سیستمهای هوش مصنوعی دیگر فقط یک داستان نرمافزاری نیستند؛ آنها یک داستان زیرساختی هستند. هر پرامپت، تصویر تولیدشده و بهروزرسانی مدل، در پس برق، سختافزار سرور، سیستمهای خنککننده و یک زنجیره تأمین قرار دارد که ردپای زیستمحیطی قابل اندازهگیری از خود برجای میگذارد. این امر هوش مصنوعی و انرژی را به یک مسئله عملی برای کسبوکارها، سیاستگذاران و هر کسی که میکوشد نحوه مقیاسپذیری هوش مصنوعی را درک کند، تبدیل میکند. این مقاله به این موضوعات میپردازد که برق کجا مصرف میشود، چرا مراکز داده اهمیت دارند، چه چیزهای دیگری پشت ردپای زیستمحیطی هوش مصنوعی قرار دارد و کدام انتخابهای کارایی و انرژی پاک میتوانند تأثیر را بدون توقف نوآوری کاهش دهند.
توضیح ردپای زیستمحیطی هوش مصنوعی
ردپای زیستمحیطی هوش مصنوعی، مجموعه کاملی از اثراتی است که از ساخت، آموزش و اجرای سیستمهای هوش مصنوعی ناشی میشود: مصرف برق، مصرف آب، استخراج مواد، انتشار گازهای گلخانهای و پسماند الکترونیکی. این موضوع اکنون اهمیت دارد زیرا سرعت پذیرش در حال افزایش است و ردپای مراکز داده نیز با آن گسترش مییابد. تراشههای جدید، خوشههای بزرگتر و خدمات ابری همیشه فعال، هوش مصنوعی را از یک بار محاسباتی خاص به یک تقاضای انرژی قابل مشاهده تبدیل کردهاند. سؤال این نیست که آیا هوش مصنوعی تأثیر ایجاد میکند، بلکه این است که این تأثیر چقدر بزرگ میشود و چگونه مدیریت میشود. این به معنای بررسی همزمان مصرف انرژی، نیازهای خنککننده و گزینههای پایداری است.
چرا هوش مصنوعی اینقدر انرژی مصرف میکند
بارهای کاری هوش مصنوعی از نظر محاسباتی سنگین هستند زیرا به لایههای زیادی از محاسبات ماتریسی در GPUها، CPUها و تراشههای تخصصی متکی هستند. آموزش مدل به ویژه پرمصرف است: سیستم ممکن است مجموعه دادههای عظیمی را بارها و بارها پردازش کند، وزنها را به طور مکرر تنظیم کند و برای روزها یا هفتهها در هر بار اجرا شود. این با مرور وب یا پخش عادی بسیار متفاوت است، جایی که یک درخواست یک بار پردازش میشود و فراموش میشود. استنتاج، فازی که یک مدل آموزشدیده به سؤالات پاسخ میدهد یا محتوا تولید میکند، انرژی کمتری نسبت به آموزش مصرف میکند، اما همچنان میتواند تقاضای برق بالایی را ایجاد کند زمانی که میلیونها نفر هر روز با سیستم تعامل دارند. مقیاس همه چیز را تغییر میدهد.
مراکز داده و افزایش تقاضای برق
مراکز داده ستون فقرات فیزیکی هوش مصنوعی، ذخیرهسازی ابری و استقرار هستند. آنها سرورها، تجهیزات شبکه و سیستمهای خنککننده را در خود جای میدهند که مدلها را به صورت شبانهروزی در دسترس نگه میدارند. با رشد هوش مصنوعی، تقاضای برق از بارهای سختافزاری متراکم، خنککننده هوا و مایع، سیستمهای پشتیبان و عملیات مداوم افزایش مییابد. این فقط یک مسئله حسابداری شرکتی نیست؛ بلکه بر برنامهریزی شبکه، سرمایهگذاریهای تأسیساتی و مکان ساخت تأسیسات جدید تأثیر میگذارد. در برخی مناطق، مراکز داده در نزدیکی زیرساختهای برق قوی و قوانین مالیاتی مطلوب متمرکز میشوند که میتواند ظرفیت محلی را تحت فشار قرار دهد. به همین دلیل است که ردپای زیستمحیطی هوش مصنوعی به یک مسئله انرژی در سطح سیستم تبدیل شده است تا یک نگرانی فنی محدود.
تأثیرات زیستمحیطی فراتر از مصرف برق
برق تنها بخشی از داستان است. هنگامی که این برق از سوختهای فسیلی تأمین میشود، هوش مصنوعی به انتشار گازهای گلخانهای به همان شیوهای که سایر بخشهای پرمصرف انرژی میکنند، کمک میکند. خنککننده نیز میتواند نیاز به مصرف قابل توجه آب داشته باشد که در مناطق خشک یا کمآب حساستر میشود. سپس پسماند الکترونیکی وجود دارد: چرخه عمر تراشهها سریع است، عمر مفید سختافزار کوتاه است و سرورهای قدیمیتر، حافظه و تجهیزات شبکه در نهایت نیاز به تعمیر، بازیافت یا دفع دارند. استخراج مواد خام تأثیر زیستمحیطی را مدتها قبل از روشن شدن سرور آغاز میکند. استخراج، پالایش و ساخت نیمههادیها همگی هزینههای زیستمحیطی دارند، بنابراین ردپا در زنجیره تأمین آغاز میشود، نه فقط در مرکز داده.
میزان تأثیر امروز چقدر است؟
هوش مصنوعی هنوز بزرگترین مصرفکننده انرژی جهان نیست، اما به اندازه کافی سریع در حال رشد است که شایسته توجه دقیق باشد. امروزه، سهم نسبتاً کوچکی از تقاضای جهانی برق را تشکیل میدهد، با این حال پیشبینیها بسته به منطقه، اندازه مدل و بهبودهای کارایی، بسیار متفاوت است. اجرای یک مدل بزرگ میتواند انرژی بسیار بیشتری نسبت به یک جستجوی معمولی مصرف کند و یک سرویس هوش مصنوعی شلوغ میتواند هنگام استفاده با سرعت اینترنت به تقاضای جدی برسد. این مقایسهها را مفید میکند، اما تنها در صورتی که بر اساس واقعیت باشد. نکته اصلی این است: هوش مصنوعی هنوز قابل کنترل است، اما اگر پذیرش از افزایش کارایی پیشی بگیرد، مسیر میتواند به سرعت تغییر کند.
آیا هوش مصنوعی میتواند کارآمدتر باشد؟
خبر خوب این است که هوش مصنوعی و انرژی مجبور نیستند برای همیشه همگام حرکت کنند. معماریهای کوچکتر، هرس کردن، کوانتیزاسیون و سایر تکنیکهای بهینهسازی میتوانند محاسبات را بدون تخریب عملکرد مفید کاهش دهند. کارایی بهتر استنتاج نیز اهمیت دارد، زیرا بیشتر استفادههای روزمره پس از آموزش مدل اتفاق میافتد. انتخابهای آموزشی هوشمندانهتر—مانند مدیریت بهتر دادهها، اجرای کمتر اضافی و آزمایشهای انتخابیتر—میتوانند محاسبات هدر رفته را کاهش دهند. نرمافزار کارآمد از نظر انرژی اغلب هزینههای ابری کمتری نیز به همراه دارد، که به تیمها دلیل مالی برای بهبود میدهد. ارتقاء سختافزار کمک میکند، اما انضباط نرمافزاری معمولاً تعیین میکند که آیا آن سختافزار به مسئولیتپذیری یا با هدررفت استفاده میشود.
منابع انرژی پاکتر برای هوش مصنوعی
منابع انرژی پاکتر میتوانند شدت کربن بارهای کاری هوش مصنوعی و مراکز داده را کاهش دهند، به ویژه زمانی که تدارکات به تولید واقعی گره خورده باشد و نه فقط به جبرانهای کاغذی. انرژی تجدیدپذیر کمک میکند، اما یک سوئیچ جادویی نیست. محدودیتهای ذخیرهسازی، در دسترس بودن شبکه و زمانبندی کارهای محاسباتی همگی بر مزایای زیستمحیطی واقعی تأثیر میگذارند. یک بار کاری که با باد یا خورشید تأمین میشود، زمانی بیشترین کارایی را دارد که تأسیسات بتوانند وظایف را برای مطابقت با تولید جابجا کنند یا در مناطقی با شبکههای پاکتر برق خریداری کنند. مکان اهمیت دارد، زمانبندی اهمیت دارد و جزئیات منبعیابی اهمیت دارند. انرژی پاک انتشار گازهای گلخانهای را کاهش میدهد، اما مصرف آب، چرخه عمر سختافزار یا سایر تأثیرات زیستمحیطی را از بین نمیبرد.
سیاستگذاران و شرکتها چه کاری میتوانند انجام دهند
Join our Newsletter — Get Updates, Offers and Invites.