Ako ovplyvňuje umelá inteligencia životné prostredie?

Ako ovplyvňuje umelá inteligencia životné prostredie?

Stručná odpoveď: UI ovplyvňuje životné prostredie najmä prostredníctvom spotreby elektriny v dátových centrách (tréning aj každodenná inferencia), spolu s vodou na chladenie a tiež vplyvmi výroby hardvéru a elektronického odpadu. Ak sa používanie rozšíri na miliardy dotazov, inferencia môže prevážiť tréning; ak sú siete čistejšie a systémy efektívne, vplyvy klesajú, zatiaľ čo prínosy môžu rásť.

Kľúčové poznatky:

Elektrina : Sledovanie využitia výpočtov; emisie klesajú, keď pracovné zaťaženie beží na čistejších sieťach.

Voda : Možnosti chladenia menia vplyvy; metódy na báze vody sú najdôležitejšie v oblastiach s nedostatkom energie.

Hardvér : Čipy a servery majú značný vplyv na životnosť; predlžujú životnosť a uprednostňujú renováciu.

Oživenie : Efektívnosť môže zvýšiť celkový dopyt; merajte výsledky, nielen zisky na úlohu.

Prevádzkové páky : Správne dimenzovanie modelov, optimalizácia inferencie a transparentné vykazovanie metrík pre jednotlivé požiadavky.

Ako ovplyvňuje umelá inteligencia životné prostredie? Infografika

Články, ktoré by ste si mohli prečítať po tomto:

🔗 Je umelá inteligencia škodlivá pre životné prostredie?
Preskúmajte uhlíkovú stopu umelej inteligencie, spotrebu elektriny a požiadavky dátových centier.

🔗 Prečo je umelá inteligencia zlá pre spoločnosť?
Pozrite sa na zaujatosť, narušenie pracovných miest, dezinformácie a prehlbujúcu sa sociálnu nerovnosť.

🔗 Prečo je umelá inteligencia zlá? Temná stránka umelej inteligencie
Pochopte riziká, ako je sledovanie, manipulácia a strata ľudskej kontroly.

🔗 Zašla umelá inteligencia priďaleko?
Debaty o etike, regulácii a o tom, kde by mali inovácie vymedziť hranice.

Ako umelá inteligencia ovplyvňuje životné prostredie: rýchly prehľad ⚡🌱

Ak si pamätáte len niekoľko bodov, urobte to takto:

A potom je tu tá časť, na ktorú ľudia zabúdajú: mierka . Jeden dopyt umelej inteligencie môže byť malý, ale miliardy z nich sú úplne iné... ako malá snehová guľa, ktorá sa nejako stane lavínou veľkosti pohovky. (Táto metafora je trochu mimo, ale chápete.) IEA: Energia a umelá inteligencia

Environmentálna stopa umelej inteligencie nie je jedna vec - je to hromada 🧱🌎

Keď sa ľudia hádajú o umelej inteligencii a udržateľnosti, často ignorujú jeden druhého, pretože poukazujú na rôzne úrovne:

1) Vypočítajte elektrinu

2) Réžia dátového centra

3) Voda a teplo

4) Dodávateľský reťazec hardvéru

5) Správanie a rebound efekty

Takže keď sa niekto opýta, ako umelá inteligencia ovplyvňuje životné prostredie, priama odpoveď znie: záleží na tom, ktorú vrstvu meriate a čo v danej situácii znamená „umelá inteligencia“.

Tréning verzus inferencia: rozdiel, ktorý mení všetko 🧠⚙️

Ľudia radi hovoria o tréningu, pretože to znie dramaticky – „jeden model použil energiu X“. Ale inferencia je tichý obr. IEA: Energia a umelá inteligencia

Tréning (veľká stavba)

Školenie je ako stavba továrne. Platíte počiatočné náklady: náročné výpočty, dlhé časy behov, množstvo pokusov a omylov (a áno, množstvo iterácií typu „ups, nefungovalo, skúste to znova“). Školenie sa dá optimalizovať, ale stále môže byť značné. IEA: Energia a umelá inteligencia

Inferencia (každodenné používanie)

Inferencia je ako továreň, ktorá beží každý deň, pre každého, vo veľkom meradle:

  • Chatboti odpovedajú na otázky

  • Generovanie obrázkov

  • Poradie vo vyhľadávaní

  • Odporúčania

  • Prevod reči na text

  • Odhaľovanie podvodov

  • Kopiloti v dokumentoch a kódovacích nástrojoch

Aj keď je každá požiadavka relatívne malá, objem používania môže zatieniť tréning. Je to klasická situácia „jedna slamka nič neznamená, milión slamienok je problém“. IEA: Energia a umelá inteligencia

Malá poznámka – niektoré úlohy umelej inteligencie sú oveľa náročnejšie ako iné. Generovanie obrázkov alebo dlhých videí býva energeticky náročnejšie ako klasifikácia krátkych textov. Takže spájanie „umelej inteligencie“ do jedného kategórie je trochu ako porovnávať bicykel s nákladnou loďou a obe nazývať „dopravou“. IEA: Energia a umelá inteligencia

Dátové centrá: napájanie, chladenie a ten tichý príbeh o vode 💧🏢

Dátové centrá nie sú novinkou, ale umelá inteligencia mení ich intenzitu. Vysokovýkonné urýchľovače dokážu v stiesnených priestoroch spotrebovať veľa energie, ktorá sa premení na teplo, ktoré je potrebné riadiť. LBNL (2024): Správa o spotrebe energie v dátových centrách Spojených štátov (PDF) IEA: Energia a umelá inteligencia

Základy chladenia (zjednodušené, ale praktické)

To je kompromis: niekedy môžete znížiť spotrebu elektriny tým, že sa spoľahnete na chladenie na vodnej báze. V závislosti od miestneho nedostatku vody to môže byť v poriadku... alebo to môže byť skutočný problém. Li a kol. (2023): Ako znížiť „smäd“ umelej inteligencie (PDF)

Environmentálna stopa tiež vo veľkej miere závisí od:

Úprimne povedané: verejná diskusia často vníma „dátové centrum“ ako čiernu skrinku. Nie je to zlo, nie je to mágia. Je to infraštruktúra. Správa sa ako infraštruktúra.

Čipy a hardvér: časť, ktorú ľudia preskakujú, pretože je menej sexi 🪨🔧

Umelá inteligencia žije z hardvéru. Hardvér má životný cyklus a jeho vplyv môže byť veľký. US EPA: Polovodičový priemysel ITU: Globálny monitor elektronického odpadu 2024

Kde sa prejavuje vplyv na životné prostredie

Elektronický odpad a „dokonale v poriadku“ servery

Veľa škôd na životnom prostredí nepramení z jedného existujúceho zariadenia – je to z jeho predčasnej výmeny, pretože už nie je nákladovo efektívne. Umelá inteligencia to urýchľuje, pretože skoky vo výkone môžu byť veľké. Pokušenie obnoviť hardvér je reálne. ITU: Globálny monitor elektronického odpadu 2024

Praktický bod: predĺženie životnosti hardvéru, zlepšenie využitia a renovácia môžu byť rovnako dôležité ako akékoľvek vylepšenie modelu. Niekedy je najekologickejšia grafická karta tá, ktorú si nekúpite. (Znie to ako slogan, ale je to tiež... do istej miery pravda.)

Ako umelá inteligencia ovplyvňuje životné prostredie: slučka správania „ľudia na to zabúdajú“ 🔁😬

A tu je tá nepríjemná sociálna časť: umelá inteligencia veci uľahčuje, takže ľudia robia viac vecí. To môže byť úžasné – vyššia produktivita, viac kreativity, lepší prístup. Môže to však znamenať aj celkové väčšie využívanie zdrojov. OECD (2012): Viacnásobné výhody zlepšenia energetickej účinnosti (PDF)

Príklady:

  • Ak umelá inteligencia zlacní generovanie videa, ľudia budú generovať viac videa.

  • Ak umelá inteligencia zefektívni reklamu, zobrazí sa viac reklám a roztočí sa viac slučiek interakcie.

  • Ak umelá inteligencia zefektívni prepravnú logistiku, elektronický obchod sa môže ešte viac škálovať.

Toto nie je dôvod na paniku. Je to dôvod na meranie výsledkov, nielen efektívnosti.

Nedokonalá, ale zábavná metafora: Efektivita umelej inteligencie je ako dať tínedžerovi väčšiu chladničku – áno, skladovanie potravín sa zlepší, ale nejako je chladnička za deň opäť prázdna. Nie je to dokonalá metafora, ale… videli ste to 😅

Výhoda: AI môže skutočne pomôcť životnému prostrediu (ak je správne zameraná) 🌿✨

A teraz k tej časti, ktorá sa podceňuje: UI dokáže znížiť emisie a odpad v existujúcich systémoch, ktoré sú... úprimne povedané, neelegantné. IEA: UI pre optimalizáciu energie a inovácie

Oblasti, v ktorých môže umelá inteligencia pomôcť

Dôležitá nuansa: „Pomoc“ umelej inteligencie automaticky nekompenzuje jej vplyv. Záleží na tom, či sa umelá inteligencia skutočne nasadí, či sa skutočne používa a či vedie k skutočným zníženiam spotreby, a nie len k lepším ovládacím panelom. Áno, potenciál je reálny. IEA: Umelá inteligencia pre optimalizáciu energie a inovácie

Čo robí dobrú verziu ekologickej umelej inteligencie? ✅🌍

Toto je sekcia „dobre, čo by sme mali robiť“. Dobré environmentálne zodpovedné nastavenie umelej inteligencie má zvyčajne:

Ak stále sledujete, ako umelá inteligencia ovplyvňuje životné prostredie, toto je bod, kde odpoveď prestáva byť filozofická a stáva sa funkčnou: ovplyvňuje ho na základe vašich rozhodnutí.

Porovnávacia tabuľka: nástroje a prístupy, ktoré skutočne znižujú dopad 🧰⚡

Nižšie je uvedená rýchla a praktická tabuľka. Nie je dokonalá a áno, niektoré bunky sú trochu tvrdohlavé... pretože takto funguje skutočný výber nástrojov.

Nástroj / Prístup Publikum Cena Prečo to funguje
Knižnice na sledovanie uhlíka/energie (odhady za behu) Tímy strojového učenia Voľne Poskytuje prehľadnosť – čo je polovica úspechu, aj keď sú odhady trochu nepresné… KódUhlík
Monitorovanie napájania hardvéru (telemetria GPU/CPU) Infraštruktúra + strojové učenie Zadarmo Meria skutočnú spotrebu; dobrý na porovnávanie (nenápadný, ale zlatý)
Modelová destilácia Inžinieri strojového učenia Zadarmo (časovo náročné 😵) Menšie študentské modely často porovnávajú výkon s oveľa nižšími inferenčnými nákladmi Hinton a kol. (2015): Destilácia vedomostí v neurónovej sieti
Kvantizácia (inferencia s nižšou presnosťou) ML + produkt Zadarmo Znižuje latenciu a spotrebu energie; niekedy s malými kompromismi v kvalite, niekedy bez nich Gholami a kol. (2021): Prehľad kvantifikačných metód (PDF)
Ukladanie do vyrovnávacej pamäte + dávkové odvozovanie Produkt + platforma Zadarmo Znižuje redundantné výpočty; obzvlášť užitočné pri opakovaných výzvach alebo podobných požiadavkách
Generovanie rozšíreným vyhľadávaním (RAG) Tímy aplikácií Zmiešané Prenáša „pamäť“ na vyhľadávanie; môže znížiť potrebu obrovských kontextových okien Lewis a kol. (2020): Generovanie rozšírené o vyhľadávanie
Plánovanie pracovných zaťažení podľa uhlíkovej intenzity Infraštruktúra/operácie Zmiešané Presunie flexibilné pracovné miesta na čistejšie elektrické okná – vyžaduje si to však koordináciu API pre uhlíkovú intenzitu (GB)
Zameranie na efektívnosť dátového centra (využitie, konsolidácia) Vedenie IT Platené (zvyčajne) Najmenej okázalá páka, ale často tá najväčšia - prestaňte prevádzkovať poloprázdne systémy Zelená mriežka: PUE
Projekty na opätovné využitie tepla Vybavenie Záleží to Premieňa odpadové teplo na hodnotu; nie vždy je to možné, ale keď je to možné, je to celkom pekné
„Potrebujeme tu vôbec umelú inteligenciu?“ skontrolujte Každý Zadarmo Zabraňuje zbytočným výpočtom. Najúčinnejšou optimalizáciou je povedať nie (niekedy)

Všimnite si, čo chýba? „Kúpte si magickú zelenú nálepku.“ Taká neexistuje 😬

Praktický návod: zníženie vplyvu umelej inteligencie bez toho, aby sa produkt pokazil 🛠️🌱

Ak staviate alebo kupujete systémy umelej inteligencie, tu je realistická postupnosť, ktorá funguje v praxi:

Krok 1: Začnite s meraním

  • Sledujte spotrebu energie alebo ju dôsledne odhadujte. CodeCarbon: Metodika

  • Meranie na trénovací beh a na inferenčnú požiadavku.

  • Monitorovanie využitia – nečinné zdroje sa často skrývajú na očiach. Zelená sieť: PUE

Krok 2: Prispôsobte model úlohe

  • Na klasifikáciu, extrakciu a smerovanie použite menšie modely.

  • Ťažký model si odložte na ťažké kufre.

  • Zvážte „kaskádu modelov“: najprv malý model, väčší model iba v prípade potreby.

Krok 3: Optimalizácia inferencie (tu je kľúčové škálovanie)

  • Ukladanie do vyrovnávacej pamäte : ukladanie odpovedí na opakované dopyty (s dôkladnou kontrolou súkromia).

  • Dávkovanie : zoskupovanie požiadaviek na zlepšenie hardvérovej efektivity.

  • Kratšie výstupy : dlhé výstupy stoja viac – niekedy esej nepotrebujete.

  • Disciplína pri zadávaní výziev : neupratané výzvy vytvárajú dlhšie výpočtové cesty… a áno, viac tokenov.

Krok 4: Zlepšenie hygieny údajov

Znie to nesúvisiace, ale nie je:

  • Čistejšie súbory údajov môžu znížiť odchody z preškoľovania.

  • Menej hluku znamená menej experimentov a menej zbytočných behov.

Krok 5: Správajte sa k hardvéru ako k majetku, nie ako k jednorazovému predmetu

Krok 6: Múdro si vyberte nasadenie

  • Ak je to možné, vykonávajte flexibilné úlohy, kde je energia čistejšia. API pre uhlíkovú intenzitu (GB)

  • Obmedzte nepotrebné replikácie.

  • Udržujte realistické ciele latencie (ultra nízka latencia môže vynútiť neefektívne nastavenia stáleho zapnutia).

A áno… niekedy je najlepším krokom jednoducho: nespúšťať automaticky najväčší model pre každú akciu používateľa. Tento zvyk je environmentálnym ekvivalentom ponechania všetkých svetiel zapnutých, pretože chôdza k vypínaču je otravná.

Bežné mýty (a čo je bližšie k pravde) 🧠🧯

Mýtus: „Umelá inteligencia je vždy horšia ako tradičný softvér“

Pravda: UI môže byť náročnejšia na výpočty, ale môže tiež nahradiť neefektívne manuálne procesy, znížiť odpad a optimalizovať systémy. Je situačná. IEA: UI pre optimalizáciu energie a inovácie

Mýtus: „Tréning je jediný problém“

Pravda: Inferencia vo veľkom meradle môže časom dominovať. Ak používanie vášho produktu prudko stúpne, stane sa to hlavným problémom. IEA: Energia a umelá inteligencia

Mýtus: „Obnoviteľné zdroje to okamžite vyriešia“

Pravda: Čistejšia elektrina veľmi pomáha, ale neodstraňuje hardvérovú stopu, spotrebu vody ani spätné efekty. Stále je však dôležitá. IEA: Energia a umelá inteligencia

Mýtus: „Ak je to efektívne, je to udržateľné“

Pravda: Efektívnosť bez regulácie dopytu môže stále zvýšiť celkový vplyv. To je pasca spätného efektu. OECD (2012): Viacnásobné výhody zlepšení energetickej účinnosti (PDF)

Riadenie, transparentnosť a nepreháňanie sa s tým 🧾🌍

Ak ste spoločnosť, práve tu sa buduje alebo stráca dôvera.

Toto je tá časť, kde ľudia prevracajú očami, ale je to dôležité. Zodpovedná technológia nie je len o šikovnom inžinierstve. Je to aj o tom, netváriť sa, že kompromisy neexistujú.

Záverečné zhrnutie: stručné zhrnutie toho, ako umelá inteligencia ovplyvňuje životné prostredie 🌎✅

Vplyv umelej inteligencie na životné prostredie sa redukuje na dodatočnú záťaž: elektrinu, vodu (niekedy) a dopyt po hardvéri. IEA: Energia a umelá inteligencia Li a kol. (2023): Ako znížiť „smäd“ umelej inteligencie (PDF). Ponúka tiež výkonné nástroje na zníženie emisií a odpadu v iných sektoroch. IEA: Umelá inteligencia pre optimalizáciu energie a inovácie. Čistý výsledok závisí od rozsahu, čistoty siete, možností efektívnosti a od toho, či umelá inteligencia rieši skutočné problémy alebo len vytvára novosť pre samotnú novosť. IEA: Energia a umelá inteligencia

Ak chcete najjednoduchšie praktické jedlo so sebou:

  • Meranie.

  • Správna veľkosť.

  • Optimalizujte inferenciu.

  • Predĺžte životnosť hardvéru.

  • Buďte úprimní ohľadom kompromisov.

A ak sa cítite zahltení, tu je upokojujúca pravda: malé prevádzkové rozhodnutia, tisíckrát opakované, zvyčajne prekonajú jedno veľké vyhlásenie o udržateľnosti. Niečo ako umývanie zubov. Nie je to okázalé, ale funguje to… 😄🪥

Často kladené otázky

Ako ovplyvňuje umelá inteligencia životné prostredie v každodennom používaní, nielen vo veľkých výskumných laboratóriách?

Väčšina vplyvu umelej inteligencie pochádza z elektriny, ktorá napája dátové centrá s grafickými a procesorovými procesormi (GPU) počas tréningu aj každodenného „inferencie“. Jedna požiadavka môže byť malá, ale vo veľkom meradle sa tieto požiadavky rýchlo hromadia. Dopad závisí aj od toho, kde sa dátové centrum nachádza, aká čistá je lokálna sieť a ako efektívne sa prevádzkuje infraštruktúra.

Je trénovanie modelu umelej inteligencie horšie pre životné prostredie ako jeho používanie (inferencia)?

Trénovanie môže byť rozsiahlym počiatočným náporom výpočtov, ale inferencia sa môže časom stať väčšou záťažou, pretože beží neustále a vo veľkom meradle. Ak nástroj používajú milióny ľudí každý deň, opakované požiadavky môžu prevážiť jednorazové náklady na školenie. Preto sa optimalizácia často zameriava na efektívnosť inferencie.

Prečo umelá inteligencia používa vodu a je to vždy problém?

Umelá inteligencia môže využívať vodu najmä preto, že niektoré dátové centrá sa spoliehajú na chladenie na báze vody alebo preto, že voda sa spotrebúva nepriamo prostredníctvom výroby elektriny. V určitých klimatických podmienkach môže odparovacie chladenie znížiť spotrebu elektriny a zároveň zvýšiť spotrebu vody, čím vytvára skutočný kompromis. Či je to „zlé“, závisí od miestneho nedostatku vody, návrhu chladenia a od toho, či sa spotreba vody meria a riadi.

Aké časti environmentálnej stopy umelej inteligencie pochádzajú z hardvéru a elektronického odpadu?

Umelá inteligencia závisí od čipov, serverov, sieťových zariadení, budov a dodávateľských reťazcov – čo znamená ťažbu, výrobu, prepravu a prípadnú likvidáciu. Výroba polovodičov je energeticky náročná a rýchle cykly modernizácie môžu zvýšiť emisie a elektronický odpad. Predĺženie životnosti hardvéru, renovácia a zlepšenie využitia môžu výrazne znížiť dopad, niekedy konkurujúc zmenám na úrovni modelu.

Rieši využívanie obnoviteľných zdrojov energie vplyv umelej inteligencie na životné prostredie?

Čistejšia elektrina môže znížiť emisie z výpočtovej techniky, ale neodstraňuje iné vplyvy, ako je spotreba vody, výroba hardvéru a elektronický odpad. Taktiež automaticky nerieši „rebound efekty“, kde lacnejšie výpočty vedú k celkovému väčšiemu využívaniu. Obnoviteľné zdroje energie sú dôležitým nástrojom, ale sú len jednou časťou dopadu na životné prostredie.

Čo je to spätný efekt a prečo je dôležitý pre umelú inteligenciu a udržateľnosť?

Rebound efekt nastáva, keď zvýšenie efektívnosti niečo zlacní alebo zjednoduší, takže ľudia to robia viac – niekedy to zmaže úspory. Vďaka umelej inteligencii môže lacnejšia výroba alebo automatizácia zvýšiť celkový dopyt po obsahu, výpočtoch a službách. Preto je meranie výsledkov v praxi dôležitejšie ako oslavovanie efektívnosti izolovane.

Aké sú praktické spôsoby, ako znížiť vplyv umelej inteligencie bez toho, aby sa poškodil produkt?

Bežným prístupom je začať s meraním (odhady energie a uhlíka, využitie), potom prispôsobiť modely úlohe a optimalizovať inferenciu pomocou ukladania do vyrovnávacej pamäte, dávkovania a kratších výstupov. Techniky ako kvantizácia, destilácia a generovanie s rozšíreným vyhľadávaním môžu znížiť výpočtové nároky. Prevádzkové voľby – ako je plánovanie pracovnej záťaže podľa intenzity uhlíkovej stopy a dlhšia životnosť hardvéru – často prinášajú veľké výhody.

Ako môže umelá inteligencia pomôcť životnému prostrediu, a nie mu uškodiť?

Umelá inteligencia dokáže znížiť emisie a odpad, keď sa nasadí na optimalizáciu reálnych systémov: predpovedanie stavu siete, reakcia na dopyt, riadenie vykurovania, vetrania a klimatizácie budov, logistické smerovanie, prediktívna údržba a detekcia únikov. Môže tiež podporovať monitorovanie životného prostredia, ako sú upozornenia na odlesňovanie a detekcia metánu. Kľúčové je, či systém zmení rozhodnutia a prinesie merateľné zníženia, nielen lepšie dashboardy.

Aké metriky by mali spoločnosti vykazovať, aby sa vyhli tvrdeniam o „greenwashingu“ v súvislosti s umelou inteligenciou?

Je zmysluplnejšie hlásiť metriky pre jednotlivé úlohy alebo požiadavky než len veľké celkové čísla, pretože to ukazuje efektívnosť na úrovni jednotky. Sledovanie spotreby energie, odhadov uhlíka, využitia a – kde je to relevantné – vplyvov na vodu vytvára jasnejšiu zodpovednosť. Dôležité je tiež: definovať hranice (čo je zahrnuté) a vyhnúť sa vágnym označeniam ako „ekologická umelá inteligencia“ bez kvantifikovaných dôkazov.

Referencie

  1. Medzinárodná energetická agentúra (IEA) – Energia a umelá inteligencia – iea.org

  2. Medzinárodná energetická agentúra (IEA) - UI pre optimalizáciu energie a inovácie - iea.org

  3. Medzinárodná energetická agentúra (IEA) - Digitalizácia - iea.org

  4. Národné laboratórium Lawrencea Berkeleyho (LBNL) - Správa o spotrebe energie v dátových centrách Spojených štátov (2024) (PDF) - lbl.gov

  5. Li a kol. - Ako urobiť umelú inteligenciu menej „smädnou“ (2023) (PDF) - arxiv.org

  6. ASHRAE (TC 9.9) - Vznik a rozšírenie kvapalinového chladenia v bežných dátových centrách (PDF) - ashrae.org

  7. Zelená mriežka – PUE – Komplexné preskúmanie metriky – thegreengrid.org

  8. Ministerstvo energetiky USA (DOE) - FEMP - Možnosti efektívneho využívania chladiacej vody pre federálne dátové centrá - energy.gov

  9. Ministerstvo energetiky USA (DOE) - FEMP - Energetická účinnosť v dátových centrách - energy.gov

  10. Agentúra na ochranu životného prostredia USA (EPA) – Priemysel polovodičov – epa.gov

  11. Medzinárodná telekomunikačná únia (ITU) - Globálny monitor elektronického odpadu 2024 - itu.int

  12. OECD - Viacnásobné výhody zlepšení energetickej účinnosti (2012) (PDF) - oecd.org

  13. API pre uhlíkovú intenzitu (GB) - carbonintensity.org.uk

  14. imec - Znižovanie vplyvu na životné prostredie pri výrobe čipov - imec-int.com

  15. UNEP - Ako funguje MARS - unep.org

  16. Global Forest Watch – upozornenia GLAD na odlesňovanie – globalforestwatch.org

  17. Inštitút Alana Turinga - UI a autonómne systémy na hodnotenie biodiverzity a zdravia ekosystémov - turing.ac.uk

  18. CodeCarbon - Metodika - mlco2.github.io

  19. Gholami a kol. - Prehľad kvantifikačných metód (2021) (PDF) - arxiv.org

  20. Lewis a kol. - Generovanie rozšíreným vyhľadávaním (2020) - arxiv.org

  21. Hinton a kol. - Destilácia znalostí v neurónovej sieti (2015) - arxiv.org

  22. CodeCarbon - codecarbon.io

Nájdite najnovšiu umelú inteligenciu v oficiálnom obchode s asistentmi umelej inteligencie

O nás

Späť na blog