7 مارس 2025-مصرف انرژی هوش مصنوعی-عکس های سهام © shutterstock/KT
هوش مصنوعی (AI) به بخشی جدایی ناپذیر از زندگی مدرن تبدیل شده است و برنامه های کاربردی را از چت بات ها تا تشخیص تصویر را تقویت می کند.با این حال، مصرف انرژی سیستم‌های هوش مصنوعی، به‌ویژه مدل‌های زبان بزرگ (LLM)، نگرانی‌هایی را در مورد پایداری ایجاد کرده است.
این سیستم ها به مراکز داده متکی هستند که برای محاسبات، ذخیره سازی و انتقال داده ها به مقدار زیادی برق نیاز دارند. تنها در آلمان، مراکز داده در سال 2020 تقریباً 16 میلیارد کیلووات ساعت مصرف کردند که حدود 1٪ از کل مصرف انرژی کشور را تشکیل می دهد.پیش بینی می شود تا سال 2025 این رقم به 22 میلیارد کیلووات ساعت افزایش یابد که منعکس کننده افزایش تقاضا برای خدمات مبتنی بر هوش مصنوعی است.
برای مبارزه با این موضوع، کارشناسان دانشگاه فنی مونیخ (TUM) یک روش آموزشی جدید ایجاد کرده اند که مصرف انرژی هوش مصنوعی را به میزان قابل توجهی کاهش می دهد.
چه چیزی باعث مصرف انرژی هوش مصنوعی می شود؟
به طور فزاینده ای مشهود است که مصرف انرژی هوش مصنوعی یک چالش زیست محیطی قابل توجه است.
هسته اصلی این موضوع در قدرت محاسباتی عظیم مورد نیاز برای آموزش و اجرای مدل های پیشرفته هوش مصنوعی نهفته است. این مدل‌ها نیاز به پردازش مجموعه داده‌های وسیعی دارند که منجر به استفاده طولانی و فشرده از سخت‌افزار قدرتمند مانند GPU و TPU می‌شود که مقدار زیادی برق مصرف می‌کنند.این تقاضای انرژی بالا با تکیه بر عملیات هوش مصنوعی در مراکز داده تقویت می‌شود که هم برای محاسبات و هم برای خنک‌سازی نیاز به توان قابل‌توجهی دارند.
بر اساس تحقیقات منابعی مانند Built In، انرژی مورد استفاده برای تولید یک تصویر واحد از یک تولید کننده تصویر هوش مصنوعی می تواند با انرژی مصرف شده برای شارژ کامل یک گوشی هوشمند برابر باشد. این یک مثال ملموس از مصرف انرژی هوش مصنوعی را نشان می دهد.
علاوه بر این، آژانس بین‌المللی انرژی (IEA) تاکید کرده است که تعامل با سیستم‌های هوش مصنوعی مانند ChatGPT می‌تواند به طور قابل‌توجهی برق بیشتری نسبت به درخواست‌های موتور جستجوی استاندارد مصرف کند.
آژانس بین‌المللی انرژی همچنین بیان می‌کند که افزایش مصرف برق توسط مراکز داده، ارزهای دیجیتال و هوش مصنوعی بین سال‌های 2022 تا 2026 می‌تواند معادل مصرف برق سوئد یا آلمان باشد. این بر مقیاس مصرف انرژی هوش مصنوعی تأکید می کند.علاوه بر این، گزارش‌ها افزایش قابل‌توجهی در مصرف انرژی مرکز داده در سال‌های آینده را پیش‌بینی می‌کنند که عمدتاً ناشی از تکثیر هوش مصنوعی است.
به عنوان مثال، McKinsey & Company پیش بینی کرده اند که انتظار می رود تقاضای برق برای مراکز داده در ایالات متحده تا سال 2030 به 606 تراوات ساعت (TWh) برسد که از 147 TWh در سال 2023 افزایش یافته است. این افزایش پیش بینی شده نشان دهنده افزایش سریع تقاضا برای انرژی از هوش مصنوعی است.برای مقابله با این چالش، محققان TUM یک روش آموزشی انقلابی را توسعه داده‌اند که 100 برابر سریع‌تر است و در عین حال دقت قابل مقایسه با تکنیک‌های موجود را حفظ می‌کند.این پیشرفت پتانسیل این را دارد که مصرف انرژی هوش مصنوعی را به میزان قابل توجهی کاهش دهد و پذیرش هوش مصنوعی در مقیاس بزرگ را پایدارتر کند.
آشنایی با شبکه های عصبی
سیستم‌های هوش مصنوعی متکی به شبکه‌های عصبی مصنوعی هستند که از مغز انسان الهام گرفته‌اند. این شبکه ها از گره های به هم پیوسته – نورون های مصنوعی – تشکیل شده اند که سیگنال های ورودی را پردازش می کنند.هر اتصال با پارامترهای خاصی وزن می شود و هنگامی که ورودی از یک آستانه فراتر رفت، سیگنال به جلو ارسال می شود.آموزش یک شبکه عصبی شامل تنظیم این پارامترها از طریق تکرارهای مکرر برای بهبود پیش بینی ها است. با این حال، این فرآیند از نظر محاسباتی گران است و به مصرف بالای برق کمک می کند.
یک روش آموزشی کارآمدتر
فلیکس دیتریش، پروفسور متخصص در یادگیری ماشینی تقویت‌شده فیزیک، و تیم تحقیقاتی‌اش رویکردی نوآورانه را برای آموزش شبکه‌های عصبی معرفی کرده‌اند.تکنیک آنها به جای تکیه بر روش های تکراری سنتی، از انتخاب پارامتر احتمالی استفاده می کند.این روش بر شناسایی نقاط بحرانی در داده‌های آموزشی – جایی که تغییرات سریع و قابل توجه رخ می‌دهد – و تخصیص استراتژیک مقادیر بر اساس توزیع‌های احتمال تمرکز دارد.
با هدف قرار دادن مکان های کلیدی در مجموعه داده، این رویکرد به طور چشمگیری تعداد تکرارهای مورد نیاز را کاهش می دهد و منجر به صرفه جویی قابل توجهی در انرژی می شود.
برنامه های کاربردی دنیای واقعی
این تکنیک آموزشی جدید پتانسیل بسیار زیادی برای کاربردهای مختلف دارد. مدل‌های هوش مصنوعی با انرژی کارآمد می‌توانند در مدل‌سازی آب و هوا، تحلیل بازار مالی و سایر سیستم‌های پویا که به پردازش سریع داده‌ها نیاز دارند، استفاده شوند.با کاهش ردپای انرژی آموزش هوش مصنوعی، این روش نه تنها هزینه های عملیاتی را کاهش می دهد، بلکه توسعه هوش مصنوعی را با اهداف پایداری جهانی همسو می کند.
آینده هوش مصنوعی سبزتر
گسترش سریع کاربردهای هوش مصنوعی نیازمند یک رویکرد پایدار برای مصرف انرژی است.با توجه به اینکه انتظار می رود مصرف برق مرکز داده افزایش یابد، اتخاذ روش های آموزشی با مصرف انرژی بسیار مهم است. پیشرفت تیم TUM گامی مهم در جهت سازگاری بیشتر هوش مصنوعی با محیط زیست بدون به خطر انداختن عملکرد است.
همانطور که تکنولوژی تکامل می یابد، نوآوری ها مانند و این نقشی اساسی در شکل دادن به آینده دیجیتال پایدارتر ایفا خواهد کرد.
