ایسنا/ ابزارهای هوش مصنوعی مانند «چت‌جی‌پی‌تی» در سراسر جهان بسیار محبوب شده‌اند و هر روز، افراد بسیاری از آنها برای نوشتن، ترجمه، پاسخ به سوالات و موارد دیگر استفاده می‌کنند، اما اجرای این سیستم‌های قدرتمند هوش مصنوعی به برق و آب زیادی نیاز دارد، به‌خصوص مدل‌های زبانی بزرگ (LLM) که این ابزارها را تغذیه می‌کنند.

نتایج پژوهش جدید پژوهشگران کالج دانشگاهی لندن (UCL) نشان می‌دهد که می‌توانیم با ایجاد برخی تغییرات شگفت‌انگیز ساده، هوش مصنوعی را بسیار سازگارتر با محیط زیست کنیم. پژوهشگران بررسی کردند که چگونه برخی از اصلاحات در مدل‌های هوش مصنوعی و نحوه استفاده ما از آنها می‌تواند مصرف انرژی مصرفی این ابزارها را به‌طور چشمگیری کاهش دهد.

این گروه با یک مدل هوش مصنوعی «لاما ۳.۱ ۸B» از شرکت متا، پژوهش خود را آغاز کردند و از آنجا که این ابزار کاملا قابل اصلاح است، پژوهشگران توانستند تکنیک‌های مختلف صرفه‌جویی در انرژی را آزمایش کنند، موردی که با مدل‌های بسته مانند «جی‌پی‌تی-۴» امکان‌پذیر نیست.

آنان دریافتند که کاهش تعداد ارقام اعشاری مورد استفاده در محاسبات هوش مصنوعی، روشی که به‌عنوان «کوانتیزاسیون» شناخته می‌شود، می‌تواند مصرف انرژی را تا ۴۴ درصد کاهش دهند و همچنان پاسخ‌ها را تقریبا دقیق نگه دارند. این روش به این دلیل موثر است که گرد کردن اعداد، محاسبات را ساده‌تر می‌کند، درست مانند اینکه یافتن حاصل جمع ۲ با ۲، آسان‌تر از یافتن جواب ۲.۳۴ با ۲.۱۷ است.

این گروه پژوهشی همچنین دریافت که استفاده از دستورالعمل‌های کوتاه‌تر کاربر و پاسخ‌های هوش مصنوعی کوتاه‌تر، مصرف انرژی را حتی بیشتر کاهش می‌دهد. به عنوان مثال، نصف کردن طول پاسخ منجر به کاهش ۵۴ درصدی مصرف انرژی شد.

پژوهشگران در بخش دیگری از این پژوهش مدل بزرگ «لاما» را با مدل‌های هوش مصنوعی بسیار کوچک‌تری که هر کدام برای تخصص در یک کار مانند خلاصه کردن متن، ترجمه یا پاسخ به سوالات آموزش دیده بودند، مقایسه کردند.

سایت ساینس گزارش کرد، این مدل‌های کوچک‌تر به‌طور چشمگیری انرژی کمتری مصرف کردند که شامل ۱۵ برابر مصرف انرژی کمتر برای خلاصه کردن، ۳۵ برابر کمتر برای ترجمه و ۵۰ برابر کمتر برای پاسخ به سوالات عمومی بود. آنان همچنین به‌طور شگفت‌آوری کمی دقیق‌تر از مدل بزرگتر بودند.

وقتی پژوهشگران محاسبه کردند که اگر این استراتژی‌ها فقط برای یک روز پرس‌وجو در «چت‌جی‌پی‌تی» استفاده شوند، چقدر انرژی می‌توان صرفه‌جویی کرد، نتایج چشمگیر بود. ترکیب «کوانتیزاسیون» با پیام‌ها و پاسخ‌های کوتاه‌تر می‌تواند مصرف انرژی را ۷۵ درصد کاهش دهد که برای تامین انرژی ۳۰ هزار خانوار بریتانیایی برای یک روز کافی است. برای کارهای تکراری‌تر مانند خلاصه‌سازی و ترجمه، استفاده از مدل‌های کوچک‌تر و پیام‌های کوتاه‌تر می‌تواند مصرف انرژی را بیش از ۹۰ درصد کاهش دهد که معادل تامین انرژی ۳۴ هزار خانوار است.

پژوهشگران استدلال کردند که استفاده از مدل هوش مصنوعی با اندازه مناسب برای این کار، کلید ساختن آینده‌ای پایدار است. برای کارهای پیچیده یا خلاقانه، مدل‌های بزرگ هنوز هم ممکن است مفید باشند اما برای کارهای ساده‌تر مانند ترجمه زبان یا استخراج حقایق اساسی، مدل‌های کوچک‌تر می‌توانند کار را به خوبی انجام دهند و انرژی بسیار کمتری مصرف کنند.

پژوهشگران امیدوارند که با افزایش رقابت بین شرکت‌های هوش مصنوعی، بهره‌وری به اولویت بزرگ‌تری تبدیل شود. آنان می‌گویند: آینده هوش مصنوعی نباید در مورد مدل‌های بزرگ‌تر و قدرتمندتر باشد بلکه باید در مورد هوشمندتر بودن در نحوه طراحی و استفاده از آنها باشد.

ایوانا دروبنجاک، یکی از پژوهشگران این پژوهش اظهار کرد: هدف، ساخت سیستم‌های هوش مصنوعی است که بیشتر شبیه مغز انسان باشند یعنی فقط از قطعاتی که در هر لحظه به آنها نیاز دارد استفاده کنند، نه اینکه همیشه با تمام نیرو، کار کنند؛ این رویکرد «هوشمندتر و کم‌هزینه‌تر» می‌تواند به رشد هوش مصنوعی بدون تخلیه منابع سیاره کمک کند.

نتایج این پژوهش در گزارش جدید یونسکو منتشر شده است و در اجلاس جهانی «هوش مصنوعی برای موفقیت» در ژنو ارائه شد.