Центровете за данни утрояват потреблението си в САЩ, сочат доклади на Лорънс Бъркли и университета в Пенсилвания
Изкуственият интелект (ИИ) се превръща във все по-голям консуматор на електроенергия. Според изследователи центровете за данни, необходими за обучение и работа на големите езикови модели, ще изискват значителни количества енергия през следващите години, което ще натовари електропреносните мрежи и ще увеличи въглеродните емисии, потреблението на вода и електронните отпадъци. Това съобщава Институтът по енергетика и околна среда на Пенсилвания.
Ръст на потреблението в САЩ
Доклад на Националната лаборатория „Лорънс Бъркли“ показва, че през 2023 г. центровете за данни в Съединените щати са изразходвали 4,4% от цялата електроенергия в страната. Очаква се до 2028 г. този дял почти да се утрои. Същият източник отбелязва, че потреблението на електроенергия от сървърите в САЩ се е увеличило повече от три пъти в периода 2014–2023 г.
Прогноза за световен дял до 20%
Махмут Кандемир, професор по компютърни науки и инженерство в Държавния университет на Пенсилвания, изчислява, че между 2030 и 2035 г. центровете за данни може да достигнат до 20% от световното потребление на електроенергия. Това би създало допълнителен натиск върху енергийната инфраструктура.
Защо ИИ консумира толкова много ток
Основната причина за високото потребление е обучението на големите ИИ модели. То изисква обработка на огромни обеми данни и многократна настройка на милиарди параметри. За целта се използват хиляди графични процесори (GPU), тензорни процесори (TPU) и други изчислителни компоненти, които могат да работят непрекъснато със седмици или дори месеци. Освен това центровете за данни се нуждаят от охладителни системи и мощна инфраструктура, а моделите периодично се преобучават или актуализират, което допълнително увеличава разхода на енергия.
Електричество се изразходва и при всяка заявка към ИИ, както и при съхранението и предаването на големи обеми данни.
Как да намалим потреблението
Според информацията има няколко подхода за повишаване на енергийната ефективност. Един от тях е оптимизирането на самите модели – вместо изграждане на големи системи с общо предназначение от нулата, изследователите могат да разработват по-малки модели, специализирани за конкретни задачи като медицина или компютърна химия. Това намалява необходимите изчисления, без значителна загуба на производителност.
Друга насока е използването на енергийно ефективен хардуер, включително невроморфни чипове и оптични процесори, които имат потенциал да понижат консумацията.
Също така преминаването към възобновяеми източници като слънчева и вятърна енергия може да намали зависимостта от изкопаеми горива, но това изисква системи за съхранение и адаптиране на мрежата. Друг подход е изчислителните задачи да се планират според наличието на възобновяема енергия – например отлагане на някои процеси за периоди, когато в мрежата има излишък от слънчева или вятърна енергия.