211service.com
Er AI den neste store trusselen om klimaendringer? Vi har ikke peiling
Datasenter Dean Mouhtaropoulos | Getty
På en nylig konferanse i San Francisco tok Gary Dickerson scenen og kom med en dristig spådom. Administrerende direktør for Applied Materials, som er en stor leverandør til halvlederindustrien, advarte om at i fravær av betydelig innovasjon innen materialer, brikkeproduksjon og design, kan datasentrenes AI-arbeidsbelastning utgjøre en tidel av verdens strømforbruk innen 2025 .
I dag suger millioner av datasentre rundt om i verden opp litt mindre enn 2 % – og den statistikken omfatter alle slags arbeidsbelastninger som håndteres på deres enorme utvalg av servere. Applied Materials anslår at servere som kjører AI for øyeblikket bare står for 0,1 % av det globale strømforbruket.
Andre tekniske ledere slår også alarm. Anders Andrae fra Huawei tror datasentre kan ende opp med å forbruke en tidel av klodens strøm innen 2025, selv om anslaget hans dekker all deres bruk, ikke bare AI .
Jonathan Koomey, spesialrådgiver for seniorforskeren i Rocky Mountain Institute , er mer sangvinsk. Han forventer at datasenterets energiforbruk vil forbli relativt flatt i løpet av de neste årene, til tross for en økning i AI-relatert aktivitet.
Disse vidt divergerende spådommene fremhever usikkerheten rundt AIs innvirkning på fremtiden til storskala databehandling og de endelige implikasjonene for energibehovet.
Større bilder
AI er absolutt maktsyk. Trening og kjøring av ting som dyplæringsmodeller innebærer å knuse enorme mengder data, noe som belaster minne og prosessorer. En studie fra forskningsgruppen OpenAI sier at mengden datakraft nødvendig for å kjøre store AI-modeller dobles allerede hver tredje og en halv måned.
Applied Materials’ prognose er, etter egen innrømmelse, et worst-case-scenario designet for å synliggjøre hva som kan skje i fravær av nytenkning innen maskinvare og programvare. Sundeep Bajikar, selskapets sjef for bedriftsstrategi og markedsinformasjon, sier at det antar at det vil være et skifte over tid i blandingen av informasjon som brukes til å trene AI-modeller, med videoer og andre bilder som utgjør en økende prosentandel av totalen i forhold til tekst- og lydinformasjon. Visuelle data er mer beregningsintensive og krever derfor mer energi.
Det vil også være mer informasjon for modeller å knase takket være fremveksten av ting som autonome kjøretøy og sensorer innebygd i andre smarte enheter. Og spredningen av superrask 5G trådløs tilkobling vil gjøre det enda enklere å sende data til og fra datasentre.
Bajikar sier at disse og andre trender understreker det presserende behovet for det selskapet hans kaller en ny lekebok innen materialer og produksjon for AI-æraen. Noen forskere tror at AIs tørst etter kraft til og med kan bli en stor miljømessig hodepine: et team fra University of Massachusetts, Amherst, publiserte nylig en studie som viser at trening av flere populære og store AI-modeller produserer nesten fem ganger utslippene fra en gjennomsnittlig amerikaner. bil.
Satser på grunnleggende
Men pessimistiske prognoser ignorerer flere viktige utviklinger som kan begrense AIs krafttak. En av dem er fremveksten av hyperskala datasentre som er utviklet av selskaper som Facebook og Amazon.
Disse bruker et stort utvalg grunnleggende servere skreddersydd for spesifikke oppgaver. Maskinene er mer energieffektive enn servere i konvensjonelle sentre som må sjonglere et bredere spekter av funksjoner. Et pågående skifte til hyperskala, sammen med fremskritt innen kjøling og andre teknologier, er en stor grunn til at nye datasentres energiforbruk i utgangspunktet har blitt kansellert av effektivitetsforbedringer de siste årene.
Nye typer mikrobrikker vil også hjelpe. Applied Materials-prognosen antar at AI-arbeidsbelastninger vil fortsette å kjøre på eksisterende maskinvare hvis effektivitet gradvis forbedres i løpet av de neste årene. Men en rekke startups, så vel som store selskaper som Intel og AMD, utvikler halvledere som utnytter teknologier som fotonikk for å drive nevrale nettverk og andre AI-verktøy som bruker langt mindre energi.
Koomey sier at alarmistiske anslag også ignorerer det faktum at for noen typer AI-oppgaver, som mønstergjenkjenning, er omtrentlige utdata fra modeller tilstrekkelig. Det betyr at energi ikke trenger å brukes på å beregne resultater til hundrevis av desimaler.
Ironisk nok kan den største kontrollen av AIs strømforbruk faktisk være AI selv. Google bruker allerede teknologi utviklet av DeepMind, et selskap de kjøpte opp i 2014, for å kjøle ned datasentrene mer effektivt. AI hadde allerede hjulpet firmaet med å kutte kjøleregningen med 40 % ved å gi anbefalinger til menneskelige operatører; nå kjører den effektivt kjølesystemer i sentrene av seg selv.
AI vil også bli brukt til å optimalisere andre aspekter av datasentres drift. Og, som Googles avkjølende seier, vil dette være til fordel for alle slags arbeidsbelastninger. Det betyr ikke at datasentre ikke vil ende opp med å sluke betydelig mer kraft på grunn av økende etterspørsel etter AIs trolldom, men det er enda en grunn til at det er så vanskelig å lage prognoser her.