अनियंत्रित ऊर्जा खपत – AI को सुधारने के लिए AI का उपयोग

तेजी से बढ़ते हुए, कृत्रिम बुद्धिमत्ता (AI) बाजार अनुमानित कि इस दशक के अंत तक $1.8 ट्रिलियन तक पहुंच जाएगा। 

जबकि AI का उत्साह 2021 में शुरुआती गति प्राप्त करना शुरू हुआ, केवल पिछले साल AI ने वास्तव में अपनी सफलता पाई. वास्तव में, इसकी वृद्धि इतनी थी कि AI से संबंधित सब कुछ, समाधान से लेकर उपयोग तक, आसमान छूने लगा, जिससे जेनरेटिव AI में निवेश बहुत बढ़ गया। 

जब ChatGPT जैसे जेनरेटिव AI सिस्टम ने नई क्षमताएँ दिखाईं, तो हर कोई इस तेजी से बढ़ते पाई का हिस्सा चाहता था। साथ ही, इस निजी निवेश का अधिकांश हिस्सा यूएस में हो रहा है।

इन लोकप्रिय टूल्स के पीछे फाउंडेशन मॉडल होते हैं, जैसे OpenAI के ChatGPT में GPT-4। ये बड़े बहु-उद्देश्यीय मॉडल बड़े डेटा सेट और विशाल संसाधनों की आवश्यकता रखते हैं। फाउंडेशन मॉडल मशीन लर्निंग (ML) मॉडल विकसित करने के लिए शुरुआती बिंदु के रूप में कार्य करते हैं, जो नई एप्लिकेशन को किफायती और तेज़ी से चलाते हैं।

टेक दिग्गज Google ने जारी किया कई फाउंडेशन मॉडल; Imagen, Muse, और Parti टेक्स्ट-से-इमेज मॉडल हैं, MedLM स्वास्थ्य उद्योग के लिए, कोडिंग मॉडल Codey, और यूनिवर्सल स्पीच मॉडल Chirp।

ये मॉडल अभूतपूर्व मात्रा में मेमोरी का उपभोग करते हैं, जिसमें वास्तविक दुनिया के डेटा को संग्रहीत और पुनः प्राप्त करने के लिए बहुत अधिक मेमोरी शामिल है। उदाहरण के लिए, GPT-3 को लगभग 500 अरब शब्दों पर प्रशिक्षित किया गया है और यह 175 अरब पैरामीटर उपयोग करता है। इससे AI की ऊर्जा मांग में तेज़ी आई है।

पिछले कुछ वर्षों में, AI के पर्यावरणीय प्रभाव की व्यापक रूप से रिपोर्ट की गई है। पिछले साल के अंत में, एक सहकर्मी-समीक्षित विश्लेषण ने इस मांग को मापने की कोशिश की। 

क्रिप्टोकरेंसी माइनिंग की विशाल ऊर्जा लागत पर चर्चा करने के बाद, एलेक्स डी व्रीज़, नीदरलैंड के सेंट्रल बैंक के डेटा वैज्ञानिक और Vrije University Amsterdam के पीएच.डी. उम्मीदवार, ने अपना ध्यान नवीनतम तकनीकी प्रवृत्ति: AI अपनाने की ओर मोड़ दिया। के अनुसार उनका नवीनतम मूल्यांकन, NVIDIA 2027 तक प्रति वर्ष 1.5 मिलियन AI सर्वर यूनिट्स शिप करेगा। पूर्ण क्षमता पर चलने पर, इन सर्वरों की अनुमानित वार्षिक बिजली खपत कम से कम 85.4 टेरावॉट-घंटे होगी। 

De Vries का अनुमान है कि AI संभावित रूप से प्रूफ़-ऑफ़-वर्क (PoW) नेटवर्क जैसे बिटकॉइन से भी अधिक हानिकारक हो सकता है। हालांकि, ये केवल अनुमान हैं, विशेषज्ञों ने नोट किया है कि ये आंकड़े पूर्ण नहीं हैं और परिस्थितियों पर निर्भर हैं।

पिछले दिसंबर में, AI फर्म Hugging Face की साशा लुचियोनी और उनके सहयोगियों ने, कंपनी और Carnegie Mellon University के साथ मिलकर, 88 विभिन्न मॉडलों पर परीक्षण किए। उन्होंने कार्य को 1,000 बार चलाया और पाया कि अधिकांश कार्य कम ऊर्जा का उपयोग करते हैं, जैसे 0.047 kWh, टेक्स्ट उत्पन्न करने के लिए। हालांकि, इमेज-जनरेशन मॉडलों के लिए ये आंकड़े बहुत अधिक पाए गए, जो औसतन 1,000 इनफ़रेंस पर 2.907 kWh उपयोग करते हैं। संदर्भ के लिए, उन्होंने नोट किया कि औसत स्मार्टफ़ोन चार्ज करने में 0.012 kWh उपयोग करता है।

इसी बीच, एक हालिया पेपर ने अनुमान लगाया कि बड़े भाषा मॉडल लगभग 1,300 मेगावॉट-घंटे बिजली उपयोग करते हैं, जो अमेरिकी 130 घरों द्वारा वार्षिक उपयोग की बराबर है।

अंतर्राष्ट्रीय ऊर्जा एजेंसी ने भी नोट किया अपनी रिपोर्ट में इस साल की शुरुआत में कि AI और क्रिप्टो की मांग निकट भविष्य में डेटा सेंटरों द्वारा बिजली उपयोग में काफी वृद्धि का कारण बनेगी। यह वृद्धि 2022 में 460 टेरावॉट-घंटे से 2026 में 620 से 1,050 टेरावॉट-घंटे के बीच होने की उम्मीद है।

यह नियामकों का ध्यान आकर्षित कर चुका है, जो अब AI की बढ़ती लागत के बारे में चेतावनी दे रहे हैं। मैसाचुसेट्स के सीनेटर एडवर्ड मार्की (D) के अनुसार:

“अगली पीढ़ी के एआई टूल्स का विकास हमारे ग्रह के स्वास्थ्य की कीमत पर नहीं हो सकता।”

यह उनके बाद आया, जब उन्होंने, अन्य सीनेटरों और प्रतिनिधियों के साथ मिलकर, एक बिल पेश किया, जिसमें संघीय सरकार को AI के पर्यावरणीय पदचिह्न का आकलन करने और भविष्य के प्रभावों की रिपोर्टिंग के लिए एक मानकीकृत प्रणाली विकसित करने की आवश्यकता थी। यूरोप में, AI अधिनियम पहले ही पारित हो चुका है, जो शक्तिशाली फाउंडेशन मॉडल को उनके संसाधन उपयोग, ऊर्जा खपत, और अन्य प्रभावों की रिपोर्ट करने की आवश्यकता रखता है।

इन सब के बीच, अंतर्राष्ट्रीय मानकीकरण संगठन इस वर्ष के अंत में “सतत AI” के लिए सामग्री उपयोग, जल खपत, और ऊर्जा दक्षता को मापने के मानदंड जारी करेगा। 

AI को अधिक कुशल बनाना 

विस्तृत पैमाने पर व्यावहारिक होने के लिए, AI मॉडल को अधिक ऊर्जा-कुशल बनना चाहिए और ऐसे ऊर्जा-सीमित उपकरणों पर चलने में सक्षम होना चाहिए जो डेटा सेंटरों की तुलना में काफी कम शक्ति का उपयोग करते हैं। 

इन डेटा सेंटरों को कंप्यूटर चलाने के लिए बड़ी मात्रा में शक्ति की आवश्यकता होती है, जो मुख्यतः जीवाश्म ईंधनों से आती है। इससे महत्वपूर्ण CO2e उत्सर्जन होता है। इसे हल करने के लिए, शोधकर्ता और संगठन AI को अधिक कुशल बनाने पर काम कर रहे हैं। 

एक प्रमुख कंपनी जिसने इस समस्या का समाधान खोजने में महत्वपूर्ण प्रगति की है, वह लंदन स्थित कोड ऑप्टिमाइज़ेशन विशेषज्ञ TurinTech है। TurinTech गहन शिक्षण और विकासात्मक एल्गोरिदम के मिश्रण के माध्यम से प्रगति कर रहा है। यह प्रणाली मौजूदा मॉडल को नई जानकारी के आधार पर निरंतर अनुकूलित करती है, बजाय इसे शून्य से पुनः उत्पन्न करने के। 

Ernst and Young UK के हार्वी लुईस के अनुसार, विकासात्मक या जीनिक एल्गोरिदम और बेयesian सांख्यिकीय विधियां गहन शिक्षण को अधिक कुशल बना सकती हैं, और विशेषज्ञ हार्डवेयर इसकी लागत को कम कर सकता है।

एक अन्य सुझाया गया तरीका डेटा-चालित AI को एप्लिकेशन के डोमेन के बारे में अन्य वैज्ञानिक या मानवीय इनपुट के साथ जोड़ना है। पुशकार पी. अप्टे, CITRIS के स्ट्रैटेजिक इनिशिएटिव्स के निदेशक, और कोस्टास जे. स्पैनोस, CITRIS के निदेशक, लिखा के बारे में चार तरीके लिखे:

• AI को वैज्ञानिक नियमों के साथ समन्वयित करना।
• डेटा को विशेषज्ञ मानवीय अंतर्दृष्टियों के साथ बढ़ाना।
• डिवाइसों का उपयोग करके यह समझाना कि AI कैसे निर्णय लेता है।
• व्यवहार की भविष्यवाणी के लिए अन्य मॉडलों का उपयोग करना।

हाल ही में, स्टार्टअप EnCharge ने एक AI ब्रेकथ्रू किया, जिससे इन AI मॉडलों की भविष्यवाणी करते समय ऊर्जा खपत में नाटकीय सुधार हो सकता है। कंपनी ने अपने DARPA फंडिंग का उपयोग करके मेमोरी उपयोग को कम किया, कुछ कार्य को एनालॉग मेमोरी सर्किट्री में करके, जो पारंपरिक ट्रांज़िस्टर्स की बजाय कम ऊर्जा पर मैट्रिक्स-गुणा संचय को समानांतर में कर सकता है। 

“डेटा मूवमेंट समस्या को यही हल किया जाता है।” 

– Naveen Verma, EnCharge AI के CEO और प्रिंसटन के इलेक्ट्रिकल इंजीनियरिंग विभाग के प्रोफेसर 

उन्होंने आगे कहा कि व्यक्तिगत बिट्स को संप्रेषित करने के बजाय, घटित परिणाम को कई समानांतर गुणनों के संचय के रूप में संप्रेषित किया जाता है।

EnCharge AI ने प्रति वाट 150 ट्रिलियन ऑपरेशन्स प्रति सेकंड प्रोसेस करने में सक्षम रहा है। हालांकि, एनालॉग कंप्यूटिंग को प्राप्त करना अत्यंत कठिन है, और पिछले प्रयास सफल नहीं हुए हैं।

इसी बीच, शोध UCPH के कंप्यूटर साइंस विभाग के टेन्योर-ट्रैक असिस्टेंट प्रोफेसर राघवेंद्र सेलवन द्वारा पिछले साल किया गया, जिसमें ML के कार्बन फुटप्रिंट को कम करने के विभिन्न तरीकों की खोज की गई। माइक्रो स्तर पर, एल्गोरिदम को तेज़ और अधिक कुशल बनाया जा सकता है ताकि संसाधन उपयोग कम हो। उन्होंने बताया कि यह गणनाओं में उपयोग किए जाने वाले बिट्स की संख्या को कम करने और अनावश्यक गणनाओं को घटाने से किया जा सकता है। 

उन्होंने आगे सभी संग्रहीत डेटा की आवश्यकता का आकलन करने का सुझाव दिया। इसलिए, मैक्रो स्तर पर, यह देख कर कि गणनाएँ (जिनमें से कई समय-संवेदनशील नहीं हैं) कब और कहाँ की जा रही हैं, गैर-पीक घंटे चुने जा सकते हैं ताकि AI सिस्टम के प्रशिक्षण की लागत और उनका कार्बन फुटप्रिंट कम हो सके।

AI को बेहतर बनाने के लिए AI का उपयोग 

अब, सेलवन ने एक बेंचमार्क बनाया है जो AI मॉडलों को डिजाइन करने में मदद करता है, जिससे वे बहुत कम ऊर्जा का उपयोग करते हुए भी अपने प्रदर्शन को प्रभावित किए बिना काम कर सकें। हालांकि, इसके लिए उपयोग की गई ऊर्जा और कार्बन फुटप्रिंट को मानक के रूप में उपयोग करना आवश्यक है।

इसके लिए, 429,000 AI उपप्रकार मॉडलों का अध्ययन किया गया। ये कॉन्वॉल्यूशनल न्यूरल नेटवर्क, जो भाषा अनुवाद, चेहरा पहचान, वस्तु पहचान, और मेडिकल इमेज विश्लेषण में उपयोग होते हैं, को केवल प्रशिक्षण के लिए लगभग 263,000 kWh ऊर्जा की आवश्यकता होने का अनुमान है। 

तुलना के लिए, 263,000 kWh लगभग उतनी ऊर्जा है जितनी औसत डेनिश नागरिक चार दशकों से अधिक समय में उपभोग करता है। एक कंप्यूटर को इस सभी प्रशिक्षण को पूरा करने में एक सदी लग जाएगी। 

यह विशाल ऊर्जा उपयोग उद्योग को इसे जलवायु-अनुकूल बनाने के लिए काम करने पर मजबूर कर रहा है; हालांकि, ऊर्जा-कुशल AI मॉडलों का विकास अभी तक वास्तविकता नहीं बन पाया है। AI के कार्बन फुटप्रिंट को कम करने की संभावनाओं की तलाश में सेलवन के अनुसार:

“आज, डेवलपर्स केवल इस बात पर केंद्रित हैं कि AI मॉडल उनके परिणामों की शुद्धता के संदर्भ में प्रभावी हों।”

उन्होंने इस व्यवहार की तुलना एक कार से की, जिसे केवल इसलिए अच्छा माना जाता है क्योंकि वह जल्दी गंतव्य तक पहुंचाती है, बिना उसके ईंधन उपयोग पर विचार किए। उन्होंने आगे कहा:

“परिणामस्वरूप, AI मॉडल अक्सर ऊर्जा खपत के मामले में अक्षम होते हैं।”

उनका नया अध्ययन, CS छात्र पेद्राम बख़्तियारीफ़र्ड के साथ किया गया, यह दिखाकर इसको बदलने का लक्ष्य रखता है कि CO2e को काफी हद तक सीमित करना संभव है जबकि AI मॉडल की सटीकता को बरकरार रखा जा सकता है।

इसे हासिल करने के लिए, UCPH शोधकर्ताओं ने कहा कि हमें शुरुआत से ही एक ऊर्जा-कुशल मॉडल की आवश्यकता है। इसका मतलब है डिजाइन करते समय और AI मॉडलों के ऊर्जा-गहन प्रशिक्षण प्रक्रिया के दौरान जलवायु लागतों को ध्यान में रखना। सेलवन ने कहा कि इस तरह, मॉडल के “जीवन चक्र” के प्रत्येक चरण में, जिसमें मॉडल का प्रशिक्षण और तैनाती दोनों शामिल हैं, कार्बन फुटप्रिंट को कम किया जा सकता है।

इसलिए, शोधकर्ताओं ने इन AI मॉडलों के सैकड़ों हजारों को प्रशिक्षित करने में लगने वाली ऊर्जा की गणना की। दिलचस्प बात यह है कि UCPH शोधकर्ताओं ने मॉडल को वास्तव में प्रशिक्षित नहीं किया, बल्कि एक अन्य AI मॉडल का उपयोग करके अनुमान लगाया। इस तरह, वे अन्यथा लगने वाली ऊर्जा का 99% बचा सके।

अब, उनकी गणनाओं के आधार पर, टीम ने AI मॉडलों का एक बेंचमार्क संग्रह प्रस्तुत किया है जो लगभग समान स्तर पर प्रदर्शन करते हैं लेकिन कार्य पूरा करने में कम ऊर्जा का उपयोग करते हैं।

अध्ययन के अनुसार, मॉडल को समायोजित करने या अन्य प्रकार के मॉडलों का उपयोग करने से प्रशिक्षण और अनुप्रयोग चरणों में ऊर्जा की 80% तक बचत हो सकती है। प्रदर्शन के मामले में, बहुत कम या कोई समझौता नहीं हुआ (सिर्फ 1% या उससे भी कम)। ये आंकड़े वास्तव में रूढ़िवादी हैं, जैसा कि शोधकर्ताओं ने कहा। 

“हमारे परिणामों को AI पेशेवरों के लिए एक रेसिपी बुक के रूप में मानें। रेसिपी केवल विभिन्न एल्गोरिदम के प्रदर्शन को ही नहीं, बल्कि उनकी ऊर्जा दक्षता को भी वर्णित करती हैं।”

– बख़्तियारीफ़र्ड

उन्होंने आगे कहा कि मॉडल के डिजाइन में केवल एक घटक को दूसरे से बदलकर, हम अक्सर वही परिणाम प्राप्त कर सकते हैं। इसका मतलब है कि प्रैक्टिशनरों को प्रत्येक मॉडल को पहले प्रशिक्षित करने की आवश्यकता नहीं है; वे केवल प्रदर्शन और ऊर्जा खपत दोनों को देखते हुए एक चुन सकते हैं।

कई मॉडल को सबसे उपयुक्त विकल्प खोजने से पहले प्रशिक्षित किया जाता है, जिससे AI विकास अत्यधिक ऊर्जा-गहन हो जाता है, बख़्तियारीफ़र्ड ने कहा, “शुरू से ही सही मॉडल चुनना अधिक जलवायु-अनुकूल होगा,” और साथ ही ऐसा मॉडल चुनना जो प्रशिक्षण चरण में बहुत अधिक शक्ति का उपभोग न करे।

जबकि स्व-चालित कारों और चिकित्सा जैसे क्षेत्रों में मॉडल की सटीकता सुरक्षा के लिए महत्वपूर्ण है, इसलिए हम वहाँ प्रदर्शन से समझौता नहीं कर सकते, शोधकर्ताओं ने नोट किया, यह हमें अन्य डोमेनों में उच्च ऊर्जा दक्षता हासिल करने से नहीं रोकना चाहिए।

उनके अनुसार, अध्ययन दिखाता है कि एक बेहतर संतुलन पाया जा सकता है, जहाँ ऊर्जा दक्षता को AI मॉडल विकास में मानक बनाया जा सकता है, जैसा कि कई क्षेत्रों में होता है। सेलवन के अनुसार:

“AI में अद्भुत संभावनाएँ हैं। लेकिन यदि हम सतत और जिम्मेदार AI विकास सुनिश्चित करना चाहते हैं, तो हमें एक अधिक समग्र दृष्टिकोण अपनाना होगा, जो केवल मॉडल प्रदर्शन ही नहीं, बल्कि जलवायु प्रभाव को भी ध्यान में रखे।”

EC-NAS नामक बेंचमार्क ओपन-सोर्स है और इसे अन्य वैज्ञानिकों और कंपनियों द्वारा न्यूरल आर्किटेक्चर सर्च (NAS) में शोध को आगे बढ़ाने के लिए उपयोग किया जा सकता है। अध्ययन ने कहा कि मल्टी-ऑब्जेक्टिव ऑप्टिमाइज़ेशन एल्गोरिदम का उपयोग करके ऊर्जा उपयोग और सटीकता के बीच संतुलन स्थापित किया जा सकता है। “अपने विविध मेट्रिक्स के साथ, EC-NAS आगे के शोध को ऊर्जा-कुशल और पर्यावरणीय रूप से स्थायी मॉडलों के विकास की ओर आमंत्रित करता है,” अध्ययन ने कहा।

AI-आधारित ऊर्जा समाधान

अब, आइए उन कंपनियों पर नज़र डालें जो प्रौद्योगिकी का उपयोग करके ऊर्जा क्षेत्र को संबोधित कर रही हैं और सक्रिय रूप से AI-आधारित ऊर्जा समाधान प्रदान कर रही हैं:

#1. GE Renewable Energy

कंपनी इन-हाउस विकसित AI/ML तकनीक का उपयोग करके पवन टरबाइन लॉजिस्टिक्स प्रक्रिया के लिए लॉजिस्टिक्स लागत को सटीक रूप से भविष्यवाणी और सुव्यवस्थित करती है। इस वर्ष, GE ने निर्माताओं के लिए Proficy जारी किया ताकि स्थिरता प्राप्त की जा सके जबकि लाभप्रदता को अधिकतम किया जा सके। इसने AI-संचालित CERius को भी लागू किया ताकि रिपोर्टिंग की सटीकता बढ़े।

इस महीने की शुरुआत में, जनरल इलेक्ट्रिक ने तीन अलग-अलग कंपनियों में विभाजन किया, जो एवीएशन, ऊर्जा, और स्वास्थ्य देखभाल पर केंद्रित हैं, और NYSE पर अलग-अलग इकाइयों के रूप में ट्रेडिंग शुरू की। इसलिए, इसकी ऊर्जा शाखा अब GE Vernova (GEV) कहलाती है और इसका मार्केट कैप $36 बिलियन है, जबकि इसके शेयर 131.75 पर ट्रेड होते हैं। 2023 में, कंपनी ने अपने सबसे बड़े ऑर्डर को सुरक्षित किया जो एक अमेरिकी पवन परियोजना को समर्थन देगा जो SunZia परियोजना को 2.4 GW सप्लाई करेगा। गोल्डमैन सैक्स ने अनुमान लगाया है कि कंपनी 2026 तक $4 बिलियन EBITDA हासिल करेगी।

#2. Schneider Electric

$34.2 बिलियन मूल्य वाली फ्रेंच-आधारित कंपनी AI का उपयोग करके दक्षता और उत्पादकता में सुधार करती है और जलवायु परिवर्तन की चुनौती को भी संबोधित करती है। Schneider Electric का AI उपयोग डेटा विज़ुअलाइज़ेशन और इंजीनियरिंग, अनुकूलन और सिमुलेशन, और विश्वसनीयता मॉडलिंग के आसपास घूमता है।

कंपनी ने 2023 वित्तीय वर्ष में €36 बिलियन राजस्व दर्ज किया, जो 13% की वृद्धि है। Schneider Electric ने €4 बिलियन शुद्ध आय और €4.6 बिलियन फ्री कैश फ्लो की भी रिपोर्ट की।

निष्कर्ष

AI इस दशक की तकनीकी क्रांति है। चूँकि AI का एकीकरण लागत को कम करने और कंपनियों के राजस्व को बढ़ाने के साथ-साथ कर्मचारियों के लिए बेहतर दक्षता लाता दिखाया गया है, यह स्पष्ट रूप से केवल एक बज़वर्ड से अधिक है। AI सिस्टम वास्तव में कई कार्यों में मनुष्यों से बेहतर प्रदर्शन कर रहे हैं, हालांकि हम अभी भी जटिल संज्ञानात्मक कार्यों में उनसे बेहतर हैं।

हालांकि, इसके साथ अपनी ही जोखिमों की एक श्रृंखला आती है, जैसे गोपनीयता, एल्गोरिदमिक पक्षपात, और जैसा कि हमने ऊपर चर्चा की, नकारात्मक पर्यावरणीय प्रभाव। AI के प्रति दृष्टिकोण पर एक वैश्विक सर्वेक्षण भी दिखाता है कि लोग इस नई तकनीक को लेकर चिंतित हैं, हालांकि अधिकांश लोग इसे आने वाले वर्षों में अपने दैनिक जीवन को बदलते हुए देखते हैं। युवा पीढ़ी AI के प्रति अधिक आशावादी है।

जैसे ही AI हमारे जीवन का बड़ा हिस्सा बनता रहेगा, सरकारें, वैज्ञानिक, और कंपनियां इसके जोखिमों को संबोधित करने के लिए साथ मिल रही हैं। नियामकों ने पहले ही उद्योग को लक्षित करना शुरू कर दिया है, पिछले सात वर्षों में 30 से अधिक देशों ने कम से कम एक AI-संबंधी कानून पारित किया है। जैसे ही अधिक तकनीकी प्रगति होगी, हम देखेंगे कि AI अधिक कुशल बनता है और हमारी दुनिया को बदलता है।

कृत्रिम बुद्धिमत्ता में निवेश के बारे में सब कुछ जानने के लिए यहाँ क्लिक करें।