211service.com
Is AI de volgende grote bedreiging voor klimaatverandering? We hebben geen idee
Datacenter Decaan Mouhtaropoulos | Getty
Tijdens een recente conferentie in San Francisco betrad Gary Dickerson het podium en deed een gewaagde voorspelling. De chief executive van Applied Materials, een grote leverancier van de halfgeleiderindustrie, waarschuwde dat bij gebrek aan significante innovatie op het gebied van materialen, chipproductie en ontwerp, de AI-workloads van datacenters tegen 2025 een tiende van het wereldwijde elektriciteitsverbruik zouden kunnen uitmaken. .
Tegenwoordig nemen de miljoenen datacenters over de hele wereld iets minder dan 2% op - en die statistiek omvat alle soorten workloads die worden verwerkt op hun enorme reeks servers. Applied Materials schat dat servers met AI momenteel slechts 0,1% van het wereldwijde elektriciteitsverbruik voor hun rekening nemen.
Andere tech executives luiden ook een alarm. Anders Andrae van Huawei denkt dat datacenters tegen 2025 een tiende van de wereldwijde elektriciteit kunnen verbruiken, hoewel zijn schatting al hun gebruik dekt, niet alleen AI .
Jonathan Koomey, speciaal adviseur van de senior wetenschapper van Rocky Mountain Institute , is optimistischer. Hij verwacht dat het energieverbruik van datacenters de komende jaren relatief vlak zal blijven, ondanks een piek in AI-gerelateerde activiteit.
Deze sterk uiteenlopende voorspellingen benadrukken de onzekerheid over de impact van AI op de toekomst van grootschalige computing en de uiteindelijke implicaties voor de vraag naar energie.
Grotere foto's
AI is zeker hongerig naar macht. Bij het trainen en uitvoeren van dingen zoals deep-learningmodellen moeten enorme hoeveelheden gegevens worden verwerkt, wat het geheugen en de processors belast. Een onderzoek van onderzoeksgroep OpenAI zegt dat de hoeveelheid rekenkracht nodig om grote AI-modellen aan te sturen verdubbelt nu al elke drie en een halve maand.
De voorspelling van Applied Materials is, naar eigen zeggen, een worstcasescenario dat is ontworpen om te benadrukken wat er zou kunnen gebeuren als er geen nieuw denken in hardware en software zou zijn. Sundeep Bajikar, hoofd bedrijfsstrategie en marktinformatie van het bedrijf, zegt dat het ervan uitgaat dat er in de loop van de tijd een verschuiving zal plaatsvinden in de mix van informatie die wordt gebruikt om AI-modellen te trainen, waarbij video's en andere afbeeldingen een stijgend percentage van het totaal uitmaken ten opzichte van tekst en audio-informatie. Visuele gegevens zijn rekenintensiever en vereisen daarom meer energie.
Er zal ook meer informatie zijn voor modellen om te kraken dankzij de opkomst van zaken als autonome voertuigen en sensoren die zijn ingebed in andere slimme apparaten. En de verspreiding van supersnelle draadloze 5G-connectiviteit zal het nog gemakkelijker maken om gegevens van en naar datacenters te pendelen.
Bajikar zegt dat deze en andere trends de dringende behoefte aan wat zijn bedrijf noemt een nieuw draaiboek in materialen en productie voor het AI-tijdperk onderstrepen. Sommige onderzoekers denken dat AI's dorst naar macht zelfs een grote milieu-hoofdpijn kan worden: een team van de Universiteit van Massachusetts, Amherst, publiceerde onlangs een onderzoek waaruit blijkt dat het trainen van verschillende populaire en grote AI-modellen bijna vijf keer de totale uitstoot van de gemiddelde Amerikaan produceert. auto.
Wedden op de basis
Maar pessimistische voorspellingen negeren verschillende belangrijke ontwikkelingen die de machtsgreep van AI zouden kunnen beperken. Een daarvan is de opkomst van hyperscale datacenters, ontwikkeld door bedrijven als Facebook en Amazon.
Deze maken gebruik van uitgebreide reeksen basisservers die zijn afgestemd op specifieke taken. De machines zijn energiezuiniger dan servers in conventionele centra die met een breder scala aan functies moeten jongleren. Een voortdurende verschuiving naar hyperscale, samen met vooruitgang in koeling en andere technologieën, is een belangrijke reden waarom het energieverbruik van nieuwe datacenters de afgelopen jaren in feite teniet is gedaan door efficiëntieverbeteringen.
Nieuwe soorten microchips zullen ook helpen. De voorspelling van Applied Materials gaat ervan uit dat AI-workloads zullen blijven draaien op bestaande hardware waarvan de efficiëntie de komende jaren geleidelijk verbetert. Maar een groot aantal startups, evenals grote bedrijven zoals Intel en AMD, ontwikkelen halfgeleiders die technologieën zoals fotonica gebruiken om neurale netwerken en andere AI-tools aan te drijven met veel minder energie.
Koomey zegt dat alarmistische projecties ook voorbijgaan aan het feit dat voor sommige soorten AI-taken, zoals patroonherkenning, geschatte outputs van modellen voldoende zijn. Dat betekent dat er geen energie hoeft te worden besteed aan het berekenen van resultaten tot honderden decimalen.
Ironisch genoeg zou de grootste controle op het stroomverbruik van AI eigenlijk AI zelf kunnen zijn. Google gebruikt al technologie die is ontwikkeld door DeepMind, een bedrijf dat het in 2014 heeft overgenomen, om zijn datacenters efficiënter te koelen. De AI had het bedrijf al geholpen zijn koelingsrekening met 40% te verlagen door aanbevelingen te doen aan menselijke operators; nu voert het in feite zelf koelsystemen in de centra uit.
AI zal ook worden gebruikt om andere aspecten van de activiteiten van datacenters te optimaliseren. En, net als de koelwinst van Google, komt dit alle soorten werklasten ten goede. Dat betekent niet dat datacenters niet aanzienlijk meer stroom zullen verbruiken vanwege de stijgende vraag naar de tovenarij van AI, maar het is nog een andere reden waarom het maken van voorspellingen hier zo verdomd moeilijk is.