API جامع
تقاضای فزاینده برای پردازش‌های هوش مصنوعی مولد در حال تبدیل شدن به یکی از چالش‌های مهم زیست‌محیطی قرن ۲۱ است. پیش‌بینی‌ها از سوی آژانس بین‌المللی انرژی نشان می‌دهد که مصرف برق مراکز داده ـ که زیرساخت اصلی مدل‌های هوش مصنوعی به شمار می‌روند ـ تا سال ۲۰۳۰ بیش از دو برابر می‌شود و به حدود ۹۴۵ تراوات‌ساعت خواهد رسید؛ میزان مصرفی که اندکی بیشتر از کل مصرف برق کشور ژاپن است.
تحقیقات مؤسسه گلدمن ساکس نیز هشدار می‌دهد که ۶۰٪ از این رشد برق از سوخت‌های فسیلی تأمین خواهد شد و این موضوع حدود ۲۲۰ میلیون تن به انتشار جهانی دی‌اکسیدکربن خواهد افزود. برای مقایسه، رانندگی با خودروی بنزینی به مسافت ۸ هزار کیلومتر تنها ۱ تن دی‌اکسیدکربن تولید می‌کند.
با وجود این چالش‌ها، محققان MIT و دیگر مؤسسات جهانی در حال بررسی راهکارهایی برای کاهش ردپای کربنی هوش مصنوعی هستند؛ از ساخت مراکز داده پایدارتر تا بهینه‌سازی الگوریتم‌ها و سخت‌افزارها.
نقش کربن نهفته در مراکز داده
همان‌طور که ویجی گادیپالی، دانشمند ارشد آزمایشگاه لینکلن MIT می‌گوید، معمولاً تمرکز مقابله با آلودگی کربنی هوش مصنوعی بر «کربن عملیاتی» متمرکز است ـ یعنی برقی که برای اجرای GPUها مصرف می‌شود. اما کربن «نهفته» که در فرآیند ساخت مراکز داده (با استفاده از فولاد، بتن، تهویه و کابل‌های طولانی) آزاد می‌شود، کمتر مورد توجه قرار گرفته است.
شرکت‌هایی مانند Meta و Google در تلاش‌اند با استفاده از مصالح ساختمانی پایدارتر این مشکل را حل کنند. به گفته گادیپالی، ساختمان‌های عظیم مراکز داده تا ۵۰ برابر بیشتر از دفاتر معمولی انرژی مصرف می‌کنند.
راهکارهایی برای کاهش مصرف عملیاتی انرژی
تحقیقات انجام‌شده در مرکز ابررایانه MIT نشان داده‌اند که کاهش مصرف برق GPUها حتی تا یک‌سوم، تأثیر ناچیزی بر عملکرد مدل‌های هوش مصنوعی دارد و در عین حال خنک‌سازی را آسان‌تر می‌کند.
علاوه بر آن، با استفاده از سخت‌افزارهای کم‌مصرف‌تر یا کاهش دقت محاسباتی در برخی قابلیت‌ها می‌توان انرژی کمتری مصرف کرد. برای نمونه، در بعضی پروژه‌ها، کاهش دقت به ۷۰٪ نیز برای هدف مورد نظر ـ مثلاً در یک سیستم توصیه‌گر فروشگاهی ـ کافی است.
گادیپالی توضیح می‌دهد: “در برخی موارد نیمی از برق صرف به‌دست آوردن تنها دو الی سه درصد دقت بیشتر می‌شود؛ توقف زودهنگام فرایند آموزش می‌تواند صرفه‌جویی زیادی در انرژی ایجاد کند.”
بهبودهای الگوریتمی و سخت‌افزاری
طبق تحقیقات نیل تامپسون از CSAIL در MIT، بهبودهای الگوریتمی به‌سرعت در حال افزایش‌اند. او اصطلاح “نگافلاپ” را برای اشاره به محاسباتی به‌کار می‌برد که دیگر به دلیل پیشرفت‌های الگوریتمی نیازی به انجام آن‌ها نیست.
روش‌هایی از جمله حذف بخش‌های غیرضروری یک شبکه عصبی یا استفاده از فشرده‌سازی می‌توانند مصرف محاسباتی و در نتیجه مصرف برق را کاهش دهند.
زمان‌بندی هوشمند پردازش‌ها برای صرفه‌جویی بیشتر
دیپ‌جوتی دِکا از ابتکار انرژی MIT توضیح می‌دهد که چون انتشار کربن در هر کیلووات‌ساعت می‌تواند متغیر باشد، تقسیم‌کردن یا به‌تعویق انداختن پردازش‌ها تا زمان‌هایی که انرژی تجدیدپذیر بیشتری در شبکه وجود دارد (مثلاً در بعدازظهرهای آفتابی برای انرژی خورشیدی)، یک راهکار مؤثر برای کاهش اثرات محیط‌زیستی است.
او همچنین به بررسی مراکز داده‌ای که به‌صورت اشتراکی از سوی چند شرکت استفاده می‌شوند اشاره کرد؛ مراکزی که می‌توانند بار محاسباتی را به‌گونه‌ای تنظیم کنند که هماهنگ با شرایط مصرف و انرژی باشد.
استفاده از ذخیره‌سازهای انرژی طولانی‌مدت
یکی دیگر از راهکارهای نوآورانه، به‌کارگیری واحدهای ذخیره انرژی در مراکز داده است تا در مواقع اوج مصرف یا نبود انرژی تجدیدپذیر، از برق ذخیره‌شده استفاده شود و نیاز به ژنراتورهای دیزلی کاهش یابد.
در همین حال محققان MIT و دانشگاه پرینستون در حال توسعه ابزار سرمایه‌گذاری به‌نام GenX هستند که می‌تواند به شرکت‌ها در تعیین بهترین مکان برای احداث مراکز داده با کمترین تأثیر زیست‌محیطی کمک کند. برای مثال، مرکز داده متا در لولئای سوئد به دلیل دمای پایین محیط، نیاز کمتری به خنک‌سازی دارد.
نقش هوش مصنوعی در توسعه انرژی پاک
جنیفر ترلیک از مرکز کارآفرینی MIT معتقد است یکی از موانع توسعه انرژی پاک، زمان‌بر بودن فرآیندهای اداری دولتی است. هوش مصنوعی می‌تواند با پیش‌بینی و تحلیل سریع‌تر مطالعات اتصال به شبکه، این روند را سرعت ببخشد.
علاوه‌بر آن، مدل‌های یادگیری ماشین در بهینه‌سازی مکان‌یابی تأسیسات انرژی پاک، نگهداری پیش‌بینانه و افزایش راندمان خطوط انتقال نیز کاربرد دارند. این فناوری می‌تواند سیاست‌گذاری متمرکز و مؤثر را نیز تسهیل کند.
در نهایت، ترلیک تاکید می‌کند که حل بحران‌های اقلیمی ناشی از AI تنها با همکاری شرکت‌ها، قانون‌گذاران و دانشگاه‌ها ممکن است. او می‌گوید: “هر روز مهم است. اکنون فرصت نادری داریم تا با نوآوری، هوش مصنوعی را به فناوری‌ای کم‌کربن تبدیل کنیم.”
