trong các hệ thống trên xe tự hành. Trong trường hợp đó, CFP sẽ được tính cho AI ML dựa trên đám mây và sau đó là một phép tính khác để xác định CFP của AI ML tích hợp.
Có một số người chỉ ra rằng bạn có thể tạo gánh nặng cho rất nhiều thứ trong xã hội của chúng ta nếu bạn định xem xét lượng điện năng mà họ sử dụng và có lẽ thật không công bằng khi đột ngột đưa ra CFP của AI ML, làm như vậy tách biệt khỏi vô số cách khác mà CFP phát sinh do bất kỳ loại hệ thống dựa trên máy tính nào.
Trong trường hợp ô tô tự hành, điều cần thiết là phải xem xét không chỉ khía cạnh “chi phí” của mọi thứ, bao gồm yếu tố dấu chân carbon, mà còn cả khía cạnh lợi ích của mọi thứ.
Ngay cả khi có một lượng CFP nhất định dành cho ô tô không người lái, sẽ là điều khôn ngoan khi xem xét những loại lợi ích mà chúng ta sẽ nhận được với tư cách là một xã hội và cân nhắc điều đó với các khía cạnh CFP. Nếu không tính đến những lợi ích mong đợi, bao gồm khả năng cứu sống con người, khả năng tiếp cận khả năng di chuyển cho tất cả mọi người và bao gồm cả những người bị thiệt thòi trong khả năng di chuyển, cũng như những biến đổi xã hội khác, bạn sẽ có được một bức tranh rõ ràng hơn nhiều.
Theo nghĩa đó, chúng ta cần tìm ra phương trình này:
- ROI xã hội của ô tô tự lái = Lợi ích xã hội – Chi phí xã hội
Chúng tôi vẫn chưa biết nó sẽ diễn ra như thế nào, nhưng hầu hết đều hy vọng rằng lợi ích xã hội sẽ dễ dàng vượt xa chi phí xã hội và do đó ROI cho xe tự lái không người lái sẽ rất lớn và khiến tất cả chúng ta gần như nghẹt thở vì như là.
Bản quyền 2020 Tiến sĩ Lance Eliot
Nội dung này ban đầu được đăng trên Xu hướng AI.
[Ed. Lưu ý: Đối với độc giả quan tâm đến các phân tích kinh doanh đang diễn ra của Tiến sĩ Eliot về sự ra đời của những chiếc xe tự lái, hãy xem cột Forbes trực tuyến của anh ấy: https://forbes.com/sites/lanceeliot/]
