هوش مصنوعی سبز نیست؛ بازگشت زغال‌سنگ به قلب دیتاسنترهای آمریکا

گزارش وب‌سایت The Register نشان می‌دهد که مراکز داده هوش مصنوعی در ایالات متحده هرچه بیشتر به برق تولیدشده از زغال‌سنگ متکی می‌شوند.

به گزارش تک‌ناک، با افزایش تقاضای برق به‌ دلیل گسترش زیرساخت‌های هوش مصنوعی و بالا رفتن قیمت گاز طبیعی، تولید برق با زغال‌سنگ افزایش یافته است.

با وجود این، در ایالت‌هایی که نیروگاه‌های هسته‌ای فعال هستند، از زغال‌سنگ، سنگ‌نفت و نفت برای تنظیم نوسانات عرضه و تقاضای برق استفاده می‌شود و به صورت مستقیم انرژی این مراکز را تأمین نمی‌کنند.

آموزش مدل‌های هوش مصنوعی

طبق گزارشی از شرکت Jefferies، تولید برق از زغال‌سنگ نزدیک به 20 درصد افزایش یافته است و پیش‌بینی می‌شود که این روند تا سال 2027 ادامه داشته باشد. رشد سریع تقاضای برق و افزایش قیمت گاز باعث شده است تا اپراتورها دوباره به آلاینده‌ترین نوع سوخت بازگردند. اما مسئله فقط آلودگی نیست؛ موضوع، شبکه‌ برقی است که باید در دسترس همه باقی بماند. نیروگاه‌های هسته‌ای تقریبا به‌ طور ایدئال برای تأمین انرژی مراکز داده‌ آموزش هوش مصنوعی مناسب‌ هستند، چرا که توان خروجی پایدار و ظرفیت بالای آنها با نیاز مداوم و قابل پیش‌بینی این مراکز مطابقت دارد.

البته همیشه این‌گونه نیست؛ در جریان آموزش مدل‌ها، در بازه‌های ذخیره‌سازی (Checkpoint Intervals) هنگامی که داده‌ها در حافظه نوشته و همگام‌سازی می‌شوند، میزان استفاده از GPU به‌شدت کاهش می‌یابد، اما این نوسانات در مقایسه با بار کلی سیستم ناچیز هستند.

در همین حین، از آنجا که تولید برق در نیروگاه‌های هسته‌ای ثابت است و نوسان چندانی ندارد، اپراتورهای شبکه باید کاهش یا افزایش ناگهانی مصرف را جبران کنند؛ در اینجا است که نقش زغال‌سنگ و انرژی‌های تجدیدپذیر پررنگ می‌شود. بدون آنها، برق به‌ صورت پیوسته از خطوط ولتاژ بالا به ترانسفورماتورها منتقل می‌شود؛ تجهیزاتی که وظیفه‌ آنها حفظ ولتاژ پایدار در خانه‌ها و صنایع است، اما برای مدیریت بارهای عظیم طراحی نشده‌اند.

در واقع، انرژی هسته‌ای توان پایداری را فراهم می‌کند که اجرای چند‌هفته‌ای فرایندهای آموزش مدل‌های هوش مصنوعی را بدون وقفه ممکن می‌سازد؛ اما در مواقع بحرانی، زغال‌سنگ و منابع تجدیدپذیر وارد عمل می‌شوند تا نیاز دیگر مصرف‌کنندگان را پوشش دهند.

اجرای مدل‌های هوش مصنوعی

در مرحله اجرای مدل، شرایط متفاوت است؛ جایی که مدل آموزش‌دیده برای تولید خروجی از ورودی‌های جدید به‌کار می‌رود. مصرف برق در این مرحله به‌صورت انفجاری و کوتاه‌مدت اتفاق می‌افتد، چرا که سیستم در فواصل غیرقابل‌ پیش‌بینی حجم عظیمی از محاسبات پیشرو را پردازش می‌کند. هر درخواست (چه تولید متن باشد، چه شناسایی تصویر یا ارائه‌ پیشنهاد) هزاران ضرب ماتریسی را روی شتاب‌دهنده‌های هوش مصنوعی فعال می‌کند و برای کسری از ثانیه جهش بزرگی در مصرف برق ایجاد می‌کند. زمانی که میلیون‌ها درخواست هم‌زمان دریافت می‌شوند، بار کلی به‌سرعت بالا می‌رود و فشار شدیدی بر شبکه‌ توزیع محلی و سامانه‌های خنک‌کننده وارد می‌شود.

بنابراین اجرای مدل‌های هوش‌ مصنوعی، الگوهای ناپایدار و پرنوسان مصرف برق را ایجاد می‌کند، که باید با منابع انرژی پاسخ‌گو یا ذخیره‌سازهای در محل جبران شود. شبکه برق باید به‌اندازه کافی انعطاف‌پذیر باشد تا پاسخگوی تمام انواع مصرف‌کنندگان باشد و باز هم در اینجا زغال‌سنگ، سنگ‌نفت و منابع تجدیدپذیر نقش حیاتی پیدا می‌کنند.

بر اساس گزارش شرکت Jefferies که در وب‌سایت The Register آمده، با افزایش تقاضای برق در ایالات متحده به‌دلیل رشد مراکز داده هوش مصنوعی، تولید برق با زغال‌سنگ حدود 20 درصد افزایش یافته است. با وجود این، نقش اصلی زغال‌سنگ بیشتر در پایدار نگه‌داشتن شبکه برق است و در تامین مستقیم انرژی خوشه‌های هوش مصنوعی به کار نمی‌رود.

جمع‌بندی

نیروگاه‌های هسته‌ای انرژی ثابت و پایداری تولید می‌کنند، که برای دوره‌های طولانی آموزش مدل‌های هوش مصنوعی ایدئال است، در حالی‌ که زغال‌سنگ و انرژی‌های تجدیدپذیر به جبران نوسانات ناشی از فرایندهای ذخیره‌سازی و دیگر بارهای جانبی کمک می‌کنند. در مرحله اجرای مدل، زمانی‌که میلیون‌ها درخواست کاربر به‌ صورت غیرقابل پیش‌بینی ارسال می‌شود، شبکه برق به منابع انعطاف‌پذیرتر — از جمله سوخت‌های فسیلی — متکی است تا جهش‌های کوتاه و ناگهانی مصرف برق را مدیریت کند؛ جهش‌هایی که حتی پیشرفته‌ترین مراکز داده نیز به‌تنهایی قادر به مهار آن نیستند.