Πηγή Εικόνας: απε - μπεΠόση ενέργεια χρειάζεται η Τεχνητή Νοημοσύνη; Αν ρωτήσετε το ChatGPT η απάντηση που θα λάβετε είναι: «Τα συστήματα τεχνητής νοημοσύνης ποικίλλουν σε μεγάλο βαθμό στην κατανάλωση ενέργειας ανάλογα με την πολυπλοκότητα και τη χρήση τους, αλλά γενικά απαιτούν σημαντικές ποσότητες ηλεκτρικής ενέργειας για την αποτελεσματική επεξεργασία και ανάλυση δεδομένων».
Γι’ αυτή την απάντηση χρειάστηκε περίπου δεκαπλάσια ηλεκτρική ενέργεια από ό,τι μία αναζήτηση στο Google, σύμφωνα με κάποιες εκτιμήσεις. Και αν υπολογίσουμε ότι το ChatGPT έχει 100 εκατομμύρια χρήστες την εβδομάδα, η κατανάλωση ενέργειας αυξάνεται. Και αυτό αφορά τους χρήστες μόνο μίας πλατφόρμας.
Σε ολόκληρο τον κλάδο, η αυξανόμενη ζήτηση ενέργειας, κυρίως για την κατασκευή και λειτουργία των κέντρων δεδομένων που χρησιμοποιούνται για την εκπαίδευση και τη λειτουργία μοντέλων τεχνητής νοημοσύνης, συμβάλλει στην αύξηση των εκπομπών αερίων του θερμοκηπίου παγκοσμίως.
Όπως αναφέρει το Παγκόσμιο Οικονομικό Φόρουμ στην αρθρογραφία του, η Microsoft, η οποία έχει επενδύσει στον κατασκευαστή ChatGPT, OpenAI και έχει τοποθετήσει εργαλεία τεχνητής νοημοσύνης στην καρδιά των προϊόντων της, ανακοίνωσε πρόσφατα ότι οι εκπομπές CO2 της είχαν αυξηθεί σχεδόν κατά 30% από το 2020 λόγω της επέκτασης του data centre. Οι εκπομπές αερίων του θερμοκηπίου της Google το 2023 ήταν σχεδόν 50% υψηλότερες από ό,τι το 2019, σε μεγάλο βαθμό λόγω της ενεργειακής ζήτησης που συνδέεται με τα data center.
Έτσι, ενώ τα εργαλεία AI υπόσχονται να βοηθήσουν στην ενεργειακή μετάβαση, απαιτούν επίσης σημαντική ισχύ.
Τι είναι αυτό που κάνει την Τεχνητή Νοημοσύνη ενεργειακά απαιτητική
Η χρήση ενέργειας της τεχνητής νοημοσύνης αντιπροσωπεύει, για την ώρα, μόνο ένα κλάσμα της κατανάλωσης ενέργειας του τεχνολογικού τομέα, η οποία εκτιμάται ότι είναι περίπου το 2-3% των συνολικών παγκόσμιων εκπομπών. Αυτό είναι πιθανό να αλλάξει καθώς όλο και περισσότερες εταιρείες, κυβερνήσεις και οργανισμοί χρησιμοποιούν την τεχνητή νοημοσύνη για να ενισχύσουν την αποτελεσματικότητα και την παραγωγικότητά τους. Τα data center αποτελούν ήδη σημαντική αιτία της αύξησης της ζήτησης ηλεκτρικής ενέργειας σε πολλές περιοχές, όπως δείχνει το διάγραμμα.
Η τεχνητή νοημοσύνη απαιτεί σημαντική υπολογιστική ισχύ και τα συστήματα που δημιουργούνται ενδέχεται ήδη να χρησιμοποιούν περίπου 33 φορές περισσότερη ενέργεια για την ολοκλήρωση μιας εργασίας από ό,τι το λογισμικό για συγκεκριμένη εργασία.
Καθώς αυτά τα συστήματα γίνονται όλο και πιο ελκυστικά και αναπτύσσονται περαιτέρω, η εκπαίδευση και η λειτουργία των μοντέλων θα οδηγήσουν σε μια εκθετική αύξηση του αριθμού των κέντρων δεδομένων που χρειάζονται παγκοσμίως – και της σχετικής χρήσης ενέργειας. Αυτό θα ασκήσει αυξανόμενη πίεση στα ήδη καταπονημένα ηλεκτρικά δίκτυα.
Ειδικότερα, η εκπαίδευση για την παραγωγή τεχνητής νοημοσύνης είναι εξαιρετικά ενεργοβόρα και καταναλώνει πολύ περισσότερη ηλεκτρική ενέργεια από τις παραδοσιακές δραστηριότητες κέντρων δεδομένων. Όπως είπε ερευνητής τεχνητής νοημοσύνης, «Όταν αναπτύσσεις μοντέλα τεχνητής νοημοσύνης, πρέπει να τα έχεις πάντα ενεργοποιημένα. Το ChatGPT δεν είναι ποτέ απενεργοποιημένο.»
Η ανάπτυξη της πολυπλοκότητας ενός μεγάλου γλωσσικού μοντέλου, όπως αυτό στο οποίο βασίζεται το ChatGPT, δείχνει αυτήν την κλιμακούμενη ζήτηση για ενέργεια.
Η εκπαίδευση ενός μοντέλου όπως το Generative Pre-trained Transformer 3 (ή GPT-3) εκτιμάται ότι χρησιμοποιεί ηλεκτρική ενέργεια λίγο κάτω από 1.300 μεγαβατώρες (MWh). Αυτό είναι περίπου ισοδύναμο με την ετήσια κατανάλωση ενέργειας 130 κατοικιών στις ΗΠΑ.
Η εκπαίδευση του πιο προηγμένου GPT-4, εν τω μεταξύ, εκτιμάται ότι είχε χρησιμοποιήσει 50 φορές περισσότερη ηλεκτρική ενέργεια.
Συνολικά, η υπολογιστική ισχύς που απαιτείται για τη διατήρηση της ανάπτυξης της τεχνητής νοημοσύνης διπλασιάζεται περίπου κάθε 100 ημέρες.
Πώς μπορεί η βιομηχανία AI να βελτιώσει την ενεργειακή της απόδοση
Δημιουργούνται, λοιπόν, κάποιες εύλογες απορίες. Τα οικονομικά και κοινωνικά οφέλη της τεχνητής νοημοσύνης υπερτερούν του περιβαλλοντικού κόστους της χρήσης της; Και πιο συγκεκριμένα, τα οφέλη της τεχνητής νοημοσύνης για την ενεργειακή μετάβαση υπερτερούν της αυξημένης κατανάλωσης ενέργειας;
Το κλειδί για τις απαντήσεις αυτές θα είναι το κοινό σημείο μεταξύ προκλήσεων και ευκαιριών.
Οι εκθέσεις προβλέπουν ότι η τεχνητή νοημοσύνη έχει τη δυνατότητα να βοηθήσει στον μετριασμό του 5-10% των παγκόσμιων εκπομπών αερίων του θερμοκηπίου έως το 2030. Τι πρέπει λοιπόν να συμβεί για να επιτευχθεί η σωστή ισορροπία;
Οι ρυθμιστικές αρχές, συμπεριλαμβανομένου του Ευρωπαϊκού Κοινοβουλίου, αρχίζουν να θέτουν προϋποθέσεις για τα συστήματα που θα σχεδιαστούν με τη δυνατότητα καταγραφής της ενεργειακής τους κατανάλωσης. Και οι εξελίξεις στην τεχνολογία θα μπορούσαν να βοηθήσουν στην αντιμετώπιση της ενεργειακής ζήτησης της τεχνητής νοημοσύνης, με πιο προηγμένο υλικό και ισχύ επεξεργασίας που αναμένεται να βελτιώσει την αποδοτικότητα της τεχνητής νοημοσύνης.
Οι ερευνητές σχεδιάζουν εξειδικευμένο υλικό, όπως νέους επιταχυντές, νέες τεχνολογίες όπως τσιπ 3D, που προσφέρουν πολύ βελτιωμένη απόδοση και νέες τεχνικές ψύξης τσιπ. Η εταιρεία κατασκευής τσιπ υπολογιστών Nvidia ισχυρίζεται ότι το νέο της «υπερτσίπ» μπορεί να προσφέρει 30 φορές βελτίωση της απόδοσης κατά την εκτέλεση παραγωγικών υπηρεσιών AI, καταναλώνοντας 25 φορές λιγότερη ενέργεια.
Τα κέντρα δεδομένων, επίσης, γίνονται πιο αποτελεσματικά. Και διερευνώνται νέες τεχνολογίες ψύξης και τοποθεσίες που μπορούν να εκτελούν περισσότερους υπολογισμούς όταν η ισχύς είναι φθηνότερη, πιο διαθέσιμη και πιο βιώσιμη, για να προωθηθεί περαιτέρω αυτή η απόδοση.
Παράλληλα, η μείωση της συνολικής χρήσης δεδομένων – συμπεριλαμβανομένης της αντιμετώπισης του ζητήματος των dark data – τα οποία είναι δεδομένα που παράγονται και αποθηκεύονται αλλά στη συνέχεια δεν χρησιμοποιούνται ξανά – θα είναι σημαντική. Και το να είμαστε πιο επιλεκτικοί σχετικά με το πώς και πού χρησιμοποιούμε την τεχνητή θα βοηθήσει επίσης. Η επίτευξη μιας καλύτερης ισορροπίας μεταξύ της απόδοσης, του κόστους και του ανθρακικού αποτυπώματος της AI θα είναι καθοριστικής σημασίας.
Τι γίνεται με τον αντίκτυπο της τεχνητής νοημοσύνης στα δίκτυα
Η Τεχνητή Νοημοσύνη δεν είναι ο μόνος παράγοντας που ασκεί πίεση στο δίκτυο. Οι αυξανόμενες ενεργειακές ανάγκες και οι τάσεις σε ό,τι αφορά την ηλεκτροδότηση έντονη ζήτηση που θα μπορούσε να επιβραδύνει την απανθρακοποίηση του δικτύου.
Ωστόσο, ένα καθαρό και σύγχρονο δίκτυο ηλεκτρικής ενέργειας θα είναι ζωτικής σημασίας για την ευρύτερη μετάβαση σε μια οικονομία μηδενικών εκπομπών.
Οι φορείς εκμετάλλευσης των κέντρων δεδομένων διερευνούν εναλλακτικές επιλογές ενέργειας, όπως η πυρηνική, σε εγκαταστάσεις παραγωγής ενέργειας ή τεχνολογίες αποθήκευσης όπως το υδρογόνο. Οι εταιρείες επενδύουν επίσης σε αναδυόμενες τεχνολογίες, όπως η αφαίρεση άνθρακα, για να αφαιρούν το CO2 από τον αέρα και να το αποθηκεύουν με ασφάλεια.
Η τεχνητή νοημοσύνη μπορεί επίσης να διαδραματίσει ρόλο στην υπέρβαση των φραγμών για την ενσωμάτωση των απαραίτητων τεράστιων ποσοτήτων ανανεώσιμης ενέργειας στα υπάρχοντα δίκτυα.
Η μεταβλητότητα στην παραγωγή ανανεώσιμων πηγών ενέργειας συχνά οδηγεί σε υπερπαραγωγή κατά τις ώρες αιχμής και υποπαραγωγή σε πιο ήρεμα διαστήματα, οδηγώντας σε σπατάλη ενέργειας και αστάθεια του δικτύου. Αναλύοντας τεράστια σύνολα δεδομένων, από τα καιρικά μοτίβα έως τις τάσεις κατανάλωσης ενέργειας, η τεχνητή νοημοσύνη μπορεί να προβλέψει την παραγωγή ενέργειας με αξιοσημείωτη ακρίβεια.
Αυτό θα μπορούσε να επιτρέψει τον προγραμματισμό εργασιών και τη μετατόπιση φορτίου για να διασφαλιστεί ότι τα κέντρα δεδομένων χρησιμοποιούν ενέργεια όταν είναι διαθέσιμη ηλεκτρική ενέργεια από ανανεώσιμες πηγές ενέργειας – διασφαλίζοντας τη βέλτιστη σταθερότητα, απόδοση και καθαρή ισχύ του δικτύου 24 ώρες το 24ωρο 7 ημέρες την εβδομάδα.
Η τεχνητή νοημοσύνη συμβάλλει επίσης στον μετασχηματισμό της ενεργειακής απόδοσης άλλων ενεργοβόρων βιομηχανιών, από τη μοντελοποίηση κτιρίων για την πρόβλεψη της χρήσης ενέργειας και τη βελτιστοποίηση της απόδοσης της θέρμανσης και του κλιματισμού, στη βελτίωση της απόδοσης της κατασκευής μέσω προγνωστικής συντήρησης. Στη γεωργία, οι αισθητήρες και οι δορυφορικές εικόνες βοηθούν στην πρόβλεψη των αποδόσεων των καλλιεργειών και στη διαχείριση πόρων.
Η εξισορρόπηση μεταξύ της κατανάλωσης ενέργειας και των εκπομπών της τεχνητής νοημοσύνης και του κοινωνικού της οφέλους αντιμετωπίζει πολλές προκλήσεις και απαιτεί μια σύνθετη προσέγγιση.
