تنتج انبعاثات الحوسبة الخاصة بالذكاء الاصطناعي عن مجموعات وحدات معالجة الرسومات (GPU) التي تستهلك كميات هائلة من الطاقة لتدريب نماذج ضخمة، بينما تأتي انبعاثات الحوسبة السحابية التقليدية من مراكز البيانات العامة التي تُشغّل أحمال العمل اليومية. تستهلك أحمال عمل الذكاء الاصطناعي طاقة أكبر بكثير لكل مهمة، لكن الحوسبة السحابية التقليدية تعمل على نطاق إجمالي أوسع بكثير.
البصمة الكربونية الناتجة عن تدريب وتشغيل نماذج الذكاء الاصطناعي على أجهزة متخصصة مثل وحدات معالجة الرسومات (GPUs) ووحدات معالجة الموتر (TPUs).
انبعاثات الكربون الناتجة عن مراكز البيانات ذات الأغراض العامة التي تستضيف مواقع الويب والتطبيقات وقواعد البيانات وبرامج المؤسسات.
| الميزة | انبعاثات الحوسبة للذكاء الاصطناعي | انبعاثات السحب التقليدية |
|---|---|---|
| المكونات الرئيسية | وحدات معالجة الرسومات ووحدات معالجة الموتر (مسرعات الذكاء الاصطناعي) | وحدات المعالجة المركزية والخوادم ذات الأغراض العامة |
| الطاقة لكل رف | من 30 إلى 80 كيلوواط لكل رف | من 5 إلى 15 كيلوواط لكل رف |
| الطاقة لكل مهمة | مرتفع للغاية (تدريب نموذج = أطنان من ثاني أكسيد الكربون) | متوسط (يختلف حسب حجم العمل) |
| طلب التبريد | عالية جدًا، وغالبًا ما يتم تبريدها بالسوائل | عادةً ما يكون التبريد بالهواء كافيًا |
| نوع عبء العمل | تدريب النموذج والاستدلال | استضافة المواقع الإلكترونية، وقواعد البيانات، وتطبيقات SaaS |
| معدل الاستخدام | غالباً ما تتراوح النسبة بين 30 و 50 بالمائة | عادة ما تتراوح النسبة بين 40 و 60 بالمائة |
| تبني الطاقة المتجددة | نسبة أقل، تنمو بسرعة | نسبة أعلى، من 60 إلى 90 بالمئة في بعض المناطق |
| مسار النمو | متفجر، يتضاعف كل بضعة أشهر | ثابت، بنسبة تتراوح بين 10 إلى 20 بالمائة سنوياً |
| استخدام المياه | تبريد عالي (لرقائق الذكاء الاصطناعي) | معتدل (تبريد تقليدي) |
تعتمد الحوسبة في مجال الذكاء الاصطناعي على معالجات متوازية ضخمة مصممة خصيصًا لحسابات المصفوفات، وتستهلك هذه الرقائق طاقة هائلة. إذ يمكن لمعالج NVIDIA H100 واحد أن يستهلك 700 واط تحت أقصى حمل، بينما قد تصل الطاقة المستهلكة في رفوف تضم ثمانية منها إلى 50 كيلوواط أو أكثر. في المقابل، تستهلك خوادم الحوسبة السحابية التقليدية طاقة أقل، حيث تعمل غالبًا بمعالجات مركزية تعمل بكفاءة في وضع الخمول وتتعامل مع أحمال عمل متنوعة دون الحاجة إلى معدل نقل بيانات أقصى ثابت. هذا الاختلاف في الأجهزة وحده يجعل أحمال عمل الذكاء الاصطناعي أكثر استهلاكًا للطاقة بعدة مرات لكل وحدة عمل.
عندما قاس الباحثون انبعاثات التدريب لنماذج اللغة الضخمة، كانت الأرقام مذهلة. إذ يمكن لعملية تدريب واحدة لنموذج بحجم GPT-3 أن تُنتج ما يعادل مئات الأطنان من ثاني أكسيد الكربون. أما مهام الحوسبة السحابية التقليدية، مثل عرض صفحة ويب أو تنفيذ استعلام قاعدة بيانات، فتُنتج جزءًا ضئيلاً من هذه الانبعاثات لكل طلب. ومع ذلك، تعمل الحوسبة السحابية التقليدية بأحجام أكبر بكثير، لذا فإن البصمة الكربونية التراكمية تُصبح متقاربة من حيث القيمة المطلقة، حتى وإن بدت انبعاثات كل مهمة مختلفة تمامًا.
تُنتج وحدات معالجة الرسومات حرارةً شديدة، مما يعني أن مراكز بيانات الذكاء الاصطناعي غالبًا ما تحتاج إلى أنظمة تبريد سائلة أو حتى أنظمة غمر للحفاظ على درجات حرارة ضمن الحدود المسموح بها. وتستهلك عملية التبريد هذه كميات هائلة من الماء والكهرباء. بينما تعتمد مرافق الحوسبة السحابية التقليدية في الغالب على التبريد الهوائي والمبردات، والتي تستهلك كميات أقل من الماء والطاقة. وفي المناطق المعرضة للجفاف مثل أريزونا، أثارت احتياجات مراكز بيانات الذكاء الاصطناعي من المياه ردود فعل سلبية من المجتمعات المحلية وتدقيقًا من الجهات التنظيمية.
أمضت شركات الحوسبة السحابية العملاقة التقليدية، مثل جوجل ومايكروسوفت، سنوات في شراء عقود الطاقة المتجددة وتوقيع اتفاقيات شراء الطاقة لتخضير شبكاتها. أما العمليات التي تركز على الذكاء الاصطناعي، والتي غالباً ما تكون أحدث ومصممة خصيصاً للتدريب واسع النطاق، فلم تحظَ دائماً بنفس السبق. ومع ذلك، تتجه شركات مثل كورويف ولامدا لابز بشكل متزايد إلى إنشاء مرافق بالقرب من مصادر الطاقة المتجددة الرخيصة، مثل السدود الكهرومائية في شمال غرب المحيط الهادئ، لتعويض استهلاكها الهائل للطاقة.
يتزايد الطلب على الحوسبة في مجال الذكاء الاصطناعي بوتيرة لم يسبق لها مثيل في نمو الحوسبة السحابية التقليدية. ويتوقع بعض المحللين أن يتضاعف استهلاك الطاقة المرتبط بالذكاء الاصطناعي ثلاث مرات بحلول عام 2030، مدفوعًا بنماذج أكبر وانتشار واسع النطاق لتقنيات الاستدلال. ورغم أن نمو الحوسبة السحابية التقليدية لا يزال قويًا، إلا أنه يتبع منحنى أكثر قابلية للتنبؤ مرتبطًا بإنفاق المؤسسات على تكنولوجيا المعلومات. وهذا يعني أن انبعاثات الذكاء الاصطناعي قد تتجاوز انبعاثات الحوسبة السحابية التقليدية في بعض المناطق خلال العقد القادم إذا لم تواكب تحسينات الكفاءة هذا النمو.
إن تدريب الذكاء الاصطناعي وحده هو الذي ينتج عنه انبعاثات كبيرة، بينما الاستدلال مجاني بشكل أساسي.
تُشكّل عمليات الاستدلال في الواقع الجزء الأكبر من البصمة الكربونية للذكاء الاصطناعي على مدار دورة حياته، لأنها تحدث مليارات المرات يوميًا عبر النماذج المُستخدمة. يستهلك استعلام واحد في ChatGPT طاقةً تُعادل عشرة أضعاف الطاقة التي يستهلكها بحث جوجل التقليدي، وتتراكم هذه الاستعلامات بسرعة.
مراكز بيانات الحوسبة السحابية التقليدية محايدة للكربون بالفعل.
رغم تعهد كبرى شركات الاتصالات بتحقيق أهداف الحياد الكربوني، إلا أن معظمها لا يزال يعتمد جزئياً على الوقود الأحفوري، لا سيما في المناطق ذات البنية التحتية المحدودة للطاقة المتجددة. وغالباً ما تعتمد ادعاءات الحياد الكربوني بشكل كبير على التعويضات بدلاً من الطاقة النظيفة الفعلية التي تُشغل الخوادم.
تعتبر أحمال عمل الذكاء الاصطناعي أكثر كفاءة من الحوسبة السحابية التقليدية لأنها تقنية أحدث.
لا يعني كون الشيء أحدث بالضرورة أنه أكثر مراعاة للبيئة. فأجهزة الذكاء الاصطناعي تستهلك طاقة أكبر بكثير لكل شريحة، كما أن الحجم الهائل للحسابات المطلوبة للتدريب والاستدلال يجعل أحمال عمل الذكاء الاصطناعي أكثر كثافة للكربون لكل مهمة مقارنة بمعظم عمليات الحوسبة السحابية التقليدية.
يؤدي الانتقال إلى الحوسبة السحابية تلقائيًا إلى تقليل انبعاثات الشركة.
يمكن أن يساعد الانتقال إلى الحوسبة السحابية في دمج أحمال العمل وتحسين الاستخدام، ولكنه لا يقضي على الانبعاثات. فالكهرباء لا تزال بحاجة إلى مصدر ما، وإذا كانت منطقة الحوسبة السحابية تعمل بالفحم أو الغاز، فإن البصمة الكربونية تنتقل ببساطة بدلاً من أن تتقلص.
تستخدم جميع مراكز البيانات نفس الكمية من الطاقة تقريبًا بغض النظر عن نوع الأجهزة التي تشغلها.
تتفاوت كثافة الطاقة بشكل كبير. فمركز بيانات مُصمم خصيصاً للذكاء الاصطناعي قد يستهلك من 30 إلى 80 كيلوواط لكل رف، بينما قد يستهلك مركز بيانات سحابي تقليدي من 5 إلى 15 كيلوواط فقط لكل رف. هذا التفاوت الكبير في كثافة الطاقة، والذي يصل إلى خمسة أضعاف، يُترجم مباشرةً إلى احتياجات تبريد مختلفة تماماً ومستويات انبعاثات متباينة.
إذا كنتَ تُفاضل بين الخيارين من حيث الأثر البيئي، فإن الحوسبة السحابية التقليدية تتفوق حاليًا من حيث كفاءة كل مهمة على حدة واعتماد الطاقة المتجددة، لكن الحوسبة القائمة على الذكاء الاصطناعي تُحرز تقدمًا سريعًا مع تسابق مزودي الخدمات لخفض استهلاك الطاقة في أساطيل وحدات معالجة الرسومات (GPU). بالنسبة للمؤسسات التي تُطبّق الذكاء الاصطناعي، يُمكن لاختيار المناطق ذات شبكات الطاقة النظيفة واستخدام النماذج الفعّالة أن يُقلّل البصمة البيئية بشكل كبير. أما بالنسبة لمستخدمي الحوسبة السحابية التقليدية، فإن الطريق إلى خفض الانبعاثات يكمن في تحسين أداء أحمال العمل واختيار مزودي الخدمات الذين لديهم التزامات قوية بالاستدامة.
يُحسّن كلٌّ من RAG ونماذج LLM المُحسّنة جودة مخرجات الذكاء الاصطناعي، لكنهما يعملان بطرق مختلفة تمامًا. يستخلص RAG المعلومات الخارجية عند الاستعلام، بينما يُدمج التحسين المعرفة الجديدة مباشرةً في أوزان النموذج. ويعتمد الاختيار بينهما على مدى تكرار تغيّر البيانات ومستوى الدقة المطلوب.
تُعد آليات الانتباه الذاتي ونماذج فضاء الحالة من المناهج الأساسية لنمذجة التسلسلات في الذكاء الاصطناعي الحديث. يتفوق الانتباه الذاتي في التقاط العلاقات الغنية بين الرموز، ولكنه يصبح مكلفًا مع التسلسلات الطويلة، بينما تعالج نماذج فضاء الحالة التسلسلات بكفاءة أكبر مع التوسع الخطي، مما يجعلها جذابة للتطبيقات ذات السياق الطويل والتطبيقات الآنية.
تُعدّ آليات الانتباه أساسية في الذكاء الاصطناعي الحديث، سواءً في مجال رؤية الحاسوب أو معالجة اللغة الطبيعية، إلا أنها تخدم أغراضًا مختلفة وتطورت عبر مسارات متباينة. يساعد الانتباه في مجال الرؤية النماذج على التركيز على مناطق الصورة ذات الصلة، بينما يُمكّن الانتباه في معالجة اللغة الطبيعية من فهم العلاقات بين الكلمات في النصوص.
تجمع أساليب الممثل-الناقد بين تدرجات السياسة ودالة القيمة المُتعلمة لتقليل التباين وتسريع عملية التعلم، بينما تعتمد أساليب تدرج السياسة البحتة كليًا على السياسة وعوائد مونت كارلو. ويعتمد الاختيار بينهما على ما إذا كنت بحاجة إلى الاستقرار وكفاءة العينة أم إلى البساطة والتقديرات غير المتحيزة.
تُفصّل هذه المقارنة الاختلافات الهيكلية الأساسية، وحالات الاستخدام العملية، والمفاضلات في الأداء بين تعلّم الرسم البياني الزمني ونمذجة التسلسل التقليدية. فبينما تُجسّد نمذجة التسلسل التطورات الخطية كالنصوص أو بيانات السلاسل الزمنية، يُعالج تعلّم الرسم البياني الزمني تفاعلات الشبكة والعلاقات المتغيرة مع الزمن في آنٍ واحد، مما يُوفر لك مخططًا شاملاً لاختيار البنية المناسبة.
