Kunstig intelligens er en kæmpe klimasynder, men unge danskeres nye værktøj kan hjælpe

Talende robotter, selvkørende biler og software, der kan skrive nyhedsartikler og chatte med virksomhedernes kunder.

Kunstig intelligens forudsiges af mange til at være en af de teknologier, der kommer til at ændre verden mest i de kommende år. Det kan endda blive et effektivt værktøj i kampen mod klimakrisen, har det lydt flere steder fra.

Men udviklingen af kunstig intelligens er i sig selv enormt klimabelastende, pointerer to studerende fra Datalogisk Institut på Københavns Universitet.

De har opfundet et værktøj, der kan forudsige, hvor meget CO₂ der vil blive udledt som følge af udviklingen af en given kunstig intelligens.

Værktøjet har de studerende døbt Carbontracker. Håbet er, at virksomheder og universiteter, der beskæftiger sig med kunstig intelligens, vil bruge det til at blive mere bevidste om klimabelastningen ved deres aktiviteter og foretage grønnere valg, fortæller en af opfinderne, Lasse F. Wolff Anthony.

Det drejer sig især om såkaldt deep learning, hvor matematiske modeller træner sig selv i at genkende mønstre i store sæt data, indskyder han.

»Deep learning kræver enorm computerkraft og dermed energi på grund af de kæmpemæssige mængder af data, som modellerne træner ud fra. Og da mængden af data vokser eksponentielt, vokser energiforbruget tilsvarende eksplosivt,« siger Lasse F. Wolff Anthony og fortsætter:

»Med Carbontracker kan udviklere af deep learning modeller forudsige, hvor meget CO₂ der vil blive udledt, når deres modeller træner, alt efter hvor træningen foregår, hvad tid på døgnet, hvilken type hardware, og hvordan modellerne er designet. De kan derfor både blive bevidste om udviklingens CO₂-aftryk og bevidst arbejde med at mindske det.«

Behovet for regnekraft er eksploderet

Lasse F. Wolff Anthony, som er 23 år gammel og er ved at tage sin kandidatgrad i datalogi i Schweiz, forklarer, hvad deep learning er.

Det er basalt set matematiske modeller, som ud fra en stor mængde data trænes til at genkende mønstre og objekter.

Ud fra millioner af billeder kan modeller for eksempel trænes til at genkende biler og fodgængere og adskille dem fra andre objekter i et hvilket som helst billede.

Det er blandt andet det, som Google og andre tech-virksomheder træner deres algoritmer til at kunne i udviklingen af selvkørende biler.

Teknologien bliver også brugt til at udvikle chat-robotter og software, der oversætter sprog, uddyber han.

Men det, at teknologien har vundet så stort indpas, samtidig med at den bliver tiltagende mere avanceret, gør, at energiforbruget til deep learning er steget dramatisk, påpeger Lasse F. Wolff Anthony.

Han henviser til, at behovet for regnekraft voksede med 300.000 procent fra 2012 til 2018.

»Jo mere regnekraft det kræver at træne modellerne, des mere energi kræver det. Og udviklingen går så stærkt, at der er behov for at fokusere på, hvordan vi kan sikre, at feltet ikke bliver en af de mest ressourceforbrugende industrier i fremtiden.«

Som eksempel fremhæver Lasse F. Wolff Anthony den avancerede sprogmodel GPT-3.

Modellen har mere eller mindre læst hele internettet og har ud fra analysen af sin læsning lært sig selv at skrive om alle emner i alle genrer, der findes.

På bare en enkelt træningssession estimeres den til at bruge, hvad der svarer til et års energiforbrug i 126 danske hjem og til at udlede den samme mængde CO₂ som godt 700.000 kilometers bilkørsel.

\ Læs mere

GPT-3: Mød den kunstige intelligens, der skriver forbløffende gode artikler, blogindlæg og digte

Datacentre på svensk vandkraft eller polsk kul

Netop visheden omkring, at energiforbruget ved deep learning er eksploderet, gav de studerende ideen til at udvikle værktøjet Carbon Tracker, fortæller Lasse F. Wolff Anthony.

Værktøjet er et program, som beregner, hvor meget CO₂ udviklingen af en kunstig intelligens via deep learning vil udlede.

Beregningerne bygger for det første på, hvor modellerne bliver sat til at træne. Træningerne foregår som regel i datacentre, ejet af tech-virksomheder såsom Amazon og Google, hvor udviklere, der ikke selv råder over hardware med tilpas stor regnekraft, lejer sig ind.

Men da andelen af strøm, der produceres fra vedvarende energikilder såsom sol og vind, er vidt forskellige på tværs af landegrænser, kan det betyde en verden til forskel, hvilke centre modellerne trænes i, siger han.

»Det er for eksempel ikke ligegyldigt, om man træner sin model i Polen eller i Sverige, hvor CO₂-aftrykket ved at træne en model kan være over 60 gange mindre, fordi energiforsyningen er langt grønnere,« siger Lasse F. Wolff Anthony.

Vished er det første skridt

Derudover betyder det noget, hvornår træningerne foregår, fortæller han.

»Andelen af sort og grøn strøm i det enkelte lands energimix svinger alt efter, hvor stor efterspørgsel der er efter strøm i det givne land. Om eftermiddagen, hvor efterspørgslen er størst, er der typisk en større andel af strøm fra fossile energikilder for eksempel. Carbontracker bruger blandt andet disse data fra forskellige lande til at forudsige, hvor CO₂-intensiv den enkelte træning bliver,« siger han og fortsætter:

»Derudover bygger værktøjets beregninger på, hvordan modellerne er skruet sammen, og hvilken hardware der bliver brugt i processen. Ældre hardware bruger typisk mere energi for at opnå den samme regnekraft end nyere hardware for eksempel.«

\ Læs mere

Bitcoins strømforbrug er større end hele Danmarks, men det kan nedsættes med 99,99 procent

Han oplyser dog, at Carbontracker udelukkende kan lave forudsigelser på baggrund af målinger af specifikke træningssessioner, og at træningerne foregår, efter udviklerne har truffet deres valg omkring, hvilke datacentre træningerne skal foregå ved, og hvordan modellerne er skruet sammen.

Men hvis forskere, der udvikler modeller ved deep learning, bruger Carbontracker rutinemæssigt og publicerer, hvor stort et CO₂-aftryk deres modeller har, vil forskningsfeltet få en akkumuleret viden om klimaeffekten af de forskellige valg, de foretager, når de udvikler deres modeller, siger han.

»Vished er det første skridt. Lige nu fokuseres der ikke ret meget på problemet. At få data på udledningerne når forskningsinstitutioner arbejder med deep learning, kan forhåbentligt inspirere feltet til at have klima med i overvejelserne, når modellerne udvikles.«

Forsker: Carbontracker kan bruges til at lave en mærkningsordning

Morten Pol Engel Nørregård, ph.d. i datalogi, var sensor, da de studerende beskrev problemet omkring CO₂-aftrykket ved deep learning i deres bachelor-projekt, inden de fik ideen til Carbontracker.

Han er begejstret for de muligheder, som Carbontracker kan give udviklere af kunstig intelligens, der vil arbejde bevidst med bæredygtighed.

»Styrken ved værktøjet er, at man kan måle, hvor stort et CO₂-aftryk udviklingen af ens modeller har, og at værktøjet i øvrigt er et gratis, open-source program. Det er en god mulighed for at have bæredygtighed med i overvejelserne, når man planlægger udviklingen af modellerne,« siger han og fortsætter:

»Det kan dog blive rigtig interessant, hvis politikere og andre beslutningstagere vælger at introducere en slags mærkningsordning eller på anden måde bruger muligheden for at få data på CO₂-aftrykket til at skubbe industrien i en grønnere retning,« siger Morten Pol Engel Nørregård, ph.d. i datalogi ved Alexandra Instituttet.

Han indskyder, at han har forelagt muligheden for at bruge Carbontracker i udviklingen af modeller ved deep learning på Alexandra Instituttet, og at han har fået positive tilbagemeldinger.

»Ligesom mange andre offentlige institutioner arbejder vi med FN’s verdensmål, og Carbontracker er en god mulighed for os at indhente data på de miljømæssige konsekvenser ved de valg, vi træffer.«

\ Læs mere

Hvad er kunstig intelligens (AI) egentlig?

\ Læs mere

Konstruktive nyheder: Kunstig intelligens skal sortere affald – og grafen viser atter potentiale