Экологично ли ваше ПО?

Несомненно, программное обеспечение — становой хребет буквально любого умного решения, направленного на защиту окружающей среды. Оно критически важно, например, для мер по борьбе с исчезновением лесов и уменьшению вредных выбросов. Однако зачастую ПО неотделимо от процессов, приводящих к быстрому разрастанию углеродного следа. Более того, новые цифровые технологии, в изобилии появляющиеся в последнее время, начали усугублять многие экологические проблемы, на решение которых они направлены. Однако компании могут сделать ПО неотъемлемой частью своих программ по обеспечению экологической устойчивости — для этого нужно учитывать влияние углеродного следа на создание, разработку и использование программ, а также переосмыслить то, как работают центры хранения и обработки данных, предоставляющие облачные услуги.

Поясним. ПО само по себе не потребляет энергию и не выбрасывает вредных веществ. Проблема в способах разработки и использования ПО. Поскольку программы запускаются на цифровых устройствах, из-за своего разрастания они становятся все более зависимыми от возможностей машин, без которых не могут работать.

Например, блокчейн используется в рамках ряда самых продвинутых экологических начинаний, таких как микросети, позволяющие местнымжителям обмениваться экологически чистой энергией. В 2019 году исследователи из Кембриджского университета подсчитали, что для функционирования сети Bitcoin нужно больше энергии, чем для всей Швейцарии.

Все это относится и к самому сектору информационных и коммуникационных технологий. По некоторым прогнозам, к 2040 году его доля в мировых выбросах углекислого газа составит 14%, тогда как в 2007-м она не превышала 1,5%.

Сама разработка ПО может быть энергоемкой. Например, вот что мы узнали, когда обучали ИИ-модель различать сорта ирисов, представленных в небольшой общедоступной базе данных. Затратив всего 965 Дж энергии, наша модель научилась различать цветы разных сортов с точностью 96,17%. Увеличение точности на 1,74% потребовало 2,815 Дж. И наконец, постепенное улучшение по 0,08% за раз потребовало почти на 400% больше энергии, чем первый этап обучения.

Теперь рассмотрите тот же пример в контексте общей картины использования ИИ в мире. Обучение всего одной нейросетевой модели сегодня может привести к выбросу такого количества углекислого газа, которое пять автомобилей выбрасывают за весь свой жизненный цикл. И потребность крупных моделей по обучению ИИ в вычислительной мощности растет по экспоненте и удваивается за 3,4 месяца.