Kontrol Edilmeyen Enerji Tüketimi – Yapay Zekayı İyileştirmek için Yapay Zekayı Kullanmak

Hızla büyüyen yapay zeka (AI) pazarı tahmin Bu on yılın sonunda 1.8 trilyon dolara ulaşacak. 

Yapay zeka çılgınlığı 2021'in başlarında ilgi görmeye başlarken, Yapay zeka gerçekten çığır açan gelişmeyi ancak geçen yıl buldu. Aslında öyle bir büyüme yaşandı ki, çözümlerden kullanıma kadar yapay zeka ile ilgili her şey hızla artmaya başladı ve üretken yapay zekaya yapılan yatırımlar tavan yaptı. 

ChatGPT gibi üretken yapay zeka sistemleri yeni yetenekler gösterdiğinde herkes hızla büyüyen bu pastadan bir parça almak istedi. Ayrıca bu özel yatırımların çoğu ABD'de gerçekleşiyor.

Bu popüler araçların temelinde, OpenAI'nin ChatGPT'si örneğinde olduğu gibi GPT-4 gibi temel modeller yer alır. Bu büyük ve çok amaçlı modeller, eğitim için büyük veri kümeleri ve geniş kaynaklar gerektirir. Temel modeller, yeni uygulamaları uygun maliyetli ve daha hızlı bir şekilde destekleyen makine öğrenimi (ML) modelleri geliştirmek için bir başlangıç ​​noktası görevi görür.

Teknoloji devi Google'ın serbest çeşitli temel modelleri; Imagen, Muse ve Parti, metinden görüntüye modeller, sağlık sektörü için MedLM, Codey adı verilen kodlama modeli ve Chirp evrensel konuşma modelidir.

Bu modeller, üzerinde çalıştıkları gerçek dünya verilerini depolamak ve geri almak için çok daha fazla bellek de dahil olmak üzere, benzeri görülmemiş miktarda bellek tüketiyor. Örneğin, GPT-3 yaklaşık 500 milyar kelimeyle eğitiliyor ve 175 milyar parametre kullanıyor. Bu durum, yapay zekanın enerji talebinin hızla artmasına neden oldu.

Geçtiğimiz birkaç yılda yapay zekanın çevresel etkisi geniş çapta rapor edildi. Geçen yılın sonlarında, hakemli bir analiz bu talebi ölçmeye çalıştı. 

Muazzam enerji maliyetlerini tartıştıktan sonra kriptokrasi madenciliğiHollanda Merkez Bankası'nda veri bilimcisi ve Amsterdam Vrije Üniversitesi'nde doktora adayı olan Alex de Vries, dikkatini en son teknoloji trendi olan yapay zeka benimsemesine çevirdi. son değerlendirmesiNVIDIA, 1.5 yılına kadar yılda 2027 milyon AI sunucu birimi sevk edecek. Tam kapasiteyle çalışırken bu sunucuların yılda en az 85.4 terawatt-saat elektrik tüketeceği öngörülüyor. 

De Vries, yapay zekanın potansiyel olarak Bitcoin gibi İş Kanıtı (PoW) ağlarından daha kötü olabileceğini tahmin ediyor. Ancak bunlar sadece tahminler; uzmanlar bu rakamların tam olmadığını ve tesadüfi olduğunu belirtiyor.

Geçen Aralık ayında, AI firması Hugging Face'ten Sasha Luccioni ve firmadaki meslektaşları ile Carnegie Mellon Üniversitesi de 88 farklı model üzerinde testler gerçekleştirdi. Görevi 1,000 kez çalıştırdılar ve bulundu Çoğu görevin metin oluşturmak için 0.047 kWh gibi az miktarda enerji kullandığını görüyoruz. Ancak 2.907 çıkarım başına ortalama 1,000 kWh kullanan görüntü oluşturma modelleri için rakamların çok daha büyük olduğu görüldü. Bağlam açısından, ortalama bir akıllı telefonun şarj etmek için 0.012 kWh kullandığını belirttiler.

Bu arada, yakın zamanda bir kâğıt Büyük dil modellerinin yaklaşık 1,300 megawatt saat elektrik kullandığı tahmin ediliyor; bu da ABD'deki 130 evin yıllık tükettiği elektriğe eşdeğer.

Uluslararası Enerji Ajansı da ünlü Bu yılın başındaki raporunda yapay zeka ve kriptoya olan talebin, yakın gelecekte veri merkezlerinin elektrik kullanımının önemli ölçüde artmasına yol açacağı belirtiliyor. Artışın 460'de 2022 terawatt saatten 620'da 1,050 ila 2026 TWh arasına çıkması bekleniyor.

Bu, artık yapay zekanın artan maliyeti konusunda uyarıda bulunan düzenleyicilerin dikkatini çekti. Massachusetts Senatörü Edward Markey'e (D) göre:

"Yeni nesil yapay zeka araçlarının geliştirilmesi, gezegenimizin sağlığı pahasına olamaz." 

Bu karar, diğer senatörler ve temsilcilerle birlikte, federal hükümetin yapay zekanın çevresel ayak izini değerlendirmesini ve gelecekteki etkilerini raporlamak için standart bir sistem geliştirmesini gerektiren bir yasa tasarısını sunmasının ardından geldi. Avrupa'da, kaynak kullanımını, enerji tüketimini ve diğer etkilerini raporlamak için güçlü temel modellere ihtiyaç duyan Yapay Zeka Yasası halihazırda kabul edildi.

Tüm bunların ortasında, Uluslararası Standardizasyon Örgütü bu yılın sonlarında "sürdürülebilir yapay zeka" için malzeme kullanımı, su tüketimi ve enerji verimliliğinin ölçülmesine yönelik kriterler yayınlayacak. 

Yapay Zekayı Daha Verimli Hale Getirmek 

Yapay zeka modellerinin geniş ölçekte uygulanabilir olabilmesi için enerji açısından daha verimli olması ve veri merkezlerinden çok daha az güç kullanan, enerjisi kısıtlı cihazlarda çalışabilmesi gerekiyor. 

Bu veri merkezleri, bilgisayarların çalışır durumda kalması için büyük miktarda enerjiye ihtiyaç duyuyor ve bu enerji ağırlıklı olarak fosil yakıtlardan sağlanıyor. Bu önemli miktarda CO2e emisyonuna neden olur. Bu sorunun üstesinden gelmek için araştırmacılar ve kuruluşlar yapay zekayı daha verimli hale getirmek için çalışıyor. 

Bu soruna çözüm bulma konusunda önemli ilerleme kaydeden öne çıkan firmalardan biri de Londra merkezli kod optimizasyon uzmanı TurinTech'tir. TurinTech, derin öğrenme ve evrimsel algoritmaların bir karışımı yoluyla ilerleme kaydediyor. Bu sistem, mevcut modeli sıfırdan oluşturmak yerine sürekli olarak yeni bilgilere dayalı olarak uyarlamaktadır. 

Ernst and Young İngiltere'den Harvey Lewis'e göre evrimsel veya genetik algoritmalar ve Bayesian istatistik yöntemleri, derin öğrenmeyi daha verimli hale getirebilir ve uzman donanım, maliyetini azaltabilir.

Önerilen bir diğer yöntem ise veri odaklı yapay zekayı, uygulamanın alanıyla ilgili diğer bilimsel veya insan girdileriyle birleştirmektir. CITRIS'te stratejik girişimler direktörü olan Pushkar P. Apte ve CITRIS direktörü Costas J. Spanos, yazdı bunu başarmanın yaklaşık dört yolu:

• Yapay zekayı bilimsel yasalarla sinerjiye kavuşturmak.
• Verileri uzman insan içgörüleriyle zenginleştirme.
• Yapay zekanın nasıl karar verdiğini açıklamak için cihazların kullanılması.
• Davranışı tahmin etmek için diğer modelleri kullanmak.

En son girişim EnCharge, tahminleri gerçekleştirirken bu yapay zeka modellerinin enerji tüketimini önemli ölçüde artırabilecek bir yapay zeka atılımına imza attı. Şirket, geleneksel transistörler yerine düşük enerjide matris çoğaltma birikimlerini paralel olarak gerçekleştirebilen analog bellek devresindeki çalışmaların bir kısmını yaparak bellek kullanımını azaltmak için DARPA finansmanından yararlandı. 

"Veri hareketi sorununu böyle çözersiniz." 

– Naveen Verma, EnCharge AI CEO'su ve Princeton Elektrik Mühendisliği Bölümünde profesör 

Ayrıca, tek tek bitlerin iletilmesi yerine, indirgenmiş sonucun çok sayıda paralel çarpmanın birikmesi biçiminde iletildiğini ekledi.

EnCharge AI, watt başına saniyede 150 trilyon işlem gerçekleştirebildi. Ancak, analog hesaplamayı başarmak son derece zordur ve önceki girişimler sonuçsuz kalmıştır.

Bu arada, araştırma UCPH Bilgisayar Bilimleri Bölümü'nden kadrolu yardımcı doçent Raghavendra Selvan, geçen yıl makine öğreniminin karbon ayak izini azaltmanın farklı yollarını araştırdı. Mikro düzeyde, algoritmalar kaynak kullanımını azaltmak için daha hızlı ve daha verimli hale getirilebilir. Bunun, hesaplamalarda kullanılan bit sayısının ve gereksiz hesaplamaların nasıl azaltılacağına bakılarak yapılabileceğini belirtti. 

Ayrıca depolanan tüm verilere olan ihtiyacın değerlendirilmesini önerdi. Dolayısıyla, makro düzeyde, hesaplamaların (çoğu zaman açısından kritik olmayan) ne zaman ve nerede yapıldığına bakarak, eğitim oturumlarının ve bunların maliyetlerini azaltmak amacıyla yapay zeka sistemlerinin eğitimi için yoğun olmayan saatler seçilebilir. karbon Ayakizi. 

Yapay Zekayı Daha İyi Hale Getirmek için Yapay Zekayı Kullanma 

Selvan artık performanslarını etkilemeden çok daha az enerji tüketen yapay zeka modellerinin tasarlanması için bir referans noktası oluşturdu. Ancak bu, bu yapay zeka modellerinin tasarlanması ve eğitilmesi için kullanılan enerji miktarının ve karbon ayak izinin standart olarak kullanılmasını gerektirir.

Bunun için 429,000 AI alt tipi modeli incelendi. Dil çevirisi, yüz tanıma, nesne algılama ve tıbbi görüntü analizi için kullanılan bu evrişimli sinir ağlarının, basit bir eğitim için 263,000 kWh kadar enerji gerektireceği tahmin ediliyor. 

Bir paralellik kurmak gerekirse, 263,000 kWh ortalama bir Danimarka vatandaşının kırk yılı aşkın bir süre boyunca tükettiği enerjiye eşdeğerdir. Bir bilgisayarın tüm bu eğitimi tamamlaması bir asır alır. 

Bu muazzam enerji tüketimi, sektörü iklim dostu hale getirmek için çalışmalara yöneltiyor; ancak enerji tasarruflu yapay zeka modellerinin geliştirilmesi henüz gerçekleşmedi. Yapay zekanın karbon ayak izini azaltma olanaklarını araştıran Selvan'a göre:

"Günümüzde geliştiriciler, sonuçlarının doğruluğu açısından etkili olan yapay zeka modelleri oluşturmaya odaklanmış durumda." 

Bu davranışı, yakıt tüketimini hesaba katmadan, sadece varış noktasına hızlı bir şekilde ulaştığı için iyi kabul edilen bir arabaya benzetti ve ekledi:

"Sonuç olarak yapay zeka modelleri enerji tüketimi açısından genellikle verimsiz oluyor." 

Onun yeni ders çalışmaBilgisayar Bilimleri öğrencisi Pedram Bakhtiarifard ile gerçekleştirilen çalışma, bir yapay zeka modelinin hassasiyetini korurken büyük miktarda CO2e'yi sınırlamanın mümkün olduğunu göstererek bunu değiştirmeyi amaçlıyor.

UCPH araştırmacıları, bunu başarmak için en başından itibaren enerji açısından verimli bir modele ihtiyacımız olduğunu belirtti. Bu, yapay zeka modellerini tasarlarken ve eğitirken enerji yoğun süreçlerinde iklim maliyetlerinin göz önünde bulundurulması anlamına geliyor. Selvan, bu şekilde karbon ayak izinin, hem eğitim hem de dağıtım aşamalarını kapsayan "modelin 'yaşam döngüsünün' her aşamasında" azaltılabileceğini söyledi.

Araştırmacılar, bu yapay zeka modellerinden yüz binlercesini eğitmek için gereken enerjiyi hesapladılar. İlginç bir şekilde, UCPH araştırmacıları modelleri eğitmek yerine, başka bir yapay zeka modeli kullanarak tahminde bulundular. Bu şekilde, normalde harcanacak enerjinin büyük çoğunluğunu, yani %99'unu tasarruf edebildiler.

Ekip şimdi, hesaplamalarına dayanarak, yaklaşık aynı düzeyde performans gösteren ancak bir görevi tamamlamak için daha az enerji kullanan yapay zeka modellerinden oluşan bir karşılaştırmalı değerlendirme koleksiyonu sundu.

Araştırmaya göre, eğitim ve uygulama aşamalarında modellerin ayarlanması veya başka model türlerinin kullanılması, yüzde 80'e kadar enerji tasarrufu sağlayabiliyor. Performansa gelince, çok az ödün verildi veya hiç ödün verilmedi (yalnızca %1 veya daha az). Araştırmacılara göre bu rakamlar aslında muhafazakar. 

"Sonuçlarımızı yapay zeka profesyonelleri için bir tarif kitabı olarak düşünün. Tarifler yalnızca farklı algoritmaların performansını değil, aynı zamanda ne kadar enerji verimli olduklarını da açıklıyor." 

– Bakhtiarifard

Modelin tasarımındaki bir bileşeni başka bir bileşenle değiştirerek "genellikle aynı sonucu elde edebileceğimizi" de ekledi. Bu, uygulayıcıların önce her modeli eğitmeye başlaması gerekmediği anlamına geliyor; bunun yerine, hem performansa hem de enerji tüketimine göre birini seçebiliyorlar.

Bakhtiarifard, belirli bir görev için en uygun seçeneği bulmadan önce birden fazla modelin eğitildiğini ve bu nedenle yapay zeka geliştirmenin "son derece enerji yoğun" olduğunu belirterek, "Baştan doğru modeli seçmenin ve bunun da ötesinde eğitim aşamasında önemli miktarda güç tüketmeyen modeli seçmenin iklim dostu olacağını" söyledi.

Araştırmacılar, otonom araçlar ve tıp gibi alanlarda model hassasiyetinin güvenlik açısından kritik öneme sahip olduğunu, bu nedenle performanstan ödün veremeyeceğimizi ancak bunun bizi diğer alanlarda yüksek enerji verimliliği elde etmeye çalışmaktan alıkoymaması gerektiğini belirtti. 

Onlara göre çalışma, birçok sektörde olduğu gibi yapay zeka modeli geliştirmede enerji verimliliğinin standart olmasıyla daha iyi bir dengenin bulunabileceğini gösteriyor. Selvan'a göre:

“Yapay zekanın inanılmaz bir potansiyeli var. Ancak sürdürülebilir ve sorumlu yapay zeka gelişimini sağlamak istiyorsak, yalnızca model performansını değil aynı zamanda iklim etkisini de göz önünde bulunduran daha bütünsel bir yaklaşıma ihtiyacımız var." 

EC-NAS adı verilen kıyaslama açık kaynaklıdır ve diğer bilim insanları ve şirketler tarafından sinir mimarisi araştırmasında (NAS) araştırmaları ilerletmek için kullanılabilir. Çalışma, çok amaçlı optimizasyon algoritmalarının kullanılmasının enerji kullanımı ile doğruluk arasında bir denge kurduğunu söyledi. Çalışmada, "EC-NAS, çeşitli ölçümleriyle, enerji açısından verimli ve çevresel açıdan sürdürülebilir modeller geliştirmeye yönelik daha fazla araştırmayı davet ediyor" ifadesine yer verildi..

Yapay Zeka Tabanlı Enerji Çözümleri

Şimdi, teknolojiyi kullanarak enerji sektörüne adım atan ve yapay zeka tabanlı enerji çözümleri sunmak için aktif olarak çalışan şirketlere bir göz atalım:

# 1. GE Yenilenebilir Enerji

Şirket, rüzgar türbini lojistik süreci için lojistik maliyetlerini doğru bir şekilde tahmin etmek ve kolaylaştırmak amacıyla kendi bünyesinde geliştirilen AI/ML teknolojisini kullanıyor. Bu yıl GE, üreticilerin karlılığı en üst düzeye çıkarmaya yardımcı olurken aynı zamanda sürdürülebilirliğe ulaşmaları için Proficy'yi piyasaya sürdü. Ayrıca raporlama doğruluğunu artırmak için yapay zeka destekli CERius'u da kullandı.

Bu ayın başlarında General Electric üç ayrı şirkete bölünerek havacılık, enerji ve sağlık hizmetlerine odaklandı ve NYSE'de ayrı varlıklar olarak işlem görmeye başladı. Enerji kanadı artık GE Vernova (GEV) olarak adlandırılıyor ve hisseleri 36 seviyesinden işlem görürken 131.75 milyar dolarlık bir piyasa değerine sahip. Şirket, 2023 yılında güvenli SunZia projesine 2.4 GW tedarik edecek bir ABD rüzgar projesini desteklemek için en büyük siparişini verdi. Goldman Sachs, şirketin 4 yılına kadar 2026 milyar dolar FAVÖK elde etmesini öngörüyor.

# 2. Schneider Electric

34.2 milyar dolarlık Fransız merkezli şirket, verimliliği ve üretkenliği artırmanın yanı sıra iklim değişikliği sorununu ele almak için yapay zekadan yararlanıyor. Schneider Electric'in yapay zeka kullanımı, veri görselleştirme ve mühendisliği, optimizasyon ve simülasyon ile güvenilirlik modellemesi etrafında dönüyor. 

Şirket, 36 mali yılında %2023 artışla 13 milyar Euro gelir elde etti. Schneider Electric ayrıca 4 milyar Euro net gelir ve 4.6 milyar Euro serbest nakit akışı bildirdi. 

Sonuç

Yapay zekâ, bu on yılın teknoloji devrimidir. Yapay zekâ entegrasyonunun şirketler için maliyetleri düşürüp gelirleri artırdığı ve çalışanlar için daha iyi verimlilik kazanımları sağladığı göz önüne alındığında, bunun yalnızca moda bir terim olmadığı açıktır. Yapay zekâ sistemleri aslında birçok görevde insanlardan daha iyi performans gösteriyor, ancak karmaşık bilişsel görevlerde hâlâ onlardan daha iyiyiz.

Ancak gizlilik, algoritmik önyargılar ve yukarıda tartıştığımız gibi olumsuz çevresel etki açısından kendi risklerini de beraberinde getiriyor. Yapay zekaya yönelik tutumlar üzerine yapılan küresel bir araştırma da insanların bu yeni teknoloji konusunda endişeli olduğunu gösteriyor, ancak çoğunluk bunun önümüzdeki yıllarda günlük yaşamlarını değiştireceğini düşünüyor. Genç nesil yapay zeka konusunda daha iyimser. 

Yapay zeka hayatımızın önemli bir parçası olmaya devam ederken, hükümetler, bilim insanları ve şirketler risklerini ele almak için bir araya geliyor. Düzenleyiciler şimdiden sektörü hedef almaya başladı ve son yedi yılda 30'dan fazla ülke en az bir yapay zeka yasası çıkardı. Teknolojik gelişmeler arttıkça, yapay zekanın daha verimli hale geldiğini ve dünyamızı dönüştürdüğünü göreceğiz. 

Yapay zekaya yatırım hakkında her şeyi öğrenmek için buraya tıklayın.