اگر چیزی از عصر هوش مصنوعی آموخته باشیم، این است که این صنعت با چالش‌های مهم قدرت دست و پنجه نرم می‌کند. این چالش‌ها هم واقعی هستند – مانند یافتن راه‌هایی برای برآورده کردن نیازهای انرژی هولناکی که مراکز داده هوش مصنوعی به آن نیاز دارند – و هم تصویری – مانند تمرکز ثروت هوش مصنوعی در دستان معدودی بر اساس منافع تجاری محدود و نه منافع اجتماعی گسترده‌تر.
پارادوکس قدرت هوش مصنوعی: هزینه های بالا، کنترل متمرکز
برای اینکه هوش مصنوعی موفق باشد و برای بشریت مفید باشد، باید در همه جا حاضر شود. برای فراگیر شدن، باید هم از نظر اقتصادی و هم از نظر زیست محیطی پایدار باشد. این مسیری نیست که ما اکنون به سمت پایین می رویم. نبرد وسواس‌آمیز برای هوش مصنوعی بزرگ‌تر و سریع‌تر بیشتر ناشی از دستاوردهای کوتاه‌مدت عملکرد و تسلط بر بازار است تا بهترین چیزی که برای هوش مصنوعی پایدار و مقرون‌به‌صرفه است.
رقابت برای ساختن سیستم‌های هوش مصنوعی قوی‌تر در حال افزایش است، اما هزینه‌های زیست‌محیطی گزافی دارد. تراشه های پیشرفته هوش مصنوعی، مانند H100 انویدیا (تا 700 وات)، در حال حاضر مقادیر قابل توجهی انرژی مصرف می کنند. انتظار می‌رود این روند ادامه داشته باشد، با پیش‌بینی‌های خودی‌های صنعت که نسل بعدی معماری بلک‌ول انویدیا می‌تواند مصرف انرژی هر تراشه را تا محدوده کیلووات، به طور بالقوه بیش از 1200 وات، افزایش دهد. با توجه به اینکه رهبران صنعت پیش‌بینی می‌کنند میلیون‌ها تراشه در مراکز داده در سراسر جهان مستقر شوند، نیازهای انرژی هوش مصنوعی به شدت افزایش می‌یابد.
هزینه زیست محیطی مسابقه تسلیحاتی هوش مصنوعی
بیایید آن را در یک زمینه روزمره قرار دهیم. برقی که کل خانه شما را تامین می‌کند می‌تواند همه وسایل برقی شما را به طور همزمان کار کند – نه اینکه کسی این کار را انجام دهد. اکنون تصور کنید که فقط یک رک 120 کیلوواتی انویدیا به همان میزان انرژی نیاز دارد – به خصوص زمانی که ممکن است صدها یا هزاران در مراکز داده بزرگ وجود داشته باشد! اکنون 1200 وات برابر با 1.2 کیلووات است. بنابراین در واقع، ما در مورد یک محله متوسط صحبت می کنیم. یک رک 120 کیلوواتی انویدیا – اساساً 100 عدد از این تراشه‌های پر انرژی – به برق کافی برای تامین برق تقریباً 100 خانه نیاز دارد.
با توجه به محدودیت های انرژی که بسیاری از جوامع با آن مواجه هستند، این مسیر نگران کننده است. کارشناسان مرکز داده پیش‌بینی می‌کنند که ایالات متحده طی پنج تا هفت سال آینده به 18 تا 30 گیگاوات ظرفیت جدید نیاز خواهد داشت، که شرکت‌ها را در تلاش برای یافتن راه‌هایی برای مدیریت این موج افزایش می‌دهد. در همین حال، صنعت من فقط به ایجاد برنامه‌های کاربردی هوش مصنوعی مولد انرژی‌زا ادامه می‌دهد که انرژی بسیار فراتر از آنچه از نظر تئوری برای برنامه ضروری است یا آنچه برای اکثر مشاغل امکان‌پذیر است، مصرف می‌کنند، چه رسد به اینکه برای کره زمین مطلوب است.
تعادل امنیت و دسترسی: راه حل های مرکز داده ترکیبی
این خودکامگی هوش مصنوعی و “مسابقه تسلیحاتی” که با سرعت و قدرت خام وسواس دارد، نیازهای عملی مراکز داده در دنیای واقعی را نادیده می گیرد – یعنی نوع راه حل های مقرون به صرفه ای که موانع بازار را برای 75 درصد از سازمان های آمریکایی که هوش مصنوعی را قبول نکرده اند کاهش می دهد. . و اجازه دهید با آن روبرو شویم، همانطور که مقررات هوش مصنوعی بیشتر در مورد حریم خصوصی، امنیت و حفاظت از محیط زیست در حال گسترش است، سازمان‌های بیشتری خواستار رویکرد مرکز داده ترکیبی خواهند بود و از ارزشمندترین، خصوصی‌ترین و حساس‌ترین داده‌های خود در مناطق بسیار محافظت شده و دور از هوش مصنوعی محافظت می‌کنند. و حملات سایبری اخیرا خواه سوابق مراقبت های بهداشتی، داده های مالی، اسرار دفاع ملی یا یکپارچگی انتخابات باشد، آینده هوش مصنوعی سازمانی مستلزم تعادل بین امنیت در محل و چابکی ابر است.
این یک چالش سیستمی مهم است و نیاز به همکاری بیش از حد بیش از حد رقابت دارد. با تمرکز شدید بر پردازنده‌های گرافیکی و سایر تراشه‌های شتاب‌دهنده هوش مصنوعی با معیارهای خام، سرعت و عملکرد، ما توجه کافی به زیرساخت‌های مقرون‌به‌صرفه و پایدار مورد نیاز دولت‌ها و کسب‌وکارها را برای اتخاذ قابلیت‌های هوش مصنوعی از دست داده‌ایم. مثل ساختن یک سفینه فضایی بدون جایی برای پرتاب یا قرار دادن یک لامبورگینی در یک جاده روستایی است.
دموکراتیک کردن هوش مصنوعی: همکاری در صنعت
در حالی که این موضوع باعث دلگرمی است که دولت‌ها شروع به بررسی مقررات می‌کنند – تضمین اینکه هوش مصنوعی به نفع همه است، نه فقط نخبگان – صنعت ما به چیزی بیش از قوانین دولتی نیاز دارد.
به عنوان مثال، بریتانیا از هوش مصنوعی برای افزایش قابلیت های اجرای قانون با افزایش اشتراک گذاری داده ها بین سازمان های مجری قانون برای بهبود پیش بینی و پیشگیری از جرم مبتنی بر هوش مصنوعی استفاده می کند. آنها بر شفافیت، پاسخگویی و انصاف در استفاده از هوش مصنوعی برای پلیس، اطمینان از اعتماد عمومی و پایبندی به حقوق بشر – با ابزارهایی مانند تشخیص چهره و پلیس پیش بینی برای کمک به کشف و مدیریت جرم، تمرکز می کنند.
در صنایع بسیار تنظیم شده مانند بیوتکنولوژی و مراقبت های بهداشتی، همکاری های قابل توجهی شامل می شود جانسون و جانسون MedTech و Nvidia برای تقویت هوش مصنوعی برای روش های جراحی با یکدیگر همکاری می کنند. هدف همکاری آنها توسعه زمان واقعی، تجزیه و تحلیل مبتنی بر هوش مصنوعی و قابلیت های تصمیم گیری در اتاق عمل است. این مشارکت از پلتفرم‌های هوش مصنوعی انویدیا استفاده می‌کند تا امکان استقرار مقیاس‌پذیر، ایمن و کارآمد برنامه‌های هوش مصنوعی در تنظیمات مراقبت‌های بهداشتی را فراهم کند.
در همین حال، در آلمان، مرک اتحادهای استراتژیک با Exscientia و BenevolentAI برای پیشبرد کشف مواد مخدر مبتنی بر هوش مصنوعی ایجاد کرده است. آنها از هوش مصنوعی برای سرعت بخشیدن به توسعه داروهای جدید، به ویژه در انکولوژی، نورولوژی و ایمونولوژی استفاده می کنند. هدف، بهبود میزان موفقیت و سرعت توسعه دارو از طریق طراحی و قابلیت‌های کشف قدرتمند هوش مصنوعی است.
اولین قدم کاهش هزینه‌های استقرار هوش مصنوعی برای کسب‌وکارهایی فراتر از BigPharma و Big Tech است، به‌ویژه در مرحله استنتاج هوش مصنوعی – زمانی که کسب‌وکارها هر روز یک مدل هوش مصنوعی آموزش‌دیده مانند Chat GPT، Llama 3 یا Claude را در یک مرکز داده واقعی نصب و اجرا می‌کنند. . برآوردهای اخیر پیشنهاد می کند هزینه توسعه بزرگترین این سیستم های نسل بعدی می تواند حدود 1 میلیارد دلار باشد و هزینه های استنتاج به طور بالقوه 8 تا 10 برابر بیشتر باشد.
هزینه های سرسام آور پیاده سازی هوش مصنوعی در تولید روزانه، بسیاری از شرکت ها را از استفاده کامل از هوش مصنوعی باز می دارد. اخیر نظرسنجی دریافتند که از هر چهار شرکت تنها یک شرکت با موفقیت ابتکارات هوش مصنوعی را در 12 ماه گذشته راه اندازی کرده است و 42 درصد از شرکت ها هنوز مزایای قابل توجهی از ابتکارات هوش مصنوعی مولد مشاهده نکرده اند.
برای دموکراتیزه کردن واقعی هوش مصنوعی و فراگیر کردن آن – به معنی پذیرش گسترده تجارت – صنعت هوش مصنوعی ما باید تمرکز خود را تغییر دهد. به جای رقابت برای بزرگترین و سریع‌ترین مدل‌ها و تراشه‌های هوش مصنوعی، به تلاش‌های مشترک بیشتری برای بهبود مقرون‌به‌صرفه، کاهش مصرف انرژی و باز کردن بازار هوش مصنوعی برای به اشتراک گذاشتن پتانسیل کامل و مثبت آن به‌طور گسترده‌تر نیاز داریم. یک تغییر سیستمی با سودآوری بیشتر هوش مصنوعی برای همه و منافع مصرف کننده فوق العاده، همه قایق ها را بالا می برد.
نشانه های امیدوارکننده ای وجود دارد که کاهش هزینه های هوش مصنوعی امکان پذیر است – کاهش موانع مالی برای تقویت ابتکارات هوش مصنوعی در مقیاس بزرگ ملی و جهانی. شرکت من، NeuReality، با کوالکام همکاری می‌کند تا به موفقیت برسد 90% کاهش هزینه و 15 برابر بازده انرژی بهتر برای برنامه‌های مختلف هوش مصنوعی در متن، زبان، صدا و تصاویر – بلوک‌های اساسی سازنده هوش مصنوعی. شما آن مدل‌های هوش مصنوعی را با کلمات کلیدی صنعتی مانند بینایی کامپیوتر، هوش مصنوعی محاوره‌ای، تشخیص گفتار، پردازش زبان طبیعی، هوش مصنوعی مولد و مدل‌های زبان بزرگ می‌شناسید. با همکاری با نرم افزارها و ارائه دهندگان خدمات بیشتر، می توانیم هوش مصنوعی را در عمل سفارشی کنیم تا عملکرد را بالا ببریم و هزینه ها را کاهش دهیم.
در واقع، ما موفق شده‌ایم هزینه و توان هر درخواست هوش مصنوعی را در مقایسه با زیرساخت‌های سنتی CPU محور که امروزه تمام تراشه‌های شتاب‌دهنده هوش مصنوعی، از جمله پردازنده‌های گرافیکی انویدیا، به آن متکی هستند، کاهش دهیم. دستگاه استنتاج هوش مصنوعی NR1-S ما در تابستان با شتاب‌دهنده‌های Qualcomm Cloud AI 100 Ultra همراه با NR1 NAPU شروع به ارسال کرد. نتیجه یک معماری جایگزین NeuReality است که جایگزین CPU سنتی در مراکز داده هوش مصنوعی می شود – بزرگترین گلوگاه در پردازش داده های هوش مصنوعی امروزه. این تغییر تکاملی عمیق و بسیار ضروری است.
فراتر از هیپ: ساختن یک آینده هوش مصنوعی اقتصادی و پایدار
بیایید از هیاهوی هوش مصنوعی فراتر برویم و در رسیدگی به چالش های سیستمی خود جدی باشیم. کار سخت در سطح سیستم در پیش است و کل صنعت هوش مصنوعی ما را ملزم می کند تا با یکدیگر کار کنند – نه علیه یکدیگر. با تمرکز بر مقرون به صرفه بودن، پایداری و دسترسی، می‌توانیم صنعت هوش مصنوعی و پایگاه مشتریان گسترده‌تری ایجاد کنیم که به طرق بزرگ‌تری برای جامعه مفید باشد. این به معنای ارائه گزینه‌های زیرساختی پایدار بدون تمرکز ثروت هوش مصنوعی در دست عده‌ای است که به نام Big 7 شناخته می‌شوند.
آینده هوش مصنوعی به تلاش های جمعی امروز ما بستگی دارد. با اولویت‌بندی بهره‌وری انرژی و دسترسی، می‌توانیم از آینده‌ای که تحت سلطه زیرساخت‌های هوش مصنوعی تشنه‌ی قدرت و الیگارشی هوش مصنوعی متمرکز بر عملکرد خام و به قیمت سود گسترده است، جلوگیری کنیم. به طور همزمان، ما باید به مصرف انرژی ناپایدار که مانع پتانسیل هوش مصنوعی برای متحول کردن امنیت عمومی، مراقبت های بهداشتی و خدمات مشتری می شود، رسیدگی کنیم.
با انجام این کار، ما یک چرخه سرمایه گذاری و سودآوری قدرتمند هوش مصنوعی ایجاد می کنیم که با نوآوری گسترده تغذیه می شود.
کی با ماست؟
