


Les coûts environnementaux et les promesses de l'intelligence artificielle
L'intelligence artificielle (IA) apparaît souvent sous deux formes extrêmes dans la culture pop et l'analyse politique. Cela pourrait soit représenter la clé d’une utopie futuriste où l’intelligence humaine rencontre les prouesses technologiques, soit être le premier pas vers une montée dystopique des machines. Les universitaires, les entrepreneurs et même les militants adoptent la même pensée binaire lorsqu’ils appliquent l’intelligence artificielle à la lutte contre le changement climatique.
L’accent mis par l’industrie technologique sur le rôle de l’IA dans la création d’une nouvelle utopie technologique occulte la manière dont l’IA peut exacerber la dégradation de l’environnement, nuisant souvent directement aux populations marginalisées. Pour tirer le meilleur parti de la technologie de l’IA dans la lutte contre le changement climatique, tout en reconnaissant sa consommation d’énergie massive, les entreprises technologiques à la pointe de la tendance de l’IA doivent explorer des solutions à l’impact environnemental de l’IA.
L'intelligence artificielle peut être un outil puissant dans la lutte contre le changement climatique. Par exemple, les voitures autonomes basées sur l’IA pourraient réduire les émissions de 50 % d’ici 2050 en déterminant les itinéraires les plus efficaces. L'utilisation de l'IA dans l'agriculture entraîne des rendements plus élevés ; les producteurs d'arachides en Inde ont obtenu une augmentation de 30 % de leurs revenus grâce à l'utilisation de la technologie de l'IA.
De plus, l'IA peut fournir une analyse plus rapide et plus précise des images satellite, identifiant les zones sinistrées ayant besoin d'aide ou de destruction de la forêt tropicale. L’analyse des données basée sur l’IA peut également aider à prédire les conditions météorologiques dangereuses et à améliorer la responsabilité en surveillant avec précision si les gouvernements et les entreprises respectent leurs objectifs d’émissions.
Cependant, l’IA et les secteurs plus larges de l’Internet et des communications sont de plus en plus critiqués pour leur consommation excessive d’énergie. Prenons l'exemple du traitement des données. Les superordinateurs utilisés pour exécuter des programmes d’intelligence artificielle de pointe sont alimentés par le réseau public et soutenus par des générateurs diesel de secours. La formation d’un seul système d’IA peut émettre plus de 250 000 livres de dioxyde de carbone.
En fait, l’utilisation de la technologie de l’IA dans tous les secteurs produit autant d’émissions de CO2 que l’industrie aéronautique. Ces émissions supplémentaires affectent de manière disproportionnée les communautés historiquement marginalisées, qui ont tendance à vivre dans des zones très polluées et sont plus vulnérables aux impacts directs des risques sanitaires liés à la pollution.
Récemment, les scientifiques et ingénieurs en IA ont répondu à ces critiques et envisagent de nouvelles sources pour alimenter les fermes de données. Pourtant, même de nouvelles sources d’énergie apparemment plus durables, telles que les piles rechargeables, peuvent exacerber le changement climatique et nuire aux communautés. La plupart des batteries rechargeables sont fabriquées à partir de lithium, une terre rare dont l’extraction peut avoir un impact négatif sur les communautés marginalisées. En raison de la demande croissante d’énergie propre, l’extraction du lithium nécessite de grandes quantités d’eau, consommant 500 000 gallons d’eau pour chaque tonne de lithium extraite.
Au Chili, deuxième producteur mondial de lithium, les communautés autochtones comme Copiapó, dans le nord, s'affrontent souvent avec les sociétés minières au sujet des droits à la terre et à l'eau. Ces activités minières sont très gourmandes en eau, l’Institut de l’énergie rapportant que dans le Salar d’Atacama, elles consomment 65 % de l’eau de la région. Cette perte d’eau endommage et épuise de façon permanente les zones humides et les sources d’eau, conduit les espèces végétales et animales indigènes au bord de l’extinction et a un impact sur les populations locales. Décrire le lithium comme une source d’énergie « propre » simplement parce qu’il cause moins de dommages à l’environnement que le diesel ou le charbon est une fausse dichotomie qui décourage les parties prenantes de rechercher des sources d’énergie plus récentes et plus vertes.
Le développement de la technologie de l'intelligence artificielle est le symbole d'un progrès incroyable ; cependant, le progrès n'est pas universel, et les entreprises qui développent ces technologies ont la responsabilité de veiller à ce que les communautés marginalisées ne subissent pas le poids des conséquences négatives. impacts de la révolution de l’intelligence artificielle.
Certaines fermes de données sont complètement passées à l'utilisation d'énergie propre. Par exemple, les fermes de données en Islande fonctionnent en grande partie grâce à l’énergie propre fournie par les ressources hydroélectriques et géothermiques de l’île, et le pays est devenu un endroit populaire pour de nouveaux centres de données. Ces centres de données n’ont pas non plus besoin de ventilateurs ou de climatiseurs énergivores pour les refroidir : le climat froid de l’Islande fera très bien l’affaire. Cependant, l’Islande est particulièrement bien placée pour accueillir un centre de traitement de données et la plupart des pays ne peuvent pas reproduire ces conditions environnementales uniques.
Les entreprises de Big Data peuvent éviter les pièges des batteries au lithium en utilisant des batteries physiques. Fabriquées à partir de béton, ces batteries stockent l’énergie potentielle gravitationnelle dans des blocs de béton surélevés, qui peuvent ensuite être exploitées à tout moment. Ce n'est pas une idée farfelue : deux blocs de béton de 35 tonnes sont suspendus à une tour de 246 pieds dans une vallée suisse. Ce sont les premiers prototypes de ce à quoi ressembleront les batteries physiques, et ensemble, elles contiennent suffisamment d’énergie pour alimenter deux mille foyers (2 mégawatts). Les batteries physiques constituent une alternative potentielle aux batteries au lithium, sont moins coûteuses pour l’environnement et les communautés marginalisées et peuvent être fabriquées à partir de matériaux couramment utilisés tels que le béton.
Le gouvernement américain, par l'intermédiaire du ministère de l'Énergie et de la Defense Advanced Research Projects Agency (DARPA), a investi des milliards de dollars dans l'amélioration des batteries au lithium, notamment en créant des batteries lithium-ion à semi-conducteurs qui peuvent offrir une meilleure sécurité, une meilleure densité énergétique et longévité. Certaines entreprises privées se sont engagées à étendre l'utilisation de la technologie lithium-ion dans leurs installations, notamment Google, qui a créé un programme pilote visant à éliminer progressivement les générateurs diesel dans certains centres de données et à les remplacer par des batteries lithium-ion. Ces investissements sont insuffisants, d’autant plus que les constructeurs de voitures électriques et le gouvernement américain investissent des milliards dans de nouvelles batteries. Les entreprises technologiques doivent faire davantage pour contribuer à résoudre les problèmes de consommation et de stockage d’énergie posés par l’IA.
L'intelligence artificielle offre de nombreux avantages pour résoudre la crise climatique actuelle, mais les effets secondaires potentiels sur l'environnement ne peuvent être ignorés. Les entreprises technologiques sont souvent louées pour leur créativité et leur ingéniosité, ainsi que pour les compétences qu’elles doivent appliquer pour résoudre des problèmes liés à l’intelligence artificielle.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Modèle 70B, 1000 tokens peuvent être générés en quelques secondes, ce qui se traduit par près de 4000 caractères ! Les chercheurs ont affiné Llama3 et introduit un algorithme d'accélération. Par rapport à la version native, la vitesse est 13 fois plus rapide ! Non seulement il est rapide, mais ses performances sur les tâches de réécriture de code dépassent même GPT-4o. Cette réalisation vient d'anysphere, l'équipe derrière le populaire artefact de programmation d'IA Cursor, et OpenAI a également participé à l'investissement. Il faut savoir que sur Groq, un framework d'accélération d'inférence rapide bien connu, la vitesse d'inférence de 70BLlama3 n'est que de plus de 300 jetons par seconde. Avec la vitesse de Cursor, on peut dire qu'il permet une édition complète et quasi instantanée des fichiers de code. Certaines personnes l'appellent un bon gars, si tu mets Curs
