تقاضای انرژی مراکز داده برای هوش مصنوعی: چالش پایداری

امروزه نیاز انرژی سیستم‌های هوش مصنوعی به یک محدودیت جهانی برای بازار تبدیل شده، به طوری که مراکز داده در سراسر جهان سالانه ۴۶۰ تراوات‌ساعت برق مصرف می‌کنند.

دکتر ونسا جاست، بنیان‌گذار و مدیرعامل شرکت مشاوره فناوری JUS.TECH GmbH که بر پایداری تمرکز دارد، می‌گوید:
«مراکز داده امروز حجم بالایی از برق مصرف می‌کنند: در سطح جهانی سالانه ۴۶۰ تراوات‌ساعت برق نیاز دارند؛ مقداری معادل مصرف برق کل کشور آلمان.»

این افزایش مصرف انرژی که ناشی از نیازهای محاسباتی آموزش و استنتاج مدل‌های هوش مصنوعی است، چالش‌های سیستماتیکی برای شبکه‌های برق جهانی و اهداف پایداری ایجاد کرده است. این یافته‌ها بر اساس پژوهشی از سوی Arm ارائه شده که ۶۵۰ رهبر کسب‌وکار در صنایع مختلف را مورد بررسی قرار داده است.

بحران مراکز داده

بر اساس تحلیل گروه مشاوره بوستون، روندهای فعلی نشان می‌دهد مصرف برق مراکز داده در آمریکا از ۲.۵٪ از کل مصرف برق ملی در سال ۲۰۲۲ به ۷٪ تا سال ۲۰۳۰ افزایش خواهد یافت.

این میزان معادل تقریباً ۳۹۰ تراوات‌ساعت است، که برابر با مصرف برق ۴۰ میلیون خانوار آمریکایی می‌شود.

دکتر نیکول هوهر، مدیر پروژه پایداری و دیجیتال‌سازی در JUS.TECH GmbH، می‌گوید:
«بدون سرمایه‌گذاری گسترده در زیرساخت‌ها، خطر بی‌ثباتی شبکه و محدودیت عرضه افزایش خواهد یافت.»

اپراتورهای شبکه در مناطق مختلف با محدودیت‌های ظرفیت مواجه شده‌اند. در مکان‌هایی مانند ایالت ویرجینیا در آمریکا و کشور ایرلند، شبکه‌های انتقال ولتاژ بالا دچار ازدحام شده‌اند و این امر احداث مراکز داده جدید را به تأخیر انداخته است.
برخی شرکت‌های خدماتی نیز اقدامات محدودکننده‌ای همچون اعمال محدودیت در اتصال یا سهمیه‌بندی اجرا کرده‌اند.

Arm تأکید می‌کند که مقابله با این چالش‌ها نیازمند همکاری هماهنگ میان تأمین‌کنندگان زیرساخت، شرکت‌های فناوری و تأمین‌کنندگان انرژی است تا نیاز انرژی هوش مصنوعی، اهداف آب و هوایی گسترده‌تر را تضعیف نکند.

نوآوری سخت‌افزاری به عنوان راهکاری برای افزایش بهره‌وری انرژی در هوش مصنوعی

Arm بر نقش طراحی سخت‌افزار در کاهش اثرات زیست‌محیطی هوش مصنوعی تأکید کرده و می‌گوید بهبودهای سخت‌افزاری همچنان پایه‌ای‌ترین مسیر پیشرفت در حوزه پایداری است، هرچند که بهبودهای نرم‌افزاری نیز نقش دارند.

برای نمونه، پردازنده‌های AWS Graviton که مبتنی بر فناوری Arm هستند، می‌توانند شدت کربنی بارهای کاری مبتنی بر هوش مصنوعی در فضای ابری را تا ۶۷٪ نسبت به پردازنده‌های سنتی x86 کاهش دهند.

همچنین، در محیط‌های موبایلی و رایانش لبه‌ای، شتاب‌دهنده‌های مبتنی بر Arm مصرف انرژی را بین ۵۰ تا ۸۰٪ نسبت به پردازنده‌های گرافیکی (GPU) عمومی کاهش می‌دهند.

در مراکز داده، پردازنده‌های Arm Neoverse بهبودهای قابل توجهی در بهره‌وری انرژی ایجاد می‌کنند و می‌توانند مصرف برق رک‌های سرور را تا ۴۰٪ کاهش دهند، که این امر اجرای مقیاس‌پذیر پروژه‌های هوش مصنوعی را پایدارتر می‌کند.

مورین مک‌دونا، رئیس پایداری در Arm، هشدار می‌دهد:
«بدون اقدامات پیشگیرانه، مصرف انرژی ناشی از هوش مصنوعی می‌تواند جهان را از مسیر دستیابی به اهداف اقلیمی منحرف کند، به طوری که پیش‌بینی می‌شود دمای جهانی بیش از ۲ درجه سانتی‌گراد افزایش یابد؛ در حالی که توصیه شده این افزایش به ۱.۵ درجه محدود شود.»

Arm همچنین نگرانی‌هایی در مورد زباله‌های الکترونیکی مطرح کرده و به تحقیقی از The Register اشاره می‌کند که طبق آن، در صورت عدم اجرای راهکارهای کاهش زباله، نسل هوش مصنوعی می‌تواند سالانه تا ۲.۵ میلیون تُن زباله الکترونیکی تا سال ۲۰۳۰ تولید کند.

چالش‌های آمادگی نیروی کار برای هوش مصنوعی

Arm همچنین به فاصله میان سرعت پذیرش فناوری و آماده‌سازی نیروی کار اشاره می‌کند. در حالی که ۷۵٪ از شرکت‌ها فناوری هوش مصنوعی را به کار گرفته‌اند، تنها یک سوم کارکنان در سال گذشته آموزش مرتبط با هوش مصنوعی دیده‌اند. این شکاف مهارتی می‌تواند سرمایه‌گذاری‌های فناوری را تهدید کند.

بر اساس شاخص آمادگی هوش مصنوعی Arm، ۳۴٪ از سازمان‌ها گزارش کرده‌اند که منابع کافی برای تأمین استعدادهای هوش مصنوعی ندارند.
همچنین ۳۹٪ از سازمان‌ها هیچ برنامه مشخصی برای توسعه مهارت‌های مرتبط با هوش مصنوعی در میان کارکنان موجود خود ندارند.

آمارهای مرتبط با آمادگی کارکنان نیز گویای این شکاف است: تنها ۱۵٪ از کارکنان آمریکایی گفته‌اند که سازمان آن‌ها استراتژی مشخصی در مورد هوش مصنوعی به اشتراک گذاشته، و تنها ۱۱٪ احساس می‌کنند «کاملاً آماده» هستند تا در نقش خود با هوش مصنوعی کار کنند.

مارک هینکل، مدیرعامل و بنیان‌گذار شرکت Peripety Labs می‌گوید:
«رهبران سازمانی در صورتی که نیروی کار خود را برای استفاده از هوش مصنوعی توانمند نسازند، ریسک می‌کنند که سرمایه‌گذاری‌های سنگین‌شان به ابزاری بلااستفاده تبدیل شود و تنها بخش کوچکی از بهره‌وری وعده‌داده‌شده را محقق کنند.»
او می‌افزاید:
«پذیرش هوش مصنوعی صرفاً یک تحول دیجیتال نیست؛ بلکه یک تحول انسانی است.»

برنامه‌های آموزشی برای موفقیت سازمانی در هوش مصنوعی

Arm تأکید می‌کند که توسعه استعدادهای موجود بسیار مقرون‌به‌صرفه‌تر از استخدام متخصصان جدید است و بنابراین توصیه می‌کند سازمان‌ها در برنامه‌های آموزشی و ارتقای مهارت‌ها سرمایه‌گذاری کنند.

این شرکت همچنین اشاره می‌کند که ۵۷٪ از کارکنان خواستار ارائه آموزش‌های هوش مصنوعی توسط کارفرمایانشان هستند.

رهبران کسب‌وکار در این پژوهش رویکردهای متنوعی برای آموزش گزارش کرده‌اند.
یکی از پاسخ‌دهندگان می‌گوید:
«سازمان ما یک برنامه جامع آموزش هوش مصنوعی شامل کارگاه‌ها، دوره‌های آنلاین و پروژه‌های عملی ارائه می‌دهد.»
دیگری توضیح می‌دهد:
«افراد منتخب از هر بخش، هفته‌ای دو بار به مدت یک ماه، دوره‌های فشرده آموزش توسعه Python می‌بینند و پس از پایان دوره، آزمون‌های اخذ گواهینامه برگزار می‌شود.»

خالد بنکرید، مدیر ارشد آموزش و پژوهش در Arm، می‌گوید:
«در دنیایی که انسان‌ها و ماشین‌ها بیش از هر زمان دیگری با یکدیگر همکاری می‌کنند، توانایی ساخت و استفاده از ابزارهای هوش مصنوعی به مهارتی بنیادین تبدیل شده است.»

برای پاسخ به این چالش‌ها، Arm همکاری‌هایی با نهادهای دانشگاهی برقرار کرده، از جمله تأمین بودجه مرکز CASCADE (معماری رایانه و طراحی نیمه‌هادی‌ها) در دانشگاه کمبریج. این ابتکار از ۱۵ دانشجوی دکتری طی پنج سال در زمینه طراحی پردازنده‌های ویژه کاربردهای هوش مصنوعی حمایت خواهد کرد.

خالد بنکرید می‌افزاید:
«شرکت‌ها باید در برنامه‌های آموزشی سرمایه‌گذاری کنند که به کارکنان کمک کند تا قابلیت‌ها و کاربردهای هوش مصنوعی را درک کنند.»
او ادامه می‌دهد:
«افزون بر مهارت‌های فنی، نیروی کار آینده باید بتواند خلاقیت انسانی را با فناوری‌های نوظهور هوش مصنوعی ترکیب کند.»

Credits: AI Magazine
https://aimagazine.com/articles/ai-data-centre-power-demand-the-sustainability-challenge