استهلاك الطاقة غير المنضبط – استخدام الذكاء الاصطناعي لتحسين الذكاء الاصطناعي

ينمو بسرعة، سوق الذكاء الاصطناعي (AI) من المتوقع أن يصل إلى 1.8 تريليون دولار بحلول نهاية هذا العقد. 

بينما بدأ هوس الذكاء الاصطناعي يكتسب زخماً مبكراً في عام 2021، كان العام الماضي فقط هو الذي حقق فيه الذكاء الاصطناعي اختراقه الحقيقي. في الواقع، كان نموه هكذا أن كل ما يتعلق بالذكاء الاصطناعي، من الحلول إلى الاستخدام، بدأ يتصاعد بسرعة، مما دفع الاستثمار في الذكاء الاصطناعي التوليدي إلى أعلى المستويات. 

عندما أظهرت أنظمة الذكاء الاصطناعي التوليدي مثل ChatGPT قدرات جديدة، أراد الجميع الحصول على جزء من هذه الفطيرة المتنامية بسرعة. كما أن معظم هذا الاستثمار الخاص يحدث في الولايات المتحدة.

تستند هذه الأدوات الشائعة إلى نماذج أساسية مثل GPT-4 في حالة ChatGPT من OpenAI. تتطلب هذه النماذج الكبيرة متعددة الاستخدامات مجموعات بيانات ضخمة وموارد هائلة للتدريب. تُعد النماذج الأساسية نقطة انطلاق لتطوير نماذج التعلم الآلي (ML) التي تشغّل التطبيقات الجديدة بتكلفة فعّالة وبسرعة أكبر.

شركة التقنية العملاقة جوجل قد أصدرت عدة نماذج أساسية؛ Imagen وMuse وParti هي نماذج تحويل النص إلى صورة، MedLM لصناعة الرعاية الصحية، نموذج الترميز المسمى Codey، ونموذج الكلام الشامل Chirp.

تستهلك هذه النماذج كميات غير مسبوقة من الذاكرة، بما في ذلك ذاكرة أكبر لتخزين واسترجاع البيانات الواقعية التي تعمل عليها. على سبيل المثال، تم تدريب GPT-3 على حوالي 500 مليار كلمة ويستخدم 175 مليار معلمة. وقد أدى ذلك إلى ارتفاع طلب الطاقة للذكاء الاصطناعي بشكل هائل.

على مدى السنوات القليلة الماضية، تم الإبلاغ على نطاق واسع عن الأثر البيئي للذكاء الاصطناعي. في أواخر العام الماضي، حاول تحليل محكم النظر تقدير هذا الطلب. 

بعد مناقشة التكاليف الضخمة للطاقة في تعدين العملات المشفرة، حول أليكس دي فريس، عالم بيانات في البنك المركزي الهولندي ومرشح دكتوراه في جامعة فريجي أمستردام، انتباهه إلى أحدث اتجاه تقني: اعتماد الذكاء الاصطناعي. وفقًا لتقييمه الأخير، ستقوم NVIDIA (NVDA ) بشحن 1.5 مليون وحدة خادم ذكاء اصطناعي سنويًا بحلول عام 2027. عند تشغيلها بأقصى طاقة، من المتوقع أن تستهلك هذه الخوادم ما لا يقل عن 85.4 تيراواط-ساعة من الكهرباء سنويًا. 

يقدّر دي فريس أن الذكاء الاصطناعي قد يكون أسوأ من شبكات إثبات العمل (PoW) مثل بيتكوين. ومع ذلك، هذه مجرد تقديرات، حيث يشير الخبراء إلى أن هذه الأرقام ليست كاملة وتعتمد على ظروف معينة.

في ديسمبر الماضي، أجرت ساشا لوتشيوني من شركة Hugging Face للذكاء الاصطناعي وزملاؤها من الشركة وجامعة كارنيجي ميلون اختبارات على 88 نموذجًا مختلفًا. قاموا بتنفيذ المهمة 1,000 مرة ووجدوا أن معظم المهام تستخدم كمية صغيرة من الطاقة، مثل 0.047 كيلواط ساعة، لتوليد النص. ومع ذلك، تبين أن الأرقام أكبر بكثير لنماذج توليد الصور، التي استخدمت متوسط 2.907 كيلواط ساعة لكل 1,000 استنتاج. وللتوضيح، أشاروا إلى أن هاتفًا ذكيًا متوسطًا يستهلك 0.012 كيلواط ساعة للشحن.

في الوقت نفسه، قدّر ورقة حديثة أن نماذج اللغة الكبيرة تستخدم حوالي 1,300 ميغاواط ساعة من الكهرباء، وهو ما يعادل الطاقة المستهلكة من قبل 130 منزلًا في الولايات المتحدة سنويًا.

كما أشار الوكالة الدولية للطاقة في تقريرها في وقت سابق من هذا العام إلى أن الطلب على الذكاء الاصطناعي والعملات المشفرة سيؤدي إلى زيادة ملحوظة في استهلاك الكهرباء من قبل مراكز البيانات في المستقبل القريب. من المتوقع أن يرتفع الاستهلاك من 460 تيراواط ساعة في 2022 إلى ما بين 620 و1,050 تيراواط ساعة في 2026.

لقد جذب هذا انتباه المنظمين، الذين يحذرون الآن من ارتفاع تكلفة الذكاء الاصطناعي. وفقًا للسيناتور ماساتشوستس إدوارد ماركي (د):

«لا يمكن لتطوير الجيل التالي من أدوات الذكاء الاصطناعي أن يأتي على حساب صحة كوكبنا.» 

جاء ذلك بعد أن قدم هو وبقية السيناتورات والممثلين مشروع قانون يلزم الحكومة الفدرالية بتقييم البصمة البيئية للذكاء الاصطناعي وتطوير نظام موحد للإبلاغ عن التأثيرات المستقبلية. في أوروبا، تم إقرار قانون الذكاء الاصطناعي بالفعل، والذي يتطلب من النماذج الأساسية القوية الإبلاغ عن استخدام الموارد واستهلاك الطاقة وغيرها من التأثيرات.

وسط كل هذا، ستصدر المنظمة الدولية للتوحيد القياسي معايير لاحقًا هذا العام لقياس استخدام المواد، واستهلاك المياه، وكفاءة الطاقة للذكاء الاصطناعي المستدام.

جعل الذكاء الاصطناعي أكثر كفاءة 

لكي تكون قابلة للتطبيق على نطاق واسع، يجب أن تصبح نماذج الذكاء الاصطناعي أكثر كفاءة في استهلاك الطاقة وقادرة على العمل على أجهزة محدودة الطاقة تستخدم طاقة أقل بكثير من مراكز البيانات.

تتطلب هذه مراكز البيانات كميات هائلة من الطاقة لتشغيل الحواسيب، والتي تُستمد في الغالب من الوقود الأحفوري. وهذا يسبب انبعاثات CO2e كبيرة. لمعالجة ذلك، يعمل الباحثون والمنظمات على جعل الذكاء الاصطناعي أكثر كفاءة.

إحدى الشركات البارزة التي أحرزت تقدمًا كبيرًا في إيجاد حل لهذه المشكلة هي شركة TurinTech المتخصصة في تحسين الشيفرات ومقرها لندن. تحقق TurinTech تقدمًا من خلال مزيج من التعلم العميق والخوارزميات التطورية. يقوم هذا النظام بتكييف نموذج موجود باستمرار بناءً على معلومات جديدة بدلاً من إعادة إنشائه من الصفر.

وفقًا لهارفي لويس من Ernst and Young UK، يمكن للخوارزميات التطورية أو الجينية والأساليب الإحصائية البايزية جعل التعلم العميق أكثر كفاءة، ويمكن للأجهزة المتخصصة خفض تكلفتها.

طريقة مقترحة أخرى هي ربط الذكاء الاصطناعي القائم على البيانات بمدخلات علمية أو بشرية أخرى حول مجال التطبيق. كتب بوشكار ب. أبت، مدير المبادرات الاستراتيجية في CITRIS، وكوستاس ج. سبانوس، مدير CITRIS، عن أربع طرق لتحقيق ذلك:wrote about four ways to achieve this:

• التكامل بين الذكاء الاصطناعي والقوانين العلمية.
• تعزيز البيانات برؤى بشرية خبراء.
• استخدام الأجهزة لشرح كيفية اتخاذ الذكاء الاصطناعي للقرارات.
• استخدام نماذج أخرى للتنبؤ بالسلوك.

مؤخرًا، حققت شركة EnCharge الناشئة اختراقًا في مجال الذكاء الاصطناعي يمكنه تحسين استهلاك الطاقة لهذه النماذج بشكل كبير عند إجراء التنبؤات. استخدمت الشركة تمويل DARPA لتقليل استخدام الذاكرة من خلال تنفيذ بعض الأعمال في دوائر الذاكرة التناظرية، التي يمكنها إجراء عمليات جمع ضرب المصفوفات بشكل متوازي وبطاقة طاقة منخفضة بدلاً من الترانزستورات التقليدية.

«هذه هي الطريقة لحل مشكلة نقل البيانات» 

– نافيين فيرما، الرئيس التنفيذي لشركة EnCharge AI وأستاذ في قسم الهندسة الكهربائية بجامعة برينستون 

أضاف أيضًا أنه بدلاً من نقل البتات الفردية، يتم نقل النتيجة المخفضة على شكل تراكم للعديد من الضربات المتوازية.

تمكنت EnCharge AI من معالجة 150 تريليون عملية في الثانية لكل وات. ومع ذلك، فإن الحوسبة التناظرية صعبة التحقيق للغاية، ولم تكن المحاولات السابقة مثمرة.

في الوقت نفسه، بحث أجراه الأستاذ المساعد المتعاقد راغافيندرا سيلفان من قسم علوم الحاسوب بجامعة كوبنهاغن العام الماضي استكشف طرقًا مختلفة لتقليل البصمة الكربونية للتعلم الآلي. على المستوى الدقيق، يمكن جعل الخوارزميات أسرع وأكثر كفاءة لتقليل استهلاك الموارد. وأشار إلى أن ذلك يمكن تحقيقه من خلال دراسة كيفية تقليل عدد البتات المستخدمة في الحسابات وكيفية تقليل الحسابات الزائدة.

اقترح أيضًا تقييم الحاجة إلى جميع البيانات المخزنة. لذا، على المستوى الكلي، من خلال النظر إلى متى وأين تُجرى الحسابات (العديد منها غير حرج زمنياً)، يمكن اختيار ساعات غير الذروة لتدريب أنظمة الذكاء الاصطناعي لتقليل تكاليف جلسات التدريب وبصمتها الكربونية.

استخدام الذكاء الاصطناعي لتحسين الذكاء الاصطناعي 

الآن، أنشأ سيلفان معيارًا لتصميم نماذج الذكاء الاصطناعي التي تستهلك طاقة أقل بكثير دون التأثير على أدائها. ومع ذلك، يتطلب ذلك استخدام كمية الطاقة المستهلكة والبصمة الكربونية كمعيار لتصميم وتدريب هذه النماذج.

لهذا الغرض، تم دراسة 429,000 نموذج فرعي للذكاء الاصطناعي. تُقدّر أن هذه الشبكات العصبية التلافيفية، المستخدمة في ترجمة اللغات، والتعرف على الوجوه، واكتشاف الأجسام، وتحليل الصور الطبية، تتطلب ما يصل إلى 263,000 كيلواط ساعة من الطاقة لتدريبها فقط.

للتشبيه، 263,000 كيلواط ساعة تعادل تقريبًا الطاقة التي يستهلكها المواطن الدنماركي المتوسط على مدى أكثر من أربعة عقود. سيستغرق الكمبيوتر قرنًا لإكمال كل هذا التدريب.

هذا الاستهلاك الضخم للطاقة يدفع الصناعة للعمل على جعله صديقًا للمناخ؛ ومع ذلك، لم يتحقق بعد تطوير نماذج ذكاء اصطناعي كفء في استهلاك الطاقة. وفقًا لسيلفان، الذي يبحث في إمكانيات تقليل البصمة الكربونية للذكاء الاصطناعي:

«اليوم، يركز المطورون بشكل ضيق على بناء نماذج ذكاء اصطناعي تكون فعّالة من حيث دقة نتائجها.» 

قارن هذا السلوك بسيارة، تُعتبر جيدة فقط لأنها توصل الشخص إلى وجهته بسرعة دون النظر إلى استهلاك الوقود. وأضاف أيضًا:

«وبالتالي، غالبًا ما تكون نماذج الذكاء الاصطناعي غير كفء من حيث استهلاك الطاقة.» 

دراسته الجديدة الدراسة، التي أجراها مع طالب علوم الحاسوب بيدرام باختياريفارد، تهدف إلى تغيير ذلك من خلال إظهار أنه من الممكن تقليل كمية كبيرة من انبعاثات CO2e مع الحفاظ على دقة نموذج الذكاء الاصطناعي.

لتحقيق ذلك، أشار باحثو جامعة كوبنهاغن إلى أننا بحاجة إلى نموذج كفء في استهلاك الطاقة منذ البداية. وهذا يعني أخذ تكاليف المناخ في الاعتبار عند التصميم وخلال عملية التدريب المستهلكة للطاقة لنماذج الذكاء الاصطناعي. قال سيلفان إن بهذه الطريقة يمكن تقليل البصمة الكربونية في «كل مرحلة من دورة حياة النموذج»، والتي تشمل كلًا من تدريب النموذج ونشره.

لذا، حسب الباحثون الطاقة المطلوبة لتدريب مئات الآلاف من هذه النماذج. ومن المثير للاهتمام أن باحثي جامعة كوبنهاغن لم يدربوا النماذج بل قدروا ذلك باستخدام نموذج ذكاء اصطناعي آخر. بهذه الطريقة، تمكنوا من توفير الغالبية العظمى، 99٪، من الطاقة التي كانت ستستغرقها.

الآن، بناءً على حساباتهم، قدم الفريق مجموعة معيارية من نماذج الذكاء الاصطناعي التي تؤدي بمستوى مماثل ولكنها تستخدم طاقة أقل لإكمال المهمة.

وفقًا للدراسة، يمكن لتعديل النماذج أو استخدام أنواع أخرى من النماذج توفير ما يصل إلى 80٪ من الطاقة خلال مرحلتي التدريب والتطبيق. أما بالنسبة للأداء، فهناك قليل أو لا يوجد أي تنازل (بنسبة 1٪ فقط أو أقل). هذه الأرقام في الواقع متحفظة، بحسب الباحثين.

«اعتبروا نتائجنا ككتاب وصفات للمتخصصين في الذكاء الاصطناعي. الوصفات لا تصف فقط أداء الخوارزميات المختلفة، بل أيضًا مدى كفاءتها في استهلاك الطاقة.» 

– باختياريفارد

أضاف أيضًا أنه من خلال استبدال مكوّن واحد في تصميم النموذج بآخر، يمكننا «غالبًا تحقيق النتيجة نفسها». وهذا يعني أن الممارسين لا يحتاجون إلى بدء تدريب كل نموذج أولاً؛ بل يمكنهم اختيار نموذج بناءً على كل من الأداء واستهلاك الطاقة.

نظرًا لأن عدة نماذج تُدرب قبل العثور على الخيار الأنسب لمهمة معينة، مما يجعل تطوير الذكاء الاصطناعي «مستهلكًا للطاقة بشكل هائل»، قال باختياريفارد: «سيكون أكثر صداقة للمناخ اختيار النموذج الصحيح من البداية»، بالإضافة إلى اختيار النموذج الذي لا يستهلك طاقة كبيرة خلال مرحلة التدريب.

في حين أن الدقة في مجالات مثل السيارات ذاتية القيادة والطب أمر حاسم للسلامة، وبالتالي لا يمكننا المساومة على الأداء هناك، أشار الباحثون إلى أن ذلك لا ينبغي أن يمنعنا من السعي لتحقيق كفاءة طاقة عالية في المجالات الأخرى.

تشير الدراسة، وفقًا لهم، إلى أن توازنًا أفضل يمكن إيجاده عندما تكون كفاءة الطاقة معيارًا في تطوير نماذج الذكاء الاصطناعي، كما هو الحال في العديد من القطاعات. وفقًا لسيلفان:

«الذكاء الاصطناعي يمتلك إمكانات مذهلة. ولكن إذا كنا نريد ضمان تطوير ذكاء اصطناعي مستدام ومسؤول، فنحتاج إلى نهج أكثر شمولية لا يركز فقط على أداء النموذج، بل أيضًا على الأثر المناخي.» 

المعيار، المسمى EC-NAS، مفتوح المصدر ويمكن للعلماء والشركات الأخرى استخدامه لتطوير البحث في بحث بنية الشبكات العصبية (NAS). أشارت الدراسة إلى أن استخدام خوارزميات التحسين متعدد الأهداف يحقق توازنًا بين استهلاك الطاقة والدقة. «مع مقاييره المتنوعة، يدعو EC-NAS إلى مزيد من البحث في تطوير نماذج كفء في استهلاك الطاقة ومستدامة بيئيًا»، حسبما ذكرت الدراسة.

حلول الطاقة القائمة على الذكاء الاصطناعي

الآن، دعونا نلقي نظرة على الشركات التي تتصدى لقطاع الطاقة باستخدام التكنولوجيا وتعمل بنشاط على تقديم حلول طاقة قائمة على الذكاء الاصطناعي:

#1. GE Renewable Energy

تستخدم الشركة تقنية الذكاء الاصطناعي/التعلم الآلي المطورة داخليًا للتنبؤ بدقة وتبسيط تكاليف اللوجستيات لعملية لوجستيات توربينات الرياح. هذا العام، أطلقت GE برنامج Proficy للمصنعين لتحقيق الاستدامة مع المساعدة في تعظيم الربحية. كما نشرت نظام CERius المدعوم بالذكاء الاصطناعي لتعزيز دقة التقارير.

في وقت سابق من هذا الشهر، قامت شركة جنرال إلكتريك بالانقسام إلى ثلاث شركات منفصلة، تركز على الطيران والطاقة والرعاية الصحية، وبدأت التداول في بورصة نيويورك ككيانات منفصلة. لذا، أصبح جناح الطاقة الآن يُدعى GE Vernova (GEV ) (GEV) ويملك قيمة سوقية تبلغ 36 مليار دولار حيث تُتداول أسهمه عند 131.75. في عام 2023، قامت الشركة بتأمين أكبر طلب لها لدعم مشروع طاقة رياح في الولايات المتحدة سيوفر 2.4 غيغاواط لمشروع SunZia. تتوقع جولدمان ساكس أن تحقق الشركة EBITDA بقيمة 4 مليارات دولار بحلول عام 2026.

#2. Schneider Electric

تستفيد الشركة الفرنسية التي تبلغ قيمتها 34.2 مليار دولار من الذكاء الاصطناعي لتحسين الكفاءة والإنتاجية وكذلك معالجة تحدي تغير المناخ. يتركز استخدام الذكاء الاصطناعي في Schneider Electric (SND.DE ) حول تصور البيانات والهندسة، والتحسين والمحاكاة، ونمذجة الاعتمادية. (GE.TO ) (GS )

سجلت الشركة إيرادات قدرها 36 مليار يورو للعام المالي 2023، بزيادة قدرها 13٪. كما أعلنت Schneider Electric عن صافي دخل قدره 4 مليارات يورو وتدفق نقدي حر قدره 4.6 مليارات يورو.

الخلاصة

الذكاء الاصطناعي هو ثورة التقنية في هذا العقد. نظرًا لأن دمج الذكاء الاصطناعي أثبت أنه يقلل التكاليف ويزيد الإيرادات للشركات مع توفير تحسينات كفاءة أفضل للعمال، فهو واضح أنه أكثر من مجرد كلمة رنانة. تتفوق أنظمة الذكاء الاصطناعي فعليًا على البشر في مجموعة من المهام، رغم أننا ما زلنا أفضل منهم في المهام الإدراكية المعقدة.

ومع ذلك، يأتي مع مجموعة من المخاطر فيما يتعلق بالخصوصية، والتحيزات الخوارزمية، وكما ناقشنا أعلاه، الأثر البيئي السلبي. تُظهر دراسة عالمية حول مواقف الناس تجاه الذكاء الاصطناعي أن الناس يشعرون بالقلق حيال هذه التقنية الجديدة، رغم أن الأغلبية ترى أنها ستغير حياتهم اليومية في السنوات القادمة. الجيل الأصغر أكثر تفاؤلاً بشأن الذكاء الاصطناعي.

مع استمرار الذكاء الاصطناعي في أن يصبح جزءًا كبيرًا من حياتنا، تتعاون الحكومات والعلماء والشركات لمعالجة مخاطره. بدأ المنظمون بالفعل في استهداف الصناعة، حيث أقرّت أكثر من 30 دولة على الأقل قانونًا واحدًا متعلقًا بالذكاء الاصطناعي خلال السنوات السبع الماضية. مع المزيد من التقدم التكنولوجي، سنشهد الذكاء الاصطناعي يصبح أكثر كفاءة ويحول عالمنا.

انقر هنا لتعلم كل شيء عن الاستثمار في الذكاء الاصطناعي.