Mākslīgā intelekta aprēķinu emisijas rodas no enerģiju patērējošiem GPU klasteriem, kas apmāca lielus modeļus, savukārt tradicionālā mākoņa emisijas rodas no vispārējas nozīmes datu centriem, kuros tiek veiktas ikdienas darba slodzes. Mākslīgā intelekta darba slodzes patērē ievērojami vairāk enerģijas katram uzdevumam, bet tradicionālais mākonis darbojas daudz lielākā kopējā mērogā.
Oglekļa pēdas nospiedums, kas rodas, apmācot un darbinot mākslīgā intelekta modeļus specializētā aparatūrā, piemēram, grafiskajos procesoros (GPU) un tālruņu procesoros (TPU).
Oglekļa emisijas, ko rada vispārējas nozīmes datu centri, kuros mitinās tīmekļa vietnes, lietotnes, datubāzes un uzņēmumu programmatūra.
| Funkcija | Mākslīgā intelekta aprēķina emisijas | Tradicionālās mākoņu emisijas |
|---|---|---|
| Primārā aparatūra | Grafiskās procesoras (GPU) un taktiskās procesoras (TPU) (mākslīgā intelekta paātrinātāji) | CPU un universālie serveri |
| Jauda uz vienu statīvu | 30 līdz 80 kW uz statīvu | 5 līdz 15 kW uz statīvu |
| Enerģija uz vienu uzdevumu | Ārkārtīgi augsts (modeļa apmācība = tonnas CO2) | Vidējs (atšķiras atkarībā no darba slodzes) |
| Dzesēšanas pieprasījums | Ļoti augsta, bieži vien šķidruma dzesēšana | Gaisa dzesēšana parasti ir pietiekama |
| Darba slodzes veids | Modeļa apmācība un secinājumi | Tīmekļa mitināšana, datubāzes, SaaS lietotnes |
| Izmantošanas līmenis | Bieži vien 30 līdz 50 procenti | Parasti no 40 līdz 60 procentiem |
| Atjaunojamās enerģijas ieviešana | Zemāks procents, strauji aug | Augstāks procents, dažos reģionos no 60 līdz 90 procentiem |
| Izaugsmes trajektorija | Sprādzienbīstams, dubultojas ik pēc dažiem mēnešiem | Nepārtraukti, aptuveni 10 līdz 20 procenti gadā |
| Ūdens patēriņš | Augsts (AI mikroshēmu dzesēšana) | Mērena (tradicionālā dzesēšana) |
Mākslīgā intelekta aprēķini darbojas ar masīvi paralēliem procesoriem, kas paredzēti matricu matemātikai, un šie mikroshēmas patērē ievērojamu jaudu. Viens NVIDIA H100 var patērēt 700 vatus ar pilnu slodzi, un plaukti, kas piepildīti ar astoņiem no tiem, var sasniegt 50 kW vai vairāk. Turpretī tradicionālie mākoņserveri patērē mazāk enerģijas, bieži vien darbojoties ar centrālajiem procesoriem, kas efektīvi darbojas dīkstāvē un apstrādā dažādas darba slodzes, neprasot pastāvīgu maksimālo caurlaidspēju. Jau pati aparatūras atšķirība padara mākslīgā intelekta darba slodzes vairākas reizes enerģijas ziņā ietilpīgākas uz vienu darba vienību.
Kad pētnieki mērīja lielu valodu modeļu apmācības emisijas, skaitļi bija satriecoši. Viens GPT-3 izmēra modeļa apmācības cikls var radīt simtiem tonnu CO2 ekvivalenta. Tradicionālie mākoņdatošanas uzdevumi, piemēram, tīmekļa lapas apkalpošana vai datubāzes vaicājuma izpilde, rada niecīgu daļu no šī daudzuma uz vienu pieprasījumu. Tomēr tradicionālie mākoņdatošanas uzdevumi darbojas ar ievērojami lielāku apjomu, tāpēc kumulatīvā ietekme absolūtā izteiksmē ir salīdzināma, pat ja emisijas pa uzdevumiem izskatās ļoti atšķirīgas.
Grafiskās procesoras (GPU) rada intensīvu siltumu, kas nozīmē, ka mākslīgā intelekta datu centriem bieži vien ir nepieciešama šķidruma dzesēšana vai pat iegremdēšanas sistēmas, lai uzturētu temperatūru kontrolējamu. Šis dzesēšanas process patērē milzīgu daudzumu ūdens un elektrības. Tradicionālās mākoņpakalpojumu iekārtas galvenokārt izmanto gaisa dzesēšanu un dzesētājus, kas patērē mazāk ūdens un enerģijas. Sausuma skartos reģionos, piemēram, Arizonā, mākslīgā intelekta datu centru ūdens pieprasījums jau ir izraisījis sabiedrības pretestību un regulatoru pārbaudi.
Tradicionālie mākoņpakalpojumu giganti, piemēram, Google un Microsoft, gadiem ilgi ir iegādājušies atjaunojamās enerģijas līgumus un parakstījuši elektroenerģijas iepirkuma līgumus, lai padarītu savus tīklus videi draudzīgākus. Uz mākslīgo intelektu balstītas darbības, kas bieži vien ir jaunākas un īpaši izstrādātas hiperskalas apmācībai, ne vienmēr ir bijušas tikpat veiksmīgas. Tomēr tādi uzņēmumi kā CoreWeave un Lambda Labs arvien biežāk izvieto iekārtas lētu atjaunojamo energoresursu, piemēram, hidroelektrostaciju, tuvumā Klusā okeāna ziemeļrietumos, lai kompensētu milzīgo enerģijas patēriņu.
Mākslīgā intelekta skaitļošanas pieprasījums pieaug tādā tempā, kādā tradicionālā mākoņpakalpojumu izaugsme nekad nav bijusi līdzvērtīga. Daži analītiķi lēš, ka ar mākslīgo intelektu saistītais enerģijas patēriņš līdz 2030. gadam varētu trīskāršoties, pateicoties lielākiem modeļiem un plašai secinājumu ieviešanai. Tradicionālā mākoņpakalpojumu izaugsme, lai arī joprojām veselīga, seko paredzamākai līknei, kas saistīta ar uzņēmumu IT izdevumiem. Tas nozīmē, ka mākslīgā intelekta emisijas nākamo desmit gadu laikā atsevišķos reģionos varētu pārsniegt tradicionālā mākoņpakalpojumu emisijas, ja efektivitātes uzlabojumi neatpaliks no iepriekšējā līmeņa.
Tikai mākslīgā intelekta apmācība rada ievērojamas emisijas, savukārt secinājumi būtībā ir brīvi.
Secinājumi faktiski veido lielāko daļu no mākslīgā intelekta radītās oglekļa pēdas nospieduma visā tā darbības laikā, jo tie notiek miljardiem reižu dienā dažādos izvietotajos modeļos. Viens ChatGPT vaicājums patērē aptuveni 10 reizes vairāk enerģijas nekā tradicionāla Google meklēšana, un šie vaicājumi ātri summējas.
Tradicionālie mākoņdatu centri jau ir oglekļa neitrāli.
Lai gan lielākie pakalpojumu sniedzēji ir apņēmušies sasniegt nulles neto emisiju mērķus, vairums joprojām daļēji paļaujas uz fosilo kurināmo, īpaši reģionos ar ierobežotu atjaunojamo energoresursu infrastruktūru. Apgalvojumi par oglekļa neitralitāti bieži vien lielā mērā balstās uz kompensācijām, nevis uz faktisko tīro enerģiju, kas darbina serverus.
Mākslīgā intelekta darba slodzes ir efektīvākas nekā tradicionālā mākoņpakalpojumi, jo tās ir jaunākas tehnoloģijas.
Jaunāks ne vienmēr nozīmē videi draudzīgāks. Mākslīgā intelekta aparatūra patērē daudz vairāk enerģijas uz vienu mikroshēmu, un milzīgais aprēķinu apjoms, kas nepieciešams apmācībai un secinājumu izdarīšanai, padara mākslīgā intelekta darba slodzes ievērojami oglekļa emisiju ziņā intensīvākas uz vienu uzdevumu nekā lielākā daļa tradicionālo mākoņdatošanas operāciju.
Pāreja uz mākoņpakalpojumiem automātiski samazina uzņēmuma emisijas.
Mākoņpakalpojumu migrācija var palīdzēt konsolidēt darba slodzes un uzlabot to izmantošanu, taču tā neizslēdz emisijas. Elektroenerģijai joprojām ir jānāk no kaut kurienes, un, ja mākoņpakalpojumu reģions darbojas ar oglēm vai gāzi, oglekļa pēdas nospiedums vienkārši mainās, nevis samazinās.
Visi datu centri patērē aptuveni vienādu enerģijas daudzumu neatkarīgi no tā, ko tie darbina.
Jaudas blīvums ievērojami atšķiras. Mākslīgā intelekta datu centrs var patērēt no 30 līdz 80 kW uz vienu plauktu, savukārt tradicionāla mākoņdatošanas iestāde varētu patērēt tikai no 5 līdz 15 kW uz vienu plauktu. Šī 5 reižu atšķirība jaudas blīvumā tieši nozīmē ļoti atšķirīgas dzesēšanas vajadzības un emisiju profilus.
Ja izvēlaties starp abiem veidiem, ņemot vērā ietekmi uz vidi, tradicionālais mākoņpakalpojumu klāsts pašlaik ir veiksmīgāks uzdevumu efektivitātes un atjaunojamo energoresursu ieviešanas ziņā, taču mākslīgā intelekta skaitļošana strauji tuvojas, jo pakalpojumu sniedzēji sacenšas padarīt savas GPU flotes videi draudzīgākas. Organizācijām, kas ievieš mākslīgo intelektu, reģionu izvēle ar tīras enerģijas tīkliem un efektīvu modeļu izmantošana var ievērojami samazināt ietekmi uz vidi. Tradicionālajiem mākoņpakalpojumu lietotājiem ceļš uz samazinātu emisiju apjomu vairāk ir saistīts ar darba slodzes optimizāciju un pakalpojumu sniedzēju izvēli ar stingrām ilgtspējības saistībām.
A/B testēšana modeļu apkalpošanā novirza trafiku starp konkurējošām modeļu versijām, lai novērtētu reālo veiktspēju, savukārt viena modeļa ieviešana visiem lietotājiem nosūta vienu modeli. Komandas izvēlas starp tiem, pamatojoties uz riska toleranci, trafika apjomu un statistiskās validācijas nepieciešamību pirms pilnīgas ieviešanas.
A/B testēšana satura izlaidumos ietver variāciju ieviešanu dažādiem auditorijas segmentiem un veiktspējas mērīšanu, savukārt vienreizēji satura izlaidumi vienlaikus nodrošina vienu versiju visiem lietotājiem. Katra pieeja atbilst dažādiem mērķiem, A/B testēšanai dodot priekšroku uz datiem balstītai optimizācijai, bet vienreizējiem izlaidumiem prioritāte ir ātrums un vienkāršība.
Adaptīvā izguve dinamiski pielāgo, kā un kādu informāciju sistēma izgūst, pamatojoties uz vaicājumu, savukārt statiskās izguves cauruļvadi ievēro fiksētus noteikumus neatkarīgi no konteksta. Abas nodrošina modernas mākslīgā intelekta lietojumprogrammas, taču tās ievērojami atšķiras pēc elastības, izmaksām un precizitātes. Izvēle starp tām ir atkarīga no darba slodzes sarežģītības un budžeta.
Šajā detalizētajā salīdzinājumā tiek pētītas adaptīvo intelekta dzinēju arhitektūras atšķirības, darbības ierobežojumi un reālā veiktspēja salīdzinājumā ar fiksētas uzvedības automatizācijas sistēmām. Mēs aplūkojam, kā sistēmas, kas nepārtraukti mācās no jauniem vides datiem, atbilst stingrām, paredzamām, uz noteikumiem balstītām sistēmām.
Aģentu apmācība vidēs ietver mācīšanos, izmantojot reāllaika mijiedarbību ar simulētu vai fizisku vidi, savukārt bezsaistes datu kopu apmācība balstās uz iepriekš apkopotiem datiem bez papildu piekļuves videi. Abas pieejas apmāca mašīnmācīšanās modeļus, taču būtiski atšķiras tas, kā aģenti apkopo pieredzi un uzlabo veiktspēju.
