Креативните корисници измислија нови и забавни идеи за генерирање на слики кои се распространија на социјалните мрежи преку ноќ. Привлечниот, прецизен изглед и лесното и брзо генерирање на овие слики изгледа магично и го привлече вниманието на многумина, кои се обидоа да го испробаат и самите, без притоа да бидат свесни за негативниот импакт на нивните акции.
Негативниот импакт при користење вештачка интелигенција за генерирање на слики може да се подели на неколку аспекти:
Генеративна вештачка интелигенција се користи за создавање на нови содржини: текстови, слики, видеа, музика итн. Нејзините модели користат множество од приложени податоци од кои тие учат како да генерираат нова содржина. Повеќе податоци значат поточна и попрецизна содржина. Процесот на учење на овие податоци се нарекува тренирање на модел за вештачка интелигенција. За да се истренира еден модел потребна е многу голема компјутерска моќност за која просечен комјутер не е доволен да ја изврши сам. Затоа се користат дата центри кои најлесно може да се замислат како голема површина составена од многу супермоќни комјутери-сервери. Овие центри ги има на различни локации околу светот и може да се употребуваат за различни намени: Стриминг на филмови, серии, видео игри за потребите на различни стриминг платформи, зачувување податоци во облак, процесирање и обработка на информации, тренирање и извршување на модели. Секое наше барање што ќе го напишеме во ЧетГПТ или слична платформа се испраќа до ваков центар и се користи неговата моќност за да се обработи барањето и да се создадат и вратат соодветни резултати назад. Воедно со секоја негова употреба го храниме со нови податоци од кои учи и ги подобрува резултатите во иднина.
Сите операции кои ги извршуват дата центрите имаат негативно влијание, но актуелизирањето на нови технологии како генеративната вештачка интелигенција повторно ги отвара овие прашања, најмногу поради моментално зголемената побарувачка за ваков тип на сервис и потенцијалот да добие уште повеќе примени во иднина.
Зголемената побарувачка за генеративна вештачка интелиганција ја зголемува потребата од градење на се повеќе и повеќе дата центри, а производството на големи количини на електронски компоненти за истите троши многу природни ресурси и остава голем јаглероден отпечаток. Дополнително, тоа би значело дека ќе се соочуваме со зголемено количество на електронски отпад, кој може да биде и отровен, поготово доколку содржи олово и жива.
Исто така, системот за ладење на електронските компоненти во дата центрите конзумира вода. Така на пример со само едно пребарување на ChatGpt во споредба со Google, се користат 10 пати повеќе вода. Се предвидува дека оваа инфраструкура наскоро може да конзумира 6 пати повеќе вода од една држава како Данска, што претставува огромен проблем поготово кога човештвото веќе има проблем со снабдување на вода. Трошењето и начинот на употреба на водата од еден до друг центар може да варира, некои дата центри имаат затворени циклични системи во кои ја реупотребуваат водата, но некои од нив ги користат природните ресуси од нивната околина. Пример: дата центар во близина на езеро може да ја користи водата од езерото, а потоа да ја враќа назад во езерото, но со тоа да ја загрее езерската вода и да наштети на водниот свет. За жал, моментално недостасуваат податоци во врска со начинот на работа на различни дата центри, што дополнително отежнува да се пресмета вистинското влијание кон потрошувачката на вода и целокупното влијание на околината. Уште еден фактор е распространетоста на дата центрите низ различни земји во светот за кои може да подлежат на локални закони и регулативи, кои не се еднакви во сите земји, а некаде се и непостоечки или многу слаби.
Понатаму за да можат овие центри да ги опслужат нашите барања трошат електрична енергија:
-За генерирање содржини
-За тренирање на модел – еднократна операција, но има значително голема потрошувачка на енергија
Тешко е да се одреди колку е точната потрошувачка, бидејќи за најголемите и најпознати модели нема јавни информации за точниот број на барања кои ги опслужуваат, колку податоци обработуваат при тренирање и каков хардвер користат. Но зависно од големината и сложеноста на моделите, а воедно и од нашето барање, потрошувачката може да варира. Во некое истражување и споредба на различни модели, се спомнува дека најнеефикасниот модел, при генерирање слика можел да потроши енергија колку и 552 полнења на телефон, а енергетски најефикасниот модел при генерирање 1000 текстови може да потроши колку што би потрошило полнење на 9% батерија. Според понови истражувања, просечно генерирање на една слика може да потроши електрична енергија колку едно полнење на телефон.
Тренирање на модел конзумира уште повеќе енергија, но е ограничено и секое тренирање е еднократно. Па така на пример за ГПТ-3 се проценува дека трошело околу 1300 мега вати на час, што е еднакво на годишната потрошувачка на струја на 130 домаќинства во Америка.
Генерирањето текст, иако троши електрична енергија сепак е енергетски поефикасно од генерирањето на слики. Текстот е еднодимензионален – составен од букви и бројки и следи веќе постоечки граматички правила и семантики, додека пак сликите се мултидимензионални - секој пиксел содржи засебни информации кои групирани во слика мораат да претставуваат точни форми, текстури, бои, растојание и сооднос меѓу објектите и проектирање на светлината врз нив и значењето на сликата да се совпаѓа со она што е побарано. Затоа честопати може да се забележи дека генерираните слики имаат грешки бидејќи процесот на учење е многу комплексен. Процесирањето на графички податоци се извршува со помош на моќни графички процесори кои конзумираат многу електрична енергија. Според истражување направено во 2024 година, се проценува дека генерирање на еден текст 1000 пати троши 16% од енергијата потребна за генерирање на само една слика. Ако генерирањето на една слика троши енергија колку и едно полнење на телефон, замислете колку струја може да се потроши доколку еден корисник генерира повеќе слики, а паралелно со него милиони други луѓе го прават истото само од љубопитност и следење на тренд.
Напредокот на технологијата не можеме да го негираме, но ова е релативно нова тема која постојано ќе се наградува и можеби во иднина ќе биде подобро регулирана или ќе се најдат нови поиновативни начини за да се направат овие системи поефикасни и ќе трошат помалку енергија. Но додека да се случи тоа, ние преку нашите секојдневни одлуки можеме да влијаеме за помал еколошки импакт од овие систем, на пример:
Извори:
https://openai.com/index/introducing-4o-image-generation/
https://interestingengineering.com/culture/openai-creates-ghibli-style-images?group=test_a
https://news.mit.edu/2025/explained-generative-ai-environmental-impact-0117
https://www.polytechnique-insights.com/en/columns/energy/generative-ai-energy-consumption-soars/
https://www.baeldung.com/cs/chatgpt-large-language-models-power-consumption?utm_source=chatgpt.com
https://think.ing.com/articles/ai-monthly-hungry-for-power/
https://www.theverge.com/24066646/ai-electricity-energy-watts-generative-consumption
.svg)
