مقدار واقعی مصرف عامل ها برق هوش مصنوعی چقدر است؟ محاسباتی که کارشناسان را شوکه کرد! - تا بینهایت

عامل های اتوماتیک برنامه هایی هستند که می توانند به صورت مستقل کارهای پیچیده نظیر برنامه نویسی، خواندن فایل ها یا اجرای دستورات متوالی را انجام دهند. این ابزارها برای اتمام یک پروژه، به جای یک بار پاسخ دهی ساده، بارها و بارها حافظه کاری خود را بازخوانی می نمایند. همین فرایند چرخی از پردازش های سنگین ایجاد می نماید که اندازه فشار روی شبکه های توزیع انرژی را به طور چشمگیری افزایش می دهد.

محاسبات جالب یک دانشمند اقلیم شناس از مصرف واقعی

زیک هاوس فادر (Zeke Hausfather)، دانشمند علوم اقلیمی، در پژوهشی اندازه مصرف برق هوش مصنوعی را هنگام استفاده روزمره از دستیار برنامه نویسی کلود کد (Claude Code) میزان گرفته است. او متوجه شد استفاده روزانه اش از این عامل اتوماتیک بین 1.2 تا 5.9 کیلووات ساعت برق مصرف می نماید. این عدد برای یک کاربر شخصی بسیار زیاد است و از مصرف دو یخچال خانگی که تمام طول روز روشن باشند بیشتر می گردد.

دلیل اصلی این مصرف بالا به نحوه عملکرد الگوریتم ها مربوط می گردد. در طول یک دوره هشت هفته ای، این ابزار حدود 3.2 میلیارد توکن پردازش کرد که بخش اعظم آن صرف بازخوانی حافظه کاری خود عامل در هر مرحله از کار شده بود.

وقتی عامل اتوماتیک دست به هر اقدامی مانند فراخوانی یک فایل یا اجرای کدهای نرم افزاری می زند، باید کل سابقه تبادل نظر و متن های قبلی را دوباره پردازش کند. متنی که کاربر در نهایت روی صفحه نمایش می بیند تنها 0.4 درصد از کل توکن های پردازش شده را تشکیل می دهد؛ یعنی حدود 96 درصد توان پردازشی صرف خواندن حافظه موقت یا حافظه پنهان (Cache Reads) می گردد تا الگوریتم رشته کلام را از دست ندهد.

مقایسه آسیب های محیط زیستی و اثرات آن بر گازهای گلخانه ای

اگر این حجم از پردازش را برای یک سال کامل محاسبه کنیم، اندازه انتشار آلاینده ها و گازهای گلخانه ای حاصل از برق مصرفی یک کاربر دستیار هوشمند، بیشتر از یک دستگاه خشک کن لباس شویی برقی خواهد بود. این اندازه حتی برابر با نصف آلایندگی حاصل از رانندگی با یک خودروی برقی در مسافت 18 هزار و 500 کیلومتر است.

شاید این اعداد برای یک فرد چندان فاجعه بار به نظر نرسد، اما زمانی که آن را در تعداد میلیون ها کاربر فعال ضرب کنیم، با حجم عظیمی از بار نو روی شبکه برق روبرو می شویم. این تقاضای نو برای انرژی در زمانی رخ می دهد که دمای کره زمین در حال افزایش است و برنامه های کاهش فراوری آلاینده ها در سراسر دنیا با کندی پیش می روند.

ابهام در آمارها و کوشش برای محاسبه دقیق تر

شرکت های بزرگ توسعه دهنده هوش مصنوعی مانند انتروپیک (Anthropic) یا اوپن ای آی (OpenAI) معمولاً جزییات دقیق و آمار شفافی درباره اندازه برق مصرفی مرکز داده های خود منتشر نمی نمایند. همین پنهان کاری باعث شده محاسبه اثر دقیق این فناوری بر محیط زیست بسیار سخت گردد.

بوریس گامازایچیکوف (Boris Gamazaychikov)، پژوهشگر حوزه پایداری در هوش مصنوعی، اقدام هاوس فادر را گامی مثبت می داند اما معتقد است داده های فعلی هنوز کامل نیستند. انتظار می رود پژوهش های نوتر که در دست انتشار هستند، ابعاد تازه تری از مصرف واقعی برق به وسیله سیستم های اتوماتیک را روشن نمایند.

چرا پردازش توکن ها در مرکز داده تا این حد پرمصرف است؟

مراکز داده ای که زیرساخت پردازشی مدل های زبانی بزرگ را تامین می نمایند، هزاران تراشه گرافیکی و پردازنده های قدرتمند را کنار هم قرار داده اند. خنک سازی این سرورهای پرحرارت به تنهایی به سامانه های سرمایشی سنگینی احتیاج دارد که حجم فراوانی از آب و برق را بلعیده و هدر می دهند.

هر بار که یک توکن در حافظه بازخوانی می گردد، جریان الکتریکی با فرکانس بالا از درون میلیاردها ترانزیستور می گذرد. اگرچه بازخوانی توکن های ذخیره شده در حافظه پنهان نسبت به فراوری توکن نو انرژی کمتری می برد، اما تکرار هزاران باره این کار در هر مرحله از تصمیم گیری عامل های هوشمند، مجموع انرژی مصرفی را به شدت بالا می برد.

راهکارهای مهندسان برای بهینه سازی الگوریتم ها

دانشمندان رایانه کوشش می نمایند با بازطراحی معماری شبکه عصبی، احتیاج سیستم به بازخوانی کل تاریخچه را کاهش دهند. روش هایی مانند خلاصه سازی اتوماتیک تبادل نظرها، استفاده از حافظه های برداری خلاصه و تکنیک های پیشرفته مدیریت حافظه پنهان می تواند تا حد زیادی از پردازش دوباره کلمات تکراری جلوگیری کند.

کاهش ابعاد مدل ها و استفاده از پردازنده های اختصاصی با مصرف انرژی پایین، مسیر دیگری است که غول های فناوری برای مدیریت هزینه ها پی گرفته اند. تا زمانی که این بهینه سازی ها به طور جامع پیاده سازی نشوند، توسعه استفاده از عامل های اتوماتیک فشار سنگینی بر منابع انرژی دنیا وارد خواهد نمود.