人工智能的环境成本和承诺
人工智能(AI)在流行文化和政治分析中经常以两种极端的形式出现。它要么代表着人类智慧与科技实力相结合的未来主义乌托邦的关键,要么是迈向反乌托邦式机器崛起的第一步。学者、企业家、甚至活动家在应用人工智能应对气候变化时都采用了同样的二元思维。
科技行业对人工智能在创建一个新的技术乌托邦中所扮演的角色的单一关注,掩盖了人工智能可能加剧环境退化的方式,通常是直接伤害边缘人群的方式。为了在应对气候变化的过程中充分利用人工智能技术,同时承认其大量消耗能源,引领人工智能潮流的科技公司需要探索人工智能对环境影响的解决方案。
人工智能可以成为应对气候变化的有力工具。例如,人工智能自动驾驶汽车可以通过确定最有效的路线,到 2050 年将排放量减少 50% 。在农业中使用人工智能会产生更高的产量;印度的花生种植者通过使用人工智能技术实现了 30% 的增收。
此外,人工智能可以提供更快、更准确的卫星图像分析,识别需要援助或雨林破坏的受灾地区。人工智能驱动的数据分析还可以帮助预测危险天气模式,并通过精确监测政府和公司是否遵守其排放目标来提高问责制。
然而,人工智能以及更广泛的互联网和通信行业因使用过多的能源而受到越来越多的抨击。以数据处理为例。用于运行尖端人工智能程序的超级计算机由公共电网供电,并由备用柴油发电机提供支持。训练单个 AI 系统可以排放超过250,000 磅的二氧化碳。
事实上,人工智能技术在所有部门的使用产生的二氧化碳排放量与航空业相当。这些额外排放不成比例地影响到历史上处于边缘地位的社区,这些社区往往生活在污染严重的地区,更容易受到污染对健康危害的直接影响。
最近,人工智能科学家和工程师对这些批评做出了回应,并正在考虑为数据农场提供动力的新来源。然而,即使是新的、表面上更可持续的能源,如可充电电池,也会加剧气候变化并损害社区。大多数可充电电池都是使用锂制成的,锂是一种稀土金属,其提取会对边缘化社区产生负面影响。由于对清洁能源的需求不断增长,锂提取需要大量用水,每提取一吨锂需要消耗500,000 加仑的水。
在世界第二大锂生产国智利, 北部的Copiapó等土著社区经常因土地和水权问题与矿业公司发生冲突。 这些采矿活动非常耗水,能源研究所报告称,在阿塔卡马盐沼,他们消耗了该地区 65% 的水。这种水的流失破坏并永久耗尽湿地和水源,导致本地动植物物种濒临灭绝,并影响当地人口。仅仅因为锂对环境造成的危害小于柴油或煤炭,就将其描述为“清洁”能源,这是一种错误的二分法,它会阻碍利益相关者追求更新、更绿色的能源。
人工智能技术的发展是令人难以置信的进步的象征;然而,进步并非一刀切,开发这些技术的企业有责任确保边缘化社区不会首当其冲受到人工智能革命的负面影响。
一些数据农场已经完全转向使用清洁能源。例如,冰岛的数据农场主要依靠岛上的水力发电和地热资源提供的清洁能源运行,该国已经成为新建数据中心的热门地点。这些数据中心也不需要能源密集型的风扇或空调来冷却——冰岛的寒冷气候就可以。然而,冰岛特别适合作为数据处理中心的东道国,大多数国家无法复制这种独特的环境条件。
大数据公司可以通过使用物理电池来避免锂电池的陷阱。这些电池由混凝土制成,将重力势能存储在高架混凝土块中,然后可以随时利用。这不是一个遥远的想法——在瑞士山谷中,两块 35 吨的混凝土块被一座 246 英尺的塔悬挂着。这些是物理电池外观的早期原型,它们共同拥有足够的能量来为两千个家庭(2 兆瓦)供电。物理电池是锂电池的潜在替代品,对环境和边缘化社区的成本较低,并且可以由混凝土等常用材料制成。
美国政府通过能源部和国防高级研究计划局(DARPA)投资了数十亿美元用于改进锂电池,特别是通过制造固态锂离子电池,与传统的锂离子电池相比,固态锂离子电池可以提供更好的安全性、能量密度和寿命。一些私营企业已经承诺在其设施中扩大锂离子技术的使用,包括谷歌,该公司创建了一个试点项目,在一些数据中心逐步淘汰柴油发电机,用锂离子电池取而代之。这些投资是不够的,尤其是在电动汽车制造商和美国政府在新型电池方面投入数十亿美元之际。科技公司需要做更多的工作来帮助解决人工智能带来的能源使用和存储问题。
人工智能为解决当前的气候危机提供了许多优势,但潜在的环境副作用不容忽视。科技公司经常因其创造力和独创性而受到称赞,他们需要运用这些技能来解决与人工智能相关的问题。
以上是人工智能的环境成本和承诺的详细内容。更多信息请关注PHP中文网其他相关文章!

热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

AI Hentai Generator
免费生成ai无尽的。

热门文章

热工具

记事本++7.3.1
好用且免费的代码编辑器

SublimeText3汉化版
中文版,非常好用

禅工作室 13.0.1
功能强大的PHP集成开发环境

Dreamweaver CS6
视觉化网页开发工具

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

热门话题

本站6月27日消息,剪映是由字节跳动旗下脸萌科技开发的一款视频剪辑软件,依托于抖音平台且基本面向该平台用户制作短视频内容,并兼容iOS、安卓、Windows、MacOS等操作系统。剪映官方宣布会员体系升级,推出全新SVIP,包含多种AI黑科技,例如智能翻译、智能划重点、智能包装、数字人合成等。价格方面,剪映SVIP月费79元,年费599元(本站注:折合每月49.9元),连续包月则为59元每月,连续包年为499元每年(折合每月41.6元)。此外,剪映官方还表示,为提升用户体验,向已订阅了原版VIP

通过将检索增强生成和语义记忆纳入AI编码助手,提升开发人员的生产力、效率和准确性。译自EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG,作者JanakiramMSV。虽然基本AI编程助手自然有帮助,但由于依赖对软件语言和编写软件最常见模式的总体理解,因此常常无法提供最相关和正确的代码建议。这些编码助手生成的代码适合解决他们负责解决的问题,但通常不符合各个团队的编码标准、惯例和风格。这通常会导致需要修改或完善其建议,以便将代码接受到应

想了解更多AIGC的内容,请访问:51CTOAI.x社区https://www.51cto.com/aigc/译者|晶颜审校|重楼不同于互联网上随处可见的传统问题库,这些问题需要跳出常规思维。大语言模型(LLM)在数据科学、生成式人工智能(GenAI)和人工智能领域越来越重要。这些复杂的算法提升了人类的技能,并在诸多行业中推动了效率和创新性的提升,成为企业保持竞争力的关键。LLM的应用范围非常广泛,它可以用于自然语言处理、文本生成、语音识别和推荐系统等领域。通过学习大量的数据,LLM能够生成文本

大型语言模型(LLM)是在巨大的文本数据库上训练的,在那里它们获得了大量的实际知识。这些知识嵌入到它们的参数中,然后可以在需要时使用。这些模型的知识在训练结束时被“具体化”。在预训练结束时,模型实际上停止学习。对模型进行对齐或进行指令调优,让模型学习如何充分利用这些知识,以及如何更自然地响应用户的问题。但是有时模型知识是不够的,尽管模型可以通过RAG访问外部内容,但通过微调使用模型适应新的领域被认为是有益的。这种微调是使用人工标注者或其他llm创建的输入进行的,模型会遇到额外的实际知识并将其整合

编辑|ScienceAI问答(QA)数据集在推动自然语言处理(NLP)研究发挥着至关重要的作用。高质量QA数据集不仅可以用于微调模型,也可以有效评估大语言模型(LLM)的能力,尤其是针对科学知识的理解和推理能力。尽管当前已有许多科学QA数据集,涵盖了医学、化学、生物等领域,但这些数据集仍存在一些不足。其一,数据形式较为单一,大多数为多项选择题(multiple-choicequestions),它们易于进行评估,但限制了模型的答案选择范围,无法充分测试模型的科学问题解答能力。相比之下,开放式问答

机器学习是人工智能的重要分支,它赋予计算机从数据中学习的能力,并能够在无需明确编程的情况下改进自身能力。机器学习在各个领域都有着广泛的应用,从图像识别和自然语言处理到推荐系统和欺诈检测,它正在改变我们的生活方式。机器学习领域存在着多种不同的方法和理论,其中最具影响力的五种方法被称为“机器学习五大派”。这五大派分别为符号派、联结派、进化派、贝叶斯派和类推学派。1.符号学派符号学(Symbolism),又称为符号主义,强调利用符号进行逻辑推理和表达知识。该学派认为学习是一种逆向演绎的过程,通过已有的

上周,在内部的离职潮和外部的口诛笔伐之下,OpenAI可谓是内忧外患:-侵权寡姐引发全球热议-员工签署「霸王条款」被接连曝出-网友细数奥特曼「七宗罪」辟谣:根据Vox获取的泄露信息和文件,OpenAI的高级领导层,包括Altman在内,非常了解这些股权回收条款,并且签署了它们。除此之外,还有一个严峻而紧迫的问题摆在OpenAI面前——AI安全。最近,五名与安全相关的员工离职,其中包括两名最著名的员工,“超级对齐”团队的解散让OpenAI的安全问题再次被置于聚光灯下。《财富》杂志报道称,OpenA

编辑|KX在药物研发领域,准确有效地预测蛋白质与配体的结合亲和力对于药物筛选和优化至关重要。然而,目前的研究没有考虑到分子表面信息在蛋白质-配体相互作用中的重要作用。基于此,来自厦门大学的研究人员提出了一种新颖的多模态特征提取(MFE)框架,该框架首次结合了蛋白质表面、3D结构和序列的信息,并使用交叉注意机制进行不同模态之间的特征对齐。实验结果表明,该方法在预测蛋白质-配体结合亲和力方面取得了最先进的性能。此外,消融研究证明了该框架内蛋白质表面信息和多模态特征对齐的有效性和必要性。相关研究以「S
