چرا هوش مصنوعی این‌قدر برق مصرف می‌کند؟

هوش مصنوعی در چند سال اخیر با سرعت بسیار زیادی رشد کرده است. ابزارهایی مانند ChatGPT، Gemini و مدل‌های تولید تصویر و ویدئو حالا می‌توانند در چند ثانیه متن، تصویر، صدا و حتی کد تولید کنند. اما پشت این قابلیت‌های پیشرفته، زیرساختی بسیار بزرگ از دیتاسنترها، پردازنده‌ها و سیستم‌های خنک‌کننده قرار دارد که برای فعالیت خود به انرژی زیادی نیاز دارند.

شاید این سؤال مطرح شود که چرا یک سؤال ساده از یک چت‌بات می‌تواند به مصرف انرژی مربوط باشد؟ دلیل اصلی این است که پاسخ‌گویی به درخواست‌های هوش مصنوعی در مقیاس بزرگ، به هزاران یا حتی میلیون‌ها پردازش هم‌زمان در دیتاسنترها وابسته است.

هوش مصنوعی دقیقاً کجا برق مصرف می‌کند؟

مصرف انرژی هوش مصنوعی فقط به خود مدل مربوط نمی‌شود. چند بخش اصلی در این فرایند انرژی مصرف می‌کنند:

• پردازنده‌های قدرتمند مانند GPU و شتاب‌دهنده‌های هوش مصنوعی
• سیستم‌های ذخیره‌سازی و شبکه
• سیستم‌های خنک‌کننده دیتاسنتر
• تجهیزات برق و زیرساخت دیتاسنتر
• سیستم‌های پشتیبان و UPS

در نتیجه، وقتی از مصرف برق یک سرویس هوش مصنوعی صحبت می‌کنیم، باید کل زیرساخت موردنیاز برای اجرای آن را در نظر بگیریم.

چرا GPUها برق زیادی مصرف می‌کنند؟

مدل‌های هوش مصنوعی برای آموزش و اجرای خود به محاسبات بسیار زیادی نیاز دارند. برخلاف بسیاری از نرم‌افزارهای معمولی، مدل‌های هوش مصنوعی با حجم عظیمی از عملیات ریاضی کار می‌کنند.

GPUها برای انجام تعداد بسیار زیادی محاسبه موازی طراحی شده‌اند و به همین دلیل برای آموزش مدل‌های هوش مصنوعی بسیار مناسب هستند. اما انجام این حجم از محاسبات به انرژی قابل‌توجهی نیاز دارد.

هرچه مدل بزرگ‌تر و پیچیده‌تر باشد، معمولاً منابع محاسباتی بیشتری نیز لازم خواهد داشت. اگر هزاران پردازنده به‌صورت هم‌زمان در یک دیتاسنتر فعالیت کنند، مصرف برق مجموع آن‌ها بسیار زیاد خواهد شد.

آموزش مدل هوش مصنوعی چرا انرژی زیادی می‌خواهد؟

یکی از پرمصرف‌ترین مراحل، آموزش مدل است.

برای آموزش یک مدل بزرگ، حجم عظیمی از داده‌ها پردازش می‌شود و مدل بارها و بارها پارامترهای خود را تغییر می‌دهد تا بتواند الگوهای موجود در داده‌ها را یاد بگیرد.

این فرایند ممکن است روزها یا حتی هفته‌ها روی تعداد زیادی شتاب‌دهنده پردازشی ادامه داشته باشد.

به همین دلیل، آموزش یک مدل پیشرفته هوش مصنوعی می‌تواند به مقدار زیادی انرژی نیاز داشته باشد.

اما پاسخ دادن به یک سؤال ساده چطور؟

حتی بعد از آموزش مدل، کار تمام نمی‌شود. هر بار که کاربر سؤالی می‌پرسد، مدل باید درخواست را پردازش کرده و پاسخ تولید کند. به این مرحله معمولاً Inference یا استنتاج گفته می‌شود.

اگر یک مدل میلیون‌ها کاربر داشته باشد، تعداد این درخواست‌ها بسیار زیاد می‌شود. بنابراین حتی اگر مصرف انرژی یک درخواست به‌تنهایی چندان زیاد نباشد، مجموع میلیون‌ها یا میلیاردها درخواست می‌تواند مصرف انرژی قابل‌توجهی ایجاد کند.

به بیان ساده:

یک درخواست = مصرف انرژی نسبتاً کم

اما:

میلیون‌ها درخواست = مصرف انرژی بسیار زیاد

دیتاسنترها فقط برای پردازش به برق نیاز ندارند

یکی از نکات مهم، سیستم خنک‌کننده است.

پردازنده‌های قدرتمند هنگام فعالیت گرمای زیادی تولید می‌کنند. اگر این گرما از دیتاسنتر خارج نشود، تجهیزات نمی‌توانند به‌صورت پایدار کار کنند.

به همین دلیل دیتاسنترهای هوش مصنوعی به سیستم‌های خنک‌کننده قدرتمندی نیاز دارند. در برخی دیتاسنترهای مدرن، از خنک‌سازی مایع برای انتقال مؤثرتر گرما از تراشه‌ها استفاده می‌شود.

بنابراین بخشی از انرژی مصرف‌شده در دیتاسنتر مستقیماً صرف محاسبات نمی‌شود و برای خنک‌سازی و تجهیزات جانبی مصرف می‌شود.

چرا رشد هوش مصنوعی نگرانی‌های انرژی ایجاد کرده است؟

مشکل اصلی زمانی ایجاد می‌شود که تعداد دیتاسنترهای مجهز به سخت‌افزار هوش مصنوعی به‌سرعت افزایش پیدا کند.

شرکت‌های فناوری برای توسعه مدل‌های بزرگ‌تر به پردازنده‌های بیشتری نیاز دارند و هم‌زمان کاربران نیز بیشتر از سرویس‌های هوش مصنوعی استفاده می‌کنند.

این رشد می‌تواند تقاضا برای برق را افزایش دهد و در برخی مناطق، فشار بیشتری بر شبکه برق وارد کند.

به همین دلیل، شرکت‌های فناوری علاوه بر ساخت دیتاسنترهای جدید، به دنبال منابع انرژی بیشتر و روش‌های کم‌مصرف‌تر برای اجرای مدل‌های هوش مصنوعی هستند.

آیا همه مدل‌های هوش مصنوعی به یک اندازه برق مصرف می‌کنند؟

خیر.

مصرف انرژی به عوامل مختلفی بستگی دارد؛ از جمله:

• اندازه مدل
• نوع پردازنده مورد استفاده
• طول درخواست و پاسخ
• پیچیدگی عملیات
• تعداد کاربران هم‌زمان
• روش بهینه‌سازی مدل
• نوع خروجی، مانند متن، تصویر یا ویدئو

برای مثال، تولید یک متن کوتاه معمولاً به اندازه تولید یک تصویر یا ویدئوی پیچیده محاسبات نیاز ندارد.

به همین دلیل نمی‌توان یک عدد ثابت را به‌عنوان مصرف برق تمام درخواست‌های هوش مصنوعی اعلام کرد.

آیا هوش مصنوعی می‌تواند در آینده کم‌مصرف‌تر شود؟

بله. یکی از مهم‌ترین حوزه‌های تحقیقاتی صنعت، افزایش بهره‌وری انرژی است.

شرکت‌های سازنده تراشه در حال توسعه شتاب‌دهنده‌هایی هستند که بتوانند عملیات هوش مصنوعی را با مصرف انرژی کمتر انجام دهند. از طرف دیگر، خود مدل‌ها نیز با روش‌هایی مانند فشرده‌سازی، Quantization و معماری‌های بهینه‌تر می‌توانند به منابع کمتری نیاز داشته باشند.

همچنین استفاده از مدل‌های کوچک‌تر برای کارهای ساده می‌تواند از اجرای یک مدل بسیار بزرگ برای تمام درخواست‌ها جلوگیری کند.

در آینده احتمالاً شاهد ترکیبی از این روش‌ها خواهیم بود: تراشه‌های کم‌مصرف‌تر، مدل‌های بهینه‌تر و دیتاسنترهایی با سیستم خنک‌کننده و مدیریت انرژی کارآمدتر.

آیا مصرف برق هوش مصنوعی به محیط زیست آسیب می‌زند؟

این موضوع به منبع تولید برق نیز بستگی دارد.

اگر برق دیتاسنتر از نیروگاه‌های فسیلی تأمین شود، افزایش مصرف برق می‌تواند به افزایش انتشار گازهای گلخانه‌ای منجر شود. اما اگر بخشی از انرژی از منابع تجدیدپذیر مانند خورشید و باد تأمین شود، اثرات زیست‌محیطی می‌تواند کاهش پیدا کند.

به همین دلیل، شرکت‌های بزرگ فناوری در کنار توسعه زیرساخت‌های هوش مصنوعی، روی انرژی‌های تجدیدپذیر و افزایش بهره‌وری دیتاسنترها نیز سرمایه‌گذاری می‌کنند.

جمع‌بندی

هوش مصنوعی به دلیل حجم بسیار زیاد محاسباتی که انجام می‌دهد، به زیرساخت پردازشی قدرتمندی نیاز دارد. GPUها و شتاب‌دهنده‌های هوش مصنوعی، سیستم‌های ذخیره‌سازی و شبکه و همچنین تجهیزات خنک‌کننده، همگی بخشی از انرژی مصرفی دیتاسنترها را تشکیل می‌دهند.

آموزش مدل‌های بزرگ می‌تواند بسیار پرمصرف باشد، اما مصرف انرژی در مرحله استفاده نیز با افزایش تعداد کاربران اهمیت بیشتری پیدا می‌کند.

با این حال، افزایش مصرف برق به این معنا نیست که هوش مصنوعی الزاماً باید همیشه پرمصرف باقی بماند. پیشرفت در طراحی تراشه‌ها، بهینه‌سازی مدل‌ها، خنک‌سازی و استفاده از انرژی‌های پاک می‌تواند در سال‌های آینده بهره‌وری انرژی این فناوری را به شکل قابل‌توجهی افزایش دهد.

در نهایت، چالش اصلی صنعت فقط ساخت هوش مصنوعی قدرتمندتر نیست؛ بلکه ساخت مدل‌هایی است که بتوانند با مصرف انرژی کمتر، عملکرد بیشتری ارائه دهند.