Τι είναι ένα κέντρο δεδομένων τεχνητής νοημοσύνης;

Ένα κέντρο δεδομένων τεχνητής νοημοσύνης είναι μια εξειδικευμένη εγκατάσταση που φιλοξενεί τον υπολογιστικό εξοπλισμό που απαιτείται για την ανάπτυξη, την εγκατάσταση και τη λειτουργία συστημάτων τεχνητής νοημοσύνης. Μπορεί να υποστηρίζει την εκπαίδευση μοντέλων, την εξαγωγή συμπερασμάτων, την επεξεργασία δεδομένων, τους βοηθούς αναζήτησης, τη δημιουργία εικόνων, τα συστήματα προτάσεων ή τις επιχειρηματικές εφαρμογές τεχνητής νοημοσύνης.

Ο όρος «κέντρο δεδομένων» μπορεί να κάνει την υποδομή να ακούγεται αφηρημένη, αλλά πρόκειται για φυσικά κτίρια που συνδέονται με δίκτυα ηλεκτρικής ενέργειας, δίκτυα οπτικών ινών, συστήματα ψύξης και υποδομές απομάκρυνσης νερού ή θερμότητας. Η τεχνητή νοημοσύνη μπορεί να φαίνεται σαν λογισμικό, αλλά βασίζεται σε πραγματικά μηχανήματα που βρίσκονται σε πραγματικούς χώρους.

Ένα συμβατικό κέντρο δεδομένων στο cloud μπορεί να εκτελεί πολλούς διαφορετικούς τύπους φόρτων εργασίας. Ένα κέντρο δεδομένων τεχνητής νοημοσύνης είναι συνήθως βελτιστοποιημένο για υπολογισμούς πολύ υψηλής πυκνότητας, ειδικά για συστάδες GPU ή επιταχυντών που εκτελούν τεράστιο αριθμό παράλληλων μαθηματικών πράξεων.

Ο ορατός πυρήνας αποτελείται από ράφια με διακομιστές. Στις εγκαταστάσεις τεχνητής νοημοσύνης, πολλοί από αυτούς τους διακομιστές περιέχουν GPU, επιταχυντές τεχνητής νοημοσύνης, μνήμη υψηλού εύρους ζώνης και εξειδικευμένες κάρτες δικτύου. Αυτά τα μηχανήματα έχουν σχεδιαστεί για να μεταφέρουν δεδομένα γρήγορα και να εκτελούν υπολογισμούς πινάκων αποτελεσματικά.

Γύρω από τον υπολογιστικό εξοπλισμό υπάρχει ένα ευρύτερο σύστημα υποστήριξης: χώρος αποθήκευσης για σύνολα δεδομένων και σημεία ελέγχου μοντέλων, διακόπτες δικτύου, συνδέσεις οπτικών ινών, εξοπλισμός μετατροπής ισχύος, συστήματα δημιουργίας αντιγράφων ασφαλείας, συστήματα παρακολούθησης, συστήματα πυρόσβεσης και φυσική ασφάλεια.

Η ψύξη είναι εξίσου σημαντική με τον υπολογισμό. Ο πυκνός εξοπλισμός τεχνητής νοημοσύνης παράγει θερμότητα συνεχώς, οπότε οι εγκαταστάσεις χρησιμοποιούν ψύξη με αέρα, ψύξη με υγρά, ψυκτικές μονάδες, αντλίες, πύργους ψύξης ή εναλλάκτες θερμότητας, ανάλογα με τον σχεδιασμό και τις τοπικές συνθήκες.

Η κύρια διαφορά έγκειται στην πυκνότητα και στη μορφή του φόρτου εργασίας. Η εκπαίδευση τεχνητής νοημοσύνης μπορεί να κρατά χιλιάδες επιταχυντές απασχολημένους για μεγάλες χρονικές περιόδους, ενώ τα συστήματα συμπερασμού πρέπει να ανταποκρίνονται γρήγορα στις εντολές των χρηστών, στις κλήσεις API, στις προτάσεις ή στις εικόνες που δημιουργούνται.

Τα συμπλέγματα τεχνητής νοημοσύνης απαιτούν επίσης εξαιρετικά γρήγορη επικοινωνία μεταξύ των μηχανών. Κατά τη διάρκεια της εκπαίδευσης, οι GPU ανταλλάσσουν συνεχώς κλίσεις και δεδομένα μοντέλων. Κατά τη διάρκεια της εξαγωγής συμπερασμάτων, οι διακομιστές πρέπει να φορτώνουν τα βάρη των μοντέλων, να επεξεργάζονται το πλαίσιο και να επιστρέφουν αποτελέσματα με χαμηλό χρόνο καθυστέρησης.

Αυτός ο συνδυασμός πυκνών τσιπ, υψηλής κατανάλωσης ισχύος, γρήγορης δικτύωσης και διαχείρισης θερμότητας καθιστά την υποδομή τεχνητής νοημοσύνης πιο απαιτητική από πολλά παραδοσιακά φορτία εργασίας του διαδικτύου ή των επιχειρήσεων.

Η εκπαίδευση είναι η φάση κατά την οποία ένα μοντέλο μαθαίνει από τα δεδομένα. Μπορεί να απαιτεί μεγάλα σύνολα δεδομένων, μακροχρόνιες εκτελέσεις, επαναλαμβανόμενους υπολογισμούς και ομάδες GPU που λειτουργούν από κοινού. Αυτός είναι συχνά ο πιο εμφανής τύπος υπολογιστικής ισχύος για την τεχνητή νοημοσύνη, καθώς δημιουργεί μεγάλη και συγκεντρωμένη ζήτηση σε υποδομές.

Η εξαγωγή συμπερασμάτων είναι η φάση κατά την οποία χρησιμοποιείται ένα εκπαιδευμένο μοντέλο. Κάθε απάντηση ενός chatbot, κάθε δημιουργία εικόνας, κάθε απάντηση ενός βοηθού αναζήτησης ή κάθε αίτημα ταξινόμησης συνεπάγεται τη διεξαγωγή εξαγωγής συμπερασμάτων. Ένα μεμονωμένο αίτημα μπορεί να είναι μικρό, αλλά η παγκόσμια χρήση δημιουργεί συνεχή ζήτηση.

Πολλά κέντρα δεδομένων τεχνητής νοημοσύνης υποστηρίζουν και τις δύο φάσεις, αν και όχι πάντα με τον ίδιο τρόπο. Η εκπαίδευση επικεντρώνεται σε μεγάλα συγχρονισμένα clusters, ενώ η εξαγωγή συμπερασμάτων δίνει μεγάλη έμφαση στην καθυστέρηση, τη διαθεσιμότητα, τη δρομολόγηση, την επεξεργασία κατά παρτίδες και το κόστος ανά αίτημα.

Ο εξοπλισμός τεχνητής νοημοσύνης χρειάζεται ηλεκτρική ενέργεια, και σχεδόν το σύνολο αυτής της ενέργειας μετατρέπεται τελικά σε θερμότητα. Επομένως, μια εγκατάσταση πρέπει να διαθέτει επαρκή παροχή ισχύος για τη λειτουργία του εξοπλισμού και επαρκή ψυκτική ικανότητα για την αξιόπιστη απομάκρυνση της θερμότητας.

Γι’ αυτό και τα κέντρα δεδομένων τεχνητής νοημοσύνης συχνά αναφέρονται σε μεγαβάτ ή γιγαβάτ, και όχι μόνο σε τετραγωνικά μέτρα. Ο περιοριστικός παράγοντας μπορεί να είναι η σύνδεση με το δίκτυο, οι μετασχηματιστές, η εφεδρική παραγωγή ενέργειας, το νερό ψύξης, η απομάκρυνση θερμότητας ή οι τοπικές άδειες, και όχι μόνο η έκταση γης.

Καλύτερα τσιπ, υγρή ψύξη και πιο αποδοτικός σχεδιασμός των κέντρων δεδομένων μπορούν να μειώσουν την κατανάλωση ενέργειας ανά εργασία, αλλά η συνολική ζήτηση μπορεί να συνεχίσει να αυξάνεται αν η χρήση της τεχνητής νοημοσύνης αναπτυχθεί ταχύτερα από ό,τι βελτιώνεται η αποδοτικότητα.

Τα κέντρα δεδομένων τεχνητής νοημοσύνης κατασκευάζονται σε περιοχές όπου οι φορείς εκμετάλλευσης μπορούν να συνδυάσουν την παροχή ηλεκτρικής ενέργειας, τη διαθεσιμότητα γης, τη συνδεσιμότητα μέσω οπτικών ινών, τις επιλογές ψύξης, τους φορολογικούς όρους και τις προϋποθέσεις αδειοδότησης, τη διαθεσιμότητα εργατικού δυναμικού και την εγγύτητα προς τους χρήστες ή τις περιοχές cloud.

Ορισμένες τοποθεσίες έχουν χαρακτηριστεί δημόσια ως κέντρα υπερυπολογιστών τεχνητής νοημοσύνης ή ως εγκαταστάσεις υποδομής τεχνητής νοημοσύνης. Άλλες αποτελούν γενικές περιοχές cloud υπερμεγέθους που μπορούν να εκτελούν φορτία εργασίας τεχνητής νοημοσύνης, αλλά δεν συνδέονται δημόσια με κάποιο συγκεκριμένο μοντέλο ή προϊόν.

Για μια συνοπτική και προσεκτική επισκόπηση, ανατρέξτε στη σχετική λίστα: Πού βρίσκονται τα κέντρα δεδομένων τεχνητής νοημοσύνης;.

Τα κέντρα δεδομένων τεχνητής νοημοσύνης (AI) είναι σημαντικά, διότι συνδέουν την καθημερινή χρήση της τεχνητής νοημοσύνης με τη φυσική υποδομή. Μια εντολή σε φορητό υπολογιστή ή κινητό τηλέφωνο μπορεί να ενεργοποιήσει υπολογιστικές διεργασίες σε διακομιστές GPU, οι οποίοι εξαρτώνται από ηλεκτρική ενέργεια, ψύξη, νερό, μικροτσίπ, γη και δίκτυα.

Έχουν επίσης σημασία για τις τοπικές κοινότητες. Οι μεγάλες εγκαταστάσεις μπορούν να προσελκύσουν επενδύσεις και θέσεις εργασίας, αλλά μπορεί να εγείρουν ερωτήματα σχετικά με τη χωρητικότητα του δικτύου, τη χρήση νερού, τη χρήση γης, τον θόρυβο, τις εκπομπές, τη διαφάνεια και το ποιος αναλαμβάνει το κόστος της υποστηρικτικής υποδομής.

Μια σοβαρή συζήτηση σχετικά με τον αντίκτυπο της τεχνητής νοημοσύνης πρέπει, επομένως, να κοιτάξει πέρα από τις αφηρημένες δυνατότητες των μοντέλων. Πρέπει να περιλαμβάνει το πού λειτουργεί η υποδομή, πώς τροφοδοτείται, πόσο αποδοτικά ψύχεται και πόσο διαφανώς οι διαχειριστές της αναφέρουν τη χρήση των πόρων.