Trumpas atsakymas
Dirbtinis intelektas vartoja elektros energiją, nes šiuolaikiniams modeliams reikia daug skaičiavimų. GPU, serveriai, saugyklos, tinklai, aušinimas ir duomenų centrų infrastruktūra - visa tai prisideda prie bendro energijos poreikio.
Dirbtinis intelektas iš principo reikalauja daug skaičiavimų
Dirbtinio intelekto sistemos remiasi matematinėmis operacijomis, atliekamomis labai dideliu mastu. Neuroniniams tinklams mokyti ir paleisti reikalinga specializuota aparatinė įranga, galinti lygiagrečiai apdoroti didžiulį skaičių skaičiavimų. Štai kodėl GPU ir kiti greitintuvai tapo pagrindine šiuolaikinės dirbtinio intelekto infrastruktūros dalimi.
Didelių modelių mokymui reikia sutelkti daug skaičiavimo
Mokant didelį dirbtinio intelekto modelį gali tekti apdoroti didžiulius duomenų rinkinius per daugybę iteracijų. Mokymo metu gali ilgai veikti tūkstančiai akceleratorių, kurie nuolat vartoja elektros energiją. Nors mokymas nėra vienintelis dirbtinio intelekto energijos vartojimo šaltinis, tai vienas iš labiausiai matomų ir daugiausiai išteklių reikalaujančių etapų.
Išvados didėja su kasdieniu naudojimu
Išvados - tai procesas, kurio metu apmokytas modelis naudojamas atsakyti į užklausas, generuoti tekstą, kurti vaizdus, apibendrinti dokumentus ar atlikti kitas užduotis. Kadangi dirbtinio intelekto įrankius įsisavina milijonai naudotojų, išvada gali tapti pagrindiniu elektros energijos poreikio šaltiniu, nes tai vyksta nuolat ir pasauliniu mastu.
Duomenų centrai didina energijos poreikį
Dirbtinio intelekto darbo krūviai veikia duomenų centruose. Be pačių procesorių, elektros energija taip pat naudojama serveriams, atminčiai, saugykloms, tinklo įrangai, energijos tiekimui ir aušinimui. Ši pagalbinė infrastruktūra reiškia, kad bendras elektros energijos pėdsakas yra didesnis nei vien tik pirminės techninės įrangos suvartojimas.
Efektyvumas didėja, tačiau paklausa vis dar gali augti
Techninės ir programinės įrangos bei duomenų centrų efektyvumas ir toliau didėja. Tačiau efektyvumo didėjimą gali atsverti didėjanti paklausa, didesni modeliai, daugiau naudotojų ir daugiau dirbtinio intelekto funkcijų, integruotų į kasdienius produktus. Pagrindinis klausimas yra ne tik tai, ar AI tampa efektyvesnis, bet ir tai, ar bendras naudojimas auga greičiau nei didėja efektyvumas.