در این مقاله، به بررسی بحران انرژی و هوش مصنوعی و پیامدهای زیست‌محیطی آن می‌پردازیم. همچنین، راه‌حل‌های موجود برای کاهش اثرات بحران انرژی و هوش مصنوعی و نقش سیاست‌گذاری‌ها در این زمینه را مورد بحث قرار خواهیم داد.
هوش مصنوعی (AI) به عنوان یکی از انقلابی‌ترین پیشرفت‌های فناوری در عصر حاضر، در حال دگرگونیِ ابعاد مختلف زندگی بشر است. از خودران‌ها و تشخیص چهره گرفته تا ترجمه و تولید محتوا، هوش مصنوعی با نفوذ به عرصه‌های گوناگون، نویدبخش آینده‌ای هوشمندتر و کارآمدتر را می‌دهد. با این حال، این پیشرفتِ خیره‌کننده، چالش‌هایی را نیز به همراه دارد. یکی از مهم‌ترین این چالش‌ها، بحران انرژی در هوش مصنوعی است.
در این مقاله می آموزیم
مصرف انرژی در هوش مصنوعی
آژانس بین‌المللی انرژی (IEA) در گزارشی تکان‌دهنده، پیش‌بینی کرده است که مصرف جهانی انرژی در سه سال آینده 30 درصد افزایش خواهد یافت. این رشد شتابان، نگرانی‌های جدی را در مورد بحران انرژی و هوش مصنوعی و پیامدهای زیست‌محیطی آن به وجود آورده است.
گزارش IEA نشان می‌دهد که مراکز داده، هوش مصنوعی (AI) و تاسیسات استخراج رمز ارزها نقشی کلیدی در این افزایش مصرف انرژی ایفا خواهند کرد. به طوری که مجموع مصرف انرژی آنها تا سال 2026 می‌تواند به بیش از 1000 تراوات-ساعت (TWh) برسد. این رقم معادل دو برابرِ سطوح فعلی است و نشان‌دهنده‌ی یک چالش بزرگ برای پایداریِ سیستم‌های انرژیِ جهان است. هسته‌ی مرکزیِ سیستم‌های هوش مصنوعی، الگوریتم‌های پیچیده‌ی یادگیری ماشین و یادگیری عمیق است. آموزش و اجرای این الگوریتم‌ها نیازمند حجم عظیمی از داده و قدرت پردازش بالا است. این فرآیند به طور عمده در مراکز داده (Data Centers) انجام می‌شود که غول‌هایِ گرسنه‌یِ انرژیِ عصر دیجیتال محسوب می‌شوند.
مصرف انرژی در هوش مصنوعی، عمدتاً به دو بخشِ اصلی تقسیم می‌شود:
- آموزش مدل‌ها:
آموزشِ مدل‌های هوش مصنوعی، به خصوصِ مدل‌هایِ یادگیری عمیق (Deep Learning) که در بسیاری از کاربردهایِ پیشرفته‌ی هوش مصنوعی مانند تشخیص تصویر، ترجمه ماشینی و رباتیک استفاده می‌شوند، فرآیندی بسیار پرمصرف از نظرِ محاسباتی است. این فرآیند به حجم عظیمی از داده و قدرت پردازش بالا نیاز دارد که توسطِ مراکز داده (Data Centers) تأمین می‌شود.
مراکز داده، برایِ ذخیره‌سازی و پردازشِ حجمِ عظیمی از داده‌ها، به تجهیزاتِ قدرتمندِ محاسباتی، سیستم‌هایِ خنک‌کننده‌یِ کارآمد و زیرساخت‌هایِ شبکه‌یِ پرسرعت نیاز دارند. بر اساسِ برآوردها، مراکز داده در حالِ حاضر، مسؤولِ حدودِ 1 تا 2 درصدِ از کلِ مصرفِ برقِ جهان هستند. این رقم معادلِ مصرفِ برقِ کشوری مانند نیوزیلند یا حدوداً 10 برابرِ مصرفِ برقِ تمامیِ شبکه‌هایِ اجتماعی در جهان است. در اینجا به وضوح بحران انرژی و هوش مصنوعی را می بینید.
پس به طور خلاصه، یکی از این چالش‌ها، نیازِ هوش مصنوعی به حجمِ عظیمِ داده است. جمع‌آوری و پردازشِ این حجم از داده‌ها، به خودیِ خود نیازمندِ مصرفِ انرژیِ قابل توجهی است. و چالشِ دیگر، وابستگیِ هوش مصنوعی به زیرساخت‌هایِ دیجیتال است. توسعه‌یِ هوش مصنوعی در مقیاسِ وسیع، به شبکه‌هایِ اینترنتیِ پرسرعت و مراکز داده‌یِ قدرتمند نیاز دارد که تأمینِ آنها نیز با چالش‌هایِ زیست‌محیطی و اقتصادی همراه است.
- اجرای مدل‌ها:
پس از آموزشِ مدل‌های هوش مصنوعی، آنها برایِ انجامِ وظایفِ مختلف در دنیای واقعی به کار گرفته می‌شوند. این امر نیز نیازمندِ مصرفِ انرژی است، هرچند به اندازه‌یِ آموزشِ مدل‌ها پرمصرف نیست.
میزانِ مصرفِ انرژی در اجرای مدل‌ها، به عواملِ مختلفی مانند پیچیدگیِ مدل، نوعِ وظیفه‌یِ مورد نظر و سخت‌افزارِ مورد استفاده بستگی دارد. به عنوان مثال، اجرایِ مدل‌هایِ تشخیصِ چهره در گوشی‌هایِ هوشمند، به مراتب کم‌مصرف‌تر از اجرایِ مدل‌هایِ ترجمه ماشینی در سرورهایِ ابری است. با توجه به رشدِ تصاعدیِ این صنعت، پیش‌بینی می‌شود که تا سالِ 2025، سهمِ هوش مصنوعی در مصرفِ برقِ جهان به 10 درصد افزایش یابد. این رقم، معادلِ مصرفِ برقِ تمامیِ قاره‌هایِ آفریقا و آمریکای جنوبی در حالِ حاضر است.
عواملِ مؤثر در بحران انرژی و هوش مصنوعی
مصرفِ روزافزونِ انرژی در استخراجِ رمز ارزها، به یکی از نگرانی‌هایِ اصلیِ کارشناسان و سیاست‌گذاران در سراسرِ جهان تبدیل شده است. گزارش‌هایِ معتبر، از جمله گزارشِ آژانس بین‌المللی انرژی (IEA) گویایِ ابعادِ بحران انرژی و هوش مصنوعی و این معضلِ زیست‌محیطی است.
مصرفِ سرسام‌آورِ انرژی در استخراجِ بیت‌کوین:
- در سالِ 2023، استخراجِ بیت‌کوین به تنهایی 120 تراوات-ساعت انرژی مصرف کرده است. این رقم، در مقایسه با سالِ 2022، 10 تراوات-ساعت افزایش یافته است.
- پیش‌بینیِIEA : تا سالِ 2026، مصرفِ انرژیِ استخراجِ رمز ارزها به 160 تراوات-ساعت خواهد رسید. این رقم، معادلِ کلِ مصرفِ برقِ کشورِ ژاپن است!
بهینه‌سازی مصرف انرژی و استفاده از منابع تجدیدپذیر می‌تواند به کاهش اثرات منفی زیست‌محیطی کمک کند. اما همچنان توجه به سیاست‌گذاری‌ها و توسعه فناوری‌های کارآمدتر برای مدیریت بحران انرژی و هوش مصنوعی ضروری است.
مصرف انرژی در هوش مصنوعی به عوامل متعددی از جمله حجم داده، پیچیدگی الگوریتم، نوع پردازش، زیرساخت مراکز داده، کارایی نرم‌افزار و رفتار کاربر بستگی دارد. با درکِ این عوامل و اتخاذِ راه‌حل‌هایِ مناسب، می‌توان مصرف انرژی در هوش مصنوعی را به طور قابل توجهی کاهش داد. در ادامه به برخی از مهم‌ترین آنها اشاره میکنیم:
- حجم داده:
یکی از بارزترین عوامل مؤثر بر مصرف انرژی در هوش مصنوعی، حجمِ داده‌هایی است که برای آموزش و اجرای مدل‌ها مورد استفاده قرار می‌گیرد. هرچه حجم داده‌ها بیشتر باشد، به قدرت پردازش و حافظه‌ی بیشتری نیاز خواهد بود و در نتیجه، مصرف انرژی نیز افزایش می‌یابد.
به عنوان مثال، آموزش مدل‌های زبانی بزرگ (LLMs) که برای پردازش زبان طبیعی و تولید متن استفاده می‌شوند، به حجم عظیمی از داده‌های متنی و کدی نیاز دارد. این فرآیند می‌تواند ماه‌ها طول بکشد و از نظر محاسباتی بسیار پرهزینه باشد.
- پیچیدگی الگوریتم:
عامل مهم دیگر در مصرف انرژی هوش مصنوعی، پیچیدگیِ الگوریتم‌های مورد استفاده است. الگوریتم‌های یادگیری عمیق که در بسیاری از مدل‌های هوش مصنوعی مدرن به کار می‌روند، به مراتب پیچیده‌تر از الگوریتم‌های سنتی یادگیری ماشین هستند. این پیچیدگیِ بیشتر، به قدرت پردازش و حافظه‌ی بیشتری نیاز دارد و در نتیجه، مصرف انرژی را افزایش می‌دهد.
به عنوان مثال، الگوریتم‌هایِ پیچیده‌یِ شبکه‌های عصبی عمیق (DNNs) که در تشخیص تصویر، ترجمه ماشینی و رباتیک استفاده می‌شوند، از تعداد زیادی لایه و نورون تشکیل شده‌اند. هرچه تعداد لایه‌ها و نورون‌ها بیشتر باشد، الگوریتم پیچیده‌تر و پرمصرف‌تر خواهد بود.
- نوع پردازش:
نوع پردازش‌هایی که در سیستم‌های هوش مصنوعی انجام می‌شود نیز بر مصرف انرژی آنها تأثیر می‌گذارد. به طور کلی، پردازش‌های گرافیکی (GPU) که به طور گسترده در هوش مصنوعی استفاده می‌شوند، به مراتب پرمصرف‌تر از پردازنده‌های مرکزی (CPU) هستند. علت این امر آن است که GPUها برای انجامِ محاسباتِ ماتریسی و برداری که در هوش مصنوعی رایج است، بهینه‌تر شده‌اند. در حالی که CPUها برای انجامِ طیفِ وسیع‌تری از وظایف طراحی شده‌اند و در انجامِ محاسباتِ هوش مصنوعی کاراییِ کمتری دارند.
بر اساس برآوردها، یک رک سرور مجهز به هوش مصنوعی می‌تواند چهار تا شش برابر بیشتر از یک رک سرور سنتی برق مصرف کند. علاوه بر این، فرآیند خنک کردن این سیستم‌های پرقدرت نیز به انرژی زیادی نیاز دارد. این افزایش مصرف انرژی، علاوه بر تحمیل هزینه‌های بالاتر، به چالش‌های زیست‌محیطی نیز دامن می‌زند.
- زیرساخت مراکز داده:
زیرساخت مراکز داده‌ای که مدل‌های هوش مصنوعی در آنها اجرا می‌شوند نیز بر مصرف انرژی آنها تأثیر می‌گذارد. عواملی مانند نوع تجهیزات، سیستم‌های خنک‌کننده و کاراییِ شبکه می‌توانند مصرف انرژی را به طور قابل توجهی افزایش یا کاهش دهند.
به عنوان مثال، استفاده از سیستم‌های خنک‌کننده‌ی مایع به جای سیستم‌های خنک‌کننده‌ی هوا می‌تواند مصرف انرژی را به طور قابل توجهی کاهش دهد. همچنین، استفاده از شبکه‌های پرسرعت و کم‌تأخیر می‌تواند به انتقال سریع‌تر داده‌ها و در نتیجه، کاهش مصرف انرژی کمک کند.
- کارایی نرم‌افزار:
کاراییِ نرم‌افزار مورد استفاده در سیستم‌های هوش مصنوعی نیز بر مصرف انرژی آنها تأثیر می‌گذارد. عواملی مانند بهینه‌سازی کد، استفاده از کتابخانه‌هایِ کارآمد و مدیریتِ حافظه می‌توانند به طور قابل توجهی مصرف انرژی را کاهش دهند.
به عنوان مثال، استفاده از کتابخانه‌هایِ تخصصیِ هوش مصنوعی که برای انجامِ وظایفِ خاص بهینه‌سازی شده‌اند، می‌تواند به طور قابل توجهی مصرف انرژی را در مقایسه با نوشتن کد از ابتدا کاهش دهد.
- رفتار کاربر:
رفتارِ کاربر نیز می‌تواند بر مصرف انرژی هوش مصنوعی تأثیر بگذارد. به عنوان مثال، جستجویِ مکررِ اطلاعات در اینترنت یا استفاده از برنامه‌هایِ هوش مصنوعی به طورِ مداوم، می‌تواند مصرف انرژی را افزایش دهد.
به همین دلیل، آموزشِ کاربران در موردِ استفاده‌یِ بهینه‌ی از هوش مصنوعی و طراحیِ رابط‌های کاربریِ کارآمد می‌تواند به کاهش مصرف انرژی کمک کند.
اثرات زیست‌محیطی بحران انرژی و هوش مصنوعی
مصرفِ روزافزونِ انرژی توسطِ هوش مصنوعی، پیامدهای زیست‌محیطیِ قابل‌توجهی به همراه دارد:
- افزایشِ انتشار گازهای گلخانه‌ای: با توجه به اینکه بخشِ عمده‌یِ برقِ جهان از طریقِ سوزاندنِ سوخت‌هایِ فسیلی تولید می‌شود، افزایشِ مصرفِ انرژی به معنایِ انتشارِ بیشترِ گازهای گلخانه‌ای و تشدیدِ پدیده گرمایشِ زمین خواهد بود.
- استخراجِ منابع: تولیدِ سخت‌افزارهایِ مورد نیازِ هوش مصنوعی و احداثِ مراکز داده، به استخراجِ حجمِ قابل توجهی از مواد اولیه مانند فلزات و سنگ‌های معدنی نیاز دارد. این فرآیند می‌تواند منجر به تخریبِ محیط زیست و آلودگی شود.
- کمبودِ منابع آبی: خنک‌کردنِ تجهیزاتِ مراکز داده به حجمِ زیادی آب نیاز دارد. در مناطقِ کم‌آب، این امر می‌تواند منجر به تشدیدِ تنش‌هایِ آبی و رقابت بر سرِ این منبعِ حیاتی شود.
با وجود چالش‌های پیش رو، راه‌حل‌های متعددی برای کاهش مصرف انرژی در هوش مصنوعی و کاهش اثرات زیست‌محیطی آن وجود دارد که در ادامه به برخی از آنها اشاره میکنیم.
- بهینه‌سازی الگوریتم‌ها:
- کاهشِ پیچیدگی مدل‌ها: می‌توان با استفاده از تکنیک‌هایی مانند هرس کردن و فشرده‌سازی مدل‌ها، بدون افتِ قابل توجه در دقت، پیچیدگی آنها را کاهش داد و به این ترتیب، مصرف انرژی را به طور چشمگیری پایین آورد.
- استفاده از الگوریتم‌های یادگیری تقویتی: این الگوریتم‌ها می‌توانند به مدل‌های هوش مصنوعی آموزش دهند تا مصرف انرژی خود را به طور خودکار بهینه کنند.
- انتخابِ سخت‌افزار مناسب: استفاده از سخت‌افزارهایِ اختصاصیِ هوش مصنوعی (AI ASICs) و پردازنده‌هایِ گرافیکی (GPUs) با کاراییِ بالا می‌تواند به طور قابل توجهی مصرف انرژی را کاهش دهد.
- استفاده از منابع انرژی تجدیدپذیر:
- ترویج استفاده از انرژی‌های خورشیدی، بادی و زمین‌گرمایی در مراکز داده: با جایگزینیِ سوخت‌هایِ فسیلی با منابعِ تجدیدپذیر، می‌توان انتشار گازهای گلخانه‌ای و اثرات زیست‌محیطیِ هوش مصنوعی را به طور قابل توجهی کاهش داد.
- ذخیره‌سازی انرژی: استفاده از باتری‌ها و سایر روش‌هایِ ذخیره‌سازی انرژی می‌تواند به مراکز داده کمک کند تا در زمان‌هایی که تقاضا برای برق کم است، از انرژیِ تجدیدپذیر استفاده کنند و در زمان‌هایِ پیک تقاضا، از آن به عنوانِ منبعِ پشتیبان بهره ببرند.
- خنک‌سازیِ کارآمد:
- استفاده از سیستم‌های خنک‌کننده‌ی مایع: این سیستم‌ها به مراتب کارآمدتر از سیستم‌های خنک‌کننده‌ی هوا هستند و می‌توانند مصرف انرژی را به طور قابل توجهی کاهش دهند.
- استفاده از فناوری‌های نوین خنک‌سازی: مانند خنک‌سازیِ تبخیری و خنک‌سازیِ با استفاده از هوش مصنوعی می‌توان به طور قابل توجهی مصرف آب و انرژی را در سیستم‌های خنک‌کننده مراکز داده کاهش داد.
- مدیریتِ تقاضا:
- استفاده از قیمت‌گذاریِ پویای برق: با افزایش قیمت برق در زمان‌هایِ پیک تقاضا، می‌توان مصرف‌کنندگان را به استفاده از هوش مصنوعی در زمان‌هایِ کم‌مصرف تشویق کرد.
- استفاده از هوش مصنوعی برای مدیریتِ مصرف: الگوریتم‌های هوش مصنوعی می‌توانند با تحلیلِ الگوهایِ مصرف، به مراکز داده کمک کنند تا مصرف انرژی خود را به طور بهینه مدیریت کنند.
- آگاهی‌رسانی و آموزش:
- افزایش آگاهیِ عمومی نسبت به مصرف انرژی در هوش مصنوعی: با آموزشِ ذینفعان مختلف، از جمله صاحبانِ کسب‌وکار، محققان و مصرف‌کنندگان، می‌توان آنها را به اتخاذِ راه‌حل‌هایِ پایدار برای کاهش مصرف انرژی در هوش مصنوعی تشویق کرد.
- حمایت از تحقیقات و نوآوری در زمینه‌ی هوش مصنوعی پایدار: سرمایه‌گذاری در تحقیقات برای توسعه‌ی الگوریتم‌هایِ کارآمدتر، سخت‌افزارهایِ کم‌مصرف‌تر و روش‌هایِ خنک‌سازیِ نوین می‌تواند به طور قابل توجهی به کاهش مصرف انرژی در هوش مصنوعی کمک کند.
چالش های ایجاد انرژی پاک
توسعه زیرساخت‌های مناسب و کاهش هزینه‌های تولید انرژی‌های تجدیدپذیر، کلیدهای مدیریت بحران انرژی و هوش مصنوعی هستند. توجه به این مسائل برای دستیابی به توسعه پایدار و کاهش اثرات زیست‌محیطی ضروری است. در این زمینه چالش های پیش رو هست که به صورت خلاصه عبارتند از:
- ظرفیت محدود انرژی‌های تجدیدپذیر: در حال حاضر، ظرفیت تولید انرژی‌های تجدیدپذیر به اندازه کافی برای پاسخگویی به تقاضای فزاینده سریع هوش مصنوعی نیست.
- زیرساخت‌های نامناسب شبکه برق: شبکه برق در بسیاری از مناطق قادر به انتقال حجم زیاد برق مورد نیاز مراکز داده هوش مصنوعی نیست. ساخت‌وساز نیروگاه‌های جدید، به‌ویژه نیروگاه‌های تجدیدپذیر، زمان‌بر است و نمی‌تواند با سرعت رشد تقاضای برق همگام شود.
- هزینه‌های بالا: هزینه تولید انرژی پاک، به‌ویژه انرژی خورشیدی و بادی، هنوز بالاتر از انرژی‌های فسیلی است. این موضوع مانعی برای گسترش استفاده از انرژی‌های تجدیدپذیر در مراکز داده هوش مصنوعی محسوب می‌شود.
در حالی که هوش مصنوعی به عنوانِ یکی از عواملِ تشدیدِ بحرانِ انرژی شناخته می‌شود، برخی از کارشناسان معتقدند که این فناوری می‌تواند در حلِ این معضل نیز نقش‌آفرین باشد. یکی از امیدها، استفاده از هوش مصنوعی برایِ بهینه‌سازیِ مصرفِ انرژی در بخش‌هایِ مختلفِ صنعت و زندگیِ روزمره است. هوش مصنوعی می‌تواند با تجزیه و تحلیلِ داده‌ها، الگوهایِ مصرفِ انرژی را شناسایی کند و راهکارهایی برایِ کاهشِ هدررفتِ آن ارائه دهد.
علاوه بر این، هوش مصنوعی می‌تواند در توسعه‌یِ منابعِ تجدیدپذیرِ انرژی مانندِ انرژیِ خورشیدی و بادی نیز مؤثر باشد. هوش مصنوعی می‌تواند با پیش‌بینیِ دقیق‌ترِ میزانِ تابشِ خورشید و سرعتِ باد، به کاراییِ این منابعِ انرژی و کاهشِ وابستگی به سوخت‌هایِ فسیلی کمک کند.
توسعه هوش مصنوعی پتانسیل بالایی برای ایجاد تغییرات مثبت در جامعه و بهبود کارایی در صنایع مختلف دارد، اما این توسعه بدون توجه به مصرف انرژی و اثرات زیست‌محیطی آن، می‌تواند به بحران انرژی و مشکلات زیست‌محیطی جدی منجر شود. با اتخاذ راه‌حل‌های مبتکرانه و سیاست‌های مناسب، می‌توان از منافع هوش مصنوعی بهره‌مند شد و همزمان اثرات منفی آن را به حداقل رساند. بنابراین، توسعه پایدار هوش مصنوعی نیازمند توجه جدی به مدیریت مصرف انرژی و استفاده از منابع تجدیدپذیر است.