Maaari bang Maging Epektibo ang AI? Maaaring Nakahanap na ng mga Mananaliksik ang Solusyon

Ang artificial intelligence (AI) ay patuloy na humuhubog sa ating hinaharap sa halos lahat ng industriya habang lumalawak ang paggamit nito upang i-automate ang mahahalagang proseso ng negosyo, bawasan ang gastos, at pataasin ang produktibidad. 

Ipinapakita ng data na higit sa 80% ng mga negosyo ay gumagamit ng AI sa ilang antas, itinuturing ito bilang pangunahing teknolohiya sa kanilang mga organisasyon. Ang pinansyal na paglalaan para sa AI ay tumaas din habang nagdudulot ang paggamit nito ng malalaking benepisyo at mas mataas na ROI.

Dahil dito, ang laki ng pamilihan ng AI ay lumagpas sa $184 bilyon noong 2024 at inaasahang hihigitan ang $826 bilyon sa pagtatapos ng dekadang ito, ayon sa Statista.

Ang lahat ng paglago at ang pagsabog ng interes sa AI ay nagdulot ng isang arms race upang paunlarin ang teknolohiya. Ang mga AI model tulad ng malalaking language model (LLM) na binubuo ng mga organisasyon ay gumagamit ng mga algoritmo upang maunawaan, ibuod, isalin, at lumikha ng wikang pantao at sinasanay sa napakalaking dami ng data gamit ang mga processor na mataas ang konsumo ng enerhiya. 

Para rito, ang mga kumpanya at operator ng data center ay naglalaan ng maraming kapital upang magtayo ng mga bagong high-capacity data center. Ang pamumuhunan sa mga bagong data center, ayon sa International Energy Agency (IEA), ay tumaas nang malaki sa nakaraang dalawang taon, pinangunahan ng US. Noong 2023, ang kabuuang pamumuhunan ng kapital ng Microsoft (MSFT ), Google, at Amazon (AMZN ) lamang ay mas mataas kaysa sa kabuuang industriya ng langis at gas ng bansa.

Ang mga data center na ito ay nangangailangan ng napakalaking kuryente upang mapatakbo. Noong 2022, sinabi ng IEA na ang mga data center ay kumonsumo ng 1.65 bilyong gigajoule ng kuryente, na humigit-kumulang 2% ng pandaigdigang pangangailangan. 

Ang pandaigdigang pangangailangan sa kuryente mula sa mga data center ay inaasahang tumaas ng 50% pagsapit ng 2027 at ng 165% pagsapit ng 2030, ayon sa Goldman Sachs (GS ) Research mula noong unang bahagi ng buwang ito. 

Ang kasalukuyang paggamit ng kuryente ng mga data center ay tinatayang nasa 55 gigawatt (GW), na binubuo ng cloud computing workloads (54%), tradisyonal na workloads tulad ng storage (32%), at AI (14%). Ang pagmomodelo ng hinaharap na pangangailangan para sa mga uri ng workload na ito ay nagbigay ng tinatayang pangangailangan ng 84 GW pagsapit ng 2027, kung saan ang AI ay lalago sa 27% habang ang cloud ay bababa sa 50% at ang tradisyonal na workloads ay bababa sa 23%.

Ang global na kapasidad ng pamilihan ng mga data center, samantala, ay kasalukuyang nasa humigit-kumulang 59 GW, kung saan 60% nito ay ibinibigay ng mga hyperscale cloud provider tulad ng Google at Alibaba at ng mga third-party na operator ng data center, habang ang natitira ay nagmumula sa tradisyonal na corporate at telecom-owned na data center.

Ang pangangailangan sa kuryente ng mga malalaking hyperscale data center ay 100 MW o higit pa na may taunang konsumo ng kuryente na halos katumbas ng pangangailangan ng kuryente mula sa hanggang sa 400,000 na de-kuryenteng sasakyan.

Habang patuloy na niyayakap ng mga organisasyon ang AI, maaari rin nating asahan ang pag-usbong ng mga AI-dedicated na data center, isang umuusbong na klase ng imprastruktura na idinisenyo partikular upang tugunan ang natatanging pangangailangan ng AI workloads. Bagaman kakaunti pa lamang ang umiiral, karamihan ay matatagpuan sa Asia Pacific at North America, partikular sa Beijing, Shanghai, Northern Virginia, at San Francisco Bay Area. 

Ayon sa mga pagtatantiya ng Goldman Sachs Research, pagsapit ng katapusan ng 2030, magkakaroon ng humigit-kumulang 122 GW na kapasidad ng data center online. Dahil sa mas mataas na pangangailangan sa pagproseso ng AI, malamang na tataas din ang densidad ng paggamit ng kuryente sa mga data center hanggang sa 176 kilowatt-hours kada square foot sa loob ng dalawang taon.

Dahil ang mga data center ay nag-aambag sa lumalaking pangangailangan para sa kuryente, ang electric grid ay kakailanganin din ng malaking pamumuhunan, na tinatayang aabot sa $720 bilyon ng paggastos sa grid hanggang 2030.

Mayroon ding mga carbon dioxide emissions mula sa mga data center, na maaaring humigit-kumulang doble mula 2022 hanggang 2030. Kaya, ang konsumo ng kuryente ng mga data center, na kasalukuyang 1-2% ng kabuuang kuryente at malamang na tataas sa 3-4% pagsapit ng katapusan ng dekada, ay naging sanhi ng pag-aalala, bagaman hindi ito ganap na walang pag-asa. 

Ang mga numero, bagaman napakalaki, ay katamtaman kapag isinasaalang-alang sa mas malawak na konteksto ng kabuuang paglago ng konsumo ng kuryente sa buong mundo, na ayon sa IEA ay tataas ng 6,750 TWh pagsapit ng 2030 dulot ng pagtaas hindi lamang ng AI kundi pati na rin ng patuloy na paglago ng ekonomiya, mga EV, mga AC, at mga industriyang mataas ang konsumo ng kuryente.

Dagdag pa rito, hindi lamang ang bilis ng paggamit ng AI ang nananatiling hindi tiyak kundi pati na rin ang patuloy na mga pagbuti sa kahusayan ng hardware at software na makakatulong upang tugunan ang pangangailangan sa kuryente ng teknolohiyang AI. 

Ang kahusayan ng mga computer chip na may kinalaman sa AI ay humahati halos tuwing 2.5-3 taon. Ang isang modernong AI chip ngayon ay gumagamit ng 99% mas kaunting kuryente habang ginagawa ang parehong kalkulasyon tulad ng isang modelo mula 2008. Dagdag pa, ang mga AI model mismo ay nagiging mas epektibo. Kasama ang mga bagong teknolohiya sa paglamig at mga makabagong solusyong siyentipiko, ang mga pag-unlad na ito ay nagpapababa ng paggamit ng enerhiya at nagbabawas ng kanilang epekto sa kapaligiran.

I-klik dito upang malaman kung bakit hindi makasabay ang tradisyonal na storage sa AI.

Mga Siyentipiko ay Nakabuo ng Isang Makabago at Pambihirang Solusyon 

Larawang pang-illustrasyon. Hindi totoong litrato.

Sa harap ng patuloy na pag-unlad ng AI at ang lumalaking pangangailangan nito sa enerhiya, nakabuo ang mga mananaliksik sa Japan ng isang inobatibong spintronic device na nangangako ng malaking pagbawas sa konsumo ng kuryente sa pamamagitan ng pagpapahintulot sa elektrikal na kontrol ng mga magnetic state. 

Ang breakthrough na ito ay maaaring baguhin ang hardware ng AI sa pamamagitan ng paggawa ng mga chip na ginagaya ang paraan ng pag-andar ng neural network at mas napaka-enerhiya. Sa halip na gumamit ng kuryente upang mag-imbak ng impormasyon, ginagamit ng mga device na ito ang spin ng mga electron para sa parehong layunin, na nagiging mas mabilis at mas epektibo.

Ang mga spintronic device ay ginagamit sa mass-storage device at computing upang mapataas ang bilis at pagganap ng mga computer.

Ang mga mananaliksik mula sa National Institute for Materials Science, Tohoku University, at Japan Atomic Energy Agency ay ngayon ginagamit ito para sa low-power AI chips at nagpakita ng proof-of-concept na current-programmed spin-orbit torque (SOT) device.

Nag-aalok ang SOT ng isang promising na mekanismo para sa elektrikal na pag-encode ng impormasyon sa mga magnetic state. Gayunpaman, sa mga umiiral na scheme, ito ay pasibong tinutukoy ng materyal at istruktura ng device. 

“Habang ang pananaliksik sa spintronic ay nakagawa ng malalaking hakbang sa pagkontrol ng magnetic order nang elektrikal, karamihan sa mga umiiral na spintronic device ay naghihiwalay ng papel ng magnetic material upang makontrol at ng materyal na nagbibigay ng puwersang nagpapatakbo.”

– Shunsuke Fukami, Tohoku University

Ang mga spintronic device, kapag nagawa na, ay may nakatakdang operasyon kung saan karaniwan nilang pinapalitan ang impormasyon sa isang binary na paraan; mula sa “0” patungo sa “1“ na estilo. Ang bagong pananaliksik, gayunpaman, ay nagdala ng mga pag-unlad sa electrically programmable switching ng maraming magnetic state. Ang pagmanipula ng intrinsic SOT polarity ay nagbibigay-daan sa flexible na programmable na SOT device.

Ayon sa resulta ng pag-aaral na inilathala sa Nature Communications¹ ngayong buwan, ang spintronic device na ito ay nagbibigay-daan sa elektrikal na mutual control ng non-collinear antiferromagnets at ferromagnets para sa epektibong pagpalit ng magnetic state. 

Ang elektrikal na kontrol ng magnetic state ay ang pundasyon ng magnetic memory, logic, at computing, at nag-aalok ang SOT ng isang epektibong paraan upang kontrolin ang mga ito. 

Ang ibig sabihin nito ay ang breakthrough na SOT device ay maaaring mag-imbak at magproseso ng impormasyon na kahawig ng brain-inspired AI chip habang gumagamit ng mas kaunting enerhiya, na nagbubukas ng pintuan para sa isang bagong henerasyon ng AI hardware na lubos na epektibo at nakakatipid sa enerhiya.

Gumamit ang pag-aaral ng Mn3Sn, isang non-collinear antiferromagnet, bilang pangunahing magnetic material at nag-apply ng elektrikal na kuryente dito, na nagdulot ng paglikha ng spin current na nagpatakbo ng pagpalit ng CoFeB, ang kalapit na ferromagnet. Ito ay ginawa sa pamamagitan ng prosesong tinatawag na magnetic spin Hall effect.

Ang spin Hall effect (SHE) ay isang mahalagang elemento ng modernong spintronics na nagsasakatuparan ng “pagkakaugnay sa pagitan ng charge currents at collective spin dynamics sa magnetically ordered systems.”

Nakaraang pananaliksik² mula sa Tohoku University, kasama ang iba pang institusyon, ay nagpakita na kumpara sa non-magnetic na materyales, ang mga antiferromagnet ay may mas malakas na spin Hall properties. Gayundin, sa Mn3Sn, ang SHE ay may anomalous sign change kapag ang triangularly ordered moments nito ay nagbago ng orientasyon. Iniuugnay din nito ang mataas na magnetic mechanism ng Mn3Sn sa spin splitting, na nakadepende sa momentum at nabuo ng non-collinear magnetic order, na nagpapalawak ng saklaw ng antiferromagnetic spintronics.

Sa pinakabagong pananaliksik, tumugon ang ferromagnet sa spin-polarized current at, bukod pa rito, naapektuhan ang magnetic state ng Mn3Sn. Ito ay nagbigay-daan sa elektrikal na mutual switching sa pagitan ng dalawang materyales.

Ipinakita ng koponan sa kanilang eksperimento na ang impormasyong naisulat sa ferromagnet ay maaaring kontrolin nang elektrikal sa tulong ng magnetic state ng Mn3Sn. Nakaya nilang palitan ang magnetization ng CoFeB sa iba’t ibang trace na kumakatawan sa maraming estado sa pamamagitan ng pag-aayos ng set current.

Ang polarity ng kuryenteng ito na nagbabago ng sign ng impormasyong naisulat, na isang analog switching mechanism, ay isang mahalagang operasyon sa neural networks at ginagaya ang paraan ng pag-andar ng analog values sa AI processing.

Ayon kay Fukami, ang pagtuklas na ito ay isang kritikal na hakbang pasulong sa paggawa ng mas energy-efficient na AI chips. 

“Sa pamamagitan ng pagrealisa ng electrical mutual switching sa pagitan ng isang non-collinear antiferromagnet at isang ferromagnet, binuksan namin ang mga bagong posibilidad para sa current-programmable neural networks,“ dagdag pa niya, na ang kanilang pokus ngayon ay “karagdagang pagpapababa ng operating currents at pagtaas ng readout signals, na magiging kritikal para sa praktikal na aplikasyon sa AI chips.”

Sa pag-consume ng napakalaking enerhiya ng mga data center, isa pang pag-aaral ang naglayong bawasan ang konsumo ng kuryente gamit ang SOT Magnetic Random-Access Memory (MRAM).

Ang hiwalay na pag-aaral³, na inilathala sa Nature Communications noong nakaraang buwan, ay mula sa mga mananaliksik ng Johannes Gutenberg University Mainz (JGU), na nag-develop ng isang makapangyarihan at lubos na epektibong solusyon para sa pagproseso at pag-iimbak ng data habang binabawasan ang konsumo ng enerhiya.

Ang prototype ay “nagbubukas ng daan para sa mas mabilis, mas epektibong memory solutions,” sabi ng pangunahing may-akda ng pag-aaral, Dr. Rahul Gupta, na dating postdoctoral researcher sa JGU Institute of Physics.

Ito ay batay sa SOT MRAM, na kilala sa kahusayan nito sa paggamit ng kuryente, non-volatility, at performance kumpara sa static RAM. Ang teknolohiyang gumagamit ng elektrikal na kuryente upang magpalit ng magnetic state ay humaharap sa mga hamon sa pagbawas ng mataas na input current na kailangan sa proseso ng pagsulat. Ibig sabihin nito ay ang pagpapanatili ng sapat na thermal stability upang ma-imbak ang data nang matagal at ang pag-minimize ng enerhiya na kinakailangan para sa gawain ng pag-iimbak.

Sa halip na SHE, ginamit ng pag-aaral na ito ang Orbital Hall Effect (OHE), kung saan isang transverse flow ng orbital angular momentum ang nalilikha sa isang materyal kapag nag-apply ng elektrikal na kuryente. Sa paggamit ng phenomenon na ito, nagawa ng mga mananaliksik na makamit ang mas mataas na energy efficiency nang hindi umaasa sa mamahaling o bihirang materyales.

Ang natatanging magnetic material na binuo ay gumagamit ng mga elemento tulad ng Ruthenium bilang isang SOT channel upang mapabuti ang performance. Sa pamamagitan nito, nagawa ng koponan na makamit ang 20% na pagbawas sa input current, 30% na pagtaas sa kahusayan, at higit sa 50% na pagbawas sa kabuuang konsumo ng enerhiya.

Mga Kumpanya na Nangunguna sa Daan

Ngayon, tingnan natin ang mga kilalang pangalan na tumutulong sa pag-usbong ng AI space:

1. NVIDIA Corporation

Ang Nvidia (NVDA ) ay nagdidisenyo at gumagawa ng graphics processing units o GPU. Ang GPU ay isang electronic circuit na nagsasagawa ng mga matematikal na kalkulasyon nang mabilis at popular na pagpipilian para sa pag-develop ng AI model.

Sa nakalipas na dekada, ang kumpanya ay lubos na nagpa‑improve ng performance‑per‑watt ng mga GPU nito, umabot hanggang 4,000 beses, ayon kay chief scientist William Dally at patuloy na nagde‑develop ng mga specialized circuit sa mga chip na ito na partikular na dinisenyo para sa AI computations.

Ang Nvidia ay ikalawang pinakamalaking kumpanya sa mundo batay sa market cap na $3.21 trilyon. Ang mga shares nito ay kasalukuyang nagte‑trade sa $130.86, bumaba ng 2.35% YTD. Ang EPS (TTM) ng kumpanya ay 2.54 at ang P/E (TTM) ratio ay 51.67 habang ang dividend yield ay 0.03%.

Tungkol sa financials ng kumpanya, ilalabas ng Nvidia ang datos ng 4th Quarter FY25 sa Feb. 26. Ngayon, para sa Q3, ang GAAP earnings per diluted share ay $0.78 at ang non‑GAAP earnings per diluted share ay $0.81.

Para sa quarter na ito, inanunsyo ng Nvidia ang rekord na revenue na $35.1 bilyon, tumaas ng 17% mula Q2 at 94% mula isang taon ang nakalipas. Ang revenue nito mula sa data centers ay nag‑account para sa $30.8 bilyon nito. Para sa Q4, nagbahagi ito ng outlook na $37.5 bilyon na revenue.

“Ang panahon ng AI ay nasa full steam, itinutulak ang isang global shift patungo sa NVIDIA computing,“ sabi ng CEO at founder na si Jensen Huang noong panahong iyon habang binibigyang‑pansin ang “incredible“ na demand para sa Hopper nito pati na rin ang anticipation para sa Blackwell, na nagbibigay-daan sa high‑performance computing (HPC) para sa accelerated training, inference, at kahusayan sa generative AI.

Ang Nvidia ay dumaan sa isang kamangha‑manghang paglalakbay habang ang presyo ng share nito ay mula sa sub‑$11 noong Okt. 2022 hanggang lampas $152 noong unang bahagi ng Enero 2025. Kamakailan, nawalan ito ng kaunting momentum matapos ilunsad ng Chinese AI startup na DeepSeek ang pinakabagong AI model nito. Ang unang persepsyon ay na maaaring hadlangan ng DeepSeek ang demand para sa high‑performance GPUs ng Nvidia ngunit maaaring positibo ito para sa Nvidia dahil ang mas mababang computing power needs ng startup ay maaaring magbukas ng mas maraming AI opportunities, na magtutulak sa presyo ng pinakamalaking chipmaker pataas.

“Ang AI ay nagbabago ng bawat industriya, kumpanya at bansa,“ sabi ni Huang sa financials ng nakaraang quarter at idinagdag pa na ang mga enterprise ay nag-a‑adopt ng agentic AI habang ang mga breakthrough sa physical AI ay nakikita sa industrial robotics. Ang mga bansa, dagdag pa niya, ay nagising na rin sa kahalagahan ng pagtatayo ng kanilang sariling AI infrastructure.

#2. Broadcom Inc.

Ang Broadcom (AVGO ) ay kabilang sa top 10 pinakamalaking kumpanya, na may market cap na $1.1 trilyon. Ito ay kasangkot sa pagdidisenyo, pag‑develop, at supply ng malawak na hanay ng semiconductor at infrastructure software solutions. Ang kumpanya ay may partnership sa mga pangunahing manlalaro tulad ng Google, Meta Platforms (META ), at ByteDance. Nakikipagtulungan din ito sa OpenAI at Apple (AAPL ) upang bumuo ng kanilang sariling AI chips.

Sa kasalukuyan, ang mga shares ng Broadcom ay nagte‑trade sa $235, tumaas ng 1.95% YTD. Ang EPS (TTM) ng kumpanya ay 1.28 at ang P/E (TTM) ratio ay 184.78 habang ang dividend yield nito ay 1%.

Ngayon, sa Q4 ng 2024, ang Broadcom ay nagkaroon ng revenue na higit $14 bilyon, tumaas ng 51% mula sa nakaraang taon, habang ang GAAP net income ay $4.324 bilyon. Para sa Q1 ng fiscal year 2025, nagbigay ang kumpanya ng revenue guidance na humigit‑kumulang $14.6 bilyon.

Sa ika‑apat na quarter, ang semiconductor revenue ng chipmaker ay umabot sa rekord na $30.1 bilyon, na binigyang‑pansin ni CEO at President Hock Tan na dulot ng AI revenue na $12.2 bilyon. Ang 220% na year‑on‑year growth sa AI revenue ay pinasigla ng mga XPUs nito.

Ang GAAP diluted EPS ng Broadcom ay $0.90 at ang non‑GAAP diluted EPS ay $1.42. Ang cash mula sa operasyon ay $5.6 bilyon. Iniulat din ng kumpanya ang 11% na pagtaas sa quarterly common stock dividend sa $0.59 kada share, na ito ay ang ika‑labing‑apat na sunod‑sunod na pagtaas. Ang free cash flow na hindi kasama ang restructuring ay “malakas”“ sa $21.9 bilyon habang ang cash at cash equivalents ay $9.348 bilyon.

“Nakikita namin ang aming oportunidad sa susunod na tatlong taon sa AI bilang napakalaki. Ang ilang specific hyperscalers ay nagsimula na ng kani-kanilang paglalakbay upang bumuo ng kanilang sariling custom AI accelerators.”

– Tan sinabi sa earnings call

Ibinahagi rin niya na ang kumpanya ay nagde‑develop ng AI chips kasama ang tatlong malalaking cloud customer, na bawat isa ay inaasahang mag‑deploy ng 1 milyong AI chips sa networked clusters pagsapit ng 2027.

Konklusyon

Habang ang kasikatan at paggamit ng artificial intelligence ay patuloy na lumalago, gayundin ang kanilang konsumo ng enerhiya. Ang mga AI model, lalo na ang deep learning, ay nangangailangan ng malaking enerhiya para sa computation, at ang mga tradisyonal na solusyon ay humaharap sa limitasyon ng power efficiency.

Sa harap ng kontekstong ito, ang pananaliksik na naglalayong mapabuti ang energy efficiency ng AI chips at bawasan ang kanilang environmental impact ay makakatulong sa mundo na ma‑realize ang buong potensyal ng teknolohiya habang binabawasan ang mga negatibong epekto nito.

Ang mga SOT‑based memory at logic device ay maaaring magdala ng malaking pagbabago dito sa pamamagitan ng pagbibigay ng low‑power solution gamit ang magnetic states para sa computation imbes na charge‑based logic. Ang pagpapanatili ng data nang walang patuloy na kuryente ay maaaring mag‑bawas ng energy cost para sa AI inference, mag‑bigay ng mas energy‑efficient na AI accelerators para sa real‑time AI decision‑making sa pamamagitan ng paggaya sa utak, at magpabilis ng processing speed para sa AI tasks sa pamamagitan ng pagsasama ng logic at memory.

Ang patuloy na pagsisikap tulad nito ay nagpapahusay sa AI hardware at software upang maging mas energy‑efficient, mas mabilis, at kayang humawak ng komplikadong computations, na sa huli ay magtutulak ng mas malawak na pag‑adopt ng AI sa iba’t ibang industriya habang binabawasan ang carbon footprint nito!

I‑klik dito upang malaman kung bakit ang 2025 ang taon ng AI‑driven investments.