Развивающиеся страны остаются позади в гонке ИИ — и это проблема для всех нас
По состоянию на октябрь 2021 года сообщалось, что 44 страны имеют свои собственные национальные стратегические планы в области ИИ, что свидетельствует об их готовности продвигаться вперед в глобальной гонке ИИ. К ним относятся страны с развивающейся экономикой, такие как Китай и Индия, которые лидируют в разработке национальных планов ИИ в развивающемся мире.
Фото: https://regnum.ru/
Oxford Insights, консалтинговая фирма, консультирующая организации и правительства по вопросам цифровой трансформации, оценила готовность 160 стран мира к использованию ИИ в государственных службах. США занимают первое место в Индексе готовности правительства к ИИ за 2021 год, за ними следуют Сингапур и Великобритания. Примечательно, что регионы с самыми низкими баллами в этом индексе включают большую часть развивающегося мира, например страны Африки к югу от Сахары, Карибский бассейн и Латинскую Америку, а также некоторые страны Центральной и Южной Азии.
Развитый мир имеет неизбежное преимущество в достижении быстрого прогресса в революции ИИ. Обладая большим экономическим потенциалом, эти более богатые страны, естественно, лучше всего подходят для крупных инвестиций в исследования и разработки, необходимые для создания современных моделей ИИ. Напротив, у развивающихся стран часто есть более насущные приоритеты, такие как образование, санитария, здравоохранение и питание населения, которые перевешивают любые значительные инвестиции в цифровую трансформацию. В этом климате ИИ может увеличить цифровой разрыв, который уже существует между развитыми и развивающимися странами.
Скрытые издержки современного ИИ
ИИ традиционно определяется как «наука и техника создания интеллектуальных машин». Для решения проблем и выполнения задач модели ИИ обычно просматривают прошлую информацию и изучают правила для прогнозирования на основе уникальных закономерностей в данных.
ИИ — это широкий термин, включающий две основные области — машинное обучение и глубокое обучение. В то время как машинное обучение, как правило, подходит для обучения на небольших, хорошо организованных наборах данных, алгоритмы глубокого обучения больше подходят для решения сложных реальных задач, например, для прогнозирования респираторных заболеваний с помощью рентгенограмм грудной клетки.
Многие современные приложения на основе ИИ, от функции Google Translate до роботизированных хирургических процедур, используют глубокие нейронные сети. Это особый тип модели глубокого обучения, основанный на архитектуре человеческого мозга.
Важно отметить, что нейронные сети нуждаются в данных, часто требуя миллионов примеров, чтобы научиться хорошо выполнять новую задачу. Это означает, что им требуется сложная инфраструктура хранения данных и современное вычислительное оборудование по сравнению с более простыми моделями машинного обучения. Такая крупномасштабная вычислительная инфраструктура обычно недоступна для развивающихся стран.
Помимо высокой цены, еще одна проблема, которая непропорционально влияет на развивающиеся страны, — это растущий урон, который этот тип ИИ наносит окружающей среде. Например, обучение современной нейронной сети стоит более $150 000 и во время обучения создаст около 650 кг выбросов углерода (сопоставимо с трансамериканским перелетом). Обучение более продвинутой модели может привести к примерно пятикратному увеличению общих выбросов углерода, производимых средним автомобилем за весь срок его службы.
Развитые страны исторически были основными источниками роста выбросов углерода, но бремя таких выбросов, к сожалению, больше всего ложится на развивающиеся страны. Глобальный Юг, как правило, страдает от непропорциональных экологических кризисов, таких как экстремальные погодные условия, засухи, наводнения и загрязнение, отчасти из-за его ограниченных возможностей инвестировать в борьбу с изменением климата. Развивающиеся страны также получают наименьшую выгоду от достижений в области ИИ и всего хорошего, что он может принести, включая повышение устойчивости к стихийным бедствиям.
Использование ИИ во благо
В то время как развитые страны добиваются быстрого технического прогресса, развивающиеся страны недостаточно представлены в революции ИИ. И помимо несправедливого роста, развивающийся мир несет основную тяжесть экологических последствий, которые создают современные модели ИИ, в основном развернутые в развитом мире.
Но это не все плохие новости. Согласно исследованию 2020 года, ИИ может помочь достичь 79% целей в рамках целей устойчивого развития. Например, ИИ можно использовать для измерения и прогнозирования наличия загрязнения в системах водоснабжения, тем самым улучшая процессы мониторинга качества воды. Это, в свою очередь, может расширить доступ к чистой воде в развивающихся странах.
Преимущества ИИ на глобальном юге могут быть огромными — от улучшения санитарии до помощи в образовании и обеспечения более качественного медицинского обслуживания. Эти постепенные изменения могут иметь значительные последствия для потока. Например, улучшение санитарии и медицинских услуг в развивающихся странах могло бы помочь предотвратить вспышки заболеваний.
Но если мы хотим достичь истинной ценности «хорошего ИИ», необходимо равноправное участие в разработке и использовании технологии. Это означает, что развитому миру необходимо оказывать большую финансовую и технологическую поддержку развивающемуся миру в революции ИИ. Эта поддержка должна быть более чем краткосрочной, она принесет значительные и долгосрочные выгоды для всех.
Авторы:
Джойджит Чаттерджи, специалист по обработке и анализу данных (сотрудник KTP), Халлский университет;
Нина Детлефс, старший преподаватель компьютерных наук, Халлский университет.
Обсудим?
Смотрите также:
