Key points are not available for this paper at this time.
مدفوعًا بشعبية النماذج الأساسية المتزايدة، أصبح النمو المتسارع للأثر البيئي الضخم لنماذج الذكاء الاصطناعي (AI) موضوعًا متزايدًا من التدقيق. بينما تم اقتراح العديد من الأساليب لجعل الذكاء الاصطناعي أكثر كفاءة في استخدام الطاقة وصديقًا للبيئة، ظهرت قضية عدم المساواة البيئية - وهي حقيقة أن أثر الذكاء الاصطناعي البيئي يمكن أن يكون مرتفعًا بشكل غير متناسب في بعض المناطق مقارنة بأخرى - مما يثير مخاوف العدالة الاجتماعية والبيئية. تأخذ هذه الورقة خطوة أولى نحو معالجة عدم المساواة البيئية للذكاء الاصطناعي من خلال التوازن العادل بين تأثيره البيئي الإقليمي. بشكل محدد، نركز على بصمات الكربون والمياه لاستنتاج نموذج الذكاء الاصطناعي ونقترح توزيع الأحمال الجغرافية الواعي للمساواة (eGLB) لتقليل أعلى تكلفة بيئية للذكاء الاصطناعي عبر جميع المناطق بشكل صريح. يعتبر أخذ المساواة البيئية في الاعتبار تحديات خوارزمية كبيرة حيث تتطلب قرارات GLB المثلى معلومات كاملة غير متاحة في الممارسة. لمعالجة التحديات، نقدم متغيرات مساعدة ونقوم بتحسين قرارات GLB عبر الإنترنت بناءً على هبوط المرآة المزدوجة. بالإضافة إلى تحليل أداء eGLB نظريًا، نقوم بإجراء محاكاة تجريبية معتمدة على التتبع من خلال النظر في مجموعة من مراكز البيانات الموزعة جغرافيًا التي تخدم طلبات الاستنتاج لنموذج ذكاء اصطناعي كبير. تظهر النتائج أن الأساليب الحالية لـ GLB قد تعزز عدم المساواة البيئية بينما يمكن لـ eGLB أن تقلل بشكل كبير من الفجوة الإقليمية من حيث بصمات الكربون والمياه.
قام Li وآخرون (الجمعة) بدراسة هذا السؤال.