How Hyper-Datafication Impacts the Sustainability Costs in Frontier AI
Dieses Papier argumentiert, dass der Wandel hin zur „Hyper-Datifizierung“ in der Frontier-KI erhebliche Umweltkosten verursacht und Arbeitsrisiken sowie Repräsentationsschäden systematisch in den Globalen Süden umverteilt, was zu einem Aufruf für ein neues Framework namens Data PROOFS führt, um diese Nachhaltigkeitsherausforderungen zu mildern.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich die Welt der Künstlichen Intelligenz (KI) als einen riesigen, hungrigen Koch vor, der versucht, das perfekte Mahl zu kochen. Jahrelang hat dieser Koch einfach nur in der Küche herumgesehen, sich genommen, was bereits auf der Arbeitsplatte lag (existierende Internetdaten), und gekocht. Aber vor kurzem hat der Koch seine Taktik geändert. Anstatt nur zu nehmen, was da ist, baut der Koch nun neue Fabriken, um gezielt Zutaten für den Topf anzubauen, und setzt sogar Roboter ein, um künstliche Zutaten zu synthetisieren, die echt aussehen. Das Papier nennt diesen Wandel „Hyper-Datenifizierung“.
Die Autoren argumentieren, dass dieser neue Ansatz die KI zwar intelligenter macht, aber mit einer versteckten „Rechnung“ einhergeht, auf die wir nicht achten. Diese Rechnung besteht aus drei Teilen: den Energiekosten (Umwelt), den menschlichen Kosten (Soziales) und den Geldkosten (Wirtschaft).
Hier ist eine Aufschlüsselung dessen, was das Papier herausgefunden hat, unter Verwendung einfacher Analogien:
1. Die Umweltrechnung: Das „Digitale Lagerhaus“
Stellen Sie sich KI-Daten wie physische Kartons in einem Lagerhaus vor.
- Die Explosion: Die Anzahl dieser „Kartonagen“ (Datensätze) wächst so schnell, dass das Lagerhaus in einem alarmierenden Tempo voll wird. Das Papier untersuchte ein beliebtes öffentliches Lagerhaus (Hugging Face) und stellte fest, dass die Menge der hinzugefügten Daten explodiert ist.
- Die versteckte Energie: Die meisten Menschen sorgen sich um die Energie, die es kostet, das Mahl zu kochen (das Training des KI-Modells). Aber dieses Papier weist darauf hin, dass die Energie, die allein zur Speicherung der Zutaten benötigt wird, massiv ist.
- Die Analogie: Stellen Sie sich vor, Sie müssten von jedem Buch, das Sie jemals gelesen haben, eine Kopie in Ihrem eigenen Keller aufbewahren, selbst wenn Sie es nie wieder lesen würden. Genau das passiert, wenn Forscher diese Datensätze herunterladen. Das Papier schätzt, dass die Energie, die allein für die Speicherung dieser heruntergeladenen Kopien verwendet wird, dem jährlichen CO2-Fußabdruck von 217.000 Menschen entspricht.
- Das Standortproblem: Die meisten dieser Lagerhäuser befinden sich in den USA, wo der Strom aus schmutzigeren Quellen (wie Kohle) stammt. Wenn sie in Europa wären, wo der Strom sauberer ist, wäre die Verschmutzung viel geringer. Aber im Moment befindet sich das „digitale Lagerhaus“ in der schmutzigsten Nachbarschaft.
2. Die soziale Rechnung: Die „unsichtbaren Fabrikarbeiter“
Um diese Zutaten für den Koch bereit zu machen, muss jemand sie sortieren, reinigen und etikettieren.
- Die Arbeiter: Das Papier interviewte 134 Datenarbeiter in Kenia, einem Land, das als Zentrum für diese Art von digitaler Arbeit bekannt ist.
- Die Bedingungen: Diese Arbeiter werden oft sehr wenig bezahlt (etwa 200–300 USD im Monat, was unter dem Landesdurchschnitt liegt) und arbeiten lange Stunden (40–60 Stunden pro Woche).
- Das Trauma: Eine wichtige Erkenntung ist, dass viele dieser Arbeiter täglich grafischen, verstörenden oder gewalttätigen Inhalten ausgesetzt sind (wie etwa beim Sortieren von schlechten Bildern für die „Sicherheit“).
- Die Analogie: Stellen Sie sich einen Job vor, bei dem Sie durch Müll sortieren müssen, um die guten Dinge zu finden, aber der Müll auch Albträume beinhaltet. Das Papier fand heraus, dass die Arbeiter, die mit traumatischen Inhalten konfrontiert sind, weniger zusätzliche Bezahlung erhalten. Es ist eine „Trauma-Steuer“, die nicht entschädigt wird.
- Die Ungleichheit: Die Arbeiter befinden sich überwiegend im Globalen Süden (wie Kenia), während die Unternehmen, die die KI herstellen (wie Google oder Meta), im Globalen Norden ansässig sind. Die Arbeiter tragen die psychischen Risiken, während die Unternehmen die Gewinne behalten.
3. Die wirtschaftliche Rechnung: Der „Goldrausch“
- Die Investition: Der Bau dieser massiven Datengräber und der Server darin kostet ein Vermögen. Das Papier stellt fest, dass die weltweiten Investitionen in Rechenzentren mittlerweile größer sind als die weltweiten Investitionen in Öl.
- Das Monopol: Genau wie einige wenige große Unternehmen die meisten Ölquellen besitzen, besitzen auch einige wenige große Tech-Unternehmen den Großteil der Dateninfrastruktur.
- Das Ungleichgewicht: Das Papier weist darauf hin, dass Daten von Menschen auf der ganzen Welt generiert werden (einschließlich Indien und Afrika), die „Fabriken“, die sie verarbeiten, aber hauptsächlich in den USA liegen. Das bedeutet, dass der durch die Daten geschaffene Wert in den USA bleibt, während die Menschen, die die Daten generiert haben, nur sehr wenig erhalten.
4. Das Repräsentationsproblem: Die „Echokammer“
Das Papier untersuchte auch, was in diesen Datengräbern enthalten ist.
- Der Bias (Voreingenommenheit): Obwohl das Internet global ist, sind die Daten, die zur Ausbildung der KI verwendet werden, überwiegend auf Englisch.
- Die Analogie: Stellen Sie sich vor, Sie versuchen, ein Kind über die ganze Welt zu lehren, aber Sie geben ihm nur Bücher auf Englisch. Das Kind wird denken, dass die ganze Welt Englisch spricht und dass die englische Kultur die einzige ist, die zählt. Das Papier fand heraus, dass Englisch die Daten dominiert, während Sprachen, die von Milliarden Menschen gesprochen werden, kaum repräsentiert sind. Dies macht die KI zugunsten von Englischsprechern voreingenommen.
Die Lösung: „Data PROOFS“
Die Autoren wollen nicht nur auf die Probleme hinweisen; sie schlagen einen Satz von Regeln namens Data PROOFS vor, um diese zu beheben:
- Provenance (Herkunft): Wissen, woher die Daten kommen, und den Menschen, die sie erstellt haben, Anerkennung zuteilwerden lassen.
- Resource-awareness (Ressourcenbewusstsein): Aufhören zu behaupten, Daten seien „kostenlos“. Messen Sie den Energie- und Humanaufwand jedes Datensatzes.
- Ownership (Eigentum): Die Menschen, die Daten erstellen, sollten sie besitzen, nicht die großen Tech-Unternehmen.
- Openness (Offenheit): Seien Sie transparent über die Kosten.
- Frugality (Genügsamkeit): Hören Sie auf, Daten zu horten. Nutzen Sie weniger Daten, wenn dies genauso gut funktioniert.
- Standards (Standards): Erstellen Sie Regeln dafür, wie wir diese Kosten messen und melden.
Das Fazit
Das Papier kommt zu dem Schluss, dass der Wettlauf um den Bau „superintelligenter“ KI durch das Sammeln unendlicher Mengen an Daten kein neutraler Weg des Fortschritts ist. Es ist ein System, das im Stillen die Energie unseres Planeten absaugt, Arbeiter in Entwicklungsländern ausbeutet und die Vorstellung verstärkt, dass nur englischsprachige Kulturen zählen. Die Autoren fordern uns auf, langsamer zu werden, die versteckten Kosten zu betrachten und damit zu beginnen, ein System aufzubauen, das fair und nachhaltig ist.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.