به گزارش پول و تجارت، در سال‌های اخیر، هوش مصنوعی با سرعتی شگفت‌انگیز پیشرفت داشته و به یکی از پایه‌های اصلی اقتصاد دیجیتال تبدیل شده هست.
اما پشت پرده این رشد، واقعیتی نه‌چندان روشن وجود دارد: آموزش مدل‌های بزرگ نیازمند حجم عظیمی از انرژی هست؛ به‌حدی که چندین کارشناسان معتقدند ادامه این روند می‌تواند فشار کم‌سابقه‌ای بر شبکه‌های برق و حتی محیط‌زیست وارد کند. پرسش کلیدی اینجاست: آیا صنعت فناوری آماده مدیریت این چالش هست یا باید به‌دنبال راهکارهای تازه برای پایدار نگه‌داشتن آینده هوش مصنوعی باشیم؟
به گزارش کوین تلگراف، به گفته اوسوری، هوش مصنوعی در زمینه انرژی به «دیوار» خورده هست. هرچه اندازه و تعداد مدل‌ها افزایش می‌یابد، آموزش آن‌ها انرژی بیشتری می‌طلبد و در آینده نزدیک ممکن هست میزان برقی معادل خروجی یک رآکتور هسته‌ای نیاز داشته باشند.
تقاضای محاسباتی دست‌کم گرفته شده است
اوسوری بنیانگذار شبکه آکاش در مصاحبه‌ای با اندرو فنتون خبرنگار کوین‌تلگراف در رویداد Token2049 در سنگاپور توضیح داد که صنعت، سرعت رشد تقاضای محاسباتی و پیامدهای زیست‌محیطی آن را دست‌کم گرفته هست. او یادآور گردید که مراکز داده هم‌اکنون صدها مگاوات برق فسیلی مصرف می‌کنند.
هشدار درباره بحران انرژی
به گفته اوسوری، ادامه این روند می‌تواند به یک بحران انرژی منجر شود؛ بحرانی که نتیجه‌اش افزایش قبوض برق خانوارها و اضافه شدن میلیون‌ها تن آلاینده جدید به جو زمین در هر سال خواهد قرار دارای بود.
او بیان کرد: «ما به نقطه‌ای رسیده‌ایم که هوش مصنوعی می‌تواند جان انسان‌ها را بگیرد»، و اشاره کرد که استفاده متمرکز از سوخت‌های فسیلی در اطراف مراکز داده سلامت ساکنان آن مناطق را تهدید انجام می‌دهد.
غیرمتمرکزسازی؛ راهکاری برای کاهش بحران انرژی
روز سه‌شنبه، بلومبرگ گزارش داد که مراکز داده هوش مصنوعی باعث جهش بهای برق در ایالات متحده شده‌اند. در این گزارش آمده هست هزینه عمده‌فروشی برق در مناطق نزدیک به مراکز داده طی پنج سال گذشته ۲۶۷ درصد رشد کرده و قبوض خانوارها به شکل محسوسی افزایش یافته هست.
اوسوری در ادامه به کوین‌تلگراف بیان کرد که تنها راه جایگزین، غیرمتمرکزسازی هست. او توضیح داد به‌جای تمرکز تراشه‌ها و انرژی در ابرمراکز داده، امکان دارد آموزش مدل‌ها را در شبکه‌ای از کارت‌های گرافیک کوچک‌تر و متنوع توزیع کرد؛ از چیپ‌های پیشرفته سازمانی گرفته تا کارت‌های گرافیک خانگی. این روش می‌تواند هم بهره‌وری و هم پایداری را به همراه داشته باشد.
مقایسه با روزهای نخست استخراج بیت‌کوین
به گفته اوسوری: «به محض اینکه سیستم مشوق‌ها مشخص شود، این روند مثل استخراج رمزارز رشد خواهد کرد.» او افزود که حتی کامپیوترهای خانگی هم در آینده می‌توانند با در اختیار گذاشتن توان محاسباتی بلااستفاده، توکن دریافت کنند.
این چشم‌انداز شباهت زیادی به روزهای نخست استخراج بیت‌کوین دارد؛ زمانی که کاربران عادی می‌توانستند قدرت پردازشی رایانه‌های خود را به شبکه بدهند و در عوض پاداش دریافت کنند. با این تفاوت که این بار «استخراج» به معنای آموزش مدل‌های هوش مصنوعی خواهد قرار دارای بود، نه حل معماهای رمزنگاری. اوسوری تأکید کرد این روند می‌تواند برای افراد عادی نوعی سهام در آینده‌ی هوش مصنوعی ایجاد کند و همزمان هزینه توسعه را برای برنامه‌نویسان کاهش دهد.
با وجود این ظرفیت بالا، اوسوری اذعان کرد که موانع جدی همچنان وجود دارد. آموزش مدل‌های بزرگ روی ترکیبی از کارت‌های گرافیک متنوع نیازمند نوآوری‌های نرم‌افزاری و هماهنگی‌های پیچیده هست؛ مسأله‌ای که به گفته او، صنعت تازه در حال گام برداشتن در مسیر حل آن هست.
او بیان کرد: «حدود شش ماه پیش چندین شرکت شروع به نمایش چندین جنبه‌های آموزش توزیع‌شده کردند، اما هیچ‌کدام تاکنون همه این اجزا را کنار هم نگذاشته و یک مدل واقعی را اجرا نکرده‌اند.» اوسوری اضافه کرد که این وضعیت ممکن هست «تا پایان سال تغییر کند».
مشکل مشوق‌ها؛ سخت‌تر از فناوری
چالش دیگر، طراحی یک سیستم مشوق منصفانه هست. اوسوری توضیح داد: «بخش سخت ماجرا همین مشوق‌هاست. چرا کسی باید کامپیوتر خود را برای آموزش مدل‌ها در اختیار بگذارد؟ چه چیزی عایدش خواهد گردید؟ این مسأله از حل خودِ الگوریتم سخت‌تر هست.»
ضرورت غیرمتمرکزسازی آموزش هوش مصنوعی
با وجود همه این موانع، اوسوری بر این باور هست که غیرمتمرکز کردن آموزش مدل‌های هوش مصنوعی یک ضرورت هست. او بیان کرد با تقسیم بار محاسباتی میان شبکه‌های جهانی امکان دارد فشار بر شبکه‌های برق را کاهش داد، میزان انتشار کربن را پایین آورد و اقتصاد هوش مصنوعی پایدارتری ایجاد کرد.
دیدگاه‌ها