نمی توان انکار کرد که هوش مصنوعی در حال حاضر بر مراکز داده و مصرف انرژی دارد. اگر کنترل نشود، وضعیت فقط بدتر می شود. گزارش اخیر IDC نشان می‌دهد که با افزایش سرسام‌آور پذیرش هوش مصنوعی، انرژی مورد نیاز برای پشتیبانی از بار کاری هوش مصنوعی افزایش می‌یابد و انتظار داریم که مصرف برق مرکز داده بین سال‌های 2023 تا 2028 بیش از دو برابر شود. پیش‌بینی می‌شود که حجم کاری مبتنی بر هوش مصنوعی به تنهایی با رشد خیره‌کننده‌ای افزایش یابد. نرخ رشد مرکب سالانه (CAGR) 44.7٪ تا سال 2027، با تقاضای انرژی به 146.2 عظیم می رسد. TWh. پیامدهای آن واضح است - مراکز داده که در حال حاضر 46 درصد از هزینه انرژی سازمانی را تشکیل می دهند، به زودی می توانند ناپایدار شوند.

که البته نمی تواند اتفاق بیفتد. اما با افزایش سریع حجم کاری هوش مصنوعی، مراکز داده باید به سرعت تکامل یافته و چشم انداز یک بحران انرژی جدید را مدیریت کنند، با افزایش قیمت برق که ناشی از بی ثباتی ژئوپلیتیکی در خاورمیانه است. تأثیر رو به رشد ابزارهای هوش مصنوعی در سراسر صنایع - از مراقبت های بهداشتی گرفته تا خدمات مالی - غیرقابل انکار است. با این حال، یک جستجوی مبتنی بر هوش مصنوعی 100 برابر بیشتر از یک جستجوی بدون هوش مصنوعی انرژی مصرف می‌کند، در حالی که ساخت مدل‌های پایه هوش مصنوعی می‌تواند انرژی کافی برای تامین انرژی 20000 خانه به مدت شش ماه مصرف کند.

یک راه حل؟

گزارش Atlantic Ventures، بهبود پایداری در مراکز داده 2024، راه‌حلی را پیشنهاد می‌کند که نشان می‌دهد چگونه معماری‌های مرکز داده نسل بعدی، مانند زیرساخت‌های همگرا (HCI)، می‌توانند مصرف انرژی، انتشار کربن کمتر و صرفه‌جویی در هزینه را در سراسر منطقه EMEA کاهش دهند. تنها طی شش سال، این گزارش نشان می‌دهد که مدرن‌سازی مراکز داده با HCI می‌تواند تا 19 میلیون tCO2e در منطقه EMEA صرفه‌جویی کند، که معادل انتشار تقریباً 4.1 میلیون خودرو است. همچنین می تواند تا سال 2030، 25 میلیارد یورو از بازده انرژی و بهره وری عملیاتی بهبود یافته صرفه جویی کند.

از آنجایی که سازمان‌ها هوش مصنوعی را در سراسر عملیات ادغام می‌کنند و با مقیاس مطلق مصرف انرژی کنار می‌آیند، HCI می‌تواند خطر افزایش هزینه‌ها را کاهش دهد و تضمین کند که اهداف پایداری از دست نمی‌رود. اما این فقط در مورد HCI نیست، بلکه نحوه کار سازمان ها با هوش مصنوعی است. تمرکز باید به بهینه‌سازی مکان و نحوه پردازش حجم‌های کاری هوش مصنوعی، با استفاده از مدرن‌سازی برای مدیریت هوشمندانه‌تر حجم‌های کاری معطوف شود. این بسیار منطقی تر از ساختن مراکز داده با مصرف انرژی بیشتر است.

این مهم است، زیرا ما باید در نظر بگیریم که هوش مصنوعی چگونه کار می کند و تقاضا برای قدرت در کجا افزایش می یابد. در حالی که بسیاری از سازمان‌ها مجذوب مصرف انرژی مورد نیاز برای آموزش مدل‌های هوش مصنوعی هستند، برای مثال، استنباط می‌کند - هوش مصنوعی تصمیم‌گیری در زمان واقعی انجام می‌دهد - که بخش عمده انرژی در کجا خرج می‌شود.

آموزش مدل پایه یک بار اتفاق می‌افتد، اما استنباط فرآیندی مستمر است که میلیون‌ها بار اتفاق می‌افتد، به‌ویژه با برنامه‌های مبتنی بر هوش مصنوعی مانند تشخیص تقلب یا نگهداری پیش‌بینی‌کننده. بهینه سازی استنتاج، به ویژه در لبه، می تواند همان چیزی باشد که مراکز داده برای مدیریت موثرتر نیازهای انرژی هوش مصنوعی به آن نیاز دارند.

روی آوردن به انرژی های تجدیدپذیر

همانطور که گزارش IDC نشان می دهد، ارائه دهندگان مراکز داده بیشتری باید به منابع انرژی تجدیدپذیر روی بیاورند، اما همچنین باید زیرساخت های خود را بازنگری کنند. سیستم‌های ابری ترکیبی، محاسبات لبه‌ای، و سیستم‌های داخلی راهی برای متعادل کردن نیازهای انرژی هوش مصنوعی با توزیع هوشمندانه‌تر حجم کاری ارائه می‌دهند.

برای مثال، پردازش داده‌های نزدیک به منبع خود با محاسبات لبه، انرژی مورد نیاز برای انتقال مجموعه‌های داده بزرگ را از سرورهای متمرکز کاهش می‌دهد. در همین حال، محیط‌های رایانش ابری ترکیبی می‌توانند وظایف محاسباتی آموزش هوش مصنوعی را انجام دهند و استنتاج بلادرنگ را در محل یا در لبه انجام دهند.

محاسبات لبه همچنین با پردازش داده‌ها نزدیک‌تر به جایی که تولید می‌شوند، مانند فروشگاه‌های خرده‌فروشی یا دستگاه‌های اینترنت اشیا، نقشی محوری ایفا می‌کند. این نه تنها زمان پاسخ را بهبود می بخشد، بلکه انرژی مورد نیاز برای استنتاج را نیز به میزان قابل توجهی کاهش می دهد.

زیرساخت مدرن برای مدیریت نیازهای انرژی هوش مصنوعی بسیار مهم است و یک پلتفرم کانتینری که برای مدیریت هر دو CPU و GPU طراحی شده است، برای اجرای کارآمد بارهای کاری هوش مصنوعی ضروری است. ذخیره سازی نیز حیاتی می شود، زیرا هوش مصنوعی معمولاً با داده های بدون ساختار مانند فایل ها و اشیاء سروکار دارد. با سرمایه گذاری در سیستم های ذخیره سازی با کارایی بالا و پشته های محاسباتی بهینه، کسب و کارها می توانند انرژی مورد نیاز برای اجرای برنامه های هوش مصنوعی را به میزان قابل توجهی کاهش دهند.

علاوه بر این، توانایی اندازه گیری و مدیریت مصرف انرژی بسیار مهم است. پلتفرم‌هایی که امکان مشاهده بی‌درنگ مصرف انرژی را فراهم می‌کنند، مراکز داده را قادر می‌سازند تا هر مرحله از پردازش هوش مصنوعی - از آموزش گرفته تا استنتاج را بهینه کنند. بر اساس گزارش IDC، حتی بهبود 10 درصدی در بهره وری انرژی، می تواند منجر به صرفه جویی قابل توجهی شود.

تصمیم گیری در زمان واقعی

کسب‌وکارها به جای تمرکز صرف بر هزینه‌های انرژی بسیار زیاد آموزش مدل‌های بنیادی، باید به این نکته توجه کنند که این مدل‌ها چقدر در تصمیم‌گیری بلادرنگ استفاده می‌شوند. فشرده‌سازی مدل‌ها، اصلاح ساختار آن‌ها و اجرای آن‌ها بر روی پلت‌فرم‌هایی که برای کارایی طراحی شده‌اند، کلید کاهش ردپای انرژی کلی هوش مصنوعی خواهد بود. به عنوان مثال، ما پلتفرم‌های کانتینری و راه‌حل‌های ذخیره‌سازی با کارایی بالا را توسعه داده‌ایم که به طور خاص برای استنباط هوش مصنوعی طراحی شده‌اند، و به کسب‌وکارها راهی برای بهینه‌سازی حجم کاری هوش مصنوعی و کاهش تقاضای انرژی خود ارائه می‌کنیم.

هزینه واقعی هوش مصنوعی دیگر فقط مربوط به عملکرد و نوآوری نیست، بلکه انرژی مورد نیاز برای حفظ آن است. از آنجایی که سازمان‌ها ابتکارات هوش مصنوعی خود را افزایش می‌دهند، سوال این نیست که آیا می‌توانند از عهده سرمایه‌گذاری در هوش مصنوعی برآیند یا خیر، بلکه این است که آیا می‌توانند انرژی مصرف‌شده توسط آن را تامین کنند یا خیر. با زیرساخت های ترکیبی و تمرکز بر استنباط کارآمد، کسب و کارها راهی برای تعدیل این افزایش انرژی دارند. در غیر این صورت، کسانی که این واقعیت را نادیده می گیرند ممکن است به زودی مراکز داده خود را در معرض بحران انرژی هوش مصنوعی قرار دهند.

ما بهترین ارائه دهندگان موقعیت مکانی را معرفی کرده ایم.

این مقاله به عنوان بخشی از کانال Expert Insights TechRadarPro تهیه شده است که در آن بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز را معرفی می کنیم. نظرات بیان شده در اینجا نظرات نویسنده است و لزوماً نظرات TechRadarPro یا Future plc نیست. اگر علاقه مند به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/news/submit-your-story-to-techradar-pro