Um estudo inovador
Um consórcio formado por indivíduos da Hugging Face, uma organização proeminente na área de desenvolvimento de inteligência artificial, bem como pesquisadores da Carnegie Mellon University, realizou recentemente uma investigação relativa ao consumo de energia associado a sistemas generativos de IA, especificamente aqueles utilizados para imagens. geração. Esta informação foi divulgada através de uma publicação não revisada por pares.
Os investigadores conduziram suas análises em vários modelos, identificando em última análise a Difusão Estável como a abordagem que mais consome energia. Especificamente, gerar uma imagem solitária usando este método requer uma quantidade de energia equivalente à recarga completa de um smartphone. Em outras palavras, a produção de 1.000 imagens via Difusão Estável corresponde às emissões de carbono associadas à operação de um automóvel típico movido a gasolina por uma distância de aproximadamente 6,5 quilômetros.
Apesar do desempenho inconsistente entre os modelos de geração de imagens no estudo de Nello, é evidente que existem variações significativas, com cada modelo consumindo uma quantidade diferente de energia para produzir 1000 imagens. Em média, todo o grupo consumiu 2.907 kWh, ou aproximadamente 24% da eletricidade necessária para carregar totalmente a bateria de um smartphone.
Se estes dados forem projetados e reavaliados a nível internacional, torna-se evidente que o gasto energético associado aos sistemas generativos de inteligência artificial assume uma importância considerável, corroborando parcialmente os resultados de investigações mais recentes executadas por Alex de Vries, que também realizou o estudo que anteriormente discutido em relação à pegada ambiental do Bitcoin, sugerindo que a energia anual consumida por todos os servidores de IA globalmente se aproxima do uso de uma nação como a Argentina.
Para obter uma compreensão mais profunda do consumo de energia e das emissões de carbono associadas aos diferentes estágios do ciclo de vida de um modelo de aprendizado de máquina, incluindo suas fases de treinamento, ajuste fino e inferência, nossa equipe realizou análises detalhadas em cada estágio. Ao fazê-lo, pretendemos desenvolver uma compreensão básica da fase final do ciclo de vida de um modelo de IA-nomeadamente, a sua distribuição-o que nos permitirá comparar e contrastar as várias fases do processo de forma mais eficaz.
Os investigadores desejam que este tipo de exame sirva como um recurso importante para académicos e profissionais na área do desenvolvimento da inteligência artificial, incluindo funcionários governamentais e decisores políticos responsáveis pela regulação das tecnologias de IA e dos seus efeitos ecológicos associados.
Em conclusão, a presente investigação não consegue abranger todos os cenários concebíveis e aplicações potenciais. No entanto, convidamos a uma maior exploração de modelos de código aberto, apesar dos desafios colocados pela crescente opacidade em torno das especificações arquitectónicas e das metodologias de formação.
*️⃣ Link da fonte: