Η AI Συναντά την Αποδοτικότητα: Ένα Νέο Chip Μειώνει τη Χρήση Ενέργειας των LLM κατά 50%

Η συνεχιζόμενη άνθιση της τεχνητής νοημοσύνης (AI) οδηγεί σε αύξηση των κέντρων δεδομένων, γεγονός που δημιουργεί τεράστια ζήτηση για ενέργεια ώστε να λειτουργούν και να ψύχονται οι διακομιστές τους.

Παρόλο που υπάρχουν πάνω από 8.000 κέντρα δεδομένων παγκοσμίως, τα περισσότερα από τα οποία βρίσκονται στις ΗΠΑ, αυτός ο αριθμός θα αυξηθεί σημαντικά τα επόμενα χρόνια. 

Σύμφωνα με την εκτίμηση της Boston Consulting Group, η ζήτηση για κέντρα δεδομένων θα αυξηθεί κατά 15% έως 20% ετησίως μέχρι το 2030. Σε αυτό το σημείο, η εταιρεία προβλέπει ότι θα αποτελούν το 16% της συνολικής κατανάλωσης ενέργειας των ΗΠΑ, σε αύξηση από μόλις 2,5% πριν την κυκλοφορία του ChatGPT της OpenAI το 2022.

Παράλληλα, η ειδική έκθεση Energy and AI του Διεθνούς Οργανισμού Ενέργειας (IEA) που κυκλοφόρησε φέτος, προβλέπει ότι η ζήτηση για ηλεκτρική ενέργεια από κέντρα δεδομένων παγκοσμίως θα διπλασιαστεί τουλάχιστον μέχρι το τέλος της δεκαετίας, φθάνοντας περίπου τα 945 TWh. Αυτό είναι σχεδόν ισοδύναμο με την κατανάλωση της Ιαπωνίας σήμερα. 

Ο Παρισιός αυτόνομος διμερών οργανισμός αναφέρει ότι η AI είναι ο μεγαλύτερος παράγοντας πίσω από αυτήν την αύξηση, με την ζήτηση ηλεκτρικής ενέργειας από κέντρα δεδομένων βελτιστοποιημένα για AI να προβλέπεται ότι θα τετραπλασιαστεί περισσότερο μέχρι το 2030.

Στις ΗΠΑ ειδικά, η κατανάλωση ενέργειας από κέντρα δεδομένων ήδη κατευθύνεται ώστε να αντιπροσωπεύει περίπου το μισό της αύξησης της ζήτησης ηλεκτρικής ενέργειας μεταξύ τώρα και 2030. Με κίνητρο τη χρήση AI, η οικονομία των ΗΠΑ, σύμφωνα με την έκθεση, θα καταναλώνει περισσότερη ηλεκτρική ενέργεια για την επεξεργασία δεδομένων εκείνη τη στιγμή από ό,τι για την κατασκευή όλων των ενεργοβόρων προϊόντων μαζί.

Αυτή η αχόρταστη όρεξη για ενέργεια παρουσιάζει ένα τεράστιο πρόβλημα στην πρόοδο και υιοθέτηση της AI. Ωστόσο, το θετικό σημείο είναι ο αυξανόμενος αριθμός ερευνητών και εταιρειών που εργάζονται για τη μείωση της κατανάλωσης ενέργειας της AI και την αύξηση της ενεργειακής αποδοτικότητάς της.

Το ενδιαφέρον σε αυτές τις προσπάθειες είναι ότι πολλές από αυτές χρησιμοποιούν την AI για να αντιμετωπίσουν τα δικά τους ενεργειακά προβλήματα.

Μόνο αυτόν τον μήνα, μια ομάδα ερευνητών παρουσίασε ένα νέο chip που χρησιμοποιεί AI για να μειώσει το ενεργειακό αποτύπωμα των μεγάλων γλωσσικών μοντέλων (LLM) κατά 50%, σημειώνοντας μια σημαντική εξέλιξη στο να γίνουν τα LLM πιο οικονομικά και πιο βιώσιμα στη λειτουργία.

Νέο Chip Εκμεταλλεύεται την AI για τη Μείωση της Κατανάλωσης Ενέργειας των LLM

Ερευνητές από το Κολλέγιο Μηχανικής του Πανεπιστημίου Oregon State ανέπτυξαν το νέο αποδοτικό chip AI για να λύσουν το τεράστιο πρόβλημα κατανάλωσης ηλεκτρικής ενέργειας των εφαρμογών AI LLM όπως το GPT‑4 της OpenAI και το Gemini της Google.

Ένας τύπος μοντέλου μηχανικής μάθησης (ML), ένα μεγάλο γλωσσικό μοντέλο (LLM), προεκπαιδεύεται σε τεράστιες ποσότητες δεδομένων για να εκτελεί εργασίες επεξεργασίας φυσικής γλώσσας (NLP) όπως δημιουργία κειμένου, περίληψη, απλοποίηση, λογική κειμένου, μετάφραση γλώσσας και άλλα.

Τα πιο δημοφιλή και ευρέως χρησιμοποιούμενα chatbot σήμερα περιλαμβάνουν τα GPT‑4o, o3 και o1 της OpenAI, Gemini και Gemma της Google, Llama της Meta, R1 και V3 της DeepSeek, Claude της Anthropic, Nova της Amazon, Phi της Microsoft και Grok της xAI.

Τα τελευταία χρόνια, τα LLM έχουν μεταμορφώσει πλήρως τον τομέα της AI, επιτρέποντας στα μηχανήματα να κατανοούν και να παράγουν κείμενο παρόμοιο με το ανθρώπινο με μεγαλύτερη ακρίβεια. Ωστόσο, αυτή η εξέλιξη των LLM έχει οδηγήσει σε εκθετική αύξηση του μεγέθους τους.  

Το μέγεθος ενός LLM, που μετράται με τον αριθμό των παραμέτρων του, είναι ο κύριος παράγοντας της κατανάλωσης ενέργειας. Αυτό σημαίνει ότι όσο μεγαλύτερο είναι το μοντέλο, τόσο μεγαλύτερη είναι η ανάγκη του για υπολογιστική ισχύ κατά την εκπαίδευση και την εξαγωγή συμπερασμάτων. 

Για παράδειγμα, το ChatGPT‑1 είχε ελαφρώς κάτω από 120 εκατομμύρια παραμέτρους, που αυξήθηκαν σε 175 δισεκατομμύρια παραμέτρους με το GPT‑3, και στη συνέχεια σε περίπου 1,8 τρισεκατομμύρια παραμέτρους με το GPT‑4.

Αυτή η τεράστια άνοδος στο μέγεθος και τις δυνατότητες των LLM σημαίνει ότι η κατανάλωση ενέργειας τους αυξάνεται επίσης σε άνευ προηγουμένου κλίμακα. Εκτός από το μέγεθος του μοντέλου, παράγοντες όπως ο τύπος του υλικού που χρησιμοποιείται για την εκπαίδευση αυτών των LLM, η διάρκεια της διαδικασίας εκπαίδευσης, η υποδομή, δηλαδή τα κέντρα δεδομένων, η επεξεργασία δεδομένων, η βελτιστοποίηση μοντέλου και η αποδοτικότητα του αλγορίθμου επηρεάζουν την κατανάλωση ενέργειας των LLM.

Έτσι, το νέο chip από τους ερευνητές του OSU. Σύμφωνα με τον Tejasvi Anand, αναπληρωτή καθηγητή ηλεκτρονικής μηχανικής στο OSU, ο οποίος επίσης διευθύνει το Mixed Signal Circuits and Systems Lab στο Πανεπιστήμιο:

“Το πρόβλημα είναι ότι η ενέργεια που απαιτείται για τη μετάδοση ενός μόνο bit δεν μειώνεται με τον ίδιο ρυθμό με την αύξηση της ζήτησης ταχύτητας δεδομένων. Αυτό είναι ό,τι κάνει τα κέντρα δεδομένων να χρησιμοποιούν τόσο πολλή ενέργεια.”

Για να ξεπεράσουν αυτό το πρόβλημα, η ομάδα σχεδίασε και ανέπτυξε ένα νέο chip που καταναλώνει μόνο το ήμισυ της ενέργειας σε σύγκριση με τα συμβατικά σχέδια.

Ο Anand και ο διδακτορικός φοιτητής Ramin Javad παρουσίασαν αυτή τη νέα τεχνολογία στο Συνέδριο IEEE Custom Integrated Circuits (CIC), που πραγματοποιήθηκε στη Βοστώνη τον περασμένο μήνα. Το συνέδριο, που φιλοξενεί φόρουμ, πάνελ, εκθέσεις και προφορικές παρουσιάσεις, είναι αφιερωμένο στην ανάπτυξη ολοκληρωμένων κυκλωμάτων (IC), τα οποία αποτελούν το δομικό στοιχείο των σύγχρονων ηλεκτρονικών συστημάτων παρέχοντας λειτουργικότητα και υπολογιστική ισχύ σε συμπαγή και αποδοτική μορφή.

Η πιο πρόσφατη τεχνολογία κατασκευάστηκε με την υποστήριξη του Center for Ubiquitous Connectivity (CUbiC), του Semiconductor Research Corporation (SRC) και του Defense Advanced Research Projects Agency (DARPA). Επιπλέον, ο Javadi έλαβε το βραβείο Best Student Paper στο συνέδριο.

Για το νέο chip, οι ερευνητές πραγματικά αξιοποίησαν αρχές AI που, όπως σημείωσε ο Javadi, μειώνουν τη χρήση ηλεκτρικής ενέργειας για την επεξεργασία σήματος.

Όπως εξήγησε, τα LLM στέλνουν και λαμβάνουν πολλά δεδομένα μέσω ενσύρματων συνδέσεων, που είναι συνδέσεις επικοινωνίας βασισμένες σε χαλκό στα κέντρα δεδομένων. Όλη αυτή η διαδικασία απαιτεί σημαντική ενέργεια, έτσι μια πιθανή «λύση είναι η ανάπτυξη πιο αποδοτικών ενσύρματων τσιπ επικοινωνίας».

Ο Javadi πρόσθεσε ότι όταν τα δεδομένα αποστέλλονται με υψηλές ταχύτητες, αυτά στην πραγματικότητα καταστρέφονται στο τέλος του δέκτη, και ως αποτέλεσμα χρειάζεται να καθαριστούν. Για αυτόν τον σκοπό, η πλειονότητα των υφιστάμενων ενσύρματων συστημάτων επικοινωνίας χρησιμοποιεί εξισωτή, ο οποίος καταναλώνει πολύ ενέργεια.

“Χρησιμοποιούμε αυτές τις αρχές AI εντός του chip για να ανακτήσουμε τα δεδομένα με πιο έξυπνο και αποδοτικό τρόπο, εκπαιδεύοντας τον ταξινομητή εντός του chip να αναγνωρίζει και να διορθώνει τα σφάλματα.”

– Javadi

Παρόλο που αποτελεί μεγάλη εξέλιξη, αυτό είναι μόνο η αρχική έκδοση του chip. Η επόμενη εκδοχή του βρίσκεται αυτή τη στιγμή σε ανάπτυξη για περαιτέρω βελτίωση της ενεργειακής του αποδοτικότητας.

Συνολικά, αυτή η συνεχιζόμενη έρευνα δείχνει μεγάλο δυναμικό για ευρείες επιπτώσεις στο μέλλον της υποδομής AI και των λειτουργιών των κέντρων δεδομένων. Φυσικά, αυτό θα απαιτούσε την επιτυχή υλοποίηση της τεχνολογίας σε μεγάλη κλίμακα, κάτι που δεν είναι ποτέ εύκολο.

Κάντε κλικ εδώ για να μάθετε πώς η AI ανατρέπει τη μηχανική μικροτσίπ.

Καταπολέμηση της Ενεργειακής Όρεξης της AI με Καινοτομίες σε Όλα τα Επίπεδα

Αυτή η πρόσφατη ανάπτυξη chip είναι μόνο ένα από τα πολλά ερευνητικά προγράμματα που αντιμετωπίζουν το πρόβλημα κατανάλωσης ενέργειας της AI. Ας ρίξουμε λοιπόν μια σύντομη ματιά στις καινοτόμες μεθόδους που έχουν υιοθετήσει οι ερευνητές.

Χρήση Φωτός για Ενεργειακή Αποδοτικότητα της AI 

Στις αρχές του έτους, επιστήμονες του USST ανέπτυξαν ένα μικροσκοπικό chip AI, μικρότερο από μια σκόνη ή ένα κόκκο αλατιού, που χρησιμοποιεί φως για την επεξεργασία δεδομένων από οπτικές ίνες. Αυτό υπόσχεται ταχύτερους υπολογισμούς με λιγότερη κατανάλωση ενέργειας.

Το chip χειρίζεται το φως για να εκτελεί υπολογισμούς άμεσα, αντί να ερμηνεύει τα σήματα φωτός όπως κάνουν οι παραδοσιακοί υπολογιστές. Για αυτό χρησιμοποιεί το «όλο‑οπτικό διαθλαστικό βαθύ νευρωνικό δίκτυο», τεχνολογία που αξιοποιεί διαμορφωμένα, τρισδιάστατα εκτυπωμένα στρώματα εξαρτημάτων στοιβαγμένα μαζί. Παρόλο που είναι επαναστατικό, προκλήσεις όπως ο σχεδιασμός για συγκεκριμένες εργασίες, η ευαισθησία σε ατέλειες και η δυσκολία παραγωγής σε μεγάλη κλίμακα πρέπει να ξεπεραστούν για να επιτύχει «απρόσμενες λειτουργίες» στην ενδοσκοπική απεικόνιση, την κβαντική υπολογιστική και τα κέντρα δεδομένων.

Μερικούς μήνες πριν από αυτό, επιστήμονες του MIT επίσης χρησιμοποίησαν φως για να εκτελέσουν τις βασικές λειτουργίες ενός νευρωνικού δικτύου σε ένα chip, επιτρέποντας υπερ‑γρήγορους υπολογισμούς AI (σε μισό νανοδευτερόλεπτο) με 92% ακρίβεια και τεράστια ενεργειακή αποδοτικότητα.

“Αυτή η εργασία δείχνει ότι η υπολογιστική — στην ουσία, η αντιστοίχηση εισόδων σε εξόδους — μπορεί να ενσωματωθεί σε νέες αρχιτεκτονικές γραμμικής και μη γραμμικής φυσικής που επιτρέπουν έναν θεμελιωδώς διαφορετικό νόμο κλιμάκωσης της υπολογιστικής σε σχέση με την απαιτούμενη προσπάθεια.”

– Senior author Dirk Englund

Οι επιστήμονες ανέπτυξαν το φωτονικό chip, το οποίο αποτελείται από διασυνδεδεμένα μοντέλα που σχηματίζουν ένα οπτικό νευρωνικό δίκτυο. Σημαντικό είναι ότι η χρήση εμπορικών διαδικασιών foundry για την κατασκευή του σημαίνει ότι μπορεί να κλιμακωθεί και να ενσωματωθεί σε ηλεκτρονικά. Επίσης, οι επιστήμονες ξεπέρασαν την πρόκληση της μη γραμμικότητας στην οπτική σχεδιάζοντας μονάδες μη γραμμικής οπτικής λειτουργίας (NOFUs) που συνδυάζουν ηλεκτρονική και οπτική τεχνολογία.

Κάντε κλικ εδώ για να μάθετε για τη νέα AI εμπνευσμένη από τον εγκέφαλο που μαθαίνει σε πραγματικό χρόνο χρησιμοποιώντας εξαιρετικά χαμηλή ισχύ.

Ένα Λογισμικό Εργαλείο για Εκπαίδευση AI & Σύστημα Ψύξης για Κέντρα Δεδομένων

Οι ερευνητές του Πανεπιστημίου του Μίσιγκαν, εν τω μεταξύ, στοχεύσαν την σπατάλη ενέργειας που δημιουργείται κατά την εκπαίδευση AI, πιο συγκεκριμένα, όταν αυτή κατανέμεται μεταξύ GPU, μια ανάγκη για την επεξεργασία τεράστιων συνόλων δεδομένων, ανισομερώς. 

Έτσι, ανέπτυξαν ένα λογισμικό εργαλείο με όνομα Perseus που εντοπίζει υποεργασίες που θα διαρκέσουν περισσότερο και στη συνέχεια μειώνει την ταχύτητα των επεξεργαστών που δεν βρίσκονται σε αυτή τη «κριτική διαδρομή», ώστε να επιτρέπεται σε όλους να ολοκληρώσουν τις εργασίες τους ταυτόχρονα, αφαιρώντας την περιττή κατανάλωση ενέργειας.

Αυτό το ανοιχτού κώδικα εργαλείο είναι διαθέσιμο ως μέρος του Zeus, ενός εργαλείου για τη μέτρηση και βελτιστοποίηση της κατανάλωσης ενέργειας AI.

Παράλληλα, ερευνητές από το Πανεπιστήμιο του Μιζούριις στράφηκαν στην ανάπτυξη ενός επόμενης γενιάς συστήματος ψύξης για να βοηθήσουν τα κέντρα δεδομένων να γίνουν πιο ενεργειακά αποδοτικά. Κατασκευάζουν επίσης ένα σύστημα ψύξης για εύκολη σύνδεση και αποσύνδεση εντός των ραφιών διακομιστών.

“Η ψύξη και η κατασκευή chip πηγαίνουν χέρι‑χέρι. Χωρίς κατάλληλη ψύξη, τα εξαρτήματα υπερθερμαίνονται και αποτυγχάνουν. Τα ενεργειακά αποδοτικά κέντρα δεδομένων θα είναι το κλειδί για το μέλλον της υπολογιστικής AI.”

– Chanwoo Park, καθηγητής μηχανικής και αεροδιαστημικής στο Mizzou College of Engineering

Με την υποστήριξη χρηματοδότησης 1,5 εκατομμυρίων δολαρίων από την πρωτοβουλία COOLERCHIPS του DOE, η ομάδα ανέπτυξε ένα σύστημα ψύξης δύο φάσεων που διαχέει τη θερμότητα από τα chip διακομιστών μέσω φάσης αλλαγής. Δεν χρειάζεται μόνο να λειτουργεί παθητικά χωρίς καμία ενέργεια όταν απαιτείται λιγότερη ψύξη, αλλά ακόμη και σε ενεργό λειτουργία, το σύστημα χρησιμοποιεί πολύ μικρή ποσότητα ενέργειας.

CRAM Hardware Θα Μπορούσε να Μειώσει τη Χρήση Ενέργειας της AI κατά 1000x

Το περασμένο καλοκαίρι, μηχανικοί του Πανεπιστημίου του Μινεσότα Twin Cities ανέπτυξαν μια προηγμένη συσκευή υλικού που θα μπορούσε να μειώσει την κατανάλωση ενέργειας της AI κατά περίπου 1.000 φορές.

Αυτό το νέο μοντέλο ονομάζεται υπολογιστική μνήμη τυχαίας πρόσβασης (CRAM) και εδώ, τα δεδομένα δεν αφήνουν ποτέ τη μνήμη· αντίθετα, επεξεργάζονται πλήρως εντός του πίνακα μνήμης, εξαλείφοντας έτσι την ανάγκη για ενέργεια‑εντατικές και αργές μεταφορές δεδομένων.

Δυο δεκαετίες στην ανάπτυξη, αυτή η μελέτη αποτελεί μέρος των προσπαθειών της ομάδας για την επέκταση της ερευνητικής εργασίας του κύριου συγγραφέα Jian‑Ping Wang σχετικά με τις συσκευές Magnetic Tunnel Junctions (MTJ). Αυτές οι νανοδομημένες συσκευές χρησιμοποιούνται για τη βελτίωση αισθητήρων, σκληρών δίσκων και άλλων μικροηλεκτρονικών συστημάτων όπως η Magnetic Random Access Memory (MRAM).

«Ως εξαιρετικά ενεργειακά αποδοτικό ψηφιακό υποστρώμα υπολογισμού εν‑μνήμης, το CRAM είναι πολύ ευέλικτο, καθώς η υπολογιστική μπορεί να πραγματοποιηθεί σε οποιαδήποτε θέση του πίνακα μνήμης», σημειώνει η συν‑συγγραφέας Ulya Karpuzcu, αναπληρωτής καθηγήτρια του Τμήματος Ηλεκτρικής και Υπολογιστικής Μηχανικής. Επίσης, μπορεί να επαναρυθμιστεί ώστε να ταιριάζει καλύτερα στις ανάγκες απόδοσης διαφορετικών αλγορίθμων.

AI Εμπνευσμένη από τον Εγκέφαλο: Μείωση της Κατανάλωσης Ισχύος Μιμούμενη την Ανθρώπινη Αποδοτικότητα

Έτσι, όπως είδαμε, οι ερευνητές εξετάζουν διαφορετικές πτυχές της AI για να αντιμετωπίσουν τα ενεργειακά της προβλήματα. Ενδιαφέρον είναι ότι επίσης στρέφονται στον ανθρώπινο εγκέφαλο για έμπνευση. Αυτό έχει νόημα, αφού η AI είναι η προσομοίωση των διαδικασιών ανθρώπινης νοημοσύνης από μηχανές, αν και δεν πλησιάζει τη ανθρώπινη σκέψη και λογική, λόγω της ικανότητάς της να γενικεύει σε παραλλαγές, που είναι «σημαντικά πιο αδύναμη από την ανθρώπινη γνωστική λειτουργία».

Η έρευνα για τη μείωση ενέργειας εμπνευσμένη από τον εγκέφαλο περιλαμβάνει το έργο του αναπληρωτή καθηγητή Chang Xu στο Sydney AI Centre του Πανεπιστημίου, ο οποίος σημείωσε ότι η χρήση των LLM πόρων σε πλήρη χωρητικότητα, ακόμη και για απλές εργασίες, δεν είναι ο σωστός τρόπος. Εξήγησε:

“Όταν σκέφτεστε έναν υγιή ανθρώπινο εγκέφαλο – δεν ενεργοποιεί όλα τα νευρώνια ή δεν χρησιμοποιεί όλη τη δύναμη του εγκεφάλου ταυτόχρονα. Λειτουργεί με απίστευτη ενεργειακή αποδοτικότητα, μόλις 20 Watt ισχύ παρά το ότι διαθέτει περίπου 100 δισεκατομμύρια νευρώνες, τους οποίους χρησιμοποιεί επιλεκτικά από διαφορετικά ημισφαίρια του εγκεφάλου για την εκτέλεση διαφορετικών εργασιών ή σκέψης.” 

Ως εκ τούτου, αναπτύσσουν αλγόριθμους που παρακάμπτουν τις περιττές υπολογιστικές διεργασίες που δεν χρειάζονται και δεν μπιβαντίζουν αυτόματα σε υψηλή ταχύτητα.

Σε άλλες περιπτώσεις, η έρευνα αντλήθηκε από τη νευρομόρφωση του εγκεφάλου και δημιούργησε έναν αλγόριθμο που ονομάζεται «σύστημα αποθήκευσης» για τη μείωση της ενέργειας κατά 37% χωρίς καμία υποβάθμιση της ακρίβειας, τη λειτουργία αυτο‑επισκευής των κυττάρων του εγκεφάλου που ονομάζονται αστροκύτταρα για συσκευές υλικού, και έφερε την νευρομορφική (εμπνευσμένη από τον εγκέφαλο) μορφή υπολογισμού (memristors) για να λειτουργούν μαζί σε αρκετές υποομάδες νευρωνικών δικτύων.

Επένδυση στην Τεχνητή Νοημοσύνη

Μια παγκόσμια εταιρεία ημιαγωγών, η AMD (AMD ) είναι γνωστή για τις τεχνολογίες υψηλής απόδοσης υπολογισμού, γραφικών και οπτικοποίησης. Ενώ βρίσκεται σε άμεσο ανταγωνισμό με το αγαπημένο της AI, τη NVIDIA (NVDA ), κερδίζει γρήγορα έδαφος στις αγορές κέντρων δεδομένων και επιταχυντών AI. Η σειρά MI300 στοχεύει ειδικά σε φορτία εργασίας γενετικής AI και εφαρμογές HPC.

Η ηγετική της παρουσία στον χώρο των CPU κέντρων δεδομένων, η ισχυρή εστίαση στην Έ&Α, η αύξηση εσόδων, η πελατεία και οι εξαγορές την καθιστούν ισχυρό παίκτη στον κλάδο.

Advanced Micro Devices (AMD )

Το 2022, η AMD πραγματοποίησε μια ιστορική συμφωνία στον κλάδο των chip αξίας 50 δισεκατομμυρίων δολαρίων με την εξαγορά της Xilinx, ώστε να γίνει η ηγέτιδα στον τομέα του υψηλής απόδοσης και προσαρμοστικού υπολογισμού. Και πιο πρόσφατα, ολοκλήρωσε την εξαγορά της ZT Systems για να αντιμετωπίσει την ευκαιρία των επιταχυντών AI κέντρων δεδομένων των 500 δισεκατομμυρίων δολαρίων το 2028.

Η απόδοση της AMD στην αγορά επίσης ανακάμπτει φέτος μετά από τις διακυμάνσεις των δασμών. Κατά τη στιγμή της συγγραφής, οι μετοχές της AMD διαπραγματεύονται στα $120, με πτώση 6,9% ετησίως, αλλά μόνο περίπου 47% κάτω από το κορυφαίο επίπεδο του Μαρτίου 2024. Με αυτό, η κεφαλαιοποίηση της αγοράς είναι $182,34 δισεκατομμύρια, με EPS (TTM) 1,36 και P/E (TTM) 82,44.

Όσον αφορά τα οικονομικά της εταιρείας, η AMD ανέφερε αύξηση 36% ετησίως στα έσοδα, φτάνοντας τα $7,4 δισεκατομμύρια για το πρώτο τρίμηνο του 2025, το οποίο η Διευθύνων Σύμβουλος Dr. Lisa Su χαρακτήρισε ως «εξαιρετική αρχή» του έτους, «παρά το δυναμικό μακροοικονομικό και ρυθμιστικό περιβάλλον». Αυτή η ανάπτυξη οφείλεται στην «επεκτεινόμενη ώθηση των κέντρων δεδομένων και της AI», πρόσθεσε.

Κατά τη διάρκεια αυτής της περιόδου, το λειτουργικό εισόδημα της AMD ανήλθε σε $806 εκατομμύρια, το καθαρό εισόδημα ήταν $709 εκατομμύρια και το αραίωτο κέρδος ανά μετοχή ήταν $0,44. Για το δεύτερο τρίμηνο του 2025, προβλέπει περίπου $7,4 δισεκατομμύρια έσοδα. 

Κάποιες βασικές εξελίξεις της εταιρείας περιλαμβάνουν την επέκταση στρατηγικών συνεργασιών με Meta Platforms, Inc. (META ) (Llama), Alphabet Inc. (GOOGL ) (Gemma), Oracle Corporation (ORCL ), Core42, Dell Technologies (DELL ), και άλλες. Η AMD, μαζί με τη Nokia, Cisco Systems, Inc. (CSCO ), και τη Jio, ανακοίνωσαν επίσης μια νέα πλατφόρμα Open Telecom AI για να προσφέρουν λύσεις βασισμένες στην AI που βελτιώνουν την αποδοτικότητα, την ασφάλεια και τις δυνατότητες.

Τώρα, αυτήν την εβδομάδα, η AMD και η Nvidia συνεργάστηκαν με τη Humain, μια θυγατρική εταιρεία εστιασμένη στην AI του Ταμείου Δημόσιων Επενδύσεων της Σαουδικής Αραβίας, για την προμήθεια ημιαγωγών για ένα μεγάλης κλίμακας έργο κέντρου δεδομένων που αναμένεται να έχει χωρητικότητα 500 MW.

Κάντε κλικ εδώ για μια λίστα με τις κορυφαίες εταιρείες υπολογιστών μη‑σιλικού.

Τελευταίες Τάσεις και Αναπτυξιακές Εξελίξεις της Advanced Micro Devices (AMD)

Συμπέρασμα

Τα τελευταία χρόνια, η τρέλα για AI έχει δει εκρηκτική ανάπτυξη, και για καλούς λόγους. Αυτή η τεχνολογία, τελικά, έχει τεράστιο δυναμικό να μετασχηματίσει ένα ευρύ φάσμα βιομηχανιών, από την υγειονομική περίθαλψη, την παραγωγή και την επιστήμη υλικών έως τα χρηματοοικονομικά, την ψυχαγωγία, την εκπαίδευση, το λιανικό εμπόριο και την κυβερνοασφάλεια.

Ωστόσο, η τεχνολογική πρόοδος, η αυξανόμενη υιοθέτηση και η επακόλουθη επέκταση αυτών των LLM έχουν οδηγήσει σε σημαντική ζήτηση ενέργειας, η οποία συμβάλλει στις εκπομπές αερίων του θερμοκηπίου (GHG) και στην κλιματική αλλαγή, αυξάνει το οικονομικό κόστος και επηρεάζει τη βιωσιμότητα της τεχνολογίας.

Αυτό αποτελεί μια σημαντική πρόκληση για την AI. Εάν θέλουμε να αξιοποιήσουμε πλήρως το πραγματικό της δυναμικό όσον αφορά τη μείωση του κόστους, την αύξηση της παραγωγικότητας και τη βελτιωμένη λήψη αποφάσεων σε μεγάλη κλίμακα, τα μοντέλα πρέπει να επιτύχουν οικονομική αποδοτικότητα και βιωσιμότητα.

Το καλό, ωστόσο, είναι ότι ερευνητές παγκοσμίως εργάζονται ήδη σκληρά για να κάνουν την AI ενεργειακά αποδοτική, όπως φαίνεται από το chip με τεχνολογία AI του Oregon State, που υποδηλώνει μια ισχυρή δυνατότητα εναρμόνισης της καινοτομίας με τη βιωσιμότητα.

Φυσικά, οι προτεινόμενες τεχνολογίες πρέπει να ξεπεράσουν το μεγαλύτερο εμπόδιο τους στην επίτευξη πραγματικού αντίκτυπου, τη δυνατότητα κλιμάκωσης. Παρόλα αυτά, ένα πράγμα είναι σαφές: το πιο πράσινο μέλλον της AI είναι εφικτό και έρχεται!

Κάντε κλικ εδώ για να μάθετε τα πάντα σχετικά με την επένδυση στην τεχνητή νοημοσύνη.

Μελέτες που Αναφέρονται:

1. Yu, H., Huang, Z., Lamon, S., Wu, J., Zhao, Z., Lin, D., Zhao, H., Zhang, J., Lu, C., Liu, H., Zhang, X., & Zhang, C. (2025). Ολο‑οπτική μεταφορά εικόνας μέσω πολυ‑καναλικού ίνας χρησιμοποιώντας ένα μικρομεγέθους διαθλαστικό νευρωνικό δίκτυο στην απομακρυσμένη όψη. Nature Photonics, 19, 486–493. https://doi.org/10.1038/s41566-025-01621-4
2. Bandyopadhyay, S., Sludds, A., Krastanov, S., Youssry, A., Zhang, L., Lian, C., Yu, S., Desiatov, B., Burek, M. J., Lukin, M. D., & Lončar, M. (2024). Φωτονικό νευρωνικό δίκτυο βαθιάς μάθησης σε ένα chip με εκπαίδευση μόνο προς τα εμπρός. Nature Photonics, 18, 1335–1343. https://doi.org/10.1038/s41566-024-01567-z
3. Lv, Y., Zink, B. R., Bloom, R. P., Roy, A., Vaddi, K., Shang, L., & Manipatruni, S. (2024). Πειραματική επίδειξη μνήμης τυχαίας πρόσβασης υπολογιστικής βάσει μαγνητικού τούνελ ζωνών. npj Unconventional Computing, 1, 3. https://doi.org/10.1038/s44335-024-00003-3