هوش مصنوعی و مصرف انرژی: نوآوری‌ها و راهکارهای کاهش اثرات اقلیمی

با اعلام پروژه «استارگیت» توسط دونالد ترامپ، رئیس‌جمهور آمریکا، تنها یک روز پس از مراسم تحلیف خود در ژانویه، بحث پیرامون توسعه زیرساخت‌های هوش مصنوعی و پیامدهای انرژی آن وارد فاز جدیدی شد. این طرح ۵۰۰ میلیارد دلاری با حمایت شرکت‌های بزرگ فناوری، قصد دارد ساخت مراکز داده عظیم و شبکه‌های برق را در سراسر ایالات متحده تسریع بخشد تا برتری این کشور در رقابت جهانی با چین حفظ شود.

این گزارش که بخشی از مجموعه «تشنه قدرت: هوش مصنوعی و آینده انرژی ما» از MIT Technology Review است، به بررسی دقیق تقاضای فزاینده انرژی و هزینه‌های کربنی ناشی از انقلاب هوش مصنوعی می‌پردازد.

نگرانی‌ها از مصرف بی‌رویه انرژی

راکل اورتاسون، بنیان‌گذار و مدیرعامل شرکت دانش‌بنیان کانادایی «واببی» (تولیدکننده کامیون‌های خودران)، با اشاره به نشست سالانه مجمع جهانی اقتصاد در داووس که همزمان با اعلامیه ترامپ برگزار شد، رویکرد «هرآنچه که لازم است» در رقابت برای سلطه جهانی بر هوش مصنوعی را نگران‌کننده می‌داند. او معتقد است که این صنعت در مسیر اشتباهی قرار گرفته است.

علی فرهادی، مدیرعامل مؤسسه غیرانتفاعی آلن برای هوش مصنوعی در سیاتل، نیز با تأکید بر این نگرانی‌ها می‌گوید: «دلارها خرج می‌شوند، پردازنده‌های گرافیکی مصرف می‌شوند، آب تبخیر می‌شود و این کاملاً مسیر اشتباهی است.»

چشم‌انداز امیدبخش: نوآوری در کاهش مصرف انرژی

با این حال، با نگاهی دقیق‌تر به بحث هزینه‌های رو به افزایش و تأثیرات اقلیمی، دلایلی برای امیدواری وجود دارد. نوآوری‌های متعددی در حال انجام است که می‌توانند کارایی نرم‌افزارهای پشت مدل‌های هوش مصنوعی، تراشه‌های کامپیوتری که این مدل‌ها روی آنها اجرا می‌شوند و مراکز داده‌ای که این تراشه‌ها در آن‌ها شبانه‌روز کار می‌کنند را بهبود بخشند. همچنین، واقعیت‌های زیربنایی کسب‌وکار در نهایت به سمت هوش مصنوعی با مصرف انرژی کمتر حرکت خواهند کرد.

۱. مدل‌های کارآمدتر

• آموزش هدفمند: مدل‌های هوش مصنوعی با داده‌های هدفمند و محدودتر آموزش می‌بینند که زمان و انرژی کمتری مصرف می‌کند. این رویکرد مشابه برنامه درسی برای کودکان است.
• داده‌های مصنوعی و شبیه‌سازی: شرکت‌های دانش‌بنیان مانند «واببی» و «رایتِر» از داده‌های مصنوعی و شبیه‌سازی‌های دقیق برای آموزش سریع‌تر و ارزان‌تر استفاده می‌کنند.
• مدل‌های کوچک‌تر و تخصصی‌تر: به جای مدل‌های بزرگ و همه‌منظوره، مدل‌های کوچک‌تر و تخصصی‌تر برای کاربردهای خاص با کارایی بالا و مصرف انرژی کمتر به کار می‌روند.

۲. تراشه‌های کم‌مصرف

با بزرگ‌تر شدن مدل‌ها، توسعه تراشه‌های جدید با مصرف انرژی به شدت کاهش یافته است. این تراشه‌ها شامل موارد زیر می‌شوند:

• تراشه‌های آنالوگ: مانند تراشه‌های شرکت «ان‌چارج».
• تراشه‌های نوری و نورومورفیک: این تراشه‌ها با روش‌هایی مانند محاسبات موازی و انتقال داده‌های کارآمدتر، عملکرد بهتری با انرژی کمتر ارائه می‌کنند.

۳. خنک‌سازی بهینه در مراکز داده

با افزایش گرمای تولیدی تراشه‌های پیشرفته، راهکارهای نوین خنک‌سازی در مراکز داده در حال توسعه است:

• خنک‌سازی با آب: این روش به دلیل کارایی بالا رایج شده است.
• استفاده از گرمای زائد: گرمای تولیدی می‌تواند برای گرمایش خانه‌ها یا خنک کردن آب با انرژی تجدیدپذیر استفاده شود.
• تراشه‌های خنک‌کننده: محصولاتی مانند تراشه‌های «فونونیک» با مدیریت دقیق گرما، کارایی سیستم‌های خنک‌سازی را بالا می‌برند.

۴. هم‌راستایی هزینه و پایداری

کاهش مصرف انرژی مستقیماً به کاهش هزینه‌ها منجر می‌شود که انگیزه‌ای قوی برای شرکت‌هاست تا به سمت فناوری‌های کم‌مصرف حرکت کنند. با بالغ شدن فناوری هوش مصنوعی و رقابتی شدن بازار، شرکت‌ها به مدل‌های کوچک‌تر و کارآمدتر روی می‌آورند. این روند مشابه تجربه اینترنت و رایانه‌های شخصی است که با وجود گسترش، مصرف انرژی ثابت ماند.