По мере усложнения приложений искусственного интеллекта (ИИ) энергоэффективность становится всё более значимой.
Экологическое, экономическое и операционное воздействие уже велико. По словам Джесси Доджа, старшего научного сотрудника Института искусственного интеллекта Аллена, один запрос к ChatGPT использует примерно столько же электроэнергии, сколько требуется для освещения одной лампочки в течение двадцати минут. Более того, ожидается, что к 2030 году потребности дата-центров в энергии удвоятся, главным образом из-за развития и распространения технологий ИИ.
Вычисления ИИ, особенно в больших масштабах, оставляют огромный углеродный след. С ростом спроса на эту технологию энергоэффективность становится критически важной, чтобы поддерживать масштабирование без увеличения потребления энергии. Кроме того, оптимизация энергопотребления технологий не только способствует устойчивому развитию, но и снижает операционные расходы.
Энергоэффективные ИИ-решения особенно важны при масштабных или непрерывных внедрениях, а также в устройствах на краю сети, где мощность ограничена. Энергоэффективность может продлить срок службы батарей, минимизировать время простоя и повысить надежность таких систем. В последние годы также ужесточились правила отчетности об углеродном следе и энергопотреблении дата-центров.
В этой статье мы рассмотрим несколько инноваций, включая низкоэнергетические ИИ-чипы, новые архитектуры, графовые нейронные сети и обработку на краю сети. Эти технологии помогут контролировать затраты, защищать окружающую среду, соответствовать регуляторным требованиям и поддерживать дальнейшее развитие ИИ.
Развитие низкоэнергетических ИИ-чипов
За последние несколько лет производители и разработчики аппаратного обеспечения активно исследуют новые способы балансировки энергоэффективности и производительности.
Arm®, как ведущий поставщик процессорных ядер для мобильных телефонов, уже долгое время делает акцент на энергоэффективности. Сегодня этот подход применяется и к ИИ, не только в смартфонах. Например, компания утверждает, что её процессор Neoverse CPU является самым энергоэффективным для облачных дата-центров. По данным Arm, в системах Amazon Web Services (AWS) Graviton процессор Neoverse обеспечил энергоэффективность на 60% выше, чем конкурирующие архитектуры.
Компания MediaTek также поддерживает энергоэффективное ускорение ИИ, особенно в смартфонах, умных устройствах для дома, носимых технологиях и автономных транспортных средствах. Их нейропроцессор (NPU) обеспечивает энергоэффективность в 27 раз выше, чем у стандартного CPU, и в 15 раз выше, чем у стандартного GPU. В 2023 году MediaTek представила своё седьмое поколение NPU, которое поддерживается набором средств разработки программного обеспечения.
Наконец, Intel® Movidius™ Vision Processing Units (VPUs) разработаны специально для задач компьютерного зрения. Аппаратное обеспечение сочетает параллельные программируемые вычисления с аппаратным ускорением, минимизируя перемещение данных. Intel предлагает VPU как для ПК, так и специализированные Movidius X VPU для камер и встроенных систем.
Эти энергоэффективные решения также помогают снизить зависимость от облачных серверов, позволяя выполнять обработку данных на краю сети. Это не только способствует более устойчивому подходу к ИИ, но и обеспечивает поддержку операций в реальном времени и продление срока службы батарей умных устройств.
Новые технологии в энергоэффективной обработке ИИ
Модели машинного обучения, основанные на нейронных сетях, давно играют ключевую роль в ИИ. Нейроморфные чипы используют тот же подход в проектировании аппаратного обеспечения. Их архитектура вдохновлена нейробиологией, создавая нечто, напоминающее искусственный мозг, с большей адаптивностью, производительностью, энергоэффективностью и поддержкой параллельной обработки по сравнению с традиционными кремниевыми чипами.
Полностью новые подходы к аппаратному обеспечению уже на горизонте. Недавним достижением стало объявление китайских исследователей о создании тензорного процессора на основе углеродных нанотрубок. Уникальная архитектура чипа состоит из 3000 углеродных полевых транзисторов (FET), объединённых в плотную 3×3 сетку из девяти процессорных блоков.
«На основе нашего процессора мы построили пятислойную сверточную нейронную сеть, которая может выполнять задачи распознавания изображений с точностью до 88% и энергопотреблением всего 295 мкВт, что является самым низким показателем среди всех новых технологий сверточного ускорения», — объясняет исследователь Чжиюн Чжан.
Графовые нейронные сети для энергоэффективности
Энергоэффективность ИИ может быть улучшена не только за счёт новой архитектуры. Графовые нейронные сети (GNN) способны существенно повысить эффективность работы электросетей. В отличие от других моделей машинного обучения, GNN лучше адаптированы к уникальной структуре и сложности управления сетями, что позволяет прогнозировать сбои компонентов и более точно планировать распределение энергии.
Кроме того, GNN могут помочь в управлении возобновляемыми источниками энергии, используя данные с солнечных и ветровых станций для оптимизации распределения энергии и минимизации потерь.
Энергоэффективность ИИ жизненно важна для сокращения экологического воздействия, снижения затрат, увеличения срока службы устройств и устойчивого масштабирования. С развитием ИИ и ростом его потребностей в ресурсах потребуются новые методы снижения энергопотребления. Такие инновации, как низкоэнергетические ИИ-чипы, GNN и обработка данных на краю сети, уже прокладывают путь для дальнейшей эволюции.