Umjetna inteligencija (UI) je postala ključni motor modernog gospodarstva, pokrećući sve od autonomnih vozila do real-time prijevoda jezika. Međutim, uz sve veće mogućnosti dolazi i rastuća potražnja za računalnim resursima, što se odražava na potrošnju energije i ekološki otisak tehnologije. U ovom članku istražujemo kako atomska energija i odgovarajuće politike mogu ublažiti utjecaj UI na okoliš i otvoriti put održivom rastu.
Potrošnja energije u razvoju i upotrebi umjetne inteligencije
Trening velikih jezičnih modela zahtijeva milijune kilovatnih sati električne energije. Prema studiji iz 2023. godine Univerziteta Massachusetts, emisije CO₂ prilikom treniranja modela sličnih GPT-4 iznosile su 626.000 metara tona, što je ekvivalent godišnjim emisijama 120.000 automobila. Čak i sam rad modela – tzv. inferencija – dodatno opterećuje sustave, osobito kada se UI servisi distribuiraju globalno kroz podatkovne centre.
Podatkovni centri sami po sebi potroše značajnu količinu energije, pri čemu sustavi hlađenja čine do 40% ukupne potrošnje. Kako se UI sve više integrira u svakodnevne procese, pritisak na elektroenergetske mreže raste, a bez adekvatnog rasta obnovljivih kapaciteta, postoji rizik od povećane ovisnosti o fosilnim izvorima energije.
Ove činjenice naglašavaju hitnost uvođenja niskougljikovodnih izvora energije i čvrstih regulativnih okvira kako bi se kontrolirao ekološki otisak UI.
Atomska energija kao čista snaga za UI
Za razliku od nestabilnih obnovljivih izvora, atomska energija pruža pouzdan, visokokapacitetni izvor električne energije s minimalnim emisijama stakleničkih plinova. Međunarodna agencija za atomske energije (IAEA) je u 2022. izjavila da je atomska energija proizvela 10% svjetske električne energije, s CO₂ intenzitetom od samo 12 g CO₂/kWh – otprilike deset puta manje od ugljena i trećinu prirodnog plina.
Već brojne tehnološke tvrtke uspostavile su partnerstvo s atomskim operatorima. Na primjer, Microsoft je 2020. objavio planove o izgradnji prvog podatkovnog centra pokrenutog isključivo atomskom energijom u Washingtonu. Ova inicijativa ne samo da će smanjiti emisije CO₂, već i osigurati stabilnu opskrbu energijom za obradu velikih količina podataka.
Politike i regulacije za održivi razvoj UI
Efikasno upravljanje energetskim resursima u kontekstu UI zahtijeva koordinaciju na međunarodnoj, nacionalnoj i lokalnoj razini. Vlade i međunarodne organizacije moraju razviti i provesti politike koje će poticati razvoj niskougljikovodnih izvora energije, kao što su atomska energija i obnovljivi izvori. Važno je također uspostaviti čvrste okvire za praćenje i izvješćivanje o emisijama CO₂, kako bi se osigurala transparentnost i odgovornost.
Kako bi se postigli održivi ciljevi, potrebno je podržati istraživanja i razvoj novih tehnologija koje će smanjiti energetsku potrošnju UI sustava. To uključuje razvoj efikasnijih algoritama, optimizaciju arhitekture modela i korištenje obnovljivih izvora energije za pokretanje podatkovnih centara.
Zaključak
Umjetna inteligencija predstavlja veliku priliku za napredak, ali i izazov za okoliš. Atomska energija i odgovarajuće politike mogu igrati ključnu ulogu u ublažavanju utjecaja UI na okoliš, pružajući pouzdan i niskougljikovodni izvor energije. Kako bi se postigli održivi ciljevi, potrebno je koordinirano djelovanje na međunarodnoj, nacionalnoj i lokalnoj razini, uz podršku istraživanja i razvoja novih tehnologija.
Česta pitanja
- Zašto je atomska energija bolja opcija od obnovljivih izvora za UI? Atomska energija pruža pouzdan i visokokapacitetni izvor električne energije s minimalnim emisijama stakleničkih plinova, što je ključno za stabilnu opskrbu energijom za podatkovne centre.
- Kako politike mogu pomoći u smanjenju ekološkog otiska UI? Politike koje potiču razvoj niskougljikovodnih izvora energije i uspostavljaju čvrste okvire za praćenje emisija CO₂ mogu značajno smanjiti utjecaj UI na okoliš.
- Koji su glavni izazovi u razvoju održivih UI sustava? Glavni izazovi uključuju energetsku potrošnju, emisije CO₂ i potrebu za pouzdanim izvorima energije. Razvoj efikasnijih algoritama i optimizacija arhitekture modela mogu pomoći u rješavanju ovih izazova.