هوش مصنوعی (AI) در حال تبدیل شدن به بخشی از زندگی روزمره برای بسیاری از مردم در سراسر جهان است. در سطح فردی، مردم به طور فزاینده ای از مدل های هوش مصنوعی برای جست و جو استفاده می کنند. در حالی که گوگل همچنان بر بازار جستجو تسلط دارد، ChatGPT مهم ترین تهدید را برای تسلط آن ایجاد کرده است.
در سطح کسب و کار، هیچ صنعتی از کشاورزی گرفته تا مراقبت های بهداشتی، از امور مالی تا سرگرمی کنار گذاشته نمی شود، سازمان ها در سراسر جهان هوش مصنوعی را در عملیات روزانه خود ادغام می کنند.
انتظار میرود تقاضا و استفاده از هوش مصنوعی در جهان در سالهای آینده به طور تصاعدی افزایش یابد، بنابراین شرکتهای فناوری با ساخت مراکز داده عظیم به این پیشرفت پاسخ میدهند. اما این رشد هزینه دارد: مصرف انرژی، هزینه های اقتصادی و اثرات زیست محیطی. محاسبات سنتی به سادگی نمی تواند با نیازهای رو به رشد محاسباتی و انرژی سازگاری داشته باشد. برای حفظ انقلاب هوش مصنوعی، ما باید در مورد فیزیک محاسبات مدرن تجدید نظر کنیم.
مسائل انرژی
حتی بدون در نظر گرفتن هوش مصنوعی، محاسبات الکترونیکی در مقطع حساسی قرار دارد. قانون مور در حال شکست است، مقیاس دنارد شکسته شده است، و نتیجه تکثیر "سیلیکون تیره" است، بخش هایی از ترانزیستورها روی یک تراشه که برای جلوگیری از گرم شدن بیش از حد باید بدون برق یا بیکار بمانند.
آموزش یک مدل هوش مصنوعی بزرگ کار آسانی نیست. مدلهای زبان بزرگ (LLM) بر روی مقادیر انبوه داده آموزش داده میشوند و تریلیونها پارامتر دارند. آنها میلیاردها بار فرآیند را پیش بینی، اندازه گیری، تنظیم و تکرار می کنند. تخمین زده می شود که قدرت محاسباتی مورد نیاز برای آموزش مدل های هوش مصنوعی هر شش ماه دو برابر شود.
پردازش و جابجایی چنین حجم زیادی از داده ها مستلزم موازی سازی و قدرت عظیم است. در محاسبات سنتی، توان بالاتر به سیستمهای چگالی بالاتر نیاز دارد. چگالی بیشتر به معنای مقاومت بیشتر و مقاومت بیشتر به معنای گرمای بیشتر است. این امر مراکز داده را مجبور میکند تا انرژی زیادی را از محاسبات به خنککنندگی تغییر دهند و تا 40 درصد از کل انرژی مصرفی مرکز داده برای جلوگیری از خرابی سرور استفاده میشود.
زیرساختی که از هوش مصنوعی پشتیبانی می کند در حال حاضر با مشکل مواجه است و واضح است که محاسبات سنتی دیگر نمی تواند از توسعه آینده پشتیبانی کند.
مسائل اقتصادی
اپراتورهای مراکز داده با یک معمای مالی روبرو هستند: یا تراکم محاسباتی را به آنچه امکانات خنک کننده فعلی آنها می توانند تحمل کنند محدود کنند، توانایی های تجاری آنها را مختل کنند، یا محدودیت های حرارتی را اعمال کنند، که باعث پیری سریع سخت افزار و قطعات، افزایش هزینه های عملیاتی و ضایعات می شود.
علاوه بر این، هزینه ساخت مراکز داده جدید نیز بسیار بالا است - McKinsey پیشبینی میکند که تا سال 2030 به 5.2 تریلیون دلار سرمایهگذاری نیاز است. اگر مراکز داده همچنان به محاسبات سنتی متکی باشند، سرمایهگذاری در زیرساختهای ناکارآمد یک ریسک مالی بزرگ خواهد بود. مصرف کنندگان عادی نیز تحت تأثیر شرایط بد اقتصادی قرار دارند. از آنجایی که هوش مصنوعی فشار بیسابقهای بر شبکه وارد میکند و تقاضای برق مرکز داده افزایش مییابد، قیمت برق در حال افزایش است. این هزینه ها به صورت قبض برق که به سرعت در حال افزایش است به خانوارهای اطراف منتقل می شود.
