Нарастващите енергийни нужди на изкуствения интелект
Изкуственият интелект е енергоемко начинание. Обучението, внедряването и поддръжката на AI модели консумират огромни количества електроенергия. Голяма част от тази енергия сега идва от изкопаеми горива, което допринася значително за изменението на климата. Бързото приемане на генеративни AI технологии допълнително усложни тази ситуация. То наруши внимателно изработените планове на много технологични компании за преход към по-екологични енергийни източници.
Meta, подобно на своите конкуренти, е изправена пред предизвикателството да балансира ангажимента си към устойчивост с непосредствените енергийни нужди на своята AI инфраструктура. Докато дългосрочната визия на компанията включва повишена зависимост от ядрената енергия, краткосрочната ѝ стратегия включва природен газ. Например, Entergy, основен доставчик на комунални услуги, ускорява изграждането на електроцентрали, работещи с газ, в Луизиана, за да подкрепи мащабен комплекс от центрове за данни на Meta.
Ядрената енергия като AI Enabler: Глобална перспектива
Франция поддържа своята обширна инфраструктура за ядрена енергия като ключово предимство в глобалната AI надпревара. С приблизително 75% от електроенергията, генерирана от ядрени източници, Франция се гордее с най-високата зависимост от ядрена енергия в света. По време на AI среща на върха в Париж, президентът Еманюел Макрон противопостави подхода на Франция на манталитета “drill baby drill”, предлагайки алтернатива “plug baby plug”, подчертавайки готовността на страната да захранва AI иновациите с чиста ядрена енергия.
Въпреки това, Съединените щати разчитат до голяма степен на изкопаеми горива, за да захранват своите центрове за данни, гръбнакът на AI операциите. Според доклад на Международната агенция по енергетика, природният газ и в някои случаи въглищата са основните енергийни източници за тези съоръжения. Очаква се нарастващото търсене на AI да доведе до по-голяма зависимост от газови електроцентрали, рентабилно, но екологично вредно решение.
Докато възобновяемите енергийни източници, като слънчева и вятърна енергия, допринасят с приблизително 24% от енергията, захранваща центровете за данни в САЩ, ядрената енергия представлява приблизително 15%, според IEA. Преходът към по-устойчив енергиен микс ще изисква значителни инвестиции в инфраструктура за възобновяема и ядрена енергия.
Доклад на Министерството на енергетиката на САЩ прогнозира съществено увеличение на търсенето на електроенергия от центровете за данни. През последното десетилетие консумацията на електроенергия от тези съоръжения се е утроила и се прогнозира да се удвои или утрои отново до 2028 г., което потенциално представлява до 12% от общата консумация на електроенергия в страната.
Енергоемките процеси зад AI
Разработването и работата на AI системи, особено генеративни AI модели, изискват огромна изчислителна мощност. Разгледайте AI чатбот и основни системи като Meta’s Llama.
Training (или pretraining): AI системите се учат от огромни количества данни. Това включва идентифициране на модели и взаимоотношения в данните. Специализирани компютърни чипове, като Graphics Processing Units (GPUs), се използват за извършване на паралелни изчисления на взаимосвързани устройства. Тези процеси изискват интензивна изчислителна мощност и следователно изискват значителни количества енергия. Компютрите, използвани за обучение на AI модели, трябва да работят непрекъснато в продължение на дни, седмици или дори месеци, което води до огромна консумация на енергия. Освен това, колкото по-голям и сложен е AI моделът, толкова повече енергия е необходима за неговото обучение. Например, обучението на големи езикови модели като GPT-3 може да консумира толкова енергия, колкото няколко домакинства през цяла година. Процесът на обучение включва захранване на данните в AI модела многократно, докато той не се научи да прави точни прогнози. Този итеративен процес изисква огромни количества енергия, защото всеки пропуск изисква извършване на милиони или дори милиарди изчисления. Нещо повече, обучението на AI модели често се извършва в големи центрове за данни, които сами по себе си консумират значителни количества енергия. Центровете за данни изискват енергия за захранване на компютрите, за охлаждане на оборудването и за поддържане на светлините и системите за сигурност. Следователно, обучението на AI модели допринася значително за общия енергиен отпечатък на AI. В резултат на това технологичните компании все повече търсят начини да намалят енергийната консумация на обучението на AI модели. Една от стратегиите е да се разработят по-ефективни алгоритми и архитектури, които изискват по-малко данни и изчислителна мощност за обучение. Друга стратегия е да се използват по-ефективни компютри и инфраструктура за центрове за данни, като например GPU и специализирани AI чипове. В допълнение, някои компании изследват използването на възобновяеми енергийни източници, като слънчева и вятърна енергия, за захранване на своите AI операции.
Inferencing: След като е обучен , AI моделът изисква значителна енергия за извършване на задачи, като например генериране на текст или изображения. Това включва обработка на нова информация и правене на изводи въз основа на съществуващите знания на модела. Целият процес изисква електричество. Inferencing е процесът на използване на обучен AI модел за извършване на прогнози или решения въз основа на нови входни данни. За разлика от обучението, inferencing обикновено се извършва върху по-малки, по-малко мощни компютри и изисква по-малко енергия. Въпреки това, inferencing все още може да бъде енергоемък, особено за сложни AI модели, които изискват големи количества изчислителна мощност. Например, AI модели, които се използват за разпознаване на изображения или обработка на естествен език, трябва да обработват големи количества данни в реално време, което може да натовари компютърната инфраструктура. Количеството енергия, необходимо за inferencing, зависи от няколко фактора, включително размера и сложността на AI модела, вида на хардуера, използван за извършване на inferencing, и степента на точност, необходима за прогнозите. Например, модел, който изисква висока степен на точност, може да изисква повече изчислителна мощност и следователно повече енергия. За да се намали енергийната консумация на inferencing, технологичните компании изследват различни техники, като например квантуване на модела, отрязване на модела и дестилация на модела. Квантуването на модела включва намаляване на броя на битовете, използвани за представяне на параметрите на модела, което може да намали размера на модела и изчислителните изисквания. Отрязването на модела включва премахване на неважните параметри на модела, което също може да намали размера на модела и изчислителните изисквания. Дестилацията на модела включва обучение на по-малък, по-ефективен модел да имитира поведението на по-голям, по-точен модел. В допълнение към тези техники, технологичните компании също изследват използването на специализиран хардуер, като например AI ускорители, за да ускорят задачите за inferencing и да намалят консумацията на енергия. AI ускорителите са хардуерни устройства, които са специално проектирани за извършване на AI изчисления по-ефективно от компютрите с общо предназначение. Те могат да бъдат използвани за ускоряване на различни AI задачи, включително inferencing, обучение и обработка на данни.
Охлаждане на AI гигантите: Решаване на проблема с топлината
AI системите генерират значителна топлина, която трябва да бъде разсеяна, за да се поддържа оптимална производителност. Центровете за данни разчитат на охладителни системи, като например климатизация, за да регулират температурата. Тези системи консумират допълнително електричество, което допълнително увеличава енергийния отпечатък на AI. Операторите на центрове за данни изследват алтернативни охладителни техники, като например охладителни системи на водна основа, за да намалят консумацията на енергия. Топлината е основен проблем в центровете за данни, които захранват AI системи. Когато компютрите обработват данни, те генерират топлина като страничен продукт. Ако топлината не се управлява правилно, тя може да доведе до прегряване на оборудването, повреда и намалена производителност. За да се предотврати това, центровете за данни използват различни охладителни системи за разсейване на топлината и поддържане на оборудването да работи при оптимални температури. Традиционните охладителни системи разчитат на климатизация, която консумира значителни количества енергия. Всъщност, охлаждането може да представлява до 40% от общата консумация на енергия на центъра за данни. За да се намали енергийната консумация на охлаждането, операторите на центрове за данни изследват алтернативни охладителни техники, като например охладителни системи на водна основа. Охладителните системи на водна основа са по-ефективни от климатизацията, тъй като водата има по-голям капацитет за задържане на топлина от въздуха. Тези системи работят чрез циркулация на студена вода през центъра за данни, абсорбирайки топлината, генерирана от компютрите. След това водата се охлажда и се рециркулира обратно през центъра за данни. Охладителните системи на водна основа могат да бъдат с 20% до 50% по-ефективни от климатизацията, което може да доведе до значителни икономии на енергия. В допълнение към охладителните системи на водна основа, операторите на центрове за данни също изследват други охладителни техники, като например потапящо охлаждане и охлаждане със свободен въздух. Потапящото охлаждане включва потапяне на компютрите в диелектрична течност, която абсорбира топлината и я разсейва далеч от оборудването. Охлаждането със свободен въздух включва използване на външен въздух за охлаждане на центъpa за данни, което може да намали необходимостта от климатизация. Изборът на охладителна техника ще зависи от няколко фактора, включително климата, местоположението на центъра за данни и специфичните изисквания на оборудването. Чрез възприемане на по-ефективни охладителни техники, операторите на центрове за данни могат значително да намалят енергийния отпечатък на AI и да направят AI по-устойчив.