Wśród największych przeszkód na drodze do rozwoju AI wymienia się niedobór danych treningowych wysokiej jakości czy architekturę. W rzeczywistości kluczowym problemem, z którym zmagają się firmy Big Tech, jest ograniczona energia.
- W najbliższych latach największym problemem branży technologicznej może być niewystarczająca ilość energii elektrycznej, potrzebnej do zasilania centrów danych.
- Jednym z rozwiązań może być wprowadzenie nowego sprzętu, opartego na innych paradygmatach obliczeniowych.
AI ma problem z energią
Od momentu wejścia chatbotów na rynek, AI przedstawiana jest jako konkurent człowieka i coś, co w długiej perspektywie ma go zastąpić.
Ta narracja pomija jednak efektywność energetyczną, która wciąż daje ludziom przewagę nad sztuczną inteligencją i stanowi ogromną przeszkodę na drodze jej rozwoju.
Podczas gdy mózg działa, zużywając ok. 20% energii ludzkiego organizmu, czyli ok. 12-20 watów mocy (to mniej więcej energetyczny koszt zasilenia przeciętnej żarówki), symulacja 1 sekundy aktywności 10 milionów neuronów w projekcie Blue Brain Project wymagała ok. 270kW.
Przy symulowaniu aktywności wszystkich neuronów ludzkiego mózgu koszt wzrósłby do 2.7 GW.
Tymczasem w grze, w której kluczowa jest energia i co za tym idzie – fizyczne ograniczenia sieci, firmy technologiczne rzuciły wszystkie siły do budowy nowych centrów danych, na co zwrócił uwagę Jensen Huang – CEO Nvidii, będącej sercem sektora skupionego na sztucznej inteligencji.
Rozbudowa sieci energetycznych zostaje daleko w tyle za wzrostem liczby centrów danych
– mówił Huang.
Dodał również, że w przyszłości przychody firm technologicznych będą ściśle powiązane z ilością energii, jakie te mają do dyspozycji, dlatego powinny one skupić się na najbardziej energooszczędnej architekturze, maksymalnie ograniczyć zależność od publicznych sieci i inwestować w generowanie własnej energii na miejscu – przy centrach danych.
W podobnym tonie wypowiadają się inni liderzy z Doliny Krzemowej.
Mark Zuckerberg przewiduje, że ograniczenia energetyczne pojawią się szybciej niż ograniczenia kapitałowe, a według Elona Muska, prądu dla centrów danych zabraknie już w połowie 2026 roku.
Z kolei były CEO Google’a – Eric Schmidt – twierdził, że w wyścigu technologicznym z Chinami, USA potrzebuje energii “na już”:
Potrzebujemy energii w każdej formie. Odnawialnej, nieodnawialnej – nieważne. Musi tu być i to szybko.
Co ciekawe, drastyczny wzrost zapotrzebowania na energię elektryczną związany z rozwojem AI pokrył się z komentarzami Billa Gatesa, który zrewidował – i znacząco złagodził – swoje stanowisko dotyczące kryzysu klimatycznego.
Założyciel Microsoftu stwierdził, że globalne ocieplenie jako wynik emisji spowodowanych przez człowieka “nie doprowadzi do upadku rasy ludzkiej” i świat powinien skupić się na innowacjach, które w przyszłości pozwolą na masowe wdrożenie technologii zeroemisyjnych (przy czym emisje gazów cieplarnianych Microsoftu w ciągu ostatnich 5 lat wzrosły o ponad 23% – częściowo właśnie z powodu AI):
Chociaż energia wiatrowa i słoneczna stały się tańsze i lepsze, nie dysponujemy jeszcze wszystkimi narzędziami potrzebnymi do tego, aby sprostać rosnącemu zapotrzebowaniu na energię bez zwiększania emisji dwutlenku węgla. Jednak będziemy dysponować niezbędnymi narzędziami, jeśli skupimy się na innowacjach.
Rozwiązanie? AI przypominająca ludzki mózg
Jedną z odpowiedzi na problem efektywności energetycznej mogłaby być koncepcja “Super-Turing AI”, opracowana m.in. przez inżynierów z A&M University w Teksasie.
Sztuczna inteligencja jaką znamy opiera się na separacji funkcji uczenia się i pamięci. Trening oraz przechowywanie danych odbywają się w oddzielnych miejscach w sprzęcie, dlatego aby system mógł działać, komputer musi migrować duże ilości informacji między tymi miejscami, co drastycznie zwiększa zużycie energii.
Chip Super-Turing AI, opierający się na tzw. rezystorach synaptycznych (naśladujących synapsy mózgu), do równoczesnego uczenia się i wyciągania wniosków potrzebował miliony razy mniej energii, niż sztuczne sieci neuronowe uruchomione na klasycznym sprzęcie, przy czym przyswajał informacje szybciej od nich – co wykazano na przykładzie drona, który nauczył się nawigować podczas lotu, bez wcześniejszego szkolenia.
Aktualnie, propozycja wydaje się dość kłopotliwa, ponieważ nie wymaga innowacji programistycznej, a sprzętowej i odejścia od klasycznej architektury komputerowej na rzecz zupełnie nowych obwodów.
Gigantyczne zapotrzebowanie energetyczne istniejących modeli AI (według niektórych szacunków, do 2027 roku, cała branża ma zużywać tyle prądu, ile kraj wielkości Holandii) w końcu może jednak okazać się problemem nie do przejścia, zmuszając firmy Big Tech do wdrożenia zupełnie nowego hardware’u.
Śledź CrypS. w Google News. Czytaj najważniejsze wiadomości bezpośrednio w Google! Obserwuj ->
Zajrzyj na nasz telegram i dołącz do Crypto. Society. Dołącz ->
