W skrócie
Wbudowany ślad węglowy to emisje z produkcji, transportu i utylizacji sprzętu. Aby go uwzględnić, należy wziąć łączne emisje wbudowane sprzętu, rozdzielić je według tego, jak długo i w jakiej części sprzęt służy pracy z AI, i dodać ten udział do wartości operacyjnej, tak jak robi to składnik M specyfikacji SCI. Dane są często skąpe, dlatego trzeba podać przyjęte założenia. Warto też pamiętać, że dłuższe używanie sprzętu rozkłada te same emisje na więcej pracy.
Kroki
- Poprosić dostawcę sprzętu lub chmury o dane o emisjach wbudowanych dla używanego sprzętu.
- Przypisać pracy z AI udział według czasu i części sprzętu, z której korzysta.
- Dodać ten udział do emisji operacyjnych i podać, co zostało uwzględnione.
- Podać założenia, w tym przewidywany okres eksploatacji sprzętu.
- Wydłużać okres eksploatacji sprzętu tam, gdzie ma się na to wpływ, aby emisje wbudowane obejmowały więcej użytecznej pracy.
Należy liczyć sprzęt, a nie tylko energię elektryczną, bo im czystsza sieć, tym większy udział produkcji. Wu i współpracownicy z Meta podali w 2022 roku, że wbudowany ślad węglowy stanowił około 30% śladu uczenia maszynowego na dużą skalę w Meta. Twierdzili też, że staje się on dominującym źródłem, w miarę jak energia operacyjna staje się czystsza.
Jak go przypisać?
Specyfikacja SCI organizacji Green Software Foundation ujmuje emisje wbudowane jako składnik M. Proste podejście:
- Wziąć łączne emisje wbudowane urządzenia od producenta lub dostawcy.
- Podzielić je przez przewidywany okres eksploatacji, aby uzyskać emisje na rok lub na godzinę.
- Pomnożyć przez czas, na jaki praca zarezerwowała urządzenie, i przez wykorzystaną część maszyny.
W usługach chmurowych sprzętu nie widać, dlatego należy zapytać dostawcę, czy jego sprawozdawczość emisji obejmuje produkcję (zakres 3) i jak jest ona przypisywana. Zob. dane o emisjach dostawcy chmury.
A co z elektroodpadami?
Wang i współpracownicy oszacowali w 2024 roku, że duże modele językowe mogą wytworzyć łącznie od 1,2 do 5,0 mln ton odpadów elektronicznych w latach 2020–2030, zależnie od tempa wzrostu ich użycia. Ponowne użycie i recykling mogłyby znacznie to ograniczyć.
Częste błędy
- Pomijanie wbudowanego śladu węglowego bez informacji o tym. W każdym przypadku należy to ująć w opisie granic.
- Domyślne zakładanie krótkiego okresu eksploatacji. Wczesna wymiana sprzętu zwiększa roczny udział.
- Kupowanie nowego sprzętu dla niewielkiego wzrostu wydajności bez sprawdzenia, ile dodaje to emisji z produkcji.
Zob. jak mierzyć energię AI, aby określić granice.
Źródła
- Sustainable AI: environmental implications, challenges and opportunities, Wu et al., MLSys (2022)
- E-waste challenges of generative artificial intelligence, Wang et al., Nature Computational Science (2024)
- Software Carbon Intensity (SCI) specification, Green Software Foundation (2024)
Powiązane
Jak obliczyć wskaźnik Software Carbon Intensity dla funkcji AI?
Jak wyliczyć wskaźnik SCI dla funkcji AI: energia razy intensywność emisji sieci, plus emisje wbudowane, podzielone przez jednostkę funkcjonalną.
Jak korzystać z AI bez wymiany swoich urządzeń?
Dlaczego do korzystania z AI rzadko potrzebny jest nowy telefon lub laptop, jak dłużej używać starszych urządzeń i dlaczego ma to znaczenie dla śladu AI.
Jak wybrać energooszczędny sprzęt do AI?
Sprzęt do AI należy wybierać według zmierzonej energii na zadanie przy realnych rozmiarach batcha, porównać środowiska i akceleratory oraz wziąć pod uwagę emisje z produkcji.
Jak mierzyć zużycie energii i emisje AI
Praktyczny przewodnik po pomiarze lub szacowaniu energii i emisji AI: narzędzia, granice systemu, wskaźniki na zadanie i uczciwa niepewność.