Ανέλεγκτη Κατανάλωση Ενέργειας – Χρήση AI για τη Βελτίωση του AI

Αναπτυσσόμενη ραγδαία, η αγορά της τεχνητής νοημοσύνης (AI) προβλεπόμενο να φτάσει τα $1.8 τρισεκατομμύρια μέχρι το τέλος της δεκαετίας. 

Ενώ η μανία για την AI άρχισε να κερδίζει πρώιμη έλξη το 2021, ήταν μόνο πέρυσι που η AI πραγματικά βρήκε το σημείο καμπής της. Στην πραγματικότητα, η ανάπτυξή της ήταν τόσο μεγάλη που όλα τα σχετικά με την AI, από τις λύσεις μέχρι τη χρήση, άρχισαν να εκτοξεύονται, ωθώντας τις επενδύσεις στη γενετική AI στα ύψη. 

Όταν τα γενετικά συστήματα AI όπως το ChatGPT έδειξαν νέες δυνατότητες, όλοι ήθελαν ένα κομμάτι από αυτήν την ταχέως αναπτυσσόμενη «πιτα». Επίσης, το μεγαλύτερο μέρος αυτών των ιδιωτικών επενδύσεων συμβαίνει στις ΗΠΑ.

Στη βάση αυτών των δημοφιλών εργαλείων βρίσκονται τα μοντέλα βάσης όπως το GPT-4 στην περίπτωση του ChatGPT της OpenAI. Αυτά τα μεγάλα πολυλειτουργικά μοντέλα απαιτούν τεράστιες βάσεις δεδομένων και τεράστιους πόρους για την εκπαίδευση. Τα μοντέλα βάσης λειτουργούν ως σημείο εκκίνησης για την ανάπτυξη μοντέλων μηχανικής μάθησης (ML) που τροφοδοτούν νέες εφαρμογές με οικονομικό και γρήγορο τρόπο.

Ο τεχνολογικός γίγαντας Google έχει κυκλοφορήσει πολλά μοντέλα βάσης· τα Imagen, Muse και Parti είναι μοντέλα κειμένου-σε-εικόνα, το MedLM για τη βιομηχανία υγειονομικής περίθαλψης, το μοντέλο κωδικοποίησης με όνομα Codey, και το καθολικό μοντέλο φωνής Chirp.

Αυτά τα μοντέλα καταναλώνουν άνευ προηγουμένου ποσότητες μνήμης, συμπεριλαμβανομένης πολύ μεγαλύτερης μνήμης για την αποθήκευση και ανάκτηση των πραγματικών δεδομένων στα οποία λειτουργούν. Για παράδειγμα, το GPT-3 εκπαιδεύεται σε περίπου 500 δισεκατομμύρια λέξεις και χρησιμοποιεί 175 δισεκατομμύρια παραμέτρους. Αυτό έχει οδηγήσει σε εκρηκτική αύξηση της ενεργειακής ζήτησης της AI.

Τα τελευταία λίγα χρόνια, ο περιβαλλοντικός αντίκτυπος της AI έχει αναφερθεί ευρέως. Στο τέλος του περασμένου έτους, μια κριτική από ομοτίμους ανάλυση προσπάθησε να ποσοτικοποιήσει αυτή τη ζήτηση. 

Αφού συζήτησαν τα τεράστια ενεργειακά κόστη της εξόρυξης κρυπτονομισμάτων, ο Alex de Vries, επιστήμονας δεδομένων στην κεντρική τράπεζα της Ολλανδίας και υποψήφιος διδάκτορας στο Vrije University Amsterdam, στράφηκε στην τελευταία τεχνολογική τάση: υιοθέτηση AI. Σύμφωνα με την τελευταία του αξιολόγηση, η NVIDIA (NVDA ) θα αποστέλλει 1,5 εκατομμύρια μονάδες AI server ετησίως μέχρι το 2027. Όταν λειτουργούν σε πλήρη χωρητικότητα, προβλέπεται ότι αυτοί οι servers θα καταναλώνουν τουλάχιστον 85,4 τεραβατώρα ηλεκτρικής ενέργειας ετησίως. 

Ο De Vries εκτιμά ότι η AI θα μπορούσε ενδεχομένως να είναι χειρότερη από τα δίκτυα Proof-of-Work (PoW) όπως το Bitcoin. Ωστόσο, αυτές είναι μόνο εκτιμήσεις, με ειδικούς να σημειώνουν ότι τα νούμερα δεν είναι πλήρη και εξαρτώνται από συνθήκες.

Τον περασμένο Δεκέμβριο, η Sasha Luccioni της εταιρείας AI Hugging Face και οι συνάδελφοί της από την εταιρεία και το Carnegie Mellon University πραγματοποίησαν επίσης δοκιμές σε 88 διαφορετικά μοντέλα. Εκτέλεσαν την εργασία 1.000 φορές και βρήκαν ότι οι περισσότερες εργασίες χρησιμοποιούν μικρή ποσότητα ενέργειας, όπως 0,047 kWh, για τη δημιουργία κειμένου. Ωστόσο, τα νούμερα ήταν πολύ μεγαλύτερα για μοντέλα δημιουργίας εικόνας, που χρησιμοποίησαν κατά μέσο όρο 2,907 kWh ανά 1.000 προβλέψεις. Για σύγκριση, σημείωσαν ότι ένα μέσο smartphone χρησιμοποιεί 0,012 kWh για τη φόρτιση.

Εν τω μεταξύ, ένα πρόσφατο έγγραφο εκτίμησε ότι τα μεγάλα μοντέλα γλώσσας χρησιμοποιούν περίπου 1,300 μεγαβατώρα ηλεκτρικής ενέργειας, που ισοδυναμεί με την ενέργεια που καταναλώνουν ετησίως 130 σπίτια στις ΗΠΑ.

Η Διεθνής Υπηρεσία Ενέργειας επίσης σημείωσε στην έκθεσή της νωρίτερα φέτος ότι η ζήτηση για AI και κρυπτονομίσματα θα οδηγήσει σε σημαντική αύξηση της χρήσης ηλεκτρικής ενέργειας από τα κέντρα δεδομένων στο εγγύς μέλλον. Η αύξηση αναμένεται να είναι από 460 τεραβατώρα το 2022 σε μεταξύ 620 και 1,050 TWh το 2026.

Αυτό έχει τραβήξει την προσοχή των ρυθμιστών, οι οποίοι τώρα προειδοποιούν για το αυξανόμενο κόστος της AI. Σύμφωνα με τον Γερουσιαστή της Μασαχουσέτης Edward Markey (D):

“Η ανάπτυξη της επόμενης γενιάς εργαλείων AI δεν μπορεί να γίνει εις βάρος της υγείας του πλανήτη μας.” 

Αυτό ήρθε μετά από αυτόν, μαζί με άλλους γερουσιαστές και αντιπροσώπους, να εισάγουν ένα νομοσχέδιο που απαιτεί από την ομοσπονδιακή κυβέρνηση να αξιολογήσει το περιβαλλοντικό αποτύπωμα της AI και να αναπτύξει ένα τυποποιημένο σύστημα αναφοράς μελλοντικών επιπτώσεων. Στην Ευρώπη, ο AI Act έχει ήδη περάσει, απαιτώντας από τα ισχυρά μοντέλα βάσης να αναφέρουν τη χρήση πόρων, την κατανάλωση ενέργειας και άλλες επιπτώσεις.

Στο μεταξύ, ο Διεθνής Οργανισμός Τυποποίησης θα εκδώσει κριτήρια αργότερα φέτος για τη μέτρηση της χρήσης υλικών, της κατανάλωσης νερού και της ενεργειακής αποδοτικότητας για “βιώσιμη A.I.” 

Καθιστώντας την AI Πιο Αποδοτική 

Για να είναι βιώσιμα σε τεράστιο μέγεθος, τα μοντέλα AI πρέπει να γίνουν πιο ενεργειακά αποδοτικά και ικανά να λειτουργούν σε συσκευές με περιορισμένη ενέργεια που χρησιμοποιούν σημαντικά λιγότερη ισχύ από τα κέντρα δεδομένων. 

Αυτά τα κέντρα δεδομένων απαιτούν τεράστιες ποσότητες ενέργειας για να διατηρούν τους υπολογιστές σε λειτουργία, η οποία προέρχεται κυρίως από ορυκτά καύσιμα. Αυτό προκαλεί σημαντικές εκπομπές CO2e. Για να το αντιμετωπίσουν, ερευνητές και οργανισμοί εργάζονται για να κάνουν την AI πιο αποδοτική. 

Μία εξέχουσα εταιρεία που έχει σημειώσει σημαντική πρόοδο στην εύρεση λύσης σε αυτό το πρόβλημα είναι η λονδρέζικη εταιρεία εξειδίκευσης στην βελτιστοποίηση κώδικα TurinTech. Η TurinTech προοδεύει μέσω ενός συνδυασμού βαθιάς μάθησης και εξελικτικών αλγορίθμων. Αυτό το σύστημα προσαρμόζει συνεχώς ένα υπάρχον μοντέλο βάσει νέων πληροφοριών αντί να το δημιουργεί από την αρχή. 

Σύμφωνα με τον Harvey Lewis της Ernst and Young UK, οι εξελικτικοί ή γενετικοί αλγόριθμοι και οι βεϋσιανικές στατιστικές μέθοδοι μπορούν να κάνουν τη βαθιά μάθηση πιο αποδοτική, και το εξειδικευμένο υλικό μπορεί να μειώσει το κόστος της.

Μια άλλη προτεινόμενη μέθοδος είναι η σύνδεση της AI που βασίζεται σε δεδομένα με άλλες επιστημονικές ή ανθρώπινες εισροές σχετικά με τον τομέα της εφαρμογής. Ο Pushkar P. Apte, διευθυντής στρατηγικών πρωτοβουλιών στο CITRIS, και ο Costas J. Spanos, διευθυντής του CITRIS, έγραψαν για τέσσερις τρόπους επίτευξης αυτού:

• Συνεργασία της AI με επιστημονικούς νόμους.
• Εμπλουτισμός των δεδομένων με εξειδικευμένες ανθρώπινες γνώσεις.
• Χρήση συσκευών για την εξήγηση του πώς η AI λαμβάνει αποφάσεις.
• Χρήση άλλων μοντέλων για την πρόβλεψη συμπεριφοράς.

Πρόσφατα, η startup EnCharge έκανε μια πρόοδο στην AI που θα μπορούσε να βελτιώσει δραστικά την κατανάλωση ενέργειας αυτών των μοντέλων AI κατά τη διάρκεια προβλέψεων. Η εταιρεία χρησιμοποίησε τη χρηματοδότηση από το DARPA για να μειώσει τη χρήση μνήμης κάνοντας μέρος της εργασίας σε αναλογική κυκλωματική μνήμη, η οποία μπορεί να εκτελεί παράλληλες πολλαπλασιαστικές αθροίσεις με χαμηλή ενέργεια αντί για παραδοσιακά τρανζίστορ. 

«Αυτή είναι η λύση στο πρόβλημα της μετακίνησης δεδομένων». 

– Naveen Verma, Διευθύνων Σύμβουλος της EnCharge AI και καθηγητής στο Τμήμα Ηλεκτρολογικής Μηχανικής του Princeton 

Πρόσθεσε επίσης ότι αντί για την επικοινωνία μεμονωμένων bits, το μειωμένο αποτέλεσμα επικοινωνείται με τη μορφή της συσσώρευσης πολλών παράλληλων πολλαπλασιασμών.

Η EnCharge AI κατάφερε να επεξεργάζεται 150 τρισεκατομμύρια λειτουργίες ανά δευτερόλεπτο ανά watt. Ωστόσο, η αναλογική υπολογιστική είναι εξαιρετικά δύσκολη να επιτευχθεί, και προηγούμενες προσπάθειες δεν είχαν καρπούς.

Εν τω μεταξύ, έρευνα από τον βοηθό καθηγητή Raghavendra Selvan του τμήματος Πληροφορικής του UCPH πέρυσι εξερεύνησε διαφορετικούς τρόπους μείωσης του ανθρακικού αποτυπώματος της ML. Σε μικροεπίπεδο, οι αλγόριθμοι μπορούν να γίνουν ταχύτεροι και πιο αποδοτικοί για τη μείωση της χρήσης πόρων. Αυτό, σημείωσε, θα μπορούσε να γίνει εξετάζοντας πώς να μειωθεί ο αριθμός των bits που χρησιμοποιούνται για τους υπολογισμούς και πώς να μειωθούν οι περιττοί υπολογισμοί. 

Πρότεινε επίσης την αξιολόγηση της ανάγκης για όλα τα αποθηκευμένα δεδομένα. Έτσι, σε μακροεπίπεδο, εξετάζοντας πότε και πού γίνονται οι υπολογισμοί (πολλοί από τους οποίους δεν είναι κρίσιμοι χρονικά), μπορούν να επιλεγούν ώρες εκτός αιχμής για την εκπαίδευση των συστημάτων AI, μειώνοντας το κόστος των εκπαιδευτικών συνεδριών και το ανθρακικό αποτύπωμα. 

Χρήση AI για τη Βελτίωση της AI 

Τώρα, ο Selvan δημιούργησε ένα benchmark για το σχεδιασμό μοντέλων AI που καταναλώνουν πολύ λιγότερη ενέργεια χωρίς να επηρεάζουν την απόδοσή τους. Ωστόσο, αυτό απαιτεί τη χρήση της ποσότητας ενέργειας που χρησιμοποιείται και του ανθρακικού αποτυπώματος ως πρότυπο για το σχεδιασμό και την εκπαίδευση αυτών των μοντέλων AI.

Για αυτό, μελετήθηκαν 429.000 υποτύποι μοντέλων AI. Αυτά τα συνελικτικά νευρωνικά δίκτυα, που χρησιμοποιούνται για μετάφραση γλώσσας, αναγνώριση προσώπων, ανίχνευση αντικειμένων και ανάλυση ιατρικών εικόνων, εκτιμάται ότι απαιτούν έως και 263.000 kWh ενέργειας μόνο για την εκπαίδευσή τους. 

Για να το θέσουμε σε σύγκριση, 263.000 kWh είναι περίπου η ενέργεια που καταναλώνει ένας μέσος Δανός πολίτης σε περισσότερα από τέσσερα δεκαετίες. Ένας υπολογιστής θα χρειαστεί έναν αιώνα για να ολοκληρώσει όλη αυτή την εκπαίδευση. 

Αυτή η τεράστια ενεργειακή χρήση έχει την βιομηχανία να εργάζεται για να την κάνει φιλική προς το κλίμα· ωστόσο, η ανάπτυξη ενεργειακά αποδοτικών μοντέλων AI δεν έχει ακόμη γίνει πραγματικότητα. Σύμφωνα με τον Selvan, που εξετάζει τις δυνατότητες μείωσης του ανθρακικού αποτυπώματος της AI:

«Σήμερα, οι προγραμματιστές εστιάζουν στενά στην κατασκευή μοντέλων AI που είναι αποτελεσματικά όσον αφορά την ακρίβεια των αποτελεσμάτων τους.» 

Σύγκρινε αυτή τη συμπεριφορά με ένα αυτοκίνητο, το οποίο θεωρείται καλό μόνο επειδή φθάνει γρήγορα στον προορισμό χωρίς να λαμβάνει υπόψη την κατανάλωση καυσίμου. Πρόσθεσε επίσης:

«Ως αποτέλεσμα, τα μοντέλα AI είναι συχνά αναποτελεσματικά όσον αφορά την κατανάλωση ενέργειας.» 

Η νέα του μελέτη, που πραγματοποιήθηκε με τον φοιτητή Πληροφορικής Pedoman Bakhtiarifard, στοχεύει να αλλάξει αυτό δείχνοντας ότι είναι δυνατόν να περιοριστεί σημαντικό ποσό CO2e διατηρώντας ταυτόχρονα την ακρίβεια ενός μοντέλου AI.

Για να το επιτύχουν, οι ερευνητές του UCPH σημείωσαν ότι χρειάζεται ένα ενεργειακά αποδοτικό μοντέλο από την αρχή. Αυτό σημαίνει ότι πρέπει να λαμβάνονται υπόψη τα κλιματικά κόστη κατά το σχεδιασμό και κατά τη διάρκεια της ενεργοβόρας διαδικασίας εκπαίδευσης των μοντέλων AI. Ο Selvan είπε ότι με αυτόν τον τρόπο, το ανθρακικό αποτύπωμα μπορεί να μειωθεί σε «κάθε φάση του κύκλου ζωής του μοντέλου», που περιλαμβάνει τόσο την εκπαίδευση όσο και την ανάπτυξη του μοντέλου.

Έτσι, οι ερευνητές υπολόγισαν την ενέργεια που απαιτείται για την εκπαίδευση εκατοντάδων χιλιάδων αυτών των μοντέλων AI. Ενδιαφέρον είναι ότι οι ερευνητές του UCPH δεν εκπαίδευσαν τα μοντέλα, αλλά εκτίμησαν χρησιμοποιώντας ένα άλλο μοντέλο AI. Με αυτόν τον τρόπο, μπόρεσαν να εξοικονομήσουν την πλειονότητα, 99%, της ενέργειας που διαφορετικά θα απαιτούνταν.

Τώρα, βάσει των υπολογισμών τους, η ομάδα παρουσίασε μια συλλογή benchmark μοντέλων AI που αποδίδουν περίπου στο ίδιο επίπεδο αλλά χρησιμοποιούν λιγότερη ενέργεια για την ολοκλήρωση μιας εργασίας.

Σύμφωνα με τη μελέτη, η προσαρμογή μοντέλων ή η χρήση άλλων τύπων μοντέλων μπορεί να εξοικονομήσει έως και 80% της ενέργειας κατά τα στάδια εκπαίδευσης και εφαρμογής. Όσον αφορά την απόδοση, δεν υπάρχει ουσιαστική ή καθόλου συμβιβασμός (μόνο 1% ή και λιγότερο). Αυτοί οι αριθμοί είναι στην πραγματικότητα συντηρητικοί, σύμφωνα με τους ερευνητές. 

«Θεωρήστε τα αποτελέσματά μας ως βιβλίο συνταγών για τους επαγγελματίες AI. Οι συνταγές δεν περιγράφουν μόνο την απόδοση διαφορετικών αλγορίθμων, αλλά και πόσο ενεργειακά αποδοτικοί είναι». 

– Bakhtiarifard

Πρόσθεσε επίσης ότι απλώς ανταλλάζοντας ένα συστατικό στο σχεδιασμό του μοντέλου με ένα άλλο, μπορούμε «συχνά να πετύχουμε το ίδιο αποτέλεσμα». Αυτό σημαίνει ότι οι επαγγελματίες δεν χρειάζεται να ξεκινήσουν την εκπαίδευση κάθε μοντέλου πρώτα· μπορούν απλώς να επιλέξουν ένα με βάση τόσο την απόδοση όσο και την κατανάλωση ενέργειας.

Δεδομένου ότι εκπαιδεύονται αρκετά μοντέλα πριν βρεθεί η πιο κατάλληλη επιλογή για μια συγκεκριμένη εργασία, καθιστώντας την ανάπτυξη AI «απόλυτα ενεργοβόρα», ο Bakhtiarifard είπε, «θα ήταν πιο φιλικό προς το κλίμα να επιλέγουμε το σωστό μοντέλο από την αρχή», και επιπλέον, να επιλέγουμε αυτό που δεν καταναλώνει σημαντική ισχύ κατά τη φάση εκπαίδευσης.

Ενώ σε τομείς όπως τα αυτόνομα οχήματα και η ιατρική, η ακρίβεια του μοντέλου είναι κρίσιμη για την ασφάλεια, και έτσι δεν μπορούμε να συμβιβάσουμε την απόδοση εκεί, οι ερευνητές σημείωσαν ότι αυτό δεν πρέπει να μας αποθαρρύνει από το να προσπαθήσουμε να επιτύχουμε υψηλή ενεργειακή αποδοτικότητα σε άλλους τομείς. 

Η μελέτη, σύμφωνα με αυτούς, δείχνει ότι μπορεί να βρεθεί καλύτερη ισορροπία με την ενεργειακή αποδοτικότητα ως πρότυπο στην ανάπτυξη μοντέλων AI, όπως συμβαίνει σε πολλούς τομείς. Σύμφωνα με τον Selvan:

«Η AI έχει καταπληκτικό δυναμικό. Αλλά αν θέλουμε να εξασφαλίσουμε βιώσιμη και υπεύθυνη ανάπτυξη AI, χρειαζόμαστε μια πιο ολιστική προσέγγιση που δεν λαμβάνει υπόψη μόνο την απόδοση του μοντέλου, αλλά και τον κλιματικό αντίκτυπο». 

Το benchmark, με το όνομα EC-NAS, είναι ανοιχτού κώδικα και μπορεί να χρησιμοποιηθεί από άλλους επιστήμονες και εταιρείες για την προώθηση της έρευνας στην αναζήτηση νευρωνικής αρχιτεκτονικής (NAS). Η μελέτη ανέφερε ότι η χρήση αλγορίθμων πολυ-στόχου εξισορροπεί την κατανάλωση ενέργειας και την ακρίβεια. «Με τις ποικίλες μετρήσεις του, το EC-NAS προσκαλεί περαιτέρω έρευνα στην ανάπτυξη ενεργειακά αποδοτικών και περιβαλλοντικά βιώσιμων μοντέλων», δήλωσε η μελέτη.

Λύσεις Ενέργειας Βασισμένες στην AI

Τώρα, ας ρίξουμε μια ματιά στις εταιρείες που αντιμετωπίζουν τον ενεργειακό τομέα χρησιμοποιώντας τεχνολογία και εργάζονται ενεργά για την προσφορά λύσεων ενέργειας βασισμένων στην AI:

#1. GE Renewable Energy

Η εταιρεία χρησιμοποιεί τεχνολογία AI/ML που αναπτύσσεται εσωτερικά για να προβλέπει με ακρίβεια και να βελτιστοποιεί τα κόστη logistics της διαδικασίας μεταφοράς ανεμογεννητριών. Φέτος, η GE κυκλοφόρησε το Proficy για κατασκευαστές ώστε να επιτύχουν βιωσιμότητα ενώ βοηθά στην μεγιστοποίηση της κερδοφορίας. Επίσης, ανέπτυξε το AI-ενισχυμένο CERius για τη βελτίωση της ακρίβειας των αναφορών.

Αρχές αυτού του μήνα, η General Electric (GE.TO ) διαχωρίστηκε σε τρεις ξεχωριστές εταιρείες, εστιάζοντας στην αεροπορία, την ενέργεια και την υγειονομική περίθαλψη, και άρχισε να διαπραγματεύεται στο NYSE ως ξεχωριστές οντότητες. Έτσι, η ενεργειακή της πτέρυγα ονομάζεται τώρα GE Vernova (GEV ) (GEV) και έχει κεφαλαιοποίηση αγοράς 36 δισεκατομμυρίων δολαρίων, με τις μετοχές της να διαπραγματεύονται στα 131,75. Το 2023, η εταιρεία εξασφάλισε τη μεγαλύτερη παραγγελία της για την υποστήριξη ενός αμερικανικού έργου αιολικής ενέργειας που θα παρέχει 2,4 GW στο έργο SunZia. Η Goldman Sachs (GS ) προβλέπει ότι η εταιρεία θα έχει EBITDA 4 δισεκατομμυρίων δολαρίων μέχρι το 2026.

#2. Schneider Electric

Η γαλλική εταιρεία αξίας 34,2 δισεκατομμυρίων δολαρίων αξιοποιεί την AI για τη βελτίωση της αποδοτικότητας και της παραγωγικότητας, καθώς και για την αντιμετώπιση της πρόκλησης της κλιματικής αλλαγής. Η χρήση AI της Schneider Electric (SND.DE ) περιστρέφεται γύρω από την οπτικοποίηση δεδομένων και την μηχανική, τη βελτιστοποίηση και προσομοίωση, και τη μοντελοποίηση αξιοπιστίας. 

Η εταιρεία κατέγραψε έσοδα 36 δισεκατομμυρίων ευρώ για το οικονομικό έτος 2023, αύξηση 13%. Η Schneider Electric ανέφερε επίσης καθαρό κέρδος 4 δισεκατομμυρίων ευρώ και ελεύθερη ταμειακή ροή 4,6 δισεκατομμυρίων ευρώ. 

Συμπέρασμα

Η AI είναι η τεχνολογική επανάσταση αυτής της δεκαετίας. Δεδομένου ότι η ενσωμάτωση της AI έχει αποδείξει ότι μειώνει τα κόστη και αυξάνει τα έσοδα για τις εταιρείες, ενώ παρέχει καλύτερα κέρδη αποδοτικότητας για τους εργαζόμενους, είναι σαφώς κάτι περισσότερο από μια μόδα. Τα συστήματα AI υπερβαίνουν πραγματικά τους ανθρώπους σε μια σειρά εργασιών, αν και παραμένουμε καλύτεροι σε σύνθετες γνωστικές εργασίες.

Ωστόσο, συνοδεύεται από δικά του ρίσκα όσον αφορά την ιδιωτικότητα, τις αλγοριθμικές προκαταλήψεις και, όπως συζητήσαμε παραπάνω, τον αρνητικό περιβαλλοντικό αντίκτυπο. Μία παγκόσμια έρευνα για τις στάσεις απέναντι στην AI δείχνει επίσης ότι οι άνθρωποι είναι ανήσυχοι για αυτή τη νέα τεχνολογία, αν και η πλειοψηφία τη βλέπει ως κάτι που θα αλλάξει την καθημερινή τους ζωή τα επόμενα χρόνια. Η νεότερη γενιά είναι πιο αισιόδοξη για την AI. 

Καθώς η AI συνεχίζει να γίνεται μεγάλο μέρος της ζωής μας, κυβερνήσεις, επιστήμονες και εταιρείες ενώνονται για να αντιμετωπίσουν τους κινδύνους της. Οι ρυθμιστές έχουν ήδη αρχίσει να στοχεύουν στη βιομηχανία, με πάνω από 30 χώρες να έχουν περάσει τουλάχιστον έναν νόμο σχετικό με την AI τα τελευταία επτά χρόνια. Καθώς προχωρούν περισσότερες τεχνολογικές εξελίξεις, θα δούμε την AI να γίνεται πιο αποδοτική και να μεταμορφώνει τον κόσμο μας. 

Κάντε κλικ εδώ για να μάθετε τα πάντα για την επένδυση στην τεχνητή νοημοσύνη.