AI prompts အချို့သည် အခြား prompts များထက် CO2 ထုတ်လွှတ်မှု ၅၀ ဆ ပိုများစေနိုင်သည်

(SeaPRwire) –   အီးမေးလ်တစ်စောင်ရေးတာပဲဖြစ်ဖြစ်၊ အားလပ်ရက်ခရီးတစ်ခုကိုစီစဉ်တာပဲဖြစ်ဖြစ်၊ လူအတော်များများက ၎င်းတို့ဟာ တစ်နေ့ကိုအတုပြုလုပ်ထားတဲ့ ဉာဏ်ရည်တုနဲ့ အကြိမ်ပေါင်းများစွာအပြန်အလှန်အကျိုးသက်ရောက်မှုရှိတယ်လို့ဆိုကြပြီး၊ နောက်ထပ် ၂၈% ကတော့ ၎င်းတို့ရဲ့အသုံးပြုမှုဟာ တစ်နေ့ကိုတစ်ကြိမ်လောက်ရှိတယ်လို့ဆိုကြပါတယ်။

ဒါပေမဲ့ လူတော်တော်များများက သူတို့ရဲ့ရှာဖွေမှုတွေရဲ့ သဘာဝပတ်ဝန်းကျင်အပေါ်သက်ရောက်မှုကို သတိမထားမိကြပါဘူး။ ဥပမာအားဖြင့် ChatGPT ကိုအသုံးပြုပြီးတောင်းဆိုမှုတစ်ခုပြုလုပ်ခြင်းဟာ Google မှာရှာဖွေခြင်းထက် လျှပ်စစ်ဓာတ်အား ၁၀ ဆပိုသုံးစွဲတယ်လို့ သိရပါတယ်။ ထို့အပြင် AI မော်ဒယ်တွေကိုစွမ်းအင်ပေးဖို့အတွက် မရှိမဖြစ်လိုအပ်တဲ့ data centers တွေက ၂၀၂၃ ခုနှစ်မှာ အမေရိကန်မှာသုံးစွဲတဲ့ လျှပ်စစ်ဓာတ်အားရဲ့ ၂.၅% ကိုသုံးစွဲခဲ့ကြပြီး ၂၀၂၈ ခုနှစ်မှာတော့ နိုင်ငံရဲ့လျှပ်စစ်ဓာတ်အားရဲ့ ခန့်မှန်းခြေ ၆.၇% ကနေ ၁၂% အထိသုံးစွဲမယ်လို့မျှော်လင့်ထားကြပါတယ်။ ကမ္ဘာတစ်ဝန်းမှာရှိတဲ့ data centers အရေအတွက်ဟာ ၂၀၁၂ ခုနှစ်မှာ ၅၀၀,၀၀၀ ကနေ ယခုအချိန်မှာ ၈ သန်းကျော်အထိမြင့်တက်လာတဲ့အတွက် အဲဒီကိန်းဂဏန်းဟာ ထိုထက်မကတိုးလာဖို့ပဲရှိပါတယ်။

မှာထုတ်ဝေတဲ့ လေ့လာမှုအသစ်တစ်ခုဟာ ဒီပြဿနာကို ပိုအာရုံစိုက်လာအောင် ရည်ရွယ်ထားပါတယ်။ သုတေသီတွေက တုံ့ပြန်မှုတွေထုတ်လုပ်ဖို့လိုအပ်တဲ့ “ tokens” အရေအတွက်ကို—ဘာသာစကားပုံစံတွေက စာသားတွေကိုလုပ်ဆောင်ပြီးထုတ်လုပ်ဖို့အသုံးပြုတဲ့ အသေးငယ်ဆုံးဒေတာယူနစ်—စမ်းသပ်လေ့လာခဲ့ပြီး တချို့သော prompts တွေဟာ တခြား prompts တွေထက် CO2 ထုတ်လွှတ်မှု ၅၀ ဆအထိပိုများနိုင်တယ်လို့ တွေ့ရှိခဲ့ပါတယ်။

မတူညီတဲ့ AI မော်ဒယ်တွေဟာ မတူညီတဲ့ parameters အရေအတွက်ကိုသုံးကြပါတယ်။ parameters ပိုများတဲ့မော်ဒယ်တွေဟာ မကြာခဏဆိုသလို မှန်ကန်မှုကိုရရှိလေ့ရှိပါတယ်။ လေ့လာမှုအရ မေးခွန်းအမျိုးပေါင်းစုံက မေးခွန်း ၁,၀၀၀ ကိုမေးပြီး ခုနစ်ဘီလီယံကနေ ၇၂ ဘီလီယံ parameters အထိပါဝင်တဲ့ large language models (LLMs) ၁၄ ခုကို စမ်းသပ်ခဲ့ပါတယ်။ Parameters တွေဟာ မော်ဒယ်တစ်ခုက သင်ယူလေ့ကျင့်နေစဉ်အတွင်းမှာရရှိတဲ့ အတွင်းပိုင်း variables တွေဖြစ်ပြီး ရလဒ်တွေကိုထုတ်လုပ်ဖို့အတွက်အသုံးပြုပါတယ်။

ပိုမိုရှုပ်ထွေးတဲ့လုပ်ငန်းတွေကိုလုပ်ဆောင်နိုင်တဲ့ Reasoning-enabled models တွေဟာ ပျမ်းမျှအားဖြင့် တစ်ခုသောမေးခွန်းအတွက် “ thinking” tokens ၅၄၃.၅ ခုကို ဖန်တီးခဲ့ပါတယ် (ဒီ tokens တွေဟာ အဖြေတစ်ခုမထုတ်လုပ်ခင် reasoning LLMs တွေကထုတ်လုပ်တဲ့ နောက်ထပ်ဒေတာယူနစ်တွေဖြစ်ပါတယ်)။ ဒါဟာ မေးခွန်းတစ်ခုအတွက် tokens ၃၇.၇ ခုသာလိုတဲ့ အကျဉ်းချုပ်ထုတ်နိုင်တဲ့မော်ဒယ်တွေနဲ့နှိုင်းယှဉ်ရင် အများကြီးပိုပါတယ်။ tokens တွေကိုပိုသုံးလေလေ၊ အဖြေမှန်သည်ဖြစ်စေ၊ မမှန်သည်ဖြစ်စေ၊ ထုတ်လွှတ်မှုတွေက ပိုများလေလေပါပဲ။

မေးခွန်းရဲ့အကြောင်းအရာတွေဟာ ထုတ်လွှတ်မှုပမာဏအပေါ် သက်ရောက်မှုရှိပါတယ်။ အထက်တန်းကျောင်းသမိုင်းဘာသာရပ်လို ရိုးရှင်းတဲ့အကြောင်းအရာတွေဟာ အရှည်လျားဆုံး စဉ်းစားတွေးခေါ်မှုလုပ်ငန်းစဉ်တွေလိုအပ်တဲ့ abstract algebra (အက္ခရာသင်္ချာ) ဒါမှမဟုတ် ဒဿနိကဗေဒ ဘာသာရပ်တွေထက် ၆ ဆအထိလျော့နည်းတဲ့ ထုတ်လွှတ်မှုပမာဏကိုသာ ထုတ်လွှတ်ပါတယ်။

လက်ရှိမှာ မော်ဒယ်အများအပြားမှာ တိကျမှန်ကန်မှုနဲ့ ရေရှည်တည်တံ့နိုင်မှုတို့အကြား မွေးရာပါ “ trade-off” ရှိတယ်လို့ သုတေသီတွေကဆိုပါတယ်။ သုတေသီတွေက အတိကျဆုံးလို့သတ်မှတ်ထားတဲ့ reasoning-enabled Cogito model ဟာ အလားတူအရွယ်အစားရှိပြီး ပိုမိုတိကျသောအဖြေတွေကိုထုတ်လုပ်ပေးတဲ့မော်ဒယ်တွေထက် CO2 ထုတ်လွှတ်မှုကို သုံးဆပိုထုတ်လုပ်ပါတယ်။ လက်ရှိ AI မော်ဒယ်တွေရဲ့အနေအထားအရ မူလအခက်အခဲက စွမ်းအင်ထိရောက်မှုနဲ့ တိကျမှန်ကန်မှုနှစ်ခုစလုံးကို အကောင်းဆုံးဖြစ်အောင် လုပ်ဆောင်နိုင်ဖို့ပဲဖြစ်ပါတယ်။ Hochschule München University of Applied Sciences မှသုတေသီနှင့် စာတမ်းရေးသားသူ Maximilian Dauner က “ CO₂ 500 ဂရမ်အောက် ထုတ်လွှတ်မှုကိုထိန်းထားနိုင်တဲ့ မော်ဒယ်တွေထဲမှာ ဘယ်မော်ဒယ်ကမှ မေးခွန်း ၁,၀၀၀ ကို မှန်ကန်စွာဖြေဆိုနိုင်တဲ့ တိကျမှန်ကန်မှု 80% ထက်မပိုပါဘူး” လို့ သတင်းထုတ်ပြန်ချက်တစ်ခုမှာ ပြောကြားခဲ့ပါတယ်။

မေးတဲ့မေးခွန်းအမျိုးအစား ဒါမှမဟုတ် အဖြေရဲ့တိကျမှန်ကန်မှုအတိုင်းအတာသာမကဘဲ မော်ဒယ်တွေကလည်း ထုတ်လွှတ်မှုတွေမှာ ကွဲပြားခြားနားမှုကိုဖြစ်စေနိုင်ပါတယ်။ သုတေသီတွေက ဘာသာစကားမော်ဒယ်အချို့ဟာ အခြားမော်ဒယ်တွေထက် ထုတ်လွှတ်မှုပိုများတယ်ဆိုတာကို တွေ့ရှိခဲ့ပါတယ်။ DeepSeek R1 (parameters ၇၀ ဘီလီယံ) က မေးခွန်း ၆၀၀,၀၀၀ ကိုဖြေဆိုဖို့အတွက် လန်ဒန်ကနေ နယူးယောက်ကို အသွားအပြန်လေယာဉ်ခရီးစဉ်နဲ့ညီမျှတဲ့ CO2 ထုတ်လွှတ်မှုပမာဏကိုဖန်တီးနိုင်ပြီး Qwen 2.5 (parameters ၇၂ ဘီလီယံ) က တိကျမှန်ကန်မှုနှုန်းနဲ့ ထုတ်လွှတ်မှုပမာဏအတူတူရှိပေမဲ့ မေးခွန်းပေါင်း ၁.၉ သန်းလောက်ကို သုံးဆပိုဖြေဆိုနိုင်ပါတယ်။

သုံးစွဲသူတွေအနေနဲ့ သူတို့ရဲ့ AI အသုံးပြုမှုရဲ့ သဘာဝပတ်ဝန်းကျင်အပေါ်သက်ရောက်မှုကို ပိုသတိထားလာနိုင်မယ်လို့ သုတေသီတွေက မျှော်လင့်ပါတယ်။ Dauner က “ သုံးစွဲသူတွေသာ သူတို့ကို လုပ်ဆောင်ချက်ရုပ်ပုံလေးတွေအဖြစ် ပြောင်းလဲပေးနိုင်တဲ့ AI ကထုတ်ပေးတဲ့အရာတွေရဲ့ CO₂ ကုန်ကျစရိတ်ကို တိတိကျကျသိရှိမယ်ဆိုရင် ဒီနည်းပညာတွေကို ဘယ်အချိန် ဘယ်လိုသုံးရမလဲဆိုတာကို ပိုရွေးချယ်နိုင်ပြီး ပိုစဉ်းစားလာနိုင်ပါတယ်” လို့ပြောကြားခဲ့ပါတယ်။

“ `