Η τεχνητή νοημοσύνη (AI) γίνεται μέρος της καθημερινής ζωής για πολλούς ανθρώπους σε όλο τον κόσμο. Σε ατομικό επίπεδο, οι άνθρωποι χρησιμοποιούν όλο και περισσότερο μοντέλα τεχνητής νοημοσύνης για ερωτήματα αναζήτησης. Ενώ η Google εξακολουθεί να κυριαρχεί στην αγορά αναζήτησης, το ChatGPT έχει αποτελέσει τη σημαντικότερη απειλή για την κυριαρχία του.
Σε επιχειρηματικό επίπεδο, κανένας κλάδος δεν μένει έξω, από τη γεωργία στην υγειονομική περίθαλψη, από τη χρηματοδότηση μέχρι την ψυχαγωγία, οργανισμοί σε όλο τον κόσμο ενσωματώνουν την τεχνητή νοημοσύνη στις καθημερινές τους λειτουργίες.
Η παγκόσμια ζήτηση και χρήση της τεχνητής νοημοσύνης αναμένεται να αυξηθεί εκθετικά τα επόμενα χρόνια, επομένως οι εταιρείες τεχνολογίας ανταποκρίνονται σε αυτή την εξέλιξη δημιουργώντας τεράστια κέντρα δεδομένων. Αλλά αυτή η ανάπτυξη έχει ένα κόστος: κατανάλωση ενέργειας, οικονομικό κόστος και περιβαλλοντικές επιπτώσεις. Οι παραδοσιακοί υπολογιστές απλά δεν μπορούν να συμβαδίσουν με τις αυξανόμενες απαιτήσεις πληροφορικής και ενέργειας. Για να διατηρήσουμε την επανάσταση της AI, πρέπει να ξανασκεφτούμε τη φυσική των σύγχρονων υπολογιστών.
Ενεργειακά θέματα
Ακόμη και χωρίς να ληφθεί υπόψη η τεχνητή νοημοσύνη, η ηλεκτρονική πληροφορική βρίσκεται σε μια κρίσιμη καμπή. Ο νόμος του Moore αποτυγχάνει, η κλιμάκωση του Dennard έχει καταρρεύσει και το αποτέλεσμα είναι ο πολλαπλασιασμός του «σκούρου πυριτίου», των τμημάτων των τρανζίστορ σε ένα τσιπ που πρέπει να παραμείνει χωρίς τροφοδοσία ή σε αδράνεια για να αποφευχθεί η υπερθέρμανση.
Η εκπαίδευση ενός μεγάλου μοντέλου AI δεν είναι εύκολη δουλειά. Τα μεγάλα γλωσσικά μοντέλα (LLM) εκπαιδεύονται σε τεράστιες ποσότητες δεδομένων και έχουν τρισεκατομμύρια παραμέτρους. Προβλέπουν, μετρούν, προσαρμόζουν και επαναλαμβάνουν τη διαδικασία δισεκατομμύρια φορές. Εκτιμάται ότι η υπολογιστική ισχύς που απαιτείται για την εκπαίδευση μοντέλων τεχνητής νοημοσύνης θα διπλασιάζεται κάθε έξι μήνες.
Η επεξεργασία και η μετακίνηση τόσο μεγάλων ποσοτήτων δεδομένων απαιτεί τεράστιο παραλληλισμό και ισχύ. Στην παραδοσιακή πληροφορική, η υψηλότερη ισχύς απαιτεί συστήματα υψηλότερης πυκνότητας. Μεγαλύτερη πυκνότητα σημαίνει μεγαλύτερη αντίσταση και μεγαλύτερη αντίσταση σημαίνει περισσότερη θερμότητα. Αυτό αναγκάζει τα κέντρα δεδομένων να μετατοπίσουν πολλή ενέργεια από τους υπολογιστές στην ψύξη, με έως και το 40% της συνολικής κατανάλωσης ενέργειας του κέντρου δεδομένων να χρησιμοποιείται για την αποφυγή κατάρρευσης των διακομιστών.
Η υποδομή που υποστηρίζει την τεχνητή νοημοσύνη ήδη δυσκολεύεται και είναι σαφές ότι οι παραδοσιακοί υπολογιστές δεν μπορούν πλέον να υποστηρίξουν τη μελλοντική ανάπτυξη.
Οικονομικά θέματα
Οι φορείς εκμετάλλευσης κέντρων δεδομένων αντιμετωπίζουν ένα οικονομικό αίνιγμα: είτε περιορίζουν την υπολογιστική πυκνότητα σε αυτό που μπορούν να χειριστούν οι τρέχουσες εγκαταστάσεις ψύξης τους, παρεμποδίζοντας τις επιχειρηματικές τους δυνατότητες, είτε πιέζουν θερμικά όρια, προκαλώντας επιτάχυνση της γήρανσης του υλικού και των εξαρτημάτων, αυξάνοντας τα λειτουργικά έξοδα και τη σπατάλη.
Επιπλέον, το κόστος κατασκευής νέων κέντρων δεδομένων είναι επίσης πολύ υψηλό - Η McKinsey προβλέπει ότι θα απαιτηθούν 5,2 τρισεκατομμύρια δολάρια σε επενδύσεις έως το 2030. Εάν τα κέντρα δεδομένων συνεχίσουν να βασίζονται στον παραδοσιακό υπολογισμό, η επένδυση σε αναποτελεσματική υποδομή θα είναι τεράστιος οικονομικός κίνδυνος. Οι απλοί καταναλωτές επηρεάζονται επίσης από τις κακές οικονομικές συνθήκες. Καθώς η τεχνητή νοημοσύνη ασκεί άνευ προηγουμένου πίεση στο δίκτυο και η ζήτηση ενέργειας για τα κέντρα δεδομένων αυξάνεται, οι τιμές ηλεκτρικής ενέργειας αυξάνονται. Το κόστος αυτό μετακυλίεται στα γύρω νοικοκυριά με τη μορφή ραγδαία αυξανόμενων λογαριασμών ηλεκτρικής ενέργειας.
