Er AI den næste store trussel mod klimaforandringer? Vi har ikke en anelse

Datacenter Dean Mouhtaropoulos | Getty

Ved en nylig konference i San Francisco indtog Gary Dickerson scenen og kom med en dristig forudsigelse. Den administrerende direktør for Applied Materials, som er en stor leverandør til halvlederindustrien, advarede om, at i mangel af væsentlig innovation inden for materialer, chipfremstilling og design, kunne datacentres AI-arbejdsbelastning tegne sig for en tiendedel af verdens elforbrug i 2025 .

I dag suger de millioner af datacentre rundt om i verden lidt mindre end 2 % - og den statistik omfatter alle slags arbejdsbelastninger, der håndteres på deres store arrays af servere. Applied Materials anslår, at servere, der kører AI, i øjeblikket kun tegner sig for 0,1 % af det globale elforbrug.

Andre tech-chefer slår også alarm. Anders Andrae fra Huawei tror, ​​at datacentre kan ende med at forbruge en tiendedel af klodens elektricitet i 2025, selvom hans skøn dækker alle deres anvendelser, ikke kun AI .

Jonathan Koomey, særlig rådgiver for seniorforskeren i Rocky Mountain Institute , er mere sangvinsk. Han forventer, at datacentrets energiforbrug vil forblive relativt fladt i løbet af de næste par år, på trods af en stigning i AI-relateret aktivitet.

Disse vidt divergerende forudsigelser fremhæver usikkerheden omkring AI's indvirkning på fremtiden for storskala databehandling og de ultimative konsekvenser for energiefterspørgslen.

Større billeder

AI er helt sikkert magtkrævende. Træning og kørsel af ting som deep-learning-modeller involverer at knuse enorme mængder data, hvilket beskatter hukommelse og processorer. En undersøgelse foretaget af forskergruppen OpenAI siger, at mængden af ​​computerkraft nødvendige for at køre store AI-modeller fordobles allerede hver tredje og en halv måned.

Applied Materials' prognose er efter eget udsagn et worst-case-scenarie designet til at fremhæve, hvad der kunne ske i fravær af nytænkning inden for hardware og software. Sundeep Bajikar, virksomhedens chef for virksomhedsstrategi og markedsintelligens, siger, at det antager, at der vil ske et skift over tid i blandingen af ​​information, der bruges til at træne AI-modeller, hvor videoer og andre billeder udgør en stigende procentdel af den samlede mængde i forhold til tekst- og lydinformation. Visuelle data er mere beregningsintensive og kræver derfor mere energi.

Der vil også være mere information, som modellerne kan knasende på takket være fremkomsten af ​​ting som autonome køretøjer og sensorer indlejret i andre smarte enheder. Og spredningen af ​​superhurtig 5G trådløs forbindelse vil gøre det endnu nemmere at overføre data til og fra datacentre.

Bajikar siger, at disse og andre tendenser understreger det presserende behov for, hvad hans virksomhed kalder en ny playbook i materialer og fremstilling til AI-æraen. Nogle forskere mener, at AI's tørst efter magt endda kan blive en stor miljømæssig hovedpine: et hold fra University of Massachusetts, Amherst, har for nylig offentliggjort en undersøgelse, der viser, at træning af flere populære og store AI-modeller producerer næsten fem gange så mange emissioner som en gennemsnitsamerikaner. bil.

Satser på grundlæggende

Men pessimistiske prognoser ignorerer flere vigtige udviklinger, der kan begrænse AI's magtgreb. En af dem er fremkomsten af ​​hyperskala datacentre, som er banebrydende af virksomheder som Facebook og Amazon.

Disse bruger store arrays af grundlæggende servere, der er skræddersyet til specifikke opgaver. Maskinerne er mere energieffektive end servere i konventionelle centre, der skal jonglere med en bredere vifte af funktioner. Et løbende skift til hyperskala, sammen med fremskridt inden for køling og andre teknologier, er en stor årsag til, at nye datacentres energiforbrug stort set er blevet annulleret af effektivitetsforbedringer i løbet af de seneste par år.

Nye slags mikrochips vil også hjælpe. Applied Materials-prognosen antager, at AI-arbejdsbelastninger vil fortsætte med at køre på eksisterende hardware, hvis effektivitet gradvist forbedres i løbet af de næste par år. Men et væld af startups, såvel som store virksomheder som Intel og AMD, udvikler halvledere, der udnytter teknologier som fotonik til at drive neurale netværk og andre AI-værktøjer, der bruger langt mindre energi.

Koomey siger, at alarmistiske fremskrivninger også ignorerer det faktum, at til nogle slags AI-opgaver, såsom mønstergenkendelse, er omtrentlige output fra modeller tilstrækkelige. Det betyder, at der ikke skal bruges energi på at beregne resultater med hundredvis af decimaler.

Ironisk nok kunne den største kontrol af AI's strømforbrug faktisk være AI selv. Google bruger allerede teknologi udviklet af DeepMind, en virksomhed, som det købte i 2014, for at køle sine datacentre mere effektivt. AI havde allerede hjulpet firmaet med at skære ned på sin køleregning med 40 % ved at komme med anbefalinger til menneskelige operatører; nu kører den effektivt kølesystemer i centrene af sig selv.

AI vil også blive brugt til at optimere andre aspekter af datacentres drift. Og ligesom Googles sejr, vil dette gavne alle slags arbejdsbyrder. Det betyder ikke, at datacentre ikke ender med at sluge væsentligt mere strøm på grund af stigende efterspørgsel efter AI's trolddom, men det er endnu en grund til at lave prognoser her er så pokkers svært.

skjule