blaze r

O boom da inteligência artificial impulsiona as ações de grandes tecnologias para novos recordes, mas ameaça os objetivos climáticos do 🍐 setor

A pergunta é: a tecnologia será capaz de reduzir o custo ambiental da inteligência artificial, ou a indústria seguirá blaze r 🍐 frente, ignorando o problema, porque a recompensa pela supremacia é tão grande?

Por que a inteligência artificial ameaça os objetivos climáticos 🍐 das empresas de tecnologia?

Os datacenters são uma parte essencial do treinamento e operação de modelos de inteligência artificial, como o 🍐 Gemini da Google ou o GPT-4 da OpenAI. Eles contêm o equipamento de computação sofisticado, ou servidores, que processam grandes 🍐 volumes de dados subjacentes a sistemas de inteligência artificial. Eles requerem grandes quantidades de eletricidade para funcionar, o que gera 🍐 CO2 dependendo da fonte de energia, além de criar CO2 "incorporado" do custo de fabricação e transporte do equipamento necessário.

De 🍐 acordo com a Agência Internacional de Energia, o consumo total de eletricidade de datacenters pode duplicar de 2024 a 1.000 🍐 TWh (terawatt horas) blaze r 2026, equivalente à demanda de energia do Japão, enquanto a empresa de pesquisa SemiAnalysis calcula que 🍐 a inteligência artificial resultará blaze r datacenters utilizando 4,5% da geração global de energia até 2030. O uso de água também 🍐 é significativo, com um estudo estimando que a inteligência artificial pode representar até 6,6 bilhões de metros cúbicos de uso 🍐 de água até 2027 – quase dois terços do consumo anual de água da Inglaterra.

O que especialistas dizem sobre o 🍐 impacto ambiental?

Um relatório recente do governo do Reino Unido sobre a segurança da inteligência artificial afirma que a intensidade de 🍐 carbono do combustível fóssil usado pelas empresas de tecnologia é uma "variável chave" no cálculo do custo ambiental da tecnologia. 🍐 No entanto, ele adiciona que uma "parte significativa" do treinamento de modelos de inteligência artificial ainda depende de energia proveniente 🍐 de combustíveis fósseis.

As empresas de tecnologia realmente estão adquirindo contratos de energia renovável blaze r um esforço para atingir seus objetivos 🍐 ambientais. A Amazon, por exemplo, é o maior comprador corporativo de energia renovável do mundo. Alguns especialistas argumentam, no entanto, 🍐 que isso empurra outros usuários de energia para combustíveis fósseis, porque não há energia limpa suficiente para atender a todos.

Há 🍐 energia renovável suficiente para atender a demanda?

Os governos globais planejam triplicar as fontes de energia renovável do mundo até o 🍐 final da década para reduzir o consumo de combustíveis fósseis blaze r linha com os objetivos climáticos. No entanto, a ambiciosa 🍐 meta, acordada na COP28 do ano passado, está blaze r dúvida e especialistas temem que um aumento agudo na demanda de 🍐 energia dos datacenters de inteligência artificial possa empurrá-lo ainda mais para além do alcance.

A Agência Internacional de Energia, o órgão 🍐 de vigilância energética mundial, alertou que, mesmo com o crescimento recorde da capacidade de energia renovável global blaze r 2024, o 🍐 mundo pode apenas duplicar blaze r energia renovável até 2030 com base nos planos atuais dos governos.

Como podemos construir novos projetos 🍐 de energia renovável mais rápido?

Os projetos de energia renovável terrestre, como parques eólicos e solares, são relativamente rápidos de serem 🍐 construídos – podem levar menos de seis meses para serem desenvolvidos. No entanto, regras de planejamento lentas blaze r muitos países 🍐 desenvolvidos, junto com um engarrafamento global na conexão de novos projetos à rede elétrica, podem adicionar anos ao processo. Os 🍐 parques eólicos offshore e as usinas hidrelétricas enfrentam desafios semelhantes, além de tempos de construção de entre dois e cinco 🍐 anos.

A demanda de eletricidade da inteligência artificial crescerá para sempre?

As regras normais de oferta e demanda sugeririam que, à medida 🍐 que a inteligência artificial BR mais eletricidade, o custo da energia aumenta e a indústria é forçada a economizar. No 🍐 entanto, a natureza única da indústria pode significar que as maiores empresas do mundo possam decidir simplesmente gastar bilhões de 🍐 dólares com spikes no custo da eletricidade.

As maiores e mais caras datacenters na indústria de inteligência artificial são aqueles usados 🍐 para treinar "modelos de ponta", sistemas como o GPT-4o e o Claude 3.5, que são mais poderosos e capazes do 🍐 que qualquer outro. A liderança neste campo muda ao longo dos anos, mas a OpenAI geralmente está no topo, disputando 🍐 posição com a Anthropic, fabricante do Claude, e o Gemini da Google.

Já, a competição "de ponta" é pensada como "ganha-tudo", 🍐 com pouco impedindo que os clientes mudem para o líder mais recente. Isso significa que se uma empresa gasta 100 🍐 milhões de dólares blaze r uma corrida de treinamento para um novo sistema de inteligência artificial, seus concorrentes têm que decidir 🍐 gastar ainda mais ou desistir da corrida.

Pior, a corrida para a chamada "AGI", sistemas de inteligência artificial capazes de fazer 🍐 tudo o que uma pessoa pode fazer, pode significar que seria vantajoso gastar centenas de bilhões de dólares blaze r uma 🍐 única corrida de treinamento – se isso levasse blaze r empresa a monopolizar uma tecnologia que poderia, como diz a OpenAI, 🍐 "elevar a humanidade".

Os fabricantes de inteligência artificial não aprenderão a usar menos eletricidade?

Todos os meses, há novos avanços na tecnologia 🍐 de inteligência artificial que permitem que as empresas façam mais com menos. Em março de 2024, por exemplo, um projeto 🍐 da DeepMind chamado Chinchilla mostrou aos pesquisadores como treinar modelos de inteligência artificial de ponta usando radicalmente menos poder de 🍐 computação, alterando a proporção entre a quantidade de dados de treinamento e o tamanho do modelo resultante.

Mas isso não resultou 🍐 blaze r sistemas de inteligência artificial usando menos eletricidade; blaze r vez disso, resultou no mesmo nível de eletricidade sendo usado para 🍐 produzir sistemas de inteligência artificial ainda melhores. Nos economics, esse fenômeno é conhecido como "paradoxo de Jevons", nomeado após o 🍐 economista que observou que a melhoria do motor a vapor de James Watt, que permitiu o uso muito menor de 🍐 carvão, levou a um grande aumento no uso do combustível fóssil na Inglaterra. Como o preço do poder a vapor 🍐 caiu após a invenção de Watt, novos usos foram descobertos que não seriam viáveis quando o poder era caro.