सध्याच्या साथरोगासारखी अत्यंत टोकाची तणावग्रस्त परिस्थिती उद्भवली, तर आण्विक प्रकल्पामधील अंतर्गत धोके आणखी गंभीर होण्याची शक्यता असते.
आपण सध्या हवामान बदलाच्या संकटाचा सामना करत आहोत. त्याचबरोबर, कोरोनाच्या जागतिक महामारीने देखील आपल्याला वेढले आहे. या सगळ्याचा गंभीर परिणाम आर्थिक स्थैर्यावर होत आहे. या धोक्याची जाणीव असल्याने करोनानंतरच्या आर्थिक वाढीला चालना देण्यासाठी सरकारे पॅकेज देत आहेत. हवामान बदलाच्या संकटाची तीव्रता कमी करण्यासाठी (अर्थात, ग्रीन रिकव्हरी) होणाऱ्या प्रयत्नांना व त्यावरील गुंतवणुकीला याचा फटका बसणार आहे. या पार्श्वभूमीवर कृत्रिम बुद्धिमता म्हणजेच ‘आर्टिफिशल इंटेलिजन्स’ हे हरित विकासाला चालना देण्याचे एक शक्तिशाली साधन असल्याचे सातत्याने सांगितले जात आहे. पण ते खरे आहे का?
कृत्रिम बुद्धिमत्तेचा अनेक अंगांनी होणाऱ्या वापरामुळे परिवर्तनाची संधी निश्चितच आहे. विशेषत: औषधे, अन्न उत्पादन, वाहतूक व्यवस्थापन अशा क्षेत्रातील प्रगतीचा यात समावेश आहे. मात्र, त्याचवेळी कृत्रिम बुद्धिमत्तेचा अनेकांगी वापरामुळे मोठ्या प्रमाणात आणि अवाढव्य डेटा निर्माण होणार आहे. हा डेटा साठवून त्याचे विश्लेषण करणे गरजेचे असते. याचा लक्षणीय परिणाम पर्यावरणावर होणार आहे.
आर्टिफिशल इंटेलिजन्सचा वापर चुकीच्या पद्धतीने देखील केला जाऊ शकतो. या माध्यमातून भेदभाव वाढवला जाऊ शकतो. पक्षपात होऊ शकतो. खासगी स्वातंत्र्याचा संकोच केला जाऊ शकतो आणि परस्पर अविश्वासाचे वातावरण निर्माण केले जाऊ शकते. त्यामुळेच आर्टिफिशल इंटेलिजन्सच्या (एआय) संदर्भात आपल्याला अधिक पारदर्शकतेची गरज आहे. आर्टिफिशल इंटेलिजन्सच्या पर्यावरणीय परिणामांबद्दल आपल्याला पुरेशी माहिती करून घेणे गरजेचे आहे. तसेच, आर्टिफिशल इंटेलिजन्सच्या नियमनासाठी उत्सर्जनाचा पारदर्शक अहवाल सक्तीचा करणे, हे दोन महत्त्वाचे घटक आहेत.
मॅसेच्युसेट्स इन्स्टिट्यूट ऑफ टेक्नॉलॉजी (MIT) च्या विस्तृत संशोधनानुसार, लोकप्रिय नैसर्गिक भाषा प्रक्रियेसंबंधीच्या आर्टिफिशल इंटेलिजन्स मॉडेलचे प्रशिक्षण घेताना होणारे कर्ब उत्सर्जन हे म्युनिच, जर्मनी आणि अॅक्रा व घाना यांच्यातील विमान उड्डाणाच्या सुमारे ३०० पट असते. यातील एका मॉडेलला जीपीटी – २ म्हटले जाते, ज्यासाठी अंदाजे २८४ मेट्रिक टन कार्बन डायऑक्साइड लागतो.
जून २०२० मध्ये ‘जीपीटी ३’ हे आधीच्या मॉडेलपेक्षा कित्येक पटीने मोठे मॉडेल असल्याचे जाहीर करण्यात आले. ‘जीपीटी ३’ हे मॉडेल १७५ अब्ज पॅरामीटरवर क्षमतेचे आहे तर, २०१९ चे जीपीटी – २ हे मॉडेल केवळ १.५ अब्ज पॅरामीटर क्षमतेचे होते.
आर्टिफिशल इंटेलिजन्सची मॉडेल असंख्य आहेत. त्यांची अंमलबजावणी एकसमान किंवा वेगवेगळ्या स्वरूपात व विस्तृत डेटासह करता येते. या सर्वाचा एकंदर परिणाम पर्यावरणावर होतो. इतकेच नव्हे, २८४ मेट्रिक टन कार्बन डायऑक्साइड निर्माण करणारे एखादे मॉडेल देखील अमेरिकेतील ३३ घरांना संपूर्ण वर्षभर ऊर्जा पुरवू शकते.
या व्यतिरिक्त डेटा सेंटर्सनी मोठ्या प्रमाणावर व्यापलेली जमीन आणि त्यामुळे जागतिक जलस्त्रोतांवर येणाऱ्या लक्षणीय ताणाचाही विचार आपल्याला करावा लागेल. कॉर्पोरेट सस्टेनॅबिलिटी रिपोर्टमध्ये अशा बाबींचे प्रतिबिंब सहसा पडत नाही.
ग्रीनहाऊस गॅस उत्सर्जनाचे हिशेब ठेवणे कमालीचे गुंतागुंतीचे आहे. उत्सर्जनाचा लेखाजोखा असल्यास आपल्याला कुठे, कशी व कितपत सुधारणा करायची आहे हे ठरवता येऊ शकते, परंतु कृत्रिम बुद्धिमत्तेसारख्या (AI) डिजिटल साधानांचा पर्यावरणीय परिणाम मोजण्यासाठी आवश्यक असलेला तपशील किंवा अर्थपूर्ण मार्गदर्शन खूपच त्रोटक आहे, हे आश्चर्यकारक आहे.
कॉर्पोरेट कंपन्या ग्रीन हाऊस गॅसची माहिती क्वचितच प्रसिद्ध करतात आणि त्यांनी उत्सर्जनाचे निष्कर्ष किंवा मूल्यांकन सार्वजनिक केलेच तर त्याबाबतची कार्यपद्धती संदिग्ध असते.
बहुतेक कंपन्या ग्रीन हाऊस गॅस प्रोटोकॉलच्या आधारे अहवाल देतात, तरीही उत्सर्जनाच्या (सार्वजनिक) ताळेबंदामध्ये बरीच तफावत दिसते. काही कंपन्या केवळ व्यावहारिक उत्सर्जनाची नोंद करतात, तर काही कंपन्या व्यावसायिक प्रवास, कार्यक्रम किंवा खरेदी केलेल्या वस्तू आणि सेवा यासारख्या गोष्टींवरच प्रकाश टाकतात. मात्र, भौतिकता किंवा कार्यपद्धतींबद्दल क्वचितच माहिती देतात.
‘मोझिला’च्या २०१९ च्या ग्रीन हाऊस गॅस अहवालात देखील स्पष्टता नाही. ‘मोझिला’ची फायरफॉक्स सारखी उत्पादने कंपनीच्या एकूण ग्रीन हाऊस गॅस उत्सर्जनाच्या ९८ टक्के उत्सर्जन करतात. मात्र, त्यांच्या सर्च इंजिनमधून लोक बातम्या वाचतात, ई-मेल अकाउंट वापरतात, व्हिडिओ पाहतात की शॉपिंग करतात हे स्पष्ट होत नाही. त्याऐवजी एकूण ऑनलाइन वेळेचे मूल्यांकन केले जाते. त्यामुळे इंटरनेच्या परिणामांबाबत कितीही जागरूकता असली तरी अशा वरवरच्या अंदाजावरून डिजिटल उत्पादनांच्या परिणामांची तीव्रता कमी करणे आव्हानात्मक आहे.
हरित पर्यावरणाचे पुनरुज्जीवन आणि दीर्घकालीन सामाजिक परिवर्तनामध्ये तंत्रज्ञानाची भूमिका महत्त्वाची आहे की नाही, हा प्रश्न नाही, तर कोणते तंत्रज्ञान सकारात्मक बदल घडवू शकते हा खरा मुद्दा आहे. याच्या उत्तरासाठी आपला गृहपाठ पक्का असणे गरजेचे आहे. शिवाय, कृत्रिम बुद्धिमत्तेसह डिजिटल तंत्रज्ञानाच्या पर्यावरणावरील परिणामाचे वस्तुनिष्ठ मूल्यांकन करणे आवश्यक आहे. हे मूल्यांकन योग्य पद्धतीने न झाल्यास आर्टिफिशल इंटेलिजन्स हरित परिवर्तनाला मदत करते, हे सिद्ध करता येणार नाही.
अधिक स्पष्ट शब्दांत सांगायचे झाल्यास, आर्टिफिशल इंटेलिजन्सचे प्रशिक्षण, डेटा साठवण, डेटावरील प्रक्रिया आणि डेटा सेंटरचा पर्यावरणावर नेमका काय परिणाम होतो हे माहीत असल्यास हवामान बदलाच्या संकटाची तीव्रता कमी करण्यासाठी त्याचा उत्तम उपयोग होऊ शकतो.
व्यवस्थात्मक आव्हानांना तोंड देण्यासाठी तितक्याच सूक्ष्म उपायांची गरज असते. शाश्वत बदल घडवून आणण्यासाठी योग्य निर्णय अपेक्षित आहेत आणि त्यासाठी आपल्याकडे पूर्ण माहिती व बारीकसारीक तपशील असणे आवश्यक आहे.
आर्टिफिशल इंटेलिजन्ससारख्या डिजिटल उत्पादनांसह तंत्रज्ञान क्षेत्राच्या पर्यावरणीय परिणामांच्या मूल्यमापनासाठी आपल्याला नियमनाची गरज आहे. उत्सर्जनाच्या घटकांतील ओपन सोर्सिंग, गणनेची सूत्रे आणि साधनांमध्ये गुंतवणूक करणे असा याचा अर्थ होतो, या साऱ्याच्या माध्यमातून डिजिटल उत्पादनांचा परिणाम निश्चित करण्यास मदत होईल.
गोपनीयता आणि डेटा सुरक्षेबद्दलची चर्चा थांबवून शेवटी मला विचारावेसे वाटते की, आपण प्रत्येक गोष्ट करू शकतो का? आपण काय करायला हवे? आर्टिफिशल इंटेलिजन्सच्या पर्यावरणीय परिणामाच्या दृष्टिकोनातून नेमक्या याच मानसिकतेची आपल्याला आवश्यकता आहे. आर्टिफिशल इंटेलिजन्सच्या बाबतीत सुचविलेल्या चांगल्या उपायांमुळे होणारा फायदा त्याच्या नकारात्मक पर्यावरणीय परिणामापेक्षा जास्त आहे का?
तसे झाले तरच आपण जागतिक महामारी व हवामान बदलाच्या संकटाची तीव्रता कमी करण्यासाठी ग्रीन रिकव्हरी व आरोग्यदायी सामाजिक परिवर्तनास हातभार लावू शकू.
The views expressed above belong to the author(s). ORF research and analyses now available on Telegram! Click here to access our curated content — blogs, longforms and interviews.
Cathleen Berger is a highly experienced strategist who has built up and managed multiple globally distributed environmental and social impact programmes. Her professional experience spans ...
Read More +
PREV
