211service.com
Är AI nästa stora klimathot? Vi har ingen aning
Datacenter Dean Mouhtaropoulos | Getty
Vid en nyligen genomförd konferens i San Francisco intog Gary Dickerson scenen och gjorde en djärv förutsägelse. Verkställande direktören för Applied Materials, som är en stor leverantör till halvledarindustrin, varnade för att i avsaknad av betydande innovation inom material, chiptillverkning och design, skulle datacenters AI-arbetsbelastning kunna stå för en tiondel av världens elanvändning år 2025 .
Idag suger miljontals datacenter runt om i världen upp lite mindre än 2 % – och den statistiken omfattar alla typer av arbetsbelastningar som hanteras på deras stora utbud av servrar. Applied Materials uppskattar att servrar som kör AI för närvarande bara står för 0,1 % av den globala elförbrukningen.
Andra tekniska chefer slår larm också. Anders Andrae på Huawei tror att datacenter kan sluta förbruka en tiondel av världens el till 2025, även om hans uppskattning täcker alla deras användningsområden, inte bara AI .
Jonathan Koomey, särskild rådgivare till seniorforskaren i Rocky Mountain Institute , är mer sangvinsk. Han förväntar sig att datacentrets energiförbrukning kommer att förbli relativt oförändrad under de närmaste åren, trots en ökning av AI-relaterad aktivitet.
Dessa vitt skilda förutsägelser belyser osäkerheten kring AI:s inverkan på framtiden för storskalig datoranvändning och de slutliga konsekvenserna för energiefterfrågan.
Större bilder
AI är verkligen makthungrig. Träning och körning av saker som djupinlärningsmodeller innebär att man knackar ihop enorma mängder data, vilket belastar minne och processorer. En studie av forskargruppen OpenAI säger att mängden datorkraft behövs för att köra stora AI-modeller fördubblas redan var tredje och en halv månad.
Applied Materials prognos är, enligt sig själv, ett värsta scenario utformat för att belysa vad som kan hända i frånvaro av nytänkande inom hårdvara och mjukvara. Sundeep Bajikar, företagets chef för företagsstrategi och marknadsinformation, säger att det antar att det kommer att ske en förändring över tid i mixen av information som används för att träna AI-modeller, med videor och andra bilder som utgör en ökande andel av totalen i förhållande till text- och ljudinformation. Visuell data är mer beräkningsintensiv och kräver därför mer energi.
Det kommer också att finnas mer information för modeller att knäcka tack vare uppkomsten av saker som autonoma fordon och sensorer inbäddade i andra smarta enheter. Och spridningen av supersnabb 5G trådlös anslutning kommer att göra det ännu enklare att överföra data till och från datacenter.
Bajikar säger att dessa och andra trender understryker det akuta behovet av vad hans företag kallar en ny lekbok inom material och tillverkning för AI-eran. Vissa forskare tror att AI:s törst efter makt till och med kan bli en stor miljömässig huvudvärk: ett team från University of Massachusetts, Amherst, publicerade nyligen en studie som visar att träning av flera populära och stora AI-modeller producerar nästan fem gånger utsläppen under hela livet av en genomsnittlig amerikan. bil.
Satsa på grunderna
Men pessimistiska prognoser ignorerar flera viktiga utvecklingar som kan begränsa AI:s kraftgrepp. En av dem är uppkomsten av hyperskaliga datacenter som pionjärer av företag som Facebook och Amazon.
Dessa använder ett stort utbud av grundläggande servrar som är skräddarsydda för specifika uppgifter. Maskinerna är mer energieffektiva än servrar i konventionella centra som måste jonglera med ett bredare utbud av funktioner. En pågående övergång till hyperskala, tillsammans med framsteg inom kylning och annan teknik, är en stor anledning till att nya datacenters energiförbrukning i princip har avbrutits av effektivitetsförbättringar under de senaste åren.
Nya typer av mikrochips kommer också att hjälpa. Applied Materials-prognosen antar att AI-arbetsbelastningar kommer att fortsätta köras på befintlig hårdvara vars effektivitet gradvis förbättras under de närmaste åren. Men en mängd nystartade företag, såväl som stora företag som Intel och AMD, utvecklar halvledare som utnyttjar teknologier som fotonik för att driva neurala nätverk och andra AI-verktyg som använder mycket mindre energi.
Koomey säger att alarmistiska prognoser också ignorerar det faktum att för vissa typer av AI-uppgifter, som mönsterigenkänning, är ungefärliga utdata från modeller tillräckliga. Det betyder att energi inte behöver förbrukas för att beräkna resultat med hundratals decimaler.
Ironiskt nog kan den största kontrollen av AI:s strömförbrukning faktiskt vara AI själv. Google använder redan teknik utvecklad av DeepMind, ett företag som det förvärvade 2014, för att kyla sina datacenter mer effektivt. AI hade redan hjälpt företaget att minska sin kylräkning med 40 % genom att ge rekommendationer till mänskliga operatörer; nu kör den effektivt kylsystem i centren av sig själv.
AI kommer också att användas för att optimera andra aspekter av datacenters verksamhet. Och, precis som Googles svalkande vinst, kommer detta att gynna alla typer av arbetsbelastningar. Det betyder inte att datacenter inte kommer att sluta sluka avsevärt mer kraft på grund av den ökande efterfrågan på AI:s trolldom, men det är ännu en anledning till att det är så svårt att göra prognoser här.