چهار دلیل برای خوش‌بینی به مصرف انرژی هوش مصنوعی

به گزارش اقتصاد خبر، دونالد ترامپ رئیس‌جمهور آمریکا تنها یک روز پس از مراسم تحلیف خود در ژانویه، پروژه استارگیت را اعلام کرد، طرحی ۵۰۰ میلیارد دلاری برای توسعه زیرساخت‌های هوش مصنوعی که از حمایت برخی از بزرگ‌ترین شرکت‌های فناوری برخوردار است. استارگیت قصد دارد ساخت مراکز داده عظیم و شبکه‌های برق در سراسر ایالات متحده را تسریع کند تا برتری این کشور در برابر چین حفظ شود.

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

راکل اورتاسون، بنیان‌گذار و مدیرعامل شرکت دانش بنیان کانادایی کامیون‌های خودران واببی، در اشاره به نشست سالانه ژانویه مجمع جهانی اقتصاد در سوئیس که همزمان با اعلامیه ترامپ برگزار شد، می‌گوید رویکرد «هرآنچه که لازم است» در رقابت برای سلطه جهانی بر هوش مصنوعی، در داووس مطرح شد. او می‌گوید خیلی نگران مسیری است که این صنعت در پیش گرفته است.

او تنها نیست. علی فرهادی، مدیرعامل مؤسسه غیرانتفاعی آلن برای هوش مصنوعی در سیاتل، نیز می‌گوید: دلارها خرج می‌شوند، پردازنده‌های گرافیکی مصرف می‌شوند، آب تبخیر می‌شود و این کاملاً مسیر اشتباهی است.

اما با نگاهی دقیق‌تر به بحث هزینه‌های رو به افزایش و تأثیرات اقلیمی، دلایلی برای امیدواری پیدا می‌شود. نوآوری‌هایی 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 ببخشند.

در اینجا آنچه باید به کاهش مصرف انرژی و در نتیجه انتشار کربن در این سه حوزه و همچنین به یک استدلال اضافی برای خوش‌بینی محتاطانه پرداخت: دلایلی وجود دارد که باور کنیم واقعیت‌های زیربنایی کسب‌وکار در نهایت به سمت هوش مصنوعی با مصرف انرژی کمتر حرکت خواهند کرد.

1- مدل‌های کارآمدتر:

مدل‌های هوش مصنوعی با داده‌های هدفمند و محدودتر آموزش می‌بینند، مشابه برنامه درسی برای کودکان، که زمان و انرژی کمتری مصرف می‌کند. به عنوان مثال، دانش‌بنیان‌هایی مثل «واببی» و «رایتِر» از داده‌های مصنوعی و شبیه‌سازی‌های دقیق برای آموزش سریع‌تر و ارزان‌تر استفاده می‌کنند. همچنین، مدل‌های کوچک‌تر و تخصصی‌تر به جای مدل‌های بزرگ و همه‌منظوره، برای کاربردهای خاص با کارایی بالا و مصرف انرژی کمتر به کار می‌روند.

2-  تراشه‌های کم‌مصرف:

با بزرگ‌تر شدن مدل‌ها، تراشه‌های جدید مانند تراشه‌های آنالوگ شرکت «ان‌چارج» یا تراشه‌های نوری و نورومورفیک در حال توسعه‌اند که مصرف انرژی را به شدت کاهش می‌دهند. این تراشه‌ها با روش‌هایی مثل محاسبات موازی و انتقال داده‌های کارآمدتر، عملکرد بهتری با انرژی کمتر ارائه می‌کنند.

3-  خنک‌سازی بهینه در مراکز داده:

با افزایش گرمای تولیدی تراشه‌های پیشرفته، خنک‌سازی با آب رایج شده است. راهکارهایی مثل استفاده از گرمای زائد برای گرمایش خانه‌ها یا خنک کردن آب با انرژی تجدیدپذیر، مصرف انرژی را کاهش می‌دهد. تراشه‌های خنک‌کننده‌ای مانند محصولات «فونونیک» نیز با مدیریت دقیق گرما، کارایی سیستم‌های خنک‌سازی را بالا می‌برند.

4- 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، مشابه تجربه اینترنت و رایانه‌های شخصی که با وجود گسترش، مصرف انرژی ثابت ماند.

در مجموع، می‌توان گفت با وجود نگرانی‌ها درباره تأثیر اقلیمی هوش مصنوعی، نوآوری‌ها در نرم‌افزار، سخت‌افزار، و خنک‌سازی، همراه با فشارهای اقتصادی، به سمت آینده‌ای با مصرف انرژی کمتر حرکت می‌کنند.