بحران خاموش هوش مصنوعی؛ مصرف آب و برق آنها چقدر است؟!
دانستن ابعاد پنهان تکنولوژیهایی که هر روز با آنها سر و کار داریم، برای هر کاربر دنیای مدرن نه تنها جالب که بسیار ضروری است. در این مطلب برآنیم که بررسی کنیم پشت هر پاسخ هوشمندانه و هر تصویر جذابی که هوش مصنوعی برای ما خلق میکند، چه حجمی از منابع حیاتی سیاره زمین بلعیده میشود. آیا واقعاً یک چت ساده میتواند به اندازه روشن ماندن یک لامپ برای ساعتها انرژی مصرف کند؟ چرا میگویند دیتاسنترهای غولآسا در حال خشک کردن منابع آبی مناطق اطراف خود هستند؟ آیا درست است که نسلهای بعدی تراشهها قرار است ناجی محیط زیست باشند یا اوضاع وخیمتر خواهد شد؟
فهرست مطالب
- تشنگی بیپایان سرورها برای خنک ماندن
- غولهای انویدیا و بلعیدن تراواتساعتها برق
- هزینه پنهان آموزش مدلهای زبانی بزرگ
- ردپای کربنی؛ سنگینتر از پروازهای هوایی
- الگوریتمهای سبز؛ رویای جدید مهندسان
- تراشههای بلکول و وعده بهینهسازی
- مقایسه جستجوی سنتی با پرسش از هوش مصنوعی
- فشار خردکننده بر شبکههای برق شهری
- بنبست حافظههای پهنباند و مصرف انرژی
- نقش انرژیهای تجدیدپذیر در بقای دیتاسنترها
- رایانش عصبی؛ مسیری به سوی مصرف صفر
- مسئولیت اخلاقی کاربران در عصر پردازش ابری
تشنگی بیپایان سرورها برای خنک ماندن
وقتی شما یک سوال ساده از چتباتها میپرسید، هزاران پردازنده در یک دیتاسنتر دوردست با تمام توان شروع به فعالیت میکنند. این فعالیت الکترونیکی گرمای شدیدی تولید میکند که اگر بلافاصله دفع نشود، ذوب شدن قطعات حتمی است. برای خنکسازی این هیولاهای سیلیکونی، سیستمهای تبخیری حجم عظیمی از آب شیرین را مصرف میکنند که عملاً از چرخه طبیعت خارج میشود. طبق آمارهای اخیر، به ازای هر ۲۰ تا ۵۰ پرسش و پاسخ ساده، حدود نیم لیتر آب باکیفیت تبخیر میشود. این یعنی محبوبیت هوش مصنوعی مستقیماً با بحران کمآبی در مناطق میزبان دیتاسنترها گره خورده است.
غولهای انویدیا و بلعیدن تراواتساعتها برق
پردازندههای گرافیکی انویدیا (NVIDIA) قلب تپنده انقلاب هوش مصنوعی هستند اما اشتهای آنها برای برق سیریناپذیر به نظر میرسد. هر کارت گرافیک H100 در حالت حداکثری میتواند به اندازه یک خانه کوچک انرژی مصرف کند و وقتی هزاران عدد از آنها در کنار هم قرار میگیرند، مصرف برق دیتاسنتر به ابعاد یک شهر میرسد. شرکتهای بزرگ تکنولوژی اکنون به دنبال خرید نیروگاههای اختصاصی یا حتی استفاده از رآکتورهای هستهای کوچک هستند. تقاضا برای این تراشهها چنان بالاست که پیشبینی میشود تا سال ۲۰۳۰، مصرف برق بخش هوش مصنوعی چندین برابر کل مصرف فعلی برخی کشورهای توسعهیافته شود.
این وابستگی شدید به سختافزار باعث شده تا رقابت بر سر خرید کارتهای گرافیک به یک جنگ تمامعیار تبدیل شود. هرچه مدلها پیچیدهتر میشوند، تعداد پارامترها افزایش یافته و به تبع آن، نیاز به توان پردازشی و جریان الکتریکی بیشتر میشود. مهندسان در تلاشاند تا با تغییر معماری مدارها، نرخ عملکرد به ازای هر وات را بهبود ببخشند اما سرعت رشد نیازها از سرعت پیشرفت تکنولوژی پیشی گرفته است. در واقع ما در دورانی هستیم که قدرت محاسباتی به ارزشمندترین و البته گرانترین منبع انرژی تبدیل شده است.
هزینه پنهان آموزش مدلهای زبانی بزرگ
فرآیند آموزش (Training) یک مدل زبانی مثل GPT-4 ماهها به طول میانجامد و در این مدت هزاران پردازنده به صورت شبانهروزی در حال کار هستند. برآوردها نشان میدهد که تنها برای آموزش یک نسخه از این مدلها، معادل مصرف سالانه صدها واحد مسکونی انرژی مصرف میشود. این فقط نوک کوه یخ است، چرا که بعد از آموزش، مرحله استنتاج (Inference) یعنی همان پاسخ دادن به سوالات کاربران شروع میشود. مجموع انرژی مصرفی در فاز استنتاج به دلیل تعداد بالای کاربران، به مراتب بیشتر از مرحله آموزش اولیه است.
بسیاری از شرکتها ترجیح میدهند جزئیات دقیق مصرف انرژی خود را مخفی نگه دارند تا با انتقادات محیط زیستی مواجه نشوند. اما حقیقت این است که هر بار کلیک ما بر روی دکمه ارسال، زنجیرهای از مصرف منابع را فعال میکند که هزینهاش را زمین میپردازد. محققان به دنبال روشهایی مثل تقطیر دانش (Knowledge Distillation) هستند تا مدلهای کوچکتر و کممصرفتری بسازند که همان کارایی مدلهای غولآسا را داشته باشند. بدون این بهینهسازیها، ادامه مسیر فعلی برای زیرساختهای انرژی جهان غیرممکن خواهد بود. در نهایت، آموزش مدلهای بزرگ در حال تبدیل شدن به یک امتیاز انحصاری برای کشورهایی است که انرژی ارزان و فراوان در اختیار دارند.
ردپای کربنی؛ سنگینتر از پروازهای هوایی
بحث داغ این روزها در محافل علمی، مقایسه ردپای کربنی تولید محتوا توسط هوش مصنوعی با فعالیتهای صنعتی سنتی است. تولید یک تصویر با کیفیت بالا توسط مدلهای پیشرفته، کربنی معادل شارژ کامل یک گوشی هوشمند تولید میکند که در مقیاس میلیاردی وحشتناک است. اگر این روند بدون کنترل ادامه یابد، صنعت فناوری اطلاعات به یکی از بزرگترین آلایندههای جو زمین تبدیل خواهد شد. در حالی که هواپیماها هدف اصلی منتقدان محیط زیست هستند، دیتاسنترهای خاموش در حال سبقت گرفتن از آنها در تولید گازهای گلخانهای هستند.
مشکل اصلی اینجاست که بسیاری از این مراکز در مناطقی واقع شدهاند که برق آنها از سوختهای فسیلی تامین میشود. فشار افکار عمومی باعث شده تا غولهایی مثل گوگل و مایکروسافت به سمت قراردادهای خرید انرژی پاک حرکت کنند اما این هم راهکار قطعی نیست. زیرا تقاضای هوش مصنوعی به قدری زیاد است که انرژیهای سبز موجود را میبلعد و سایر بخشهای صنعت را مجبور به استفاده از زغالسنگ میکند. جالب است بدانید که برخی مستندهای اخیر نشان میدهند که چگونه اکوسیستمهای محلی اطراف دیتاسنترها به دلیل افزایش دمای آبهای تخلیه شده دچار تغییر شدهاند. ما با پارادوکسی روبرو هستیم که در آن برای حل مشکلات هوشمندانه، در حال تخریب فیزیکی محیط زندگی خود هستیم.
الگوریتمهای سبز؛ رویای جدید مهندسان
سبز کردن الگوریتمها (Green AI) به این معناست که کارایی نرمافزار را طوری بالا ببریم که با محاسبات کمتر، خروجی دقیقتری بگیریم. در سالهای اخیر، تمرکز فقط بر روی دقت مدل بود و کسی به مصرف برق اهمیتی نمیداد، اما حالا ورق برگشته است. بهینهسازی کدها و استفاده از تکنیکهای ریاضی برای کاهش ضرب ماتریسها در پردازندهها، میتواند مصرف انرژی را تا ۳۰ درصد کاهش دهد. این یک چالش مهندسی بزرگ است که تخصصهای نرمافزاری را با علوم زیستمحیطی پیوند میزند.
تراشههای بلکول و وعده بهینهسازی
انویدیا با معرفی معماری جدید بلکول (Blackwell) مدعی شده است که میتواند مصرف انرژی را در مدلهای بسیار بزرگ به طرز چشمگیری کاهش دهد. این تراشهها با استفاده از سیستمهای خنککننده مایع مستقیم و ارتباطات پرسرعتتر، اتلاف انرژی را به حداقل میرسانند. اما سوال اصلی این است که آیا این بهرهوری باعث کاهش مصرف کل میشود یا برعکس، باعث استفاده بیشتر از هوش مصنوعی میشود؟ طبق قانون بازدهی، هرچه چیزی بهینهتر شود، تقاضا برای آن به قدری زیاد میشود که در نهایت مصرف کل افزایش مییابد. با این حال، تکنولوژی تراشههای ۵ نانومتری و پایینتر، تنها راه نجات ما برای ادامه توسعه هوش مصنوعی در مقیاس جهانی است.
مقایسه جستجوی سنتی با پرسش از هوش مصنوعی
یک جستجوی ساده در گوگل حدود ۰.۳ واتساعت برق مصرف میکند، در حالی که یک درخواست از ChatGPT به طور متوسط ۲.۹ واتساعت انرژی میطلبد. این یعنی هوش مصنوعی حدود ۱۰ برابر بیشتر از موتورهای جستجوی کلاسیک به انرژی نیاز دارد تا همان اطلاعات را به شما بدهد. دلیل این تفاوت فاحش، فرآیند زایشی (Generative) است که در آن مدل باید کلمه به کلمه متن را تولید کند. در جستجوی سنتی، فقط یک پایگاه داده ایندکس شده بازخوانی میشود که فشار بسیار کمتری به سختافزار وارد میآورد.
با ترکیب هوش مصنوعی در موتورهای جستجو، این اختلاف مصرف به یک بحران جدی برای شرکتهای ارائه دهنده خدمات تبدیل شده است. تصور کنید میلیاردها جستجوی روزانه بخواهد با مصرف ۱۰ برابری انجام شود؛ این بار اضافی میتواند شبکههای توزیع برق را در بسیاری از کشورها با اختلال مواجه کند. به همین دلیل است که شرکتها به دنبال مدلهای ترکیبی هستند که فقط در موارد ضروری از هوش مصنوعی استفاده کنند. در واقعیت، ما هزینه راحتی و دقت بیشتر در دریافت پاسخها را با فشار آوردن به زیرساختهای انرژی پرداخت میکنیم. این موضوع در بلندمدت میتواند منجر به افزایش قیمت خدمات اینترنتی یا اعمال محدودیتهای مصرف برای کاربران عادی شود.
فشار خردکننده بر شبکههای برق شهری
در مناطقی مانند ویرجینیای شمالی که بزرگترین مرکز تجمع دیتاسنترهای جهان است، شبکه برق به سختی میتواند تقاضای جدید را پاسخ دهد. ساخت دیتاسنترهای هوش مصنوعی چنان با سرعت پیش میرود که ادارههای برق محلی توان کابلکشی و احداث پستهای جدید را ندارند. در برخی موارد، پروژههای مسکنسازی به دلیل اولویت دادن شبکه برق به دیتاسنترها متوقف شدهاند. این تقابل بین نیازهای رفاهی مردم و توسعه تکنولوژی، چالشهای سیاسی و اجتماعی جدیدی را در سطح جهانی ایجاد کرده است.
از سوی دیگر، پایداری شبکه برق در برابر نوسانات ناشی از بارهای پردازشی سنگین، به یک معضل فنی تبدیل شده است. وقتی یک مدل بزرگ شروع به آموزش میکند، ناگهان صدها مگاوات برق وارد مدار میشود و این تغییر ناگهانی میتواند باعث افت ولتاژ در مناطق مسکونی شود. برای حل این مشکل، دیتاسنترها مجبور به استفاده از باتریهای عظیم و سیستمهای ذخیرهسازی انرژی شدهاند که خود آنها هم هزینههای زیستمحیطی تولید باتری را دارند. در واقع هوش مصنوعی در حال بازتعریف نقشه توزیع انرژی در جهان است و کشورهایی که زیرساخت ضعیفی دارند، از این رقابت جا خواهند ماند. این یعنی شکاف دیجیتال در آینده نه فقط بر اساس دسترسی به اینترنت، بلکه بر اساس دسترسی به «برق پایدار برای پردازش» تعریف خواهد شد.
بنبست حافظههای پهنباند و مصرف انرژی
بسیاری تصور میکنند فقط پردازنده است که برق مصرف میکند، اما جابهجایی دادهها بین حافظه و پردازنده بخش بزرگی از تلفات انرژی را شامل میشود. حافظههای با پهنای باند بالا (HBM3e) که در سیستمهای هوش مصنوعی استفاده میشوند، گرمای زیادی تولید کرده و برای پایداری نیاز به ولتاژ دقیق دارند. هرچه مدلها بزرگتر میشوند، دادههای بیشتری باید با سرعت نور بین قطعات جابهجا شوند که این خود باعث افزایش مقاومت الکتریکی و گرما میشود. مهندسان به دنبال راهکارهایی مثل «پردازش در حافظه» هستند تا این جابهجاییهای پرهزینه را به حداقل برسانند.
نقش انرژیهای تجدیدپذیر در بقای دیتاسنترها
استفاده از پنلهای خورشیدی و توربینهای بادی برای تامین برق دیتاسنترها دیگر یک ژست تبلیغاتی نیست، بلکه یک ضرورت اقتصادی است. اما مشکل اصلی هوش مصنوعی این است که به صورت ۲۴ ساعته و با بار کامل کار میکند، در حالی که خورشید و باد همیشگی نیستند. این عدم تطابق باعث شده تا شرکتها به سمت سرمایهگذاری روی انرژیهای پایه مثل زمینگرمایی و هستهای نسل جدید حرکت کنند. بدون یک منبع انرژی سبز و پایدار، رویای هوش مصنوعی عمومی (AGI) به بنبست فیزیکی برخورد خواهد کرد.
در حال حاضر، برخی دیتاسنترها در مناطق سردسیر مثل ایسلند یا شمال کانادا ساخته میشوند تا از سرمای طبیعی برای خنکسازی استفاده کنند. این کار مصرف برق سیستمهای تهویه را تا حد زیادی کاهش میدهد، اما هزینه انتقال دادهها به این نقاط دورافتاده همچنان چالشبرانگیز است. همچنین استفاده از گرمای تلف شده دیتاسنترها برای گرم کردن منازل شهری یا گلخانهها در اروپا به عنوان یک راهکار بازیافت انرژی در حال تست است. با این حال، تمام این تلاشها هنوز نتوانستهاند سرعت رشد مصرف را جبران کنند. دنیای آینده نیازمند یک انقلاب همزمان در تولید انرژی و معماری کامپیوتر است تا بتواند بار سنگین هوش مصنوعی را به دوش بکشد.
رایانش عصبی؛ مسیری به سوی مصرف صفر
یکی از هیجانانگیزترین افقها در حل بحران انرژی، الهام گرفتن از مغز انسان است که با مصرف تنها ۲۰ وات (به اندازه یک لامپ کوچک) پیچیدهترین پردازشها را انجام میدهد. تراشههای نورومورفیک (Neuromorphic) که ساختار عصبی مغز را شبیهسازی میکنند، نویدبخش کاهش هزار برابری مصرف انرژی در هوش مصنوعی هستند. این تراشهها به جای استفاده از منطق باینری، از پالسهای الکتریکی مشابه نورونها استفاده میکنند. اگر این تکنولوژی از محیط آزمایشگاهی خارج و تجاریسازی شود، بحران انرژی هوش مصنوعی برای همیشه به تاریخ خواهد پیوست.
در حال حاضر شرکتهایی مثل اینتل با تراشه لوییهی (Loihi) در حال پیشتازی در این مسیر هستند. برخلاف پردازندههای معمولی که مدام بین حافظه و محاسبات در رفت و آمدند، در معماری نورومورفیک پردازش و ذخیرهسازی در یک نقطه انجام میشود. این یعنی حذف کامل اتلاف انرژی ناشی از جابهجایی دادهها که بزرگترین دشمن بازدهی در سیستمهای فعلی است. با این حال، بازنویسی تمام نرمافزارهای فعلی برای اجرا روی این سختافزارهای عجیب، سالها زمان خواهد برد. اما پتانسیل این را دارد که هوش مصنوعی را از دیتاسنترهای عظیم به داخل گجتهای پوشیدنی و حتی بدن انسان منتقل کند، بدون اینکه نگران تمام شدن باتری باشیم.
مسئولیت اخلاقی کاربران در عصر پردازش ابری
هرچند شرکتهای بزرگ مسئول اصلی ساخت این سیستمها هستند، اما الگوی مصرف کاربران نیز در عمق بخشیدن به این فاجعه نقش دارد. استفاده غیرضروری از هوش مصنوعی برای کارهایی که با یک جستجوی ساده یا تفکر انسانی قابل انجام است، بار اضافی به محیط زیست تحمیل میکند. ما باید یاد بگیریم که هر پرامپت (Prompt) که ارسال میکنیم، بهایی دارد که در قبض برق جهانی ثبت میشود. آگاهی از این زنجیره پنهان میتواند به استفاده مسئولانهتر و بهینهتر از این ابزارهای قدرتمند منجر شود.
بسیاری از متخصصان پیشنهاد میدهند که برچسبهای مصرف انرژی برای خروجیهای هوش مصنوعی لحاظ شود تا کاربر بداند برای تولید این متن چقدر آب و برق مصرف شده است. این شفافیت میتواند شرکتها را مجبور کند تا بهینهسازی را در اولویت قرار دهند. در دنیایی که با تغییرات اقلیمی دست و پنجه نرم میکند، داشتن هوش مصنوعی به قیمت از دست دادن منابع حیاتی، معاملهای دوسر باخت خواهد بود. ما نیاز به یک فرهنگ جدید در تعامل با ماشین داریم؛ فرهنگی که در آن کارایی و پایداری به اندازه سرعت و دقت اهمیت داشته باشد. در نهایت، هوش مصنوعی باید ابزاری برای نجات سیاره باشد، نه عاملی برای نابودی سریعتر آن. پس دفعه بعد که از چتبات خود میخواهید یک جوک طولانی بنویسد، به لیوان آبی که همزمان در دیتاسنتر تبخیر میشود فکر کنید.
جمعبندی نهایی
هوش مصنوعی شمشیر دو لبهای است که درخشش خیرهکنندهاش، سایه سنگین مصرف منابع را پوشانده است. ما در دورانی هستیم که پیشرفت نرمافزاری از توان زیرساختهای فیزیکی زمین پیشی گرفته و این شکاف تنها با بازنگری بنیادین در معماری سختافزار و اخلاق مصرف پر خواهد شد. بحران انرژی هوش مصنوعی صرفاً یک چالش فنی نیست، بلکه یک آزمون بزرگ برای تمدن ماست تا نشان دهد آیا میتواند هوشمندی را با پایداری آشتی دهد یا خیر. آینده هوش مصنوعی نه در تعداد پارامترهای بیشتر، بلکه در «هوش سبزتر» نهفته است؛ جایی که هر وات انرژی، بیشترین ارزش را برای بشریت خلق کند.
سوالات متداول (Smart FAQ)
با بیش از ۲۰ سال نویسندگی «ترکیبی» مستمر در زمینهٔ پزشکی، فناوری، سینما، کتاب و فرهنگ.
باشد که با هم متفاوت بیاندیشیم!
مطالب مرتبط
