هوش مصنوعی مصرف انرژی مرکز داده را افزایش می دهد، شبکه را تحت فشار قرار می دهد و تلاش های پایداری را کند می کند

رونق هوش مصنوعی چنان تأثیر عمیقی بر شرکت های بزرگ فناوری داشته است که مصرف انرژی آنها و همراه با آن انتشار کربن آنها، افزایش یافته است.

موفقیت چشمگیر مدل‌های زبان بزرگ مانند ChatGPT به این رشد تقاضای انرژی کمک کرده است. با 2.9 وات ساعت در هر درخواست ChatGPT، پرس و جوهای هوش مصنوعی به 10 برابر درخواست های سنتی Google نیاز دارند، طبق گفته موسسه تحقیقاتی برق، یک شرکت تحقیقاتی غیرانتفاعی. قابلیت‌های نوظهور هوش مصنوعی مانند تولید صدا و ویدیو احتمالاً به این تقاضای انرژی

نیازهای انرژی هوش مصنوعی محاسبات شرکت های انرژی را تغییر می دهد. آنها اکنون در حال بررسی گزینه‌هایی هستند که قبلاً غیرقابل دفاع بودند، مانند راه اندازی مجدد یک راکتور هسته ای در نیروگاه تری مایل آیلند که از زمان هدف فاجعه بدنام در سال 1979.

مراکز داده چندین دهه رشد مداوم داشته اند، اما میزان رشد در عصر هنوز جوان مدل های زبان بزرگ استثنایی بوده است. هوش مصنوعی به محاسبات بسیار بیشتری نیاز دارد و منابع ذخیره سازی داده نسبت به نرخ رشد مرکز داده قبل از هوش مصنوعی می تواند فراهم کند.

هوش مصنوعی و شبکه

به لطف هوش مصنوعی، شبکه الکتریکی—در بسیاری از مکان‌ها نزدیک به ظرفیت خود یا مستعد چالش های ثبات— فشار بیشتری نسبت به قبل دارد. همچنین فاصله قابل توجهی بین رشد محاسباتی و رشد شبکه وجود دارد. ساخت مراکز داده یک تا دو سال طول می کشد، در حالی که افزودن برق جدید به شبکه به بیش از چهار سال زمان نیاز دارد

همانطور که یک گزارش اخیر از موسسه تحقیقات نیروی برق نشان می‌دهد، فقط 15 ایالت شامل 80 درصد مراکز داده در ایالات متحده. برخی از ایالت‌ها – مانند ویرجینیا، محل کوچه مرکز داده —به طرز شگفت آوری بیش از 25 درصد از برق خود را مراکز داده مصرف می کنند. روندهای مشابهی در رشد مرکز داده های خوشه ای در سایر نقاط جهان وجود دارد. برای مثال، ایرلند به یک کشور مرکز داده تبدیل شده است.

همراه با نیاز به افزودن تولید برق برای حفظ این رشد، تقریباً همه کشورها اهداف کربن زدایی دارند. این بدان معناست که آنها در تلاش برای ادغام منابع انرژی تجدیدپذیر بیشتر هستند. به شبکه. انرژی های تجدیدپذیر مانند باد و خورشید متناوب هستند: باد همیشه نمی وزد و خورشید همیشه نمی تابد. کمبود ذخیره‌سازی انرژی ارزان، سبز و مقیاس‌پذیر به معنای شبکه است. در تطبیق عرضه با تقاضا با مشکل بزرگتری مواجه است.

چالش‌های اضافی برای رشد مرکز داده عبارتند از افزایش استفاده از خنک‌کننده آب برای بهره‌وری، که فشارهای محدودی دارد. منابع آب شیرین در نتیجه، برخی از جوامع مقابله با سرمایه گذاری های جدید مرکز داده.

فناوری بهتر

راه های مختلفی وجود دارد که صنعت به این بحران انرژی رسیدگی می کند. اولاً، سخت‌افزار محاسباتی در طول سال‌ها به‌طور قابل‌توجهی انرژی کارآمدتر شده است از نظر عملیات اجرا شده در هر وات. مصرف شده است. راندمان مصرف برق مراکز داده، معیاری که نسبت توان مصرفی برای محاسبات را در مقابل خنک‌سازی نشان می‌دهد. و زیرساخت های دیگر، به 1.5 به طور متوسط کاهش یافته است، و حتی به 1.2 چشمگیر در امکانات پیشرفته. مراکز داده جدید با استفاده از خنک‌کننده آب و هوای خنک خارجی در صورت در دسترس بودن، خنک‌سازی کارآمدتری دارند.

متاسفانه، کارایی به تنهایی مشکل پایداری را حل نمی کند. در واقع، پارادوکس جوونز به این نکته اشاره می کند که چگونه کارایی ممکن است منجر شود در یک افزایش مصرف انرژی در طولانی مدت. علاوه بر این، افزایش کارایی سخت‌افزار به طور قابل توجهی کاهش یافته است، زیرا صنعت به محدودیت‌های فناوری تراشه رسیده است. مقیاس بندی.

برای ادامه بهبود کارایی، محققان در حال طراحی سخت‌افزار تخصصی مانند شتاب‌دهنده‌ها، فناوری‌های یکپارچه‌سازی جدید مانند تراشه‌های سه بعدی و < یک تکنیک href="https://doi.org/10.1016/j.xcrp.2023.101686" target="_blank">خنک کردن تراشه

.

به طور مشابه، محققان به طور فزاینده ای در حال مطالعه و توسعه فناوری های خنک کننده مرکز داده هستند. گزارش موسسه تحقیقات نیروی برق روش های خنک کننده جدید را تأیید می کند، مانند خنک کننده مایع به کمک هوا و خنک کننده غوطه وری در حالی که خنک کننده مایع در حال حاضر راه خود را به مراکز داده باز کرده است، فقط چند مورد جدید مراکز داده خنک کننده غوطه وری هنوز در حال توسعه را اجرا کرده اند.

آینده انعطاف پذیر

یک روش جدید برای ساخت مراکز داده هوش مصنوعی، محاسبات انعطاف پذیر است، که در آن ایده کلیدی این است که وقتی برق ارزان تر، در دسترس تر و سبزتر است، بیشتر محاسبه شود، و زمانی که برق گران تر، کمیاب و آلوده کننده است، کمتر محاسبه شود.

اپراتورهای مرکز داده می توانند امکانات خود را به یک بار انعطاف پذیر در شبکه تبدیل کنند. Academia و industry نمونه های اولیه ای از پاسخ به تقاضای مرکز داده ارائه کرده است، که در آن مراکز داده توان خود را بسته به نیاز شبکه برق تنظیم می کنند. به عنوان مثال، آنها می توانند وظایف محاسباتی خاصی را برای ساعات غیر اوج مصرف زمان بندی کنند.

اجرای انعطاف پذیری گسترده تر و بزرگتر در مصرف برق نیازمند نوآوری در سخت افزار، نرم افزار و هماهنگی مرکز داده شبکه است. به خصوص برای هوش مصنوعی، فضای زیادی برای توسعه استراتژی‌های جدید برای تنظیم بارهای محاسباتی مراکز داده وجود دارد و بنابراین مصرف انرژی. به عنوان مثال، مراکز داده می توانند دقت را کاهش دهند تا هنگام آموزش مدل های هوش مصنوعی، بار کاری را کاهش دهند.

تحقق این چشم انداز نیازمند مدل سازی و پیش بینی بهتر است. مراکز داده می توانند سعی کنند بارها و شرایط خود را بهتر درک و پیش بینی کنند. همچنین مهم است که بار شبکه و رشد را پیش بینی کنید.

مؤسسه تحقیقات نیروی برق ابتکار پیش‌بینی بار شامل فعالیت‌هایی برای کمک به برنامه‌ریزی و عملیات شبکه است. نظارت جامع و تجزیه و تحلیل هوشمند – احتمالاً با تکیه بر هوش مصنوعی – هم برای مراکز داده و هم برای شبکه برای پیش‌بینی دقیق ضروری است.

در لبه

ایالات متحده با رشد انفجاری هوش مصنوعی در مقطع حساسی قرار دارد. ادغام صدها مگاوات تقاضای برق در شبکه های از قبل تحت فشار بسیار دشوار است. شاید زمان آن فرا رسیده باشد که درباره نحوه ایجاد مراکز داده توسط صنعت تجدید نظر کنیم.

یکی از امکان‌ها این است که به‌طور پایدار مراکز داده لبه بیشتری بسازید – امکانات کوچکتر و گسترده‌تر – برای آوردن محاسبات به جوامع محلی. مراکز داده لبه همچنین می توانند به طور قابل اعتمادی قدرت محاسباتی را به مناطق شهری متراکم و بدون فشار بیشتر به شبکه اضافه کنند. در حالی که این مراکز کوچکتر در حال حاضر 10 درصد از مراکز داده در ایالات متحده را تشکیل می دهند، تحلیلگران پیش بینی می کنند که بازار مراکز داده لبه در مقیاس کوچکتر بیش از 20% در پنج سال آینده.

همراه با تبدیل مراکز داده به بارهای انعطاف پذیر و قابل کنترل، نوآوری در فضای مرکز داده لبه ممکن است نیازهای انرژی هوش مصنوعی را بسیار پایدارتر کند.

این مقاله از مکالمه تحت مجوز Creative Commons بازنشر شده است. اصلی را بخوانید مقاله.