Το ChatGPT της OpenAI έκανε ντεμπούτο πριν από σχεδόν ένα χρόνο και μέσα σε δύο μήνες συγκέντρωσε 100 εκατομμύρια χρήστες, πυροδοτώντας μια «έκρηξη» της τεχνητής νοημοσύνης. Ωστόσο, η τεχνολογία βασίζεται σε χιλιάδες εξειδικευμένα τσιπ υπολογιστών και τα επόμενα χρόνια, θα μπορούσε να καταναλώνει τεράστιες ποσότητες ηλεκτρικής ενέργειας.

Σύμφωνα με μια μελέτη που δημοσιεύτηκε την Τρίτη (10/10), μέχρι το 2027 οι υπολογιστές που τρέχουν εφαρμογές τεχνητής νοημοσύνης θα μπορούσαν να καταναλώνουν από 85 έως 134 τεραβατώρες (Twh) ετησίως. Το νούμερο αυτό αντιστοιχεί στην ετήσια κατανάλωση της Αργεντινής, των Κάτω Χωρών και της Σουηδίας και φτάνει γύρω στο 0,5% της σημερινής παγκόσμιας κατανάλωσης. Επιπλέον, η ηλεκτρική ενέργεια που απαιτείται για τη λειτουργία της τεχνητής νοημοσύνης θα μπορούσε να αυξήσει τις εκπομπές διοξειδίου του άνθρακα εκτός αν χρησιμοποιηθούν αποκλειστικά ανανεώσιμες πηγές.

Το 2022, τα κέντρα δεδομένων που τροφοδοτούν όλους τους υπολογιστές, συμπεριλαμβανομένου του cloud της Amazon και της μηχανής αναζήτησης της Google, χρησιμοποιούσαν περίπου το 1 με 1,3% της παγκόσμιας ηλεκτρικής ενέργειας. Αυτό δεν περιλαμβάνει την εξόρυξη κρυπτονομισμάτων, η οποία χρησιμοποιούσε άλλο ένα 0,4%.

Ο Άλεξ ντε Βρις, διδακτορικός φοιτητής στο Vrije Universiteit του Άμστερνταμ ο οποίος πραγματοποίησε τη μελέτη, ίδρυσε την εταιρεία Digiconomist, η οποία δημοσιεύει το Bitcoin Energy Consumption Index.

Είναι αδύνατο να ποσοτικοποιηθεί επακριβώς η ενεργειακή χρήση της τεχνητής νοημοσύνης, επειδή εταιρείες όπως η OpenAI αποκαλύπτουν πολύ λίγα στοιχεία, όπως για παράδειγμα πόσα εξειδικευμένα τσιπ χρειάζονται για την εκτέλεση του λογισμικού τους. Έτσι, ο ντε Βρις βρήκε έναν τρόπο να εκτιμήσει την κατανάλωση ηλεκτρικής ενέργειας χρησιμοποιώντας τις προβλεπόμενες πωλήσεις των διακομιστών A100 της Nvidia – το υλικό που εκτιμάται ότι χρησιμοποιείται από το 95% της αγοράς τεχνητής νοημοσύνης.

 «Κάθε ένας από αυτούς τους διακομιστές Nvidia, είναι θηρία που καταναλώνουν πολύ ενέργεια», δήλωσε στους New York Times.

Ο ερευνητής ξεκίνησε με μια πρόσφατη πρόβλεψη ότι η Nvidia θα μπορούσε να παραδώσει 1,5 εκατομμύριο από αυτούς τους διακομιστές μέχρι το 2027 και πολλαπλασίασε τον αριθμό αυτό με τη χρήση ηλεκτρικής ενέργειας: 6,5 κιλοβάτ για τους διακομιστές DGX A100 της Nvidia, για παράδειγμα, και 10,2 κιλοβάτ για τους διακομιστές DGX H100.

Πώς καταφέρνει η Τεχνητή Νοημοσύνη να «κατακτά» το ανθρώπινο σώμα και τον νου

Η επικράτηση της Nvidia στον τομέα της τεχνητής νοημοσύνης

Όπως αναφέρουν οι ΝΥΤ, η Nvidia έχει αποκτήσει ένα επιβλητικό προβάδισμα στο υλικό τεχνητής νοημοσύνης, το οποίο είναι πιθανό να διατηρηθεί για αρκετά χρόνια, αν και οι αντίπαλοι προσπαθούν να καλύψουν το χαμένο έδαφος. Η περιορισμένη προμήθεια των τσιπ της Nvidia αποτελεί τροχοπέδη για την ανάπτυξη της τεχνητής νοημοσύνης, με αποτέλεσμα οι μικρές και μεγάλες εταιρείες να προσπαθούν να προμηθευτούν τα τσιπ από άλλες πηγές.

«Υπάρχουν πολλές δραματικές δηλώσεις σχετικά με την ταχεία ανάπτυξη της τεχνητής νοημοσύνης και ούτω καθεξής, αλλά στην πραγματικότητα πρόκειται για το πόσο γρήγορα μπορείς να διαθέσεις αυτά τα τσιπ», εξήγησε ο Μπέντζαμιν Λι, καθηγητής Ηλεκτρολόγων Μηχανικών και Επιστήμης Υπολογιστών στο Πανεπιστήμιο της Πενσυλβάνια.

Η Nvidia δήλωσε στους ΝΥΤ α ότι τα εξειδικευμένα τσιπ της είναι καλύτερα από άλλες επιλογές, δεδομένου ότι θα χρειάζονταν πολύ περισσότερα συμβατικά τσιπ για να επιτελέσουν τις ίδιες εργασίες.

«Ο επιταχυνόμενος υπολογισμός με τεχνολογία NVIDIA είναι το πιο ενεργειακά αποδοτικό υπολογιστικό μοντέλο για την τεχνητή νοημοσύνη και άλλους φόρτους εργασίας στο κέντρο δεδομένων», ανέφερε η εταιρεία.

Ορισμένοι ειδικοί παροτρύνουν τις εταιρείες να λάβουν υπόψη τους την κατανάλωση ηλεκτρικής ενέργειας καθώς σχεδιάζουν την επόμενη γενιά υλικού και λογισμικού τεχνητής νοημοσύνης.

«Ίσως πρέπει ιδανικά να επιβραδύνουμε λίγο για να αρχίσουμε να εφαρμόζουμε τις λύσεις που έχουμε», δήλωσε ο Ρομπέρτο Βερντέκια, επίκουρος καθηγητής στο Εργαστήριο Τεχνολογιών Λογισμικού του Πανεπιστημίου της Φλωρεντίας.

«Ας μην φτιάξουμε ένα νέο μοντέλο για να βελτιώσουμε μόνο την ακρίβεια και την ταχύτητά του. Ας πάρουμε μια μεγάλη ανάσα και ας δούμε πόσο καίμε από άποψη περιβαλλοντικών πόρων», κατέληξε ο επιστήμονας.