Original Post

Πλήρες Κείμενο:

Μοιράζομαι μαζί σας κάποιες σκέψεις και στοιχεία. Εξακολουθώ να έχω διλήμματα, προβληματισμούς και φυσικά να ενημερώνομαι.

Άλλωστε, "τα πάντα ρει και ουδέν μένει...". Πιστεύω λοιπόν, ότι από την στιγμή που η ΤΝ μπήκε στην καθημερινότητά μας, όλοι οφείλουμε να παρακολουθούμε, όσο μπορούμε, τις αλματώδεις εξελίξεις, πως αυτές επηρεάζουν την ζωή μας και να προσπαθούμε αν μη τι άλλο, να αξιολογούμε την κάθε ενέργεια.

Δεν είναι για την πλάκα μας η AI, ούτε για να μεταμορφώνουμε τις φωτογραφίες μας, ούτε τα κείμενα που θα αναρτήσουμε στο φβ, ούτε να ικανοποιήσουμε την περιέργειά μας.

Γνωρίζετε αλήθεια, τι κόστος έχει η κάθε αναζήτηση και το κάθε αίτημα που υποβάλλετε σε μία πλατφόρμα AI; Γνωρίζετε ποιοι τομείς χρησιμοποιούν τα περισσότερα δεδομένα και κατά συνέπεια ενέργεια; Οι ειδικοί, διαχωρίζουν την Τεχνητή Νοημοσύνη σε δυο φάσεις.

Την εκπαίδευση(όπου το μοντέλο «μελετάει», ίσως επί μήνες) και την εξαγωγή συμπερασμάτων(δλδ την επαφή με τον τελικό χρήστη). Στην παρούσα περίοδο(γιατί αυτό θα αλλάξει), οι τομείς που χρησιμοποιούν την περισσότερη ισχύ είναι η εκπαίδευση γλωσσικών μοντέλων (όπως τα πιο προηγμένα των Claude, Gemini ή ChatGPT ή για τη δημιουργία βίντεο), η βιοϊατρική έρευνα (για την ανάπτυξη νέων φαρμάκων ή γονιδιωμάτων), η αυτόνομη οδήγηση (η οποία επεξεργάζεται δεδομένα για την αναγνώριση εμποδίων ή απρόβλεπτων γεγονότων του πραγματικού κόσμου) και τα χρηματοπιστωτικά συστήματα (για συναλλαγές υψηλής συχνότητας). Ας μην συγκρίνουμε λοιπόν(για όσους το κάνουν) τις καθημερινές ψηφιακές μας δραστηριότητες , όπως το email, τα μέσα κοινωνικής δικτύωσης και την περιήγηση στο διαδίκτυο. Η ΤΝ απαιτεί πολύ περισσότερη επεξεργασία δεδομένων και μαζική χρήση πόρων όπως νερό και ηλεκτρικό ρεύμα.

Μια απλή αναζήτηση στην Google απαιτεί περίπου 0,3 Wh, ενώ η επεξεργασία ενός κειμένου σε έναν ιστότοπο ΤΝ μπορεί να φτάσει έως και 9 Wh . Εδώ εμφανίζεται μία διαφορά, που ανά τον κόσμο δημιουργεί αντίστοιχους προβληματισμούς.

Το δεδομένο που θα προκύψει, σε σύντομο χρονικό διάστημα, είναι ότι η κατανάλωση που σχετίζεται με την εξαγωγή συμπερασμάτων θα ξεπεράσει την κατανάλωση εκπαίδευσης των μοντέλων, ασκώντας περαιτέρω πίεση στα υπάρχοντα ηλεκτρικά δίκτυα.

Τα διάφορα επιστημονικά ιδρύματα, μέσω των Παρατηρητηρίων Κέντρων Δεδομένων, καταλήγουν ότι σε παγκόσμιο επίπεδο, τα Data Centers καταναλώνουν - είναι εντυπωσιακό - 560 δισεκατομμύρια λίτρα γλυκού νερού ετησίως, με προβλεπόμενη αύξηση τα επόμενα χρόνια, ενώ σε ότι αναφορά την ηλεκτρική ενέργεια, οι προβλέψεις συγκλίνουν ότι η ζήτηση θα αυξηθεί κατά 300% έως το 2035.

Εν τω μεταξύ, για την ενίσχυση των πολιτικών προσέλκυσης επενδύσεων στην Ευρώπη, διαφαίνεται η προθυμία απλοποίησης των διαδικασιών αδειοδότησης, κάτι που δημιουργεί από μόνο του ένα παράδοξο: από την μία δυσκολευόμαστε ή επιθυμούμε, να συμβαδίσουμε με την ραγδαία ανάπτυξη της AI έχοντας αποδεδειγμένα ενεργειακό τεράστιο έλλειμμα και βάσιμες ενδείξεις λειψυδρίας, ενώ από την άλλη επιταχύνονται οι διαδικασίες για νέες εγκαταστάσεις.

Το μόνο κοινό που υπάρχει μεταξύ Ευρώπης, Η.Π.Α., Κίνας κλπ, προς το παρόν, είναι το ρυθμιστικό κενό που εξακολουθεί να επικρατεί στον τομέα και που επιτρέπει σε μεγάλες εταιρείες τεχνολογίας να λειτουργούν εις βάρος, συχνά, των κοινοτήτων. Στις Η.Π.Α η έλλειψη σαφών κανονισμών και η επιταχυνόμενη κατασκευή Data Centers δημιουργεί ήδη σημαντικά προβλήματα για τις περιοχές και τις κοινότητες που τα «φιλοξενούν». Ήδη αντιμετωπίζονται διακοπές νερού και ρεύματος και ένας εκ των μεγαλυτέρων προμηθευτών ενέργειας (NV Energy) ανακοίνωσε ότι μέσα στο 2027 θα διακόψει την παροχή στο τοπικό δίκτυο μεταξύ Καλιφόρνιας και Νεβάδα, για να ανακατευθύνει τη διαθέσιμη ηλεκτρική χωρητικότητα στα δώδεκα νέα, γιγάντια κέντρα δεδομένων της Google, της Apple και της Microsoft που βρίσκονται υπό κατασκευή στην κοντινή έρημο της Νεβάδα.

Αντιλαμβάνεστε ότι ο ανταγωνισμός των μεγάλων εταιρειών τεχνολογίας είναι αμείλικτος και δείχνει ως που μπορούν να φτάσουν σε αυτή την μάχη επικράτησης. Το θέλουμε αυτό στην Ευρώπη; Είμαστε έτοιμοι ή θα καταλήξουμε στο όποιος βιάζεται σκοντάφτει;

Η επιλογή των posts/links γίνεται με ένα στατιστικό μοντέλο και μπορεί να μην απεικονίζει επακριβώς τη σειρά δημοτικότητάς τους