Mākslīgais intelekts (AI) kļūst par daudzu cilvēku ikdienas sastāvdaļu visā pasaulē. Individuālā līmenī cilvēki arvien vairāk izmanto AI modeļus meklēšanas vaicājumiem. Kamēr Google joprojām dominē meklēšanas tirgū, ChatGPT ir radījis vislielākos draudus tās dominējošajam stāvoklim.
Uzņēmējdarbības līmenī neviena nozare nav atstāta malā, sākot no lauksaimniecības līdz veselības aprūpei, no finansēm līdz izklaidei, organizācijas visā pasaulē integrē AI savās ikdienas darbībās.
Paredzams, ka pasaules pieprasījums pēc mākslīgā intelekta un tās izmantošana nākamajos gados pieaugs eksponenciāli, tāpēc tehnoloģiju uzņēmumi reaģē uz šo attīstību, veidojot masīvus datu centrus. Taču šim pieaugumam ir jāmaksā: enerģijas patēriņš, ekonomiskās izmaksas un ietekme uz vidi. Tradicionālā skaitļošana vienkārši nespēj sekot līdzi augošajām skaitļošanas un enerģijas prasībām. Lai uzturētu AI revolūciju, mums ir jāpārdomā mūsdienu skaitļošanas fizika.
Enerģētikas jautājumi
Pat neņemot vērā AI, elektroniskā skaitļošana atrodas kritiskā situācijā. Mūra likums nedarbojas, Dennard mērogošana ir sabojājusies, un rezultāts ir "tumšā silīcija" izplatība, kas ir tranzistoru daļas uz mikroshēmas, kurām jāpaliek bez strāvas vai jādarbojas, lai izvairītos no pārkaršanas.
Liela AI modeļa apmācība nav viegls uzdevums. Lielie valodu modeļi (LLM) ir apmācīti, izmantojot milzīgus datu apjomus, un tiem ir triljoniem parametru. Viņi prognozē, mēra, pielāgo un atkārto procesu miljardiem reižu. Tiek lēsts, ka mākslīgā intelekta modeļu apmācībai nepieciešamā skaitļošanas jauda dubultosies ik pēc sešiem mēnešiem.
Tik lielu datu apjomu apstrādei un pārvietošanai ir nepieciešams milzīgs paralēlisms un jauda. Tradicionālajā skaitļošanā lielākai jaudai ir nepieciešamas lielāka blīvuma sistēmas. Lielāks blīvums nozīmē lielāku pretestību, un lielāka pretestība nozīmē vairāk siltuma. Tas liek datu centriem novirzīt lielu daļu enerģijas no skaitļošanas uz dzesēšanu, un līdz pat 40% no kopējā datu centra enerģijas patēriņa tiek izmantoti, lai novērstu serveru sabrukšanu.
Infrastruktūra, kas atbalsta AI, jau tagad cīnās, un ir skaidrs, ka tradicionālā skaitļošana vairs nevar atbalstīt turpmāko attīstību.
Ekonomiskie jautājumi
Datu centru operatori saskaras ar finansiālu sarežģījumu: vai nu ierobežot skaitļošanas blīvumu līdz to pašreizējām dzesēšanas iekārtu spējām, tādējādi apgrūtinot viņu uzņēmējdarbības iespējas, vai paaugstinot termiskās robežas, izraisot paātrinātu aparatūras un komponentu novecošanos, palielinot darbības izdevumus un atkritumus.
Turklāt arī jaunu datu centru būvniecības izmaksas ir ļoti augstas - McKinsey prognozē, ka līdz 2030. gadam būs nepieciešami 5,2 triljoni ASV dolāru ieguldījumi. Ja datu centri turpinās paļauties uz tradicionālo skaitļošanu, investīcijas neefektīvā infrastruktūrā būs milzīgs finansiāls risks. Arī parastos patērētājus ietekmē sliktie ekonomiskie apstākļi; Tā kā mākslīgais intelekts izdara nepieredzētu spiedienu uz tīklu un pieaug datu centra enerģijas pieprasījums, elektroenerģijas cenas pieaug. Šīs izmaksas tiek pārnestas uz apkārtējām mājsaimniecībām strauji augošu elektrības rēķinu veidā.
