ایجاد یک مسیر امن تر برای هوش مصنوعی صنعتی مستقل

هوش مصنوعی صنعتی وارد مرحله جدیدی می شود. پس از دهه‌ها تجزیه و تحلیل پیش‌بینی‌کننده و سایر کاربردهای تخصصی، پیشرفت‌ها در مدل‌های پایه، هوش مصنوعی فیزیکی و هوش مصنوعی عاملی، خودکارسازی وظایف پیچیده‌تر را در محیط‌های صنعتی ممکن می‌سازد. اما برخلاف هوش مصنوعی که صرفا در دنیای دیجیتال عمل می‌کند، هوش مصنوعی صنعتی می‌تواند مستقیما با سیستم‌های فیزیکی تعامل داشته باشد، جایی که یک تصمیم غیرمنتظره می‌تواند پیامدهایی برای ایمنی، قابلیت اطمینان و زیرساخت‌های حیاتی داشته باشد.

این امر استقرار مسئولانه را برای موج بعدی اتوماسیون صنعتی مرکزی می کند. چگونه می‌توانیم از این فناوری‌ها در عین حفظ ایمنی، در عین حفظ عملیات قابل اعتماد، و در عین حال قادر به تحقق وعده‌های قابلیت‌های جدید بهره ببریم؟» آرتی گارگ، فن‌شناس ارشد در AVEVA می‌پرسد. این چالش به ویژه حادتر است زیرا سیستم‌های هوش مصنوعی جدیدتر توانمندتر می‌شوند، اما پیش‌بینی و توضیح آن نیز دشوارتر می‌شود.

یکی از پایه های انجام این انتقال داده ها است. سیستم‌های صنعتی اغلب حاوی اطلاعاتی از تله‌متری، گزارش‌های خدمات، اسناد مهندسی و سایر منابع متفاوت هستند. فناوری‌های جدیدتر می‌توانند به اتصال و ارتباط سریع‌تر این اطلاعات کمک کنند و به اپراتورها در هنگام تشخیص مشکلات پشتیبانی بلادرنگ را ارائه دهند. ربات‌های مجهز به هوش مصنوعی می‌توانند با جمع‌آوری اطلاعات در محیط‌های خطرناک بدون نیاز به ورود کارگران به آن، قدمی فراتر بروند.

اما خودمختاری بیشتر نیازمند رویکردهای جدید برای حکومت است. چارچوب AVEVA برای هوش مصنوعی مسئول بر امنیت، کارایی، و ایمنی و نظارت انسانی تاکید دارد. گارگ استدلال می‌کند که هوش مصنوعی باید به جای جایگزینی افراد در حلقه‌های تصمیم‌گیری حیاتی، با نرده‌هایی که تعیین می‌کنند سیستم‌های خودکار کجا می‌توانند عمل کنند و ناظران انسانی مسئول باقی می‌مانند، تقویت کند.

پایداری بخش دیگری از این معادله است. هوش مصنوعی می‌تواند به مدیریت سیستم‌های قدرت پیچیده با رشد تولید انرژی‌های تجدیدپذیر کمک کند، در حالی که سازمان‌ها نیز به راه‌های بهتری برای درک ردپای محیطی هوش مصنوعی نیاز دارند. Garg در یک گروه کاری IEEE در حال توسعه یک روش استاندارد برای اندازه‌گیری تأثیرات در برق، انرژی، منابع، آب و کربن است.

فاز بعدی می‌تواند هوش مصنوعی صنعتی را به دنیای فیزیکی، از ربات‌های خودران و پهپادها تا کدنویسی به کمک هوش مصنوعی که به متخصصان حوزه اجازه می‌دهد تا برنامه‌های کاربردی جدید بسازند، وارد کند. گارگ می‌گوید، اما درک این پتانسیل به چیزی بیش از بکارگیری فناوری جدید نیاز دارد. سازمان‌ها باید در فرآیندهای کسب‌وکار تجدیدنظر کنند، حفاظت‌های مناسب را ایجاد کنند، و به کارگران با تجربه راه‌های جدیدی برای اعمال تخصص خود بدهند، و مدلی از اتوماسیون را ایجاد کنند که نه تنها مستقل‌تر، بلکه ایمن‌تر، کارآمدتر و پایدارتر باشد.

گارگ می‌گوید: «سیستم‌های خودران، چه ربات‌ها یا پهپادها، واقعا روش کار ما در نیروگاه‌ها، در سیستم‌های نیروگاهی و در سایت‌های معدنی را تغییر خواهند داد. به نوعی، این نوع عملیات کارآمدتر، بسیار ایمن‌تر برای انسان‌های درگیر و سازنده‌تر می‌شود.»

این قسمت از Business Lab با مشارکت AVEVA تولید شده است.

متن کامل

مگان تیتوم: از بررسی فناوری MIT، من مگان تیتوم هستم، و این آزمایشگاه تجاری است، نمایشی که به رهبران کسب‌وکار کمک می‌کند فناوری‌های جدیدی را که از آزمایشگاه بیرون می‌آیند و وارد بازار می‌شوند، درک کنند.

هوش مصنوعی صنعتی ممکن است جدید نباشد، اما با سرعت سرسام آوری در حال توسعه است. از آنالیزهای پیش‌بینی‌کننده مدرن که می‌توانند از خرابی تجهیزات جلوگیری کنند، تا روبات‌های مستقلی که وظیفه بازرسی ماشین‌آلات پرخطر را بر عهده دارند، برنامه‌های کاربردی نوظهور پتانسیل تغییر کارایی عملیاتی را دارند. اما اغلب در محیط‌هایی با پیامدهای بالا با حداقل حاشیه خطا استفاده می‌شود، هوش مصنوعی صنعتی بدون وضوح، امنیت یا پاسخگویی مستقر می‌شود همچنین می‌تواند پیامدهای فاجعه‌باری برای زیرساخت‌های حیاتی در طول زمان داشته باشد.

از آنجایی که صنایع برای پذیرش جدیدترین فناوری‌ها عجله دارند، هدف همیشه باید هوش مصنوعی مسئول طراحی شده برای پشتیبانی باشد، نه جایگزینی تمام قضاوت‌های مهم انسان.

دو کلمه برای شما: اتوماسیون پایدار.

مهمان امروز من Arti Garg، فن‌شناس ارشد AVEVA است.

این پادکست با مشارکت AVEVA تولید شده است.

خوش اومدی آرتی

آرتی گارگ: متشکرم، مگان. اینجا بودن عالی است

مگان: خیلی ممنون که به ما ملحق شدید. و فقط برای شروع، اگر بتوانیم زمینه ای را برای بحث خود تعیین کنیم، می توانید کمی در مورد وضعیت فعلی هوش مصنوعی صنعتی و آنچه AVEVA در حال حاضر روی آن کار می کند به اشتراک بگذارید؟

آرتی: آره، خیلی خوشحالم. و من می خواهم به آنچه قبلا بیان کردید برگردم، یعنی اینکه از برخی جهات، هوش مصنوعی صنعتی جدید نیست. این چیزی است که، حتی اینجا در AVEVA، بیش از 20 سال است که روی آن کار می‌کنیم و واقعا به این فکر می‌کنیم که چگونه هوش مصنوعی می‌تواند برنامه‌های کاربردی در بخش صنعتی را بهبود بخشد.

اما چیزی که شاید در چند سال اخیر کاملا اساسی تغییر کرده است نوع هوش مصنوعی است. ما واقعا به این مدل‌های بنیادی با هدف عمومی رفته‌ایم، که افراد بیشتری را قادر می‌سازد از فناوری‌های پیشرفته هوش مصنوعی استفاده کنند. علاوه بر این، تنها در چند سال گذشته، انفجاری در آنچه به عنوان هوش مصنوعی فیزیکی شناخته می‌شود و انواع هوش مصنوعی رخ داده است که واقعا می‌تواند قابلیت‌های روباتیک و سیستم‌های خودمختار را تسریع بخشد. و همچنین هوش مصنوعی عاملی که امکان اتوماسیون را در سطح نرم افزاری بیشتری فراهم می کند.

و چیزی که می‌بینیم این است که در حالی که در گذشته برای اتخاذ مدل‌هایی که نتایج کاملا قابل پیش‌بینی ندارند، تردید وجود داشته است، شتاب سریعی در پذیرش هوش مصنوعی حتی در بخش صنعتی وجود داشته است. یک مطالعه نشان می دهد که شاید این افزایش تقریبا 78 درصدی در تنها دو سال گذشته در بخش صنعت باشد. بنابراین بله، این یک نقطه عطف است، اما اگر در مورد پذیرش هوش مصنوعی فکر کنید، تقریبا مانند یک تابع مرحله است.

و آنچه که ما اکنون در AVEVA واقعا به آن فکر می کنیم این است که چگونه در مورد این فکر کنیم؟ چگونه به ترکیب این فناوری‌های جدید و بسیار قدرتمند هوش مصنوعی در محیط‌هایی فکر می‌کنیم که مشتریان عملیات‌های حیاتی دارند، ایمنی انسان عامل مهمی است؟ اینها برخی از نگرانی های اولیه ای هستند که مشتریان ما هنگام فکر کردن به استفاده از هر فناوری جدید دارند. ما این کار را در جایی انجام می‌دهیم که این انواع جدیدتر هوش مصنوعی لزوما از نظر نحوه رفتار آنها قابل پیش‌بینی نیستند.

این یکی از حوزه‌هایی است که ما واقعا به آن فکر می‌کنیم این است که چگونه می‌توانیم از این فناوری‌ها در عین حفظ ایمنی، در عین حفظ عملیات قابل اعتماد، استفاده کنیم، در حالی که همچنان می‌توانیم به وعده‌های قابلیت‌های جدید عمل کنیم؟

مگان: خیلی چیزها را باید در یک زمان در نظر گرفت، اینطور نیست؟ و شما در آنجا به برخی از پیشرفت‌های عظیمی که در سال‌های اخیر در این فضا دیده‌ایم، اشاره کردید. چه چیزی این لحظه را برای هوش مصنوعی صنعتی بسیار مهم می کند؟ چه چیزی تغییر کرده است که برخی از این فرضیات را بسیار قابل قبول تر کرده است؟

آرتی: خوب، من فکر می کنم یکی از چیزهای بزرگ، یکی از چالش های بزرگ در هوش مصنوعی صنعتی، و این چیزی است که به عنوان AVEVA، در خون ما است، در DNA هسته ما وجود دارد، این است که برای استفاده از هر نوع فناوری دیجیتال در فضای صنعتی، یکی از اولین کارهای مهمی که اغلب باید انجام دهید این است که داده ها را از سیستم های متفاوت جمع آوری و به هم مرتبط کنید، به طوری که شاید بتوانم تله متری را با هم ترکیب کنم. آن را با گزارش‌های سرویس مرتبط کنید، بنابراین می‌دانم شاید آخرین باری است که کسی تعمیر و نگهداری آن پمپ یا میکسر را انجام داده است.

و شاید هم می‌خواهم بتوانم آن را با اسناد طراحی اصلی و برخی از اسناد اصلی در مورد نحوه نگهداری آن مرتبط کنم، به طوری که اگر اتفاقی می‌افتد، بتوانم کار بهتری را برای تشخیص اشتباه و نحوه رسیدگی به آن انجام دهم. این همیشه یک چالش اصلی در فضای صنعتی بوده است.

من فکر می‌کنم آنچه در حال حاضر اتفاق می‌افتد این است که با فناوری‌های جدیدتر، حتی چیزهایی مانند پایگاه‌های داده گراف و توانایی استفاده از هوش مصنوعی برای تطبیق با مجموعه داده‌های متفاوت بسیار سریع‌تر، می‌توانیم به نقطه‌ای برسیم که اگر مشکلی پیش بیاید، به جای اینکه یک اپراتور نیاز داشته باشد کمی زمان را برای انجام این تحقیق صرف کند تا واقعا بفهمد چگونه این مؤلفه‌های مختلف می‌توانند به سرعت اطلاعات را با iPad و AI هماهنگ کنند. آن را مرتبط کنید و در زمان واقعی، تقریبا به تشخیص آنچه در حال رخ دادن است کمک کنید.

حتی کمی بیشتر در بیرون، اما نه آن‌طور که فکر می‌کنید، من هنوز این موضوع را با یک اپراتور انسانی با احتمالا یک تبلت تلفن همراه توصیف می‌کنم، اما تصور کنید اکنون می‌توانم رباتی را هم داشته باشم که در آن محیط حرکت کند و داده‌ها را جمع‌آوری کند و یا با محاسبات درونی یا اتصال سریع به اپراتوری که لزوما اکنون مجبور نیست به یک فضای خطرناک و بالقوه تا حدودی بسیار خطرناک به عنوان فضای خطرناک جمع‌آوری کند.

و من فکر می‌کنم این واقعا چیزی است که در حال حاضر هیجان‌انگیز است و همه این فناوری‌های جدیدی که در مورد آنها صحبت کردم به فعال کردن آن کمک می‌کنند.

و من فکر می‌کنم از منظر ما، تلاش برای استفاده واقعی از همه اینها به این معنی است که اکنون باید در مورد رویکرد حاکمیتی خود در این مورد فکر کنیم. اگر بخواهید چگونه از هوش مصنوعی به گونه ای استفاده کنیم که آن را محدود نگه دارد؟

مگان: بله، قطعا. و در آن نقطه حکمرانی، AVEVA هوش مصنوعی مسئول را چگونه تعریف می‌کند و به نظر شما مزایای اصلی چیست؟

آرتی: بله، بنابراین فکر می‌کنم برای ما، ما به یک دستور سه‌گانه در مورد هوش مصنوعی مسئول فکر می‌کنیم، و این بدان معناست که ایمن است، کارآمد است، و این شامل کارآمدی محیط‌زیست می‌شود، و سپس واقعا ایمنی انسان و نظارت انسانی را بیش از همه حفظ می‌کند. و برای ما، این چیزی است که برخی از ستون‌های اصلی هوش مصنوعی مسئول ما شامل می‌شود. و برای ما، این بدان معناست که در هنگام ساخت ابزارها، به یک رویکرد حاکمیتی چند لایه فکر می کنیم که در آن هم برای نحوه استفاده از هوش مصنوعی به عنوان یک شرکت و سپس نحوه استقرار هوش مصنوعی در محصولات خود داریم.

ما چارچوبی مشابهی داریم که در هر دو مورد استفاده می‌کنیم، یک نوع مدل حکمرانی مشترک، هم در مورد نحوه استفاده از هوش مصنوعی و هم در مورد اینکه چگونه هوش مصنوعی را به محصولات خود تزریق می‌کنیم تا به مشتریانمان اجازه دهیم تا از هوش مصنوعی در عملیات خود استفاده کنند.

اما می‌توانم بگویم یکی از اصول بنیادی اصلی زیر همه این‌ها این است که انسان‌ها همچنان در نحوه تفکر ما در مورد نحوه استفاده از هوش مصنوعی متمرکز هستند. و بنابراین قضاوت انسانی، مسئولیت انسانی، اخلاق انسانی هنوز در مورد اینکه چگونه هوش مصنوعی می‌تواند مزیت‌ها را اضافه کند، هسته‌ای هستند، و اگر بخواهید، ما به آن بیشتر به عنوان تقویت‌کننده به جای جایگزینی انسان‌ها در حلقه‌های تصمیم‌گیری حیاتی فکر می‌کنیم.

مگان: درست است، این یک تمایز مهم است، اینطور نیست؟ و از نظر مرحله بعدی توسعه، این احساس رو به رشد وجود دارد که هوش مصنوعی عاملی به زودی به این سیستم‌های صنعتی اجازه می‌دهد تا بسیار مستقل‌تر عمل کنند. من تعجب می کنم، چه چیزی باعث می شود خطرات در تنظیمات صنعتی با ریسک هوش مصنوعی در یک زمینه کاملا دیجیتال متفاوت باشد؟ و من فرض می کنم از طرف دیگر، مزایا و فرصت های همان اتوماسیون تعریف شده نرم افزار چیست؟

آرتی: فکر می‌کنم می‌توانیم از خطرات شروع کنیم و سپس به سمت منافع برویم. من فکر می‌کنم در نهایت، می‌توانم بگویم که بزرگترین خطر در محیط صنعتی این است که ما با سیستم‌های فیزیکی واقعی تعامل داریم، اغلب سیستم‌های فیزیکی که بسیار قادر به ارائه نتایج مهمی هستند که جهان ما را در حال اجرا نگه می‌دارند، خواه تولید نیرو باشد، چه استخراج برای منابع طبیعی. اما معمولا. این سیستم‌های فیزیکی در محیط‌های خطرناک نیز کار می‌کنند، این تجهیزات خود می‌توانند پیامدهای ایمنی انسانی نیز داشته باشند.

هر زمان که نرم‌افزاری را با یک سیستم فیزیکی وصل می‌کنید که می‌تواند پیامدهای دنیای واقعی داشته باشد، باید بیشتر مراقب باشید. و ما همیشه این را داشته‌ایم، باز هم، از ابتدا آن را در DNA خود در AVEVA داشته‌ایم، به خاطر آن کاربر نهایی و آن برنامه نهایی، که فقط چیزی روی صفحه کامپیوتر نیست.

حتی زمانی که در چند دهه گذشته هوش مصنوعی را در سیستم‌های خود مستقر کرده‌ایم، ما معمولا به سمت تلاش برای انتخاب بهترین مدل مناسب متمایل شده‌ایم، اگر بخواهیم از یک مدل تشخیص ناهنجاری اختصاصی استفاده کنیم که در بسیاری از محیط‌های عملیاتی کار می‌کند، واقعا رفتار آن مدل را درک می‌کنیم.

اکنون، همانطور که ما در مورد برخی از این قابلیت‌های جدید هوش مصنوعی فکر می‌کنیم، که درک نحوه رفتار آنها از نظر طراحی دشوار است، آنها اساسا به روشی که حتی در مورد هوش مصنوعی یا مدل‌های آماری در گذشته فکر می‌کردیم، قابل توضیح نیستند، و در واقع رفتار آنها می‌تواند در طول زمان با یادگیری و هماهنگ شدن با قابلیت‌های جدید تغییر کند.

این واقعا خطر بالقوه اتوماسیون یک سیستم فیزیکی بر اساس قابلیت هایی است که می توانند در طول زمان تکامل یابند، یکی از مواردی است که ما باید واقعا به آن توجه داشته باشیم و واقعا در مورد آن متفکر باشیم، مایلیم بخشی از این اتوماسیون افزایش یافته را در کجا عملی کنیم؟

اما در عین حال، فکر می‌کنم یک فرصت واقعی وجود دارد، زیرا من این ایده را نادیده گرفتم که، خوب، خوب، مدل‌ها تکامل می‌یابند، اما انسان‌ها نیز همینطور، و گاهی اوقات این چیز خوبی است. ما در مورد انسان‌هایی صحبت می‌کنیم که دارای تخصص هستند و آنها در مورد حرفه‌های خود در مورد نحوه عملکرد یک سیستم درک می‌کنند. اگر واقعا بتوانیم از توانایی برخی از این قابلیت‌های هوش مصنوعی جدیدتر استفاده کنیم، این نوع مدل‌های استدلالی اغلب دارای قابلیت‌های عاملی اساسی هستند، برای یادگیری و جمع‌آوری تجربیات سریع‌تر، و به طور بالقوه مهم‌تر یا ارزشمندتر، تجربه‌ای را که در یک سایت آموخته‌اید و به کار می‌برند.

آن را به یک سایت دیگر، پس این یک فرصت واقعی است تا آنچه را که قبلا می‌دانیم برای انسان‌ها کار می‌کند، ببریم، یعنی گاهی اوقات شما فقط باید با انجام کار یاد بگیرید و بتوانید آن را اعمال کنید و آن را از طریق هوش مصنوعی مقیاس کنید. اینجاست که من به طور بالقوه یک فرصت واقعی را در این فضا می بینم.

یکی از چیزهایی که ما واقعا در بخش صنعت از آن آگاه هستیم، نحوه تغییر نیروی کار ما است. من فکر می کنم که تقریبا نیمی از نیروی کار صنعتی قرار است در پنج سال آینده بازنشسته شوند و نه تقریبا نیمی از آن، و این تخصص و تجربه زیادی است که به این معنی است که ما در این بخش از دست خواهیم داد.

اگر راه‌هایی وجود داشته باشد که مطمئن شویم می‌توانیم آن را به شیوه‌های قابل اجرا، به روش‌هایی که می‌تواند به نسل جدیدتری از کارگرانی که برای تجربه چیزها به شیوه‌ای متفاوت استفاده می‌کنند، استفاده از آن تخصص، استفاده از آن دانش کمک کند، پس فکر می‌کنم این یک فرصت بزرگ در فضای صنعتی است.

مگان: بله، قطعا. واضح است که برخی از فرصت‌های بزرگ به ویژه در پس‌زمینه دیگر تغییرات بازار و نیروی کار، همانطور که شما در آنجا توضیح داده‌اید، وجود دارد. من فرض می‌کنم بر اساس آن، پتانسیل این سیستم‌های هوش مصنوعی صنعتی مستقل در هنگام ساخت و استقرار مسئولانه برای تسهیل فرآیندهای صنعتی سریع‌تر و پایدارتر چیست؟

آرتی: من فکر می کنم چند راه متفاوت برای فکر کردن در مورد این موضوع وجود دارد. یکی این است که الزامات فرآیندهای بالقوه پایدارتر از نظر زیست محیطی چیست؟ من از یک نمونه از چیزی استفاده خواهم کرد که تیم من با همکاری آزمایشگاه ملی آیداهو در ایالات متحده به عنوان بخشی از آزمایش آنها برای پروژه انعطاف پذیری شبکه هوش مصنوعی روی آن کار کرده است.

یکی از چالش‌های شبکه برق که در حال حرکت به سمت آینده‌ای هستیم که در آن منابع تولید انرژی تجدیدپذیر متناوب بسیار بیشتری داریم، به عنوان مثال، اغلب از طریق خورشیدی روی پشت بام توزیع می‌شوند، این است که مدیریت شبکه بسیار چالش‌برانگیزتر می‌شود، هم از درک واقعی اینکه ظرفیت الکتریکی کجا وارد می‌شود، هم بار الکتریکی از شبکه خارج می‌شود. علاوه بر آن، توانایی حفظ کیفیت انرژی فقط به این دلیل که به جای داشتن یک دارایی در حال چرخش که فرکانس برقی که در سراسر شبکه می‌رود را ارائه می‌کند، سیستم‌های کوچک‌تری دارید.

هوش مصنوعی در واقع برای مدیریت شبکه آینده بسیار حیاتی است. و این یکی از چیزهایی است که ما به صورت مشارکتی کار کرده ایم، چگونه می توانیم این کار را انجام دهیم؟ چگونه می‌توانیم به اپراتورهای شبکه کمک کنیم تا بهتر بفهمند چه اتفاقی در سراسر سیستمشان می‌افتد، تشخیص دهند کجا ممکن است چیزها به طور غیرعادی رفتار کنند تا بتوانند آن را زود تشخیص دهند و سپس آن را اصلاح کنند؟

در عین حال، من همیشه در مورد این صحبت می‌کنم که این مثالی است که هوش مصنوعی به طور بالقوه می‌تواند به ما در تسریع انتقال به آینده انرژی کمتر کربن کمک کند. در عین حال، من فکر می کنم که بحث های زیادی در مورد پایداری خود هوش مصنوعی وجود دارد. برق مورد نیاز چیست؟ منابع مورد نیاز برای اجرای هوش مصنوعی چیست؟ و قبل از اینکه به این موضوع بپردازم که چگونه در مورد آن در AVEVA فکر می کنیم، زیرا قطعا این چیزی است که ما به آن فکر می کنیم و فکر می کنم بسیاری از بازیگران در این فضا به آن فکر می کنند، می خواهم به این نکته اشاره کنم که یکی از چالش ها این است که واقعا هیچ روش توافقی وجود ندارد.

برای اندازه گیری اثرات زیست محیطی هوش مصنوعی شما بسیاری از این داستان ها را مشاهده می کنید، مانند یک پرس و جو در یک نوع رابط چت X مقدار گالن آب یا این مقدار مصرف برق است. اما حقیقت این است که در سطح جامعه، هیچ استاندارد مورد توافقی وجود ندارد.

یکی از مواردی که من با آن درگیر هستم، یک گروه کاری استاندارد است که دو سال پیش توسط IEEE راه اندازی شد، کمی بیش از دو سال پیش. من رئیس آن کارگروه هستم که به آن کارگروه استانداردهای P7100 برای اندازه‌گیری اثرات زیست‌محیطی هوش مصنوعی می‌گویند. و یکی از کارهایی که می‌خواهیم انجام دهیم این است که واقعا تمام حوزه‌های مختلفی را شناسایی کنیم که می‌خواهیم در مورد پایداری زیست‌محیطی مرتبط با هوش مصنوعی فکر کنیم، و سپس داشتن یک روش استاندارد که کار می‌کند و می‌تواند هم از منظر گزارش‌دهی و هم به‌طور بالقوه از سوی یک نظارت یا تنظیم‌کننده اتخاذ شود.

دیدگاه y این برای هر نوع درک واقعی از تأثیرات هوش مصنوعی بر محیط بسیار مهم است، فقط باید بدانیم که از چه چیزی استفاده می کند؟ ما می خواهیم به طور کلی به آن نگاه کنیم. استانداردهای ما مصرف برق و انرژی، مصرف منابع، مصرف آب و همچنین کربن را پوشش می دهد.

اما همه این‌ها که گفته شد، فکر می‌کنم برای ما مهم است که ردپای هوش مصنوعی را درک کنیم، اما فکر می‌کنم برای ما نیز مهم است که به طور همزمان تشخیص دهیم که یک مدل بزرگ‌تر از محاسبات بیشتری استفاده می‌کند و محاسبات بیشتر احتمالا از منابع بیشتری بهره می‌برد. هرچه بیشتر بتوانیم عمدی داشته باشیم و مدل اندازه مناسب را برای برنامه مناسب انتخاب کنیم، بیشتر می‌توانیم مسیر کارآمدی محیط‌زیست را در هوش مصنوعی که اجرا می‌کنیم، آغاز کنیم.

یکی از عوارض جانبی بالقوه خوب آن این است که هر چه یک مدل هدفمندتر ساخته شود، اگر معماری خود را به درستی انتخاب کنید، احتمال اینکه به شیوه‌های غیرقابل پیش‌بینی بد رفتار کند، کمتر می‌شود. نوعی از مزایای جانبی وجود دارد که فراتر از پایداری زیست محیطی است.

مگان: جذاب. شنیدن برخی از کارهایی که در پشت صحنه در آنجا انجام می شود واقعا بسیار جالب است، زیرا فکر می کنم همه ما برخی از آمارهای مربوط به تأثیرات زیست محیطی را همانطور که شما می گویید شنیده ایم. بنابراین، درک برخی از کارهایی که در آنجا انجام می شود برای روشن کردن آن بسیار عالی است.

و ما قبلا کمی در مورد تقویت هوش مصنوعی انسان صحبت کرده ایم. همانطور که سیستم ها استقلال بیشتری به دست می آورند، سازمان ها چگونه باید در مورد تعادل بین اتوماسیون حلقه بسته، پاسخگویی انسان در حلقه فکر کنند؟ چه نرده هایی باید در جای خود قرار گیرند؟ و دولت ها و بازیگران فرامرزی چگونه به این نگرانی ها نزدیک می شوند؟

آرتی: در این سوال چیزهای زیادی وجود دارد، بنابراین سعی خواهم کرد تا حدی به آن پاسخ دهم. اول، شروع با آن نوع تعادل بین حلقه بسته و انسان در حلقه، اتوماسیون و پاسخگویی. یکی از مواردی که ما در بخش صنعتی در مورد آن صحبت می کنیم، از اپراتور انسانی تا ناظر انسانی سیستم ها، سیستم های صنعتی است. و اگر در مورد آن صادق باشم، ما هنوز در تلاشیم تا آن را کشف کنیم. هنگامی که یک انسان در یک حلقه در یک سیستم خودکار قرار دارد، شما واقعا به این فکر می کنید که یک سیستم ممکن است همه داده ها را پردازش کند و سپس توصیه ای را ارائه دهد.