هوش مصنوعی و بهره‌وری انرژی
پریسا مطرانلویی- بر اساس گزارش مجمع جهانی اقتصاد، شاخص گذار انرژی در سال 2024، که عملکرد سیستم انرژی فعلی و آمادگی و توانمندی محیط در انتقال انرژی در حال پیشرفت را در 120 کشور مورد بررسی قرار می‌دهد، نشان می‌دهد این شاخص در مواجهه با افزایش عدم اطمینان جهانی، شتاب خود را از دست داده است. اگرچه طی سال گذشته پیشرفت قابل توجهی در بهره‌وری انرژی و رشد قابل توجهی در پذیرش منابع انرژی پاک شکل گرفته‌است، اما شتاب انتقال انرژی متوقف شده است.
در سوی دیگر مساله گذار انرژی، موضوع فناوری و تاثیر آن بر میزان مصرف انرژی قرار دارد به نحوی که فناوری‌های نسل چهارم از جمله هوش مصنوعی علاوه بر اینکه در مسیر گذار انرژی نقش موثری دارند، همچون شمشیر دولبه‌ای عمل کرده که در دیگر سو با افزایش میزان تقاضا برای انرژی بر انتشار گازهای گلخانه‌ای می‌افزایند. در واقع شرکت‌های فناوری محور به دلیل راه‌اندازی مراکز داده‌ای مبتنی بر هوش مصنوعی، موجب افزایش انتشار گازهای گلخانه‌ای می‌شوند که مسیر گذار انرژی را دشوارتر می‌‌نماید.
سیستم‌های هوش مصنوعی بسته به پیچیدگی و کاربردشان در مصرف انرژی بسیار متفاوت هستند، اما معمولاً برای پردازش و تجزیه و تحلیل داده‌ها به مقدار قابل توجهی برق نیاز دارند. طبق برخی برآوردها، میزان مصرف انرژی هوش مصنوعی ده برابر بیشتر از جستجوی گوگل است.
استفاده هوش مصنوعی از انرژی در حال حاضر تنها کسری از مصرف انرژی بخش فناوری را نشان می‌دهد که تخمین زده می‌شود حدود 2 تا 3 درصد از کل انتشار جهانی باشد که این نسبت به دلیل اینکه شرکت‌ها، دولت‌ها و سازمان‌های بیشتری در طول زمان از هوش مصنوعی برای افزایش کارایی و بهره‌وری استفاده می‌کنند، ثابت نبوده و روند افزایشی خواهد داشت.
هوش مصنوعی به قدرت محاسباتی قابل توجهی نیاز دارد و سیستم‌های هوش مصنوعی مولد ممکن است در حال حاضر حدود 33 برابر بیشتر از نرم‌افزارهای خاص برای انجام یک کار مشخص، انرژی مصرف کنند. مادامی که این سیستم‌ها توسعه می‌یابند، آموزش و اجرای مدل‌ها باعث افزایش تصاعدی در تعداد مراکز داده مورد نیاز در سطح جهانی و مصرف انرژی مرتبط خواهد شد که فشار فزاینده‌ای را بر شبکه‌های الکتریکی که قبلاً تحت فشار قرار داشته‌اند، وارد می‌کند.
آموزش هوش مصنوعی مولد، به طور خاص بسیار انرژی‌بر است و نسبت به فعالیت‌های سنتی مرکز داده، برق بیشتری مصرف می‌کند. همچنین افزایش پیچیدگی یک مدل زبان بزرگ، مانند مدلی که ChatGPT بر روی آن ساخته شده است، تقاضای فزاینده برای انرژی را نشان می‌دهد و تخمین زده می‌شود که آموزش مدلی مانند ترانسفورماتور از پیش آموزش دیده (یا GPT-3) حدود 1300 مگاوات ساعت برق مصرف کند که تقریباً معادل مصرف برق سالانه 130 خانه در ایالات متحده است. در حالی که تخمین زده می‌شود در آموزش GPT-4 پیشرفته‌تر، 50 برابر بیشتر برق مصرف شود و به طور کلی، انرژی مورد نیاز برای حفظ رشد هوش مصنوعی تقریباً هر 100 روز دو برابر می‌شود.
در سوی دیگر مساله گذار انرژی، موضوع فناوری و تاثیر آن بر میزان مصرف انرژی قرار دارد به نحوی که فناوری‌های نسل چهارم از جمله هوش مصنوعی علاوه بر اینکه در مسیر گذار انرژی نقش موثری دارند، همچون شمشیر دولبه‌ای عمل کرده که در دیگر سو با افزایش میزان تقاضا برای انرژی بر انتشار گازهای گلخانه‌ای می‌افزایند. در واقع شرکت‌های فناوری محور به دلیل راه‌اندازی مراکز داده‌ای مبتنی بر هوش مصنوعی، موجب افزایش انتشار گازهای گلخانه‌ای می‌شوند که مسیر گذار انرژی را دشوارتر می‌‌نماید.
سیستم‌های هوش مصنوعی بسته به پیچیدگی و کاربردشان در مصرف انرژی بسیار متفاوت هستند، اما معمولاً برای پردازش و تجزیه و تحلیل داده‌ها به مقدار قابل توجهی برق نیاز دارند. طبق برخی برآوردها، میزان مصرف انرژی هوش مصنوعی ده برابر بیشتر از جستجوی گوگل است.
استفاده هوش مصنوعی از انرژی در حال حاضر تنها کسری از مصرف انرژی بخش فناوری را نشان می‌دهد که تخمین زده می‌شود حدود 2 تا 3 درصد از کل انتشار جهانی باشد که این نسبت به دلیل اینکه شرکت‌ها، دولت‌ها و سازمان‌های بیشتری در طول زمان از هوش مصنوعی برای افزایش کارایی و بهره‌وری استفاده می‌کنند، ثابت نبوده و روند افزایشی خواهد داشت.
هوش مصنوعی به قدرت محاسباتی قابل توجهی نیاز دارد و سیستم‌های هوش مصنوعی مولد ممکن است در حال حاضر حدود 33 برابر بیشتر از نرم‌افزارهای خاص برای انجام یک کار مشخص، انرژی مصرف کنند. مادامی که این سیستم‌ها توسعه می‌یابند، آموزش و اجرای مدل‌ها باعث افزایش تصاعدی در تعداد مراکز داده مورد نیاز در سطح جهانی و مصرف انرژی مرتبط خواهد شد که فشار فزاینده‌ای را بر شبکه‌های الکتریکی که قبلاً تحت فشار قرار داشته‌اند، وارد می‌کند.
آموزش هوش مصنوعی مولد، به طور خاص بسیار انرژی‌بر است و نسبت به فعالیت‌های سنتی مرکز داده، برق بیشتری مصرف می‌کند. همچنین افزایش پیچیدگی یک مدل زبان بزرگ، مانند مدلی که ChatGPT بر روی آن ساخته شده است، تقاضای فزاینده برای انرژی را نشان می‌دهد و تخمین زده می‌شود که آموزش مدلی مانند ترانسفورماتور از پیش آموزش دیده (یا GPT-3) حدود 1300 مگاوات ساعت برق مصرف کند که تقریباً معادل مصرف برق سالانه 130 خانه در ایالات متحده است. در حالی که تخمین زده می‌شود در آموزش GPT-4 پیشرفته‌تر، 50 برابر بیشتر برق مصرف شود و به طور کلی، انرژی مورد نیاز برای حفظ رشد هوش مصنوعی تقریباً هر 100 روز دو برابر می‌شود.