الگوریتم جدید BitEnergy AI و کاهش چشمگیر مصرف انرژی سیستم‌های هوش مصنوعی

مهندسان هوش مصنوعی ادعا می‌کنند که الگوریتم جدید BitEnergy AI آن‌ها مصرف انرژی هوش مصنوعی را تا ۹۵ درصد کاهش می‌دهد.

به‌گزارش تک‌ناک، مهندسان BitEnergy AI با توسعه الگوریتم جدید Linear-Complexity Multiplication (L-Mul)، توانسته‌اند تحولی اساسی در مصرف انرژی سیستم‌های هوش مصنوعی ایجاد کنند. این الگوریتم که جایگزین روش ضرب اعشاری پیچیده (Floating-Point Multiplication – FPM) می‌شود، بدون از‌دست‌دادن دقت و صحت، مصرف انرژی هوش مصنوعی را کاهش چشمگیری می‌دهد.

تامزهاردور می‌نویسد که در سال‌های اخیر، یکی از مشکلات اساسی در توسعه فناوری‌های هوش مصنوعی، نیاز به انرژی فراوان برای پردازش‌های پیچیده بوده است. این مسئله نه‌تنها هزینه‌های عملیاتی مراکز داده را بسیار افزایش می‌دهد؛ بلکه فشار زیادی بر شبکه برق و منابع انرژی وارد می‌کند. در این شرایط، روش جدید L-Mul با کاهش مصرف انرژی تا ۹۵ درصد می‌تواند راهکاری مهم برای مقابله با این مشکلات باشد.

01

از 04

جزئیات الگوریتم L-Mul و مزایای آن

الگوریتم L-Mul که مهندسان BitEnergy AI توسعه داده‌اند‌، به‌جای استفاده از ضرب اعشاری پیچیده، از جمع عدد صحیح برای پردازش داده‌های هوش مصنوعی استفاده می‌کند. این تغییر نه‌تنها از‌نظر سرعت محاسباتی کارآمدتر است؛ بلکه مصرف انرژی سیستم‌ها را نیز بسیار کاهش می‌دهد. با وجود سادگی نسبی الگوریتم جدید، نتایج محاسباتی آن همچنان به دقت و صحت نتایج FPM نزدیک است.

طبق گزارش TechXplore، این الگوریتم توانایی کاهش مصرف انرژی هوش مصنوعی تا ۹۵ درصد را دارد که می‌تواند نقش مهمی در آینده توسعه فناوری‌های هوش مصنوعی ایفا کند. ازآنجاکه نیاز به انرژی در این حوزه به سرعت در حال افزایش است، این کاهش مصرف می‌تواند تأثیر زیادی بر کاهش فشار بر شبکه‌های برق و منابع انرژی بگذارد.

02

از 04

مشکلات سخت‌افزاری و آینده‌نگری

اگرچه الگوریتم L-Mul از‌لحاظ تئوری و عملی به نتایج بسیار امیدوارکننده‌ای دست یافته است، مشکلات سخت‌افزاری همچنان پابرجا هستند. بسیاری از سخت‌افزارهای موجود در بازار، از‌جمله پردازنده‌های Blackwell GPUs شرکت انویدیا، هنوز برای پشتیبانی از این الگوریتم طراحی نشده‌اند. این یعنی حتی با تأیید عملکرد عالی L-Mul، نیاز به توسعه سخت‌افزارهای جدیدی وجود دارد که بتوانند از این الگوریتم بهره‌برداری کنند.

این مسئله می‌تواند نگرانی‌هایی برای شرکت‌های فعال در حوزه هوش مصنوعی ایجاد کند؛ به‌ویژه آن‌هایی که به‌تازگی سرمایه‌های هنگفتی را در خرید سخت‌افزارهای پیشرفته هزینه کرده‌اند. با‌این‌حال، مزیت کاهش ۹۵ درصدی در مصرف انرژی احتمالاً بسیاری از شرکت‌ها را ترغیب خواهد کرد که به‌سرعت به‌سمت این فناوری حرکت کنند؛ به‌ویژه اگر سازندگان تراشه‌های هوش مصنوعی، مدارهای مجتمع اختصاصی (ASICs) جدیدی تولید کنند که از این الگوریتم استفاده کنند.

03

از 04

بحران انرژی در توسعه هوش مصنوعی

یکی از مشکلات اصلی توسعه هوش مصنوعی در سال‌های اخیر، مصرف زیاد انرژی مراکز داده بوده است. به‌عنوان مثال، GPUهای مرکز داده‌ای که سال گذشته فروخته شدند، مصرف انرژی برابر با یک‌میلیون خانه را در طول یک سال ازآن خود کردند. حتی شرکت‌هایی مانند گوگل به‌دلیل نیاز به انرژی زیاد برای پردازش‌های هوش مصنوعی به تعویق اهداف اقلیمی خود مجبور شده‌اند. طبق گزارش‌ها، انتشار گازهای گلخانه‌ای گوگل از سال ۲۰۱۹ تا‌کنون ۴۸ درصد افزایش یافته است؛ در‌حالی‌که انتظار می‌رفت این ارقام هر سال کاهش یابد.

مدیرعامل سابق گوگل نیز پیشنهادی جالب و بحث‌برانگیز مطرح کرد. او پیشنهاد داد که اهداف اقلیمی کنار گذاشته شوند تا تولید انرژی افزایش یابد و سپس با استفاده از هوش مصنوعی پیشرفته، مشکل گرمایش جهانی حل شود.

04

از 04

کاهش مصرف انرژی؛ گامی به‌سوی آینده‌ای پایدار

با توسعه الگوریتم L-Mul و بهبود کارایی انرژی در سیستم‌های هوش مصنوعی، به‌نظر می‌رسد که می‌توان آینده‌ای را تصور کرد که در آن فناوری‌های پیشرفته بدون نیاز به مصرف انرژی زیاد به پیشرفتشان ادامه دهند. کاهش ۹۵ درصدی مصرف انرژی می‌تواند به کاهش فشار بر شبکه‌های برق ملی کمک کند. افزون‌براین، نیاز به ساخت نیروگاه‌های بیشتر برای تأمین انرژی آینده را نیز کاهش دهد.

این پیشرفت می‌تواند فرصت‌هایی را برای شرکت‌های بزرگ فناوری فراهم کند تا با استفاده از فناوری‌های هوش مصنوعی کارآمدتر، بدون نیاز به تخریب منابع طبیعی و افزایش گازهای گلخانه‌ای، به توسعه خود ادامه دهند.