حتماً بسیاری از مردم شنیدهاند که هوش مصنوعی امروزی با رشد فزایندهاش چه تأثیری بر محیط زیست دارد—تأثیری که عمدتاً ناشی از مراکز دادهای است که با سرورهای پرمصرف و دائماً روشن، انرژی زیادی مصرف میکنند. فقط در ایالات متحده، پیشبینی میشود مصرف برق مراکز داده تا سال ۲۰۲۸ بین ۶.۷ تا ۱۲ درصد از کل مصرف برق کشور را به خود اختصاص دهد. در همین بازه زمانی، مصرف آب برای خنکسازی این مراکز میتواند تا دو یا حتی چهار برابر نسبت به سال ۲۰۲۳ افزایش یابد.
اما آنچه اغلب از دید عموم پنهان میماند، تأثیر این مراکز داده بر سلامت عمومی است. نیروگاهها و ژنراتورهای پشتیبانی که مراکز داده را در مواقع قطعی برق یا اوج مصرف پشتیبانی میکنند، آلایندههای خطرناکی مانند ذرات معلق ریز و اکسیدهای نیتروژن (NOx) تولید میکنند. این مواد مستقیماً بر سلامت انسان تأثیر میگذارند—باعث حملات آسم، سکتههای قلبی و حتی کاهش توان شناختی میشوند.
با این حال، تأثیر هوش مصنوعی بر آلودگی هوا و سلامت عمومی معمولاً در بحثهای مربوط به طراحی مسئولانه هوش مصنوعی مطرح نمیشود. چرا؟
زیرا آلودگی هوای محیطی «قاتلی خاموش» است. در حالی که نگرانیهایی درباره تأثیرات مراکز داده بر سلامت عمومی—از جمله احتمال افزایش نرخ سرطان—به تدریج در حال مطرح شدن است، اما بسیاری از توسعهدهندگان، پژوهشگران و کاربران هوش مصنوعی از خطرات جدی ناشی از مصرف انرژی و زیرساختهای پشتیبان این سیستمها آگاه نیستند.
سالانه حدود ۴ میلیون مرگ زودرس در جهان به دلیل آلودگی هوای محیطی اتفاق میافتد. عامل اصلی، ذرات بسیار ریز (PM2.5) با قطری کمتر از ۲.۵ میکرومتر هستند که میتوانند تا اعماق سیستم تنفسی و ریهها نفوذ کنند. آلودگی هوا، در کنار فشار خون بالا، استعمال دخانیات و قند خون بالا، یکی از عوامل اصلی خطر برای سلامت بشر به شمار میرود. بانک جهانی هزینه جهانی این نوع آلودگی را ۸.۱ تریلیون دلار، معادل ۶.۱ درصد تولید ناخالص داخلی جهان، برآورد کرده است.
بر خلاف تصور رایج، آلایندهها در نزدیکی محل انتشار خود باقی نمیمانند؛ آنها میتوانند صدها کیلومتر جابهجا شوند. همچنین PM2.5 از نوع آلایندههای «بدون آستانه» است؛ یعنی هیچ سطح ایمنی برای قرار گرفتن در معرض آن وجود ندارد.
حالا که خطر این نوع آلودگی مشخص است، پرسش این است که سهم هوش مصنوعی در آن چقدر است؟ ما به عنوان استادان دانشگاه Caltech و دانشگاه UC Riverside، این پرسش را در پژوهشهای خود بررسی کردهایم.
مراکز داده برای حفظ خدمات خود حتی در زمان قطعی برق، به مجموعهای از ژنراتورهای پشتیبان تکیه میکنند که اغلب با سوخت دیزل کار میکنند. اگرچه زمان فعالیت این ژنراتورها محدود و توسط نهادهای زیستمحیطی محلی کنترل میشود، اما میزان آلایندگی آنها بسیار بالاست. یک ژنراتور دیزلی معمولی میتواند ۲۰۰ تا ۶۰۰ برابر بیشتر از یک نیروگاه گازسوز، اکسید نیتروژن تولید کند.
گزارشی از ایالت ویرجینیا نشان داده که ژنراتورهای پشتیبان در مراکز داده این ایالت در سال ۲۰۲۳ حدود ۷ درصد از حد مجاز انتشار خود را مصرف کردهاند. ابزار مدلسازی COBRA متعلق به آژانس حفاظت محیط زیست آمریکا (EPA) نشان میدهد که هزینه سلامت عمومی این میزان آلودگی در ویرجینیا حدود ۱۵۰ میلیون دلار بوده و اثرات آن حتی به ایالتهایی مثل فلوریدا نیز رسیده است. حال تصور کنید اگر مراکز داده تا حد مجاز کامل فعالیت میکردند، تأثیر چه میبود.
موضوع نگرانکننده دیگر این است که در زمان کمبود برق یا خاموشی سراسری، مجموعههای بزرگی از ژنراتورها بهصورت همزمان فعال میشوند. این وضعیت میتواند منجر به جهش کوتاهمدت اما شدید در میزان PM2.5 و NOx شود که بهویژه برای افراد مبتلا به بیماریهای ریوی بسیار خطرناک است.
بیشتر برق مصرفی مراکز داده توسط نیروگاههایی تأمین میشود که سوخت فسیلی میسوزانند و آلایندههایی مثل PM2.5 و NOx تولید میکنند. با وجود پیشرفتهای زیاد، نیروگاهها همچنان یکی از منابع اصلی آلودگی هوا در آمریکا هستند.
ما محاسبه کردیم که آموزش یک مدل بزرگ تولیدی مانند Llama 3.1 متعلق به شرکت Meta، میتواند بهاندازه بیش از ۱۰,۰۰۰ سفر رفتوبرگشت با خودرو بین لسآنجلس و نیویورک، PM2.5 تولید کند.
طبق تحقیقات ما، در سال ۲۰۲۳، آلودگی هوای ناشی از مراکز داده در آمریکا حدود ۶ میلیارد دلار به سلامت عمومی آسیب وارد کرده است. اگر روند رشد فعلی هوش مصنوعی ادامه یابد، این عدد تا سال ۲۰۳۰ میتواند به ۱۰ تا ۲۰ میلیارد دلار در سال برسد—تقریباً برابر با تأثیر ۳۰ میلیون خودروی فعال در ایالت کالیفرنیا.
تاکنون بیشتر تلاشها برای کاهش اثرات زیستمحیطی هوش مصنوعی بر کاهش انتشار کربن و افزایش بهرهوری انرژی متمرکز بودهاند. گرچه این رویکردها مهماند، اما لزوماً تأثیرات بر سلامت عمومی را کاهش نمیدهند؛ زیرا این تأثیرات بهشدت به موقعیت جغرافیایی بستگی دارند.
کربن در هر جا منتشر شود، بر کل جو تأثیر دارد. اما آلودگی هوا تأثیری موضعی دارد و به عواملی چون منابع انرژی محلی، الگوهای باد، شرایط آبوهوایی و تراکم جمعیت وابسته است.
گرچه منابع انتشار کربن و آلایندههای زیانبار سلامت اغلب مشترکاند، اما تمرکز صرف بر کاهش کربن نهتنها تضمینی برای کاهش خطر سلامت ندارد، بلکه گاهی ممکن است آن را تشدید کند. بهعنوانمثال، پژوهش جدید (و منتشرنشده) ما نشان میدهد که اگر شرکت Meta در سال ۲۰۲۳ مصرف انرژی مراکز داده خود را به نحوی بازتوزیع میکرد که انتشار کربن را ۷.۲ درصد کاهش دهد، هزینههای سلامت عمومی در مقابل ۲.۸ درصد افزایش مییافت.
همچنین بهرهوری انرژی نیز به تنهایی تضمینی برای کاهش تأثیرات سلامت نیست. چرا که آموزش یک مدل با همان مقدار انرژی میتواند در مکانهای مختلف، اثرات بسیار متفاوتی بر سلامت داشته باشد. ما دریافتیم که در میان مراکز داده Meta در آمریکا، هزینه سلامت عمومی آموزش یک مدل خاص میتواند بیش از ۱۰ برابر تفاوت داشته باشد، فقط به خاطر مکان اجرا.
راهکارهای سمت عرضه—مثل استفاده از سوختهای جایگزین برای ژنراتورهای پشتیبان یا تأمین برق از منابع پاک—میتوانند تأثیر هوش مصنوعی بر سلامت عمومی را کاهش دهند، اما این راهکارها با چالشهای مهمی روبهرو هستند.
ژنراتورهای پشتیبانی پاک که همان سطح اطمینان ژنراتورهای دیزلی را داشته باشند، هنوز در دسترس محدودند. و با اینکه انرژیهای تجدیدپذیر پیشرفت کردهاند، سوختهای فسیلی همچنان بخش زیادی از ترکیب انرژی را تشکیل میدهند. سازمان اطلاعات انرژی آمریکا پیشبینی کرده است که تا سال ۲۰۵۰، میزان تولید برق از زغالسنگ در سناریوی ادامه وضعیت موجود، حدود ۳۰ درصد از سطح ۲۰۲۴ باقی میماند. در سطح جهانی نیز سهم زغالسنگ و سوختهای فسیلی در تولید برق طی چهار دهه گذشته تقریباً ثابت مانده است—که نشاندهنده دشواری تغییر کامل این زیرساخت است.
ما معتقدیم راهکارهای سمت تقاضا—یعنی راهبردهایی که تفاوتهای زمانی و مکانی تأثیرات سلامت را در نظر میگیرند—میتوانند راهحلهای عملی و فوری ارائه دهند. این راهکارها بهویژه برای مراکز داده هوش مصنوعی که انعطافپذیری عملیاتی بالایی دارند، مناسباند. برای مثال، آموزش مدلهای هوش مصنوعی معمولاً بدون ضربالاجل سخت انجام میشود و میتوان آنها را به مکانهایی با تأثیر کمتر بر سلامت عمومی منتقل کرد یا زمان اجرای آنها را به تعویق انداخت. همچنین پردازشهای نهایی مدلها (inference) نیز میتوانند بین چندین مرکز داده جابهجا شوند بدون آنکه تجربه کاربر لطمه بخورد.
با وارد کردن تأثیر بر سلامت عمومی بهعنوان یک معیار کلیدی در تصمیمگیری، میتوان از این انعطافپذیریها برای کاهش بار سلامت هوش مصنوعی بهره برد. مهمتر آنکه، این رویکرد نیازی به تغییرات اساسی در سیستمهای موجود ندارد. شرکتها فقط باید هنگام تصمیمگیری، هزینههای سلامت عمومی را نیز در نظر بگیرند.
در حالی که هزینه سلامت عمومی ناشی از هوش مصنوعی بهسرعت در حال افزایش است، خود این فناوری نیز میتواند به بهبود سلامت عمومی کمک کند. برای نمونه، در بخش انرژی، هوش مصنوعی قادر است تصمیمات پیچیده و لحظهای در مدیریت نیروگاهها را اتخاذ کند. با هماهنگسازی بین پایداری شبکه و اهداف سلامت عمومی، هوش مصنوعی میتواند ضمن حفظ تأمین برق، هزینههای سلامت را کاهش دهد.
هوش مصنوعی بهسرعت در حال تبدیلشدن به یک خدمت عمومی است و جامعه را عمیقاً دگرگون میکند. بنابراین باید آن را از منظر عمومی بررسی کنیم و تأثیر آن بر سلامت را بهعنوان یک مؤلفه حیاتی در نظر بگیریم. اگر این موضوع را نادیده بگیریم، هزینههای سلامت عمومی ناشی از هوش مصنوعی فقط بیشتر خواهد شد. «هوش مصنوعی سلامتمحور» راهی روشن برای پیشرفت این فناوری در کنار بهبود کیفیت هوا و سلامت جامعه است.
منبع: کلیک کنید
