Perviršinis dirbtinio intelekto (DI) tobulėjimas radikaliai pakeitė mūsų sąveiką su technologija. Nuo paprastų užduočių, pavyzdžiui, šviesos įjungimo, iki sudėtingų balso komandų, DI tapo svarbia mūsų kasdienybės dalimi. Tačiau už šių savaime suprantamų sąveikų glūdi platus išteklių, darbo ir algoritmų apdorojimo tinklas.
2018 metais Kate Crawford ir Vladan Joler parašė straipsnį apie resursų mastą, reikalingą net papračiausioms DI sistemoms. Energetikos ir darbo mastas, susijęs su DI veikla, pranoksta net žmogaus poreikius vykdyti tas pačias užduotis. Paspirtukus iki 2021 metų, matome, kaip sparčiai ši pramonė auga.
Neseniai atlikta analizė parodė, kad didelių DI modelių apmokymui naudojamų skaičiavimo pajėgumų kiekis per pastaruosius šešerius metus smarkiai išaugo. Iš tikrųjų jis išaugo 300 000 kartų greičiau nei Mūro įstatymas, kuris apibūdina skaičiavimo galios padvigubinimo greitį kas dvejus metus. Ši didžiulė skaičiavimo galios augimas yra būtinas didžiuliems duomenų kiekiams apdoroti ir „išmokti”.
Didėjant DI technologijos pažangai, šių sistemų energijos suvartojimas taip pat didėja. Tikslūs skaičiai apie DI elektros energijos suvartojimą yra sunkiai apibrėžiami, tačiau pranešimai rodo, kad 2021 metais DI sudarė 10-15% Google bendro elektros energijos suvartojimo. Tai atitinka apie 2,3 teravatvalandės energijos per metus, ką galima palyginti su Atlantos dydžio miesto elektros energijos sunaudojimu.
DI besidedantys energetiniai poreikiai ateityje tampa vis įdomesni. Pagal prognozes, lyderiaujanti DI serverių lustų gamintoja Nvidia iki 2027 metų prognozuoja pristatyti 1,5 mln. DI serverių vienetų per metus. Jei šie serveriai veiktų maksimaliu pajėgumu, jie per metus sunaudoja mažiausiai 85,4 teravatvalandės elektros energijos, pranokusios daugelio mažų šalių energijos sunaudojimui.
Būtinybė spręsti energijos technologijos iššūkius tampa vis skubėjanti. OpenAI generalinis direktorius Samas Altmanas teigia, kad reikalinga susijungimo technologija arba žymiai pigesnė saulės energija masiniu mastu, kad būtų galima patenkinti DI energijos poreikius. Pati Altmanas investavo į susijungimą pradedančią įmonę Helion Energy, siekiančią įvykdyti šią naujovę.
Tuo tarpu, aukštas DI elektros energijos suvartojimas toliau bus ribojantis faktorius. DI naudojimo kaštai, tiek energijos, tiek finansų atžvilgiu, apribos platus prieinamumą sudėtingiems DI modeliams. Kaip AI modelių skaičiavimo kaštai didėja, aišku, kodėl tokios technologijos gigantės kaip Google atsargiai renkasi, ar pateikti šiuos modelius visuomenei.
AI ateitis neabejotinai turi milžinišką potencialą, tačiau energetinės poreikio ir susijusių kaštų valdymas yra būtinas tvariam jos vystymuisi. Per siekimą pasiekti energijos technologijų naujoves, turime užtikrinti, kad AI augimas nepasiektų mūsų aplinkos ir išteklių sąskaitos.
The source of the article is from the blog crasel.tk