Оглавление

Экспоненциальный рост дата-центров для генеративного искусственного интеллекта грозит серьезными последствиями для климата. По прогнозам Международного энергетического агентства, к 2030 году потребление электроэнергии дата-центрами удвоится и достигнет 945 тераватт-часов — больше, чем потребляет вся Япония.

Две стороны углеродного следа

Как объясняет Вайджай Гадепалли, старший научный сотрудник MIT Lincoln Laboratory, при обсуждении экологического воздействия ИИ часто упускают из виду «воплощенный углерод» — выбросы, связанные со строительством самой инфраструктуры.

«Операционная составляющая — лишь часть истории. Некоторые меры по снижению операционных выбросов могут помочь сократить и воплощенный углерод, но в будущем нужно делать больше», — отмечает эксперт.

Энергосберегающие стратегии

Исследователи предлагают несколько подходов к снижению операционных выбросов:

  • Снижение энергопотребления GPU — аналогично «приглушению света» в доме
  • Использование менее энергоемкого оборудования с пониженной точностью вычислений
  • Оптимизация процесса обучения моделей машинного обучения

Исследования Supercomputing Center показали, что снижение энергопотребления GPU до 30% от максимального практически не влияет на производительность моделей ИИ, одновременно упрощая охлаждение оборудования.

Почему-то вышло так, что индустрия тратит колоссальные ресурсы на погоню за последними процентами точности, которые часто не имеют практической ценности. Пока все обсуждают GPT-5, реальная экологическая цена этой гонки остается в тени. Пора переходить от максимизации метрик к оптимизации эффективности — и это куда более сложная инженерная задача.

Практическая эффективность вместо максимальной точности

Гадепалли отмечает, что около половины электроэнергии при обучении моделей тратится на достижение последних 2-3 процентных пунктов точности. Во многих практических применениях, таких как системы рекомендаций для электронной коммерции, точность в 70% может быть вполне достаточной.

Исследователи из Supercomputing Center разработали инструмент, позволяющий избежать до 80% бесполезных вычислений при обучении моделей, что значительно снижает энергопотребление без потери качества.

Перспективы hardware-оптимизации

Несмотря на замедление роста энергоэффективности большинства чипов с 2005 года, производительность GPU в расчетах на джоуль энергии продолжает улучшаться на 50-60% ежегодно. Эта тенденция открывает дополнительные возможности для снижения углеродного следа генеративного ИИ.

По материалам MIT News