Ảnh minh họa: Getty Images

AI đang góp phần cải thiện mối quan hệ giữa con người với môi trường. Nghiên cứu công bố trên tạp chí Nature Communication vào năm ngoái cho thấy AI có thể giúp đạt được 93% các chỉ tiêu môi trường trong danh sách 17 Mục tiêu Phát triển Bền vững (SDG) của Liên Hợp Quốc đến năm 2030, thông qua việc tạo ra thành phố thông minh phát thải carbon thấp, kiểm soát các thiết bị IoT tự điều chỉnh điện năng tiêu thụ, tích hợp năng lượng tái tạo vào lưới điện thông minh, xác định các xu hướng sa mạc hóa bằng ảnh vệ tinh, và chống lại ô nhiễm biển.

Ứng dụng AI trong công nghiệp cũng giúp cải thiện môi trường và giảm phát thải. Ví dụ, OYAK Cimento, một tập đoàn sản xuất xi măng có trụ sở tại Thổ Nhĩ Kỳ, đang sử dụng AI để loại bỏ đáng kể lượng khí thải carbon.

Berkan Fidan, Giám đốc hiệu suất và quy trình của công ty, cho biết, với một nhà máy xi măng tầm trung sản xuất khoảng 1 triệu tấn xi măng mỗi năm, chỉ cần giảm khoảng 1% clinker nhờ ứng dụng AI trong quy trình sản xuất và kiểm soát chất lượng thì đã giảm được khoảng 7.000 tấn CO2 mỗi năm. "Điều này tương đương với 320.000 cây hấp thụ CO2 trong một năm,” ông so sánh.

Theo viện nghiên cứu tư vấn Chatham House, ngành xi măng chiếm khoảng 8% lượng khí thải CO2 toàn cầu. Do đó, nhu cầu cải thiện hiệu quả sản xuất xi măng là cực kì rõ ràng và AI chính là một công cụ.

Một ví dụ khác về AI có tác động tích cực đến môi trường, đó là trường hợp Entel, công ty viễn thông lớn nhất Chile, sử dụng dữ liệu cảm biến để xác định các vụ cháy rừng.

Chile bị ảnh hưởng bởi biến đổi khí hậu nghiêm trọng và có điều kiện thời tiết khắc nghiệt. Vụ cháy rừng tồi tệ nhất trong lịch sử nước này xảy ra vào năm 2017, làm mất đi gần 0,3 triệu ha rừng. Đối với một đất nước đầy kì quan thiên nhiên và phần lớn dân số và nền kinh tế phụ thuộc vào rừng để phát triển, bất kì loại cháy rừng nào cũng là thảm kịch.

Entel Ocean, nhóm kĩ thuật số của Entel, đã sử dụng các cảm biến IoT để xác định sớm các đám cháy. Những cảm biến này hoạt động như một "chiếc mũi" kỹ thuật số đặt ở trên cây, nhằm phát hiện các hạt bụi (PM) trong không khí. Dữ liệu từ cảm biến cho phép Entel Ocean sử dụng AI để tự động dự đoán khi nào đám cháy sẽ bùng phát.

"Chúng tôi đã phát hiện một đám cháy rừng sớm 12 phút so với các phương pháp truyền thống”, đại diện của Entel Ocean cho biết. “Đây là điều cực kì quan trọng khi nói đến việc ngăn chặn hỏa hoạn. Vì lửa có thể lan rộng chỉ trong vòng vài giây, nên từng phút đều hữu ích.”

Sự đánh đổi

Có thể nói, AI là một công cụ mạnh mẽ để chống lại biến đổi khí hậu. Nhưng việc nó đóng góp phát thải cũng không thể bỏ qua.

Năm 2020, các nhà khoa học ước tính, để đào tạo GPT-3, mô hình ngôn ngữ lớn nhất thế giới hiện nay, người ta đã sử dụng lượng năng lượng phát thải carbon tương đương với việc lái một chiếc xe ô tô từ Trái đất lên Mặt trăng và quay trở lại.

Vậy làm thế nào để giảm phát thải của AI khiến chúng trở nên "xanh hơn"?

Cho đến nay, trọng tâm của các nghiên cứu và đổi mới sáng tạo là cải thiện độ chính xác hoặc tạo ra các thuật toán mới. Những mục tiêu này thường phải tiêu thụ lượng dữ liệu ngày càng lớn và tạo ra các mô hình ngày càng phức tạp. Chẳng hạn, trong học sâu (deep learning), các tài nguyên tính toán đã tăng 300.000 lần trong giai đoạn năm 2012-2018.

Tuy nhiên, mối quan hệ giữa độ chính xác của mô hình và độ phức tạp của thuật toán là một hàm logarit. Nghĩa là khi kích thước mô hình và yêu cầu đào tạo tăng theo cấp số nhân thì những cải thiện về mặt hiệu suất chỉ tăng theo đường tuyến tính. Nếu theo đuổi độ chính xác, chúng ta sẽ ít ưu tiên hơn cho việc phát triển những phương pháp đào tạo tốn ít thời gian hơn hoặc tiết kiệm tài nguyên.

Bởi vậy, cần nhận biết sự đánh đổi giữa độ chính xác và hiệu quả của mô hình và lựa chọn yếu tố nào thích hợp nhất với hoàn cảnh, cũng như lưu tâm đến lượng khí thải carbon của mô hình trong quá trình đào tạo và khi nó đưa ra các phân tích suy luận. Đây là một công việc khá phức tạp: trong mỗi quy trình - từ các phép toán đơn giản (cộng, trừ, nhân, chia, gán biến) để tạo ra mô hình đến phần cứng tính toán GPU hoặc CPU, hoặc lưu trữ đám mây và làm mát máy chủ - đều có thể ảnh hưởng đến tổng mức năng lượng mà AI sử dụng và lượng carbonmà AI thải ra.

Thậm chí, nguồn gốc năng lượng để chạy AI cũng rất quan trọng. Năng lượng chủ yếu đến từ nguồn tái tạo như điện gió, điện mặt trời... sẽ giúp giảm dấu chân carbon nhiều hơn từ các nguồn nhiên liệu hóa thạch như than đá, dầu mỏ, khí đốt.

Khi tính đến những ràng buộc như vậy, chúng ta có thể làm cho AI trở thành một công nghệ đỉnh cao, đồng thời là một tài sản lớn trong việc bảo vệ khí hậu toàn cầu.

Nguồn:

What would it take to make AI ‘greener’?