Η ραγδαία εξάπλωση των συστημάτων τεχνητής νοημοσύνης, όπως το ChatGPT, έχει φέρει στην επιφάνεια νέα ερωτήματα σχετικά με την ενέργεια που απαιτείται για τη λειτουργία τους. Οι ανησυχίες αυτές είναι απόλυτα δικαιολογημένες, καθώς η χρήση αυτών των τεχνολογιών ολοένα και αυξάνεται, φέρνοντας μαζί της και προκλήσεις.
Ένα από τα πιο ενδιαφέροντα σημεία της δημόσιας συζήτησης είναι η ενέργεια που απαιτεί ένα μεμονωμένο prompt—δηλαδή, μια ερώτηση που εισάγει ο χρήστης σε ένα AI μοντέλο όπως το ChatGPT. Αυτή η ερώτηση μπορεί να φαντάζει αθώα, αλλά είναι σημαντικό να κατανοήσουμε την επιρροή της.
Παρά το γεγονός ότι η κατανάλωση ενέργειας σε ατομικό επίπεδο είναι μικρή, το ζήτημα αποκτά διαστάσεις όταν υπολογιστεί η καθημερινή χρήση αυτής της τεχνολογίας από εκατομμύρια ανθρώπους σε παγκόσμιο επίπεδο.
Η κατανάλωση ενός prompt
Καθώς οι έρευνες από επιστημονικές ομάδες, όπως οι ιστορικές μελέτες του IBM και άλλες εταιρείες του τομέα, δείχνουν, η ενέργεια που απαιτείται για την επεξεργασία ενός prompt ισοδυναμεί με λιγότερο από ένα watt-hour. Αυτό ισοδυναμεί με την ενέργεια που καταναλώνει μια LED λάμπα για μερικά λεπτά ή μια οικιακή συσκευή σε κατάσταση αναμονής για σύντομο διάστημα.
Ωστόσο, αξίζει να σημειωθεί ότι οι εκτιμήσεις διαφέρουν αναλόγως με το μοντέλο που χρησιμοποιείται, την αρχιτεκτονική του, καθώς και τους servers που φιλοξενούν το σύστημα.
Υποδομές και ψύξη
Η συνολική ενεργειακή απαίτηση ενός AI συστήματος δεν περιορίζεται αποκλειστικά στην άμεση εκτέλεση ενός prompt. Τα data centers που εξυπηρετούν τις απαιτήσεις αυτές χρειάζονται συνεχή παροχή ενέργειας για τη λειτουργία των servers, των συστημάτων ψύξης και των δικτυακών υποδομών.
Η ψύξη είναι ένας σημαντικός παράγοντας στην ενεργειακή κατανάλωση, ιδιαίτερα σε μεγάλους κόμβους επεξεργασίας, όπου οι θερμοκρασίες αυξάνονται συνεχώς. Έτσι, οι τεχνολογίες ανακύκλωσης θερμότητας και ενεργειακής ανάκτησης είναι πλέον στο επίκεντρο έρευνας, προκειμένου να ελαχιστοποιηθεί το ενεργειακό αποτύπωμα.
Η εκπαίδευση των μοντέλων
Επιπλέον, η διαδικασία εκπαίδευσης ενός μοντέλου είναι εξαιρετικά ενεργοβόρα. Τα μεγάλα γλωσσικά μοντέλα απαιτούν τεράστιο αριθμό υπολογισμών και μεγάλες ομάδες GPUs για εβδομάδες ή και μήνες. Η ενέργεια αυτή δεν καταγράφεται σε κάθε prompt, αλλά πρέπει να ληφθεί υπόψη στον κύκλο ζωής του συστήματος.
Η βελτιστοποίηση αλγορίθμων και η ανάπτυξη πιο αποδοτικών αρχιτεκτονικών είναι κρίσιμοι παράγοντες για τη μείωση του ενεργειακού κόστους ανά μονάδα χρήσης.
Ανάγκη αναθεώρησης υποδομών
Η εκτενής υιοθέτηση της τεχνητής νοημοσύνης σε παγκόσμια κλίμακα δημιουργεί την επιτακτική ανάγκη αναθεώρησης των ενεργειακών πολιτικών και της διαχείρισης υποδομών. Η προώθηση πράσινης ενέργειας από τα data centers και η αποτελεσματική διαχείριση φορτίου είναι καίριοι τομείς επένδυσης που χρήζουν προσοχής.
Η κοινωνική συζήτηση επεκτείνεται επίσης στη βιωσιμότητα της τεχνητής νοημοσύνης και στον φιλικό προς το περιβάλλον σχεδιασμό των μελλοντικών συστημάτων. Όλοι μαζί οφείλουμε να συμβάλλουμε στην οικοδόμηση ενός πιο βιώσιμου μέλλοντος στη χρήση της τεχνητής νοημοσύνης.
