هزینههای نهفته هوش مصنوعی: از مصرف انرژی تا منابع آبی، موانع زیستمحیطی AI
طبق گزارش ایتنا، همزمان با این تحولات، «OpenAI» به رهبری «دونالد ترامپ» سابق، از پروژهای بزرگ به نام «استارگیت» با بودجهای معادل پنجاهمیلیارد دلار پردهبرداری کرده است. هدف این پروژه تأسیس حدود ده مرکز داده است؛ بهطوریکه هر یک از این مراکز، میزان انرژی بیشتری نسبت به کل ایالت «نیوهمپشایر» مصرف خواهند کرد.
علاوه بر این، شرکت «اپل» تصمیم دارد در چهار سال آینده حدود پنجاهمیلیار دلار را به ساخت کارخانهها و مراکز داده در ایالات متحده اختصاص دهد. همچنین پیشبینی میشود که شرکت «گوگل» در سال ۲۰۲۵، حدود هفتادوپنجمیلیارد دلار صرف پیشرفت زیرساختهای هوش مصنوعی نماید.
این سطح از سرمایهگذاری، پدیدهای بینظیر در حوزه هوش مصنوعی به شمار میآید و نشاندهنده تفاوت چشمگیر با روندهای گذشته در صنعت فناوری است. به گزارشها، در بازه زمانی ۲۰۰۵ تا ۲۰۱۷، با وجود رشد چشمگیر سرویسهای اینترنتی نظیر «فیسبوک» و «نتفلیکس»، مصرف برق مراکز داده به علت بهبود مستمر در کارایی انرژی تقریباً ثابت مانده بود.
اما پس از سال ۲۰۱۷ و همزمان با آغاز ظهور جدی فناوری هوش مصنوعی، این رویکرد دچار تغییر شده است. مراکز داده به سمت استفاده از سختافزارهای پرمصرف گرایش پیدا کردهاند و مصرف انرژی آنها تا سال ۲۰۲۳ دو برابر شده است. طبق نتایج مطالعات اخیر منتشر شده در «eScholarship»، هماکنون تقریباً ۴.۴٪ از کل مصرف انرژی ایالات متحده به این مراکز اختصاص دارد.
با توجه به شتاب فزاینده توسعه هوش مصنوعی که به سمت تخصصیتر شدن و توانایی حل مسائل پیچیده پیش میرود، به نظر میرسد میزان کنونی انرژی مصرفی در قیاس با آینده ناچیز خواهد بود. بر اساس پیشبینیهای آزمایشگاه ملی «لارنس برکلی» در دسامبر گذشته، انتظار میرود تا سال ۲۰۲۸، در حدود نیمی از برق اختصاص یافته به مراکز داده به اجرای برنامههای هوش مصنوعی اختصاص یابد. این به این معناست که هوش مصنوعی میتواند در سالهای آتی برابر با ۲۲٪ از کل مصرف انرژی خانگی در ایالات متحده را به خود نسبت دهد.
علل نیاز به منابع گسترده برای آموزش مدلهای هوش مصنوعی
آموزش مدلهای هوش مصنوعی به واسطه نیاز به تنظیم میلیاردها پارامتر از طریق محاسباتی پیچیده و تکراری، مستلزم مصرف حجم عظیمی از انرژی و منابع است. این فرآیند نیازمند زیرساختهای پردازشی بسیار پیشرفته (HPC) متشکل از هزاران واحد پردازش گرافیکی (GPU)، پردازنده مرکزی (CPU) و واحدهای پردازش تخصصی هوش مصنوعی (TPU) میباشد.
تمامی این سختافزارها بهصورت همزمان و برای هفتهها یا حتی ماهها به منظور آموزش یک مدل فعال هستند و در این مدت، انرژی الکتریکی قابل توجهی صرف میشود. به دلیل هزینههای بالای مربوط به سختافزار، برق، سیستمهای خنککننده و نگهداری، تنها تعداد معدودی از شرکتها قادر به تأمین مالی آموزش مدلهای بزرگ هوش مصنوعی میباشند. شرکتهای کوچکتر با منابع محدود، مدت زمان قابل توجهی را صرف آموزش مدلهای خود میکنند که در نتیجه مصرف تجمعی بیشتری از انرژی را به همراه خواهد داشت.
برای درک بهتر این موضوع، میتوان به آموزش مدلهای بزرگی مانند «ChatGPT-4» اشاره کرد. بر اساس تحقیقاتی که انجام شده، آموزش مدل «GPT-3» نزدیک به یکهزار و دویست و هشتاد و هفت (۱۲۸۷) مگاواتساعت برق مصرف کرد و ۵۰۲ تن دیاکسیدکربن تولید کرد که معادل آلایندگی ایجادی توسط ۱۱۲ خودروی بنزینی در طی یک سال است.
شایان ذکر است که مدلهای هوش مصنوعی برای حفظ دقت و ارتباط خود نیازمند آموزشهای مکرر و بهروزرسانی هستند که این نیز بار مضاعفی بر مصرف انرژی وارد میکند. علاوه بر این، عواملی مانند خرابیهای زیرساختی، ناکارآمدی نرمافزارها و پیچیدگیهای افزایشی مدلها موجب شده است که آموزش هوش مصنوعی به یکی از پرمصرفترین فعالیتهای محاسباتی عصر حاضر تبدیل گردد.
مصرف انرژی در مقیاس جهانی
طبق گزارشی از آژانس بینالمللی انرژی (IEA)، مراکز داده جهانی در سال ۲۰۲۲، مقدار چهارصد و شصت (۴۶۰) تراواتساعت برق مصرف کرده و پیشبینی میشود که این رقم تا سال ۲۰۲۶ به بیش از یکهزار تراواتساعت برسد. این میزان مصرف معادل یکسوم تولید سالانه انرژی تمام نیروگاههای هستهای جهان و تقریباً برابر با کل مصرف برق کشور ژاپن است.
در چین نیز انتظار میرود که مصرف انرژی مراکز داده تا سال ۲۰۳۰ در مقایسه با سال ۲۰۲۰ دو برابر گردد و به ۴۰۰ تراواتساعت برسد. همچنین در ناحیه شمال شرقی ایالات متحده، پیشبینی میشود مراکز داده به عامل اصلی افزایش تقاضای برق تبدیل شوند.
وضعیت در اروپا نیز به همین منوال است. به عنوان مثال، در کشور ایرلند، مراکز داده در سال ۲۰۲۲، حدود ۵.۳ تراواتساعت برق مصرف کردهاند که ۱۷ درصد از مجموع مصرف برق این کشور را شامل میشود. در صورت ادامه این روند، انتظار میرود سهم مراکز داده از کل تقاضای برق ایرلند تا سال ۲۰۲۶ به ۳۲ درصد برسد.
مصرف سایر منابع: آب و زمین
مراکز داده هوش مصنوعی تنها مصرفکنندگان انرژی الکتریکی نیستند؛ آنها همچنین به سیستمهای عظیم خنککننده برای عملکرد ایمن سختافزارهای خود نیاز مبرم دارند. سرورها و روترها در حین پردازش دادهها مقدار زیادی گرما تولید میکنند که دفع آن مستلزم وجود سیستمهای خنککننده کارآمد است. جالب توجه است که این سیستمها میتوانند تا ۴۰ درصد از کل انرژی مصرفی یک مرکز داده را به خود اختصاص دهند.
این مراکز برای بهینهسازی خنکسازی خود به میزان قابل توجهی آب نیاز دارند و از سیستمهای پیچیده تهویه مطبوع، چیلرها و رطوبتسازها استفاده میکنند. اگرچه خنکسازی مستقیم سرورها با آب بازدهی بهتری نسبت به خنکسازی کلی فضای سالن دارد، اما این مصرف بالای آب میتواند فشار زیادی بر منابع آبی محلی تحمل کند.
به عنوان نمونه بارز این مشکل در شهر «دالس» ایالت «اورگان» دیده میشود، جایی که مراکز داده شرکت گوگل بیش از ۲۵ درصد از آب این شهر را مصرف میکنند. با افزایش توسعه فناوریهای مرتبط با هوش مصنوعی، انتظار میرود که مصرف آب شیرین در این بخش بهطور قابلتوجهی زیاد شود.
علاوه بر انرژی و آب، مراکز داده نیازمند فضای فیزیکی بسیار وسیعی هستند. یک مرکز داده استاندارد معمولاً حدود ۹,۰۰۰ متر مربع وسعت دارد، در حالی که یکی از بزرگترین مراکز داده در ایالات متحده به نام «Switch Tahoe Reno»، با مساحتی معادل ششصد و شصت و نههزار (۶۶۹,۰۰۰) متر مربع، حتی بزرگتر از ساختمان پنتاگون است.
به صورت کلی، تعداد مراکز داده از کمتر از هشتهزار (۸,۰۰۰) مورد در ژانویه ۲۰۲۱ به ۱۰,۹۷۸ مورد در نوامبر ۲۰۲۱ افزایش یافته است. پیشبینی میشود این روند صعودی با افزایش تقاضا برای هوش مصنوعی ادامه یابد که به معنای نیاز روزافزون به زمین، انرژی و آب خواهد بود.
