AI ໃຊ້ພະລັງງານຫຼາຍປານໃດ? [ວິດີໂອ ແລະ ແບບສອບຖາມ]

ຄຳຕອບ: AI ສາມາດໃຊ້ໄຟຟ້າໜ້ອຍຫຼາຍສຳລັບວຽກງານຂໍ້ຄວາມງ່າຍໆ, ແຕ່ຈະໃຊ້ໄຟຟ້າຫຼາຍກວ່ານັ້ນເມື່ອການກະຕຸ້ນຍາວ, ຜົນຜະລິດມີຫຼາຍຮູບແບບ, ຫຼືລະບົບຕ່າງໆເຮັດວຽກໃນຂອບເຂດກ້ວາງຂວາງ. ການຝຶກອົບຮົມມັກຈະເປັນພະລັງງານຕົ້ນຕໍທີ່ໄດ້ຮັບຜົນກະທົບເບື້ອງຕົ້ນ, ໃນຂະນະທີ່ການອະນຸມານປະຈຳວັນຈະກາຍເປັນສິ່ງສຳຄັນເມື່ອຄຳຮ້ອງຂໍສະສົມ.

ບົດຮຽນຫຼັກ:

ສະພາບການ: ກຳນົດໜ້າວຽກ, ຮູບແບບ, ຮາດແວ ແລະ ຂະໜາດກ່ອນທີ່ຈະອ້າງອີງເຖິງການປະເມີນພະລັງງານໃດໆ.

ການຝຶກອົບຮົມ: ໃຫ້ຖືວ່າການຝຶກອົບຮົມແບບຈຳລອງເປັນເຫດການພະລັງງານຕົ້ນຕໍລ່ວງໜ້າເມື່ອວາງແຜນງົບປະມານ.

ການອະນຸມານ: ຕິດຕາມການອະນຸມານທີ່ຊ້ຳໆຢ່າງໃກ້ຊິດ, ເພາະວ່າຄ່າໃຊ້ຈ່າຍຕໍ່ການຮ້ອງຂໍຂະໜາດນ້ອຍເພີ່ມຂຶ້ນຢ່າງໄວວາໃນຂອບເຂດ.

ພື້ນຖານໂຄງລ່າງ: ລວມທັງການເຮັດຄວາມເຢັນ, ການເກັບຮັກສາ, ເຄືອຂ່າຍ ແລະ ຄວາມສາມາດໃນການໃຊ້ງານໃນການຄາດຄະເນທີ່ເປັນຈິງ.

ປະສິດທິພາບ: ໃຊ້ຮູບແບບຂະໜາດນ້ອຍກວ່າ, ການກະຕຸ້ນສັ້ນກວ່າ, ການເກັບຂໍ້ມູນໄວ້ໃນແຄສ ແລະ ການລວບລວມເປັນກຸ່ມເພື່ອຫຼຸດຜ່ອນການໃຊ້ພະລັງງານ.

ບົດຄວາມທີ່ທ່ານອາດຈະຢາກອ່ານຫຼັງຈາກບົດຄວາມນີ້:

🔗 ວິທີທີ່ AI ສົ່ງຜົນກະທົບຕໍ່ສິ່ງແວດລ້ອມ
ອະທິບາຍເຖິງຮອຍຕີນກາກບອນ, ການໃຊ້ພະລັງງານ, ແລະ ການແລກປ່ຽນຄວາມຍືນຍົງຂອງ AI.

🔗 AI ບໍ່ດີຕໍ່ສິ່ງແວດລ້ອມບໍ?
ເປີດເຜີຍຄ່າໃຊ້ຈ່າຍດ້ານສິ່ງແວດລ້ອມທີ່ເຊື່ອງໄວ້ຂອງຮູບແບບ AI ແລະສູນຂໍ້ມູນ.

🔗 AI ດີ ຫຼື ບໍ່ດີ? ຂໍ້ດີ ແລະ ຂໍ້ເສຍ
ການພິຈາລະນາຢ່າງສົມດຸນກ່ຽວກັບຜົນປະໂຫຍດ, ຄວາມສ່ຽງ, ຈັນຍາບັນ ແລະ ຜົນກະທົບທີ່ແທ້ຈິງຂອງ AI.

🔗 AI ແມ່ນຫຍັງ? ຄູ່ມືງ່າຍໆ
ຮຽນຮູ້ພື້ນຖານ AI, ຄຳສັບສຳຄັນ ແລະ ຕົວຢ່າງປະຈຳວັນພາຍໃນນາທີ.

ເປັນຫຍັງຄຳຖາມນີ້ຈຶ່ງສຳຄັນຫຼາຍກວ່າທີ່ຄົນຄິດ 🔍

ການໃຊ້ພະລັງງານ AI ບໍ່ພຽງແຕ່ເປັນຈຸດສົນທະນາກ່ຽວກັບສິ່ງແວດລ້ອມເທົ່ານັ້ນ. ມັນຍັງກ່ຽວຂ້ອງກັບບາງສິ່ງທີ່ແທ້ຈິງຄື:

• ຄ່າໃຊ້ຈ່າຍໄຟຟ້າ - ໂດຍສະເພາະສຳລັບທຸລະກິດທີ່ດຳເນີນການຮ້ອງຂໍ AI ຈຳນວນຫຼາຍ

• ຜົນກະທົບຕໍ່ຄາບອນ - ຂຶ້ນກັບແຫຼ່ງພະລັງງານທີ່ຢູ່ເບື້ອງຫຼັງເຊີບເວີ

• ຄວາມເຄັ່ງຕຶງຂອງຮາດແວ - ຊິບທີ່ມີປະສິດທິພາບດຶງພະລັງງານທີ່ຮຸນແຮງ

• ການຕັດສິນໃຈກ່ຽວກັບການຂະຫຍາຍ - ການກະຕຸ້ນລາຄາຖືກອັນດຽວສາມາດກາຍເປັນການກະຕຸ້ນລາຄາແພງຫຼາຍລ້ານອັນ

• ການອອກແບບຜະລິດຕະພັນ - ປະສິດທິພາບມັກຈະເປັນຄຸນສົມບັດທີ່ດີກ່ວາທີ່ຄົນເຮົາຮັບຮູ້ (Google Cloud, Green AI)

ຫຼາຍຄົນຖາມວ່າ "AI ໃຊ້ພະລັງງານເທົ່າໃດ?" ເພາະວ່າເຂົາເຈົ້າຕ້ອງການຕົວເລກທີ່ໜ້າຕື່ນເຕັ້ນ. ບາງສິ່ງບາງຢ່າງທີ່ໃຫຍ່ຫຼວງ. ບາງສິ່ງບາງຢ່າງທີ່ງ່າຍຕໍ່ການອ່ານໃນຫົວຂໍ້ຂ່າວ. ແຕ່ຄຳຖາມທີ່ດີກວ່າແມ່ນ: ພວກເຮົາກຳລັງເວົ້າເຖິງການນຳໃຊ້ AI ປະເພດໃດ? ເພາະວ່າມັນປ່ຽນແປງທຸກຢ່າງ. (IEA)

ການແນະນຳການຕື່ມຂໍ້ມູນອັດຕະໂນມັດອັນດຽວບໍ? ນ້ອຍຫຼາຍ.
ການຝຶກອົບຮົມຮູບແບບຊາຍແດນໃນທົ່ວກຸ່ມໃຫຍ່ໆບໍ? ໃຫຍ່ກວ່າຫຼາຍ.
ຂະບວນການເຮັດວຽກ AI ຂອງວິສາຫະກິດທີ່ເປີດໃຊ້ຢູ່ສະເໝີທີ່ສຳຜັດກັບຜູ້ໃຊ້ຫຼາຍລ້ານຄົນບໍ? ແມ່ນແລ້ວ, ມັນເພີ່ມຂຶ້ນໄວ... ຄືກັບເງິນທີ່ປ່ຽນເປັນຄ່າເຊົ່າ. (DOE, Google Cloud)

AI ໃຊ້ພະລັງງານຫຼາຍປານໃດ? ຄຳຕອບສັ້ນໆ ⚡

ນີ້ແມ່ນສະບັບປະຕິບັດ.

AI ສາມາດໃຊ້ໄດ້ທຸກບ່ອນຕັ້ງແຕ່ສ່ວນນ້ອຍໆຂອງວັດ-ຊົ່ວໂມງສຳລັບວຽກງານທີ່ມີນ້ຳໜັກເບົາ ຈົນເຖິງປະລິມານໄຟຟ້າມະຫາສານສຳລັບການຝຶກອົບຮົມ ແລະ ການນຳໃຊ້ໃນຂອບເຂດໃຫຍ່. ລະດັບນັ້ນຟັງແລ້ວໜ້າສົນໃຈເພາະມັນກວ້າງຂວາງ. (Google Cloud, Strubell et al.)

ເວົ້າງ່າຍໆວ່າ:

• ວຽກງານອະນຸມານງ່າຍໆ - ມັກຈະຂ້ອນຂ້າງປານກາງໃນແຕ່ລະຄັ້ງທີ່ໃຊ້

• ການສົນທະນາທີ່ຍາວນານ, ຜົນຜະລິດຂະໜາດໃຫຍ່, ການສ້າງຮູບພາບ, ການສ້າງວິດີໂອ - ໃຊ້ພະລັງງານຫຼາຍຂື້ນຢ່າງເຫັນໄດ້ຊັດ

• ການຝຶກອົບຮົມຮູບແບບຂະໜາດໃຫຍ່ - ແຊ້ມນ້ຳໜັກໜັກຂອງການໃຊ້ພະລັງງານ

• ການໃຊ້ງານ AI ໃນຂອບເຂດກ້ວາງຕະຫຼອດມື້ - ບ່ອນທີ່ “ຈຳນວນໜ້ອຍຕໍ່ການຮ້ອງຂໍ” ກາຍເປັນ “ໃບບິນລວມໃຫຍ່” (Google Cloud, DOE)

ກົດລະບຽບທີ່ດີຄື:

• ການຝຶກອົບຮົມແມ່ນເຫດການພະລັງງານທີ່ໃຫຍ່ຫຼວງລ່ວງໜ້າ 🏭

• ການອະນຸມານແມ່ນໃບບິນຄ່າສາທາລະນູປະໂພກທີ່ຍັງດຳເນີນຢູ່ 💡 (Strubell et al., Google Research)

ສະນັ້ນ, ເມື່ອມີຄົນຖາມວ່າ, AI ໃຊ້ພະລັງງານເທົ່າໃດ?, ຄຳຕອບໂດຍກົງແມ່ນ, "ບໍ່ແມ່ນປະລິມານດຽວ - ແຕ່ພຽງພໍທີ່ປະສິດທິພາບມີຄວາມສຳຄັນ, ແລະພຽງພໍທີ່ຂະໜາດປ່ຽນແປງເລື່ອງທັງໝົດ." (IEA, Green AI)

ຂ້ອຍຮູ້ວ່າມັນບໍ່ໄດ້ເປັນຕາຈັບໃຈຄືກັບທີ່ຄົນຕ້ອງການ. ແຕ່ມັນເປັນຄວາມຈິງ.

ສິ່ງໃດທີ່ເຮັດໃຫ້ການຄາດຄະເນພະລັງງານ AI ເປັນຮຸ່ນທີ່ດີ? 🧠

ການຄາດຄະເນທີ່ດີບໍ່ພຽງແຕ່ເປັນຕົວເລກທີ່ໜ້າຕື່ນເຕັ້ນທີ່ຖືກໂຍນໃສ່ກຣາບຟິກເທົ່ານັ້ນ. ການຄາດຄະເນຕົວຈິງປະກອບມີສະພາບການ. ຖ້າບໍ່ດັ່ງນັ້ນມັນຄືກັບການຊັ່ງນໍ້າໜັກໝອກດ້ວຍເຄື່ອງຊັ່ງນໍ້າໜັກໃນຫ້ອງນໍ້າ. ໃກ້ພໍທີ່ຈະຟັງແລ້ວໜ້າປະທັບໃຈ, ບໍ່ໃກ້ພໍທີ່ຈະໄວ້ວາງໃຈ. (IEA, Google Cloud)

ການປະເມີນພະລັງງານ AI ທີ່ເໝາະສົມຄວນປະກອບມີ:

• ປະເພດໜ້າວຽກ - ຂໍ້ຄວາມ, ຮູບພາບ, ສຽງ, ວິດີໂອ, ການຝຶກອົບຮົມ, ການປັບແຕ່ງລະອຽດ

• ຂະໜາດຂອງຮູບແບບ - ຮູບແບບທີ່ໃຫຍ່ກວ່າມັກຈະຕ້ອງການການຄຳນວນຫຼາຍກວ່າ

• ຮາດແວທີ່ໃຊ້ - ບໍ່ແມ່ນຊິບທັງໝົດຈະມີປະສິດທິພາບເທົ່າທຽມກັນ

• ໄລຍະເວລາຂອງກອງປະຊຸມ - ການກະຕຸ້ນສັ້ນໆ ແລະ ຂັ້ນຕອນການເຮັດວຽກຫຼາຍຂັ້ນຕອນທີ່ຍາວນານແມ່ນແຕກຕ່າງກັນຫຼາຍ

• ການນຳໃຊ້ - ລະບົບທີ່ບໍ່ມີການເຄື່ອນໄຫວຍັງໃຊ້ພະລັງງານຢູ່

• ການລະບາຍຄວາມຮ້ອນ ແລະ ໂຄງສ້າງພື້ນຖານ - ເຊີບເວີບໍ່ແມ່ນໃບບິນທັງໝົດ

• ສະຖານທີ່ ແລະ ການປະສົມປະສານພະລັງງານ - ໄຟຟ້າບໍ່ໄດ້ສະອາດເທົ່າທຽມກັນຢູ່ທຸກບ່ອນ (Google Cloud, IEA)

ນີ້ແມ່ນເຫດຜົນທີ່ຄົນສອງຄົນສາມາດໂຕ້ຖຽງກັນກ່ຽວກັບການໃຊ້ໄຟຟ້າ AI ແລະທັງສອງຟັງແລ້ວມີຄວາມໝັ້ນໃຈໃນຂະນະທີ່ເວົ້າກ່ຽວກັບສິ່ງທີ່ແຕກຕ່າງກັນໂດຍສິ້ນເຊີງ. ຄົນໜຶ່ງໝາຍເຖິງການຕອບສະໜອງຂອງ chatbot ດຽວ. ອີກຄົນໜຶ່ງໝາຍເຖິງການຝຶກອົບຮົມຂະໜາດໃຫຍ່. ທັງສອງເວົ້າວ່າ "AI," ແລະທັນໃດນັ້ນການສົນທະນາກໍ່ເລື່ອນອອກຈາກລາງລົດໄຟ 😅

ຕາຕະລາງປຽບທຽບ - ວິທີທີ່ດີທີ່ສຸດໃນການປະເມີນການໃຊ້ພະລັງງານ AI 📊

ນີ້ແມ່ນຕາຕະລາງທີ່ໃຊ້ໄດ້ຈິງສຳລັບທຸກຄົນທີ່ພະຍາຍາມຕອບຄຳຖາມໂດຍບໍ່ຕ້ອງປ່ຽນມັນໃຫ້ເປັນສິລະປະການສະແດງ.

ເຄື່ອງມື ຫຼື ວິທີການ	ຜູ້ຊົມທີ່ດີທີ່ສຸດ	ລາຄາ	ເປັນຫຍັງມັນຈຶ່ງໃຊ້ໄດ້
ການຄາດຄະເນແບບງ່າຍໆດ້ວຍຫຼັກການງ່າຍໆ	ຜູ້ອ່ານທີ່ສົນໃຈ, ນັກຮຽນ	ຟຣີ	ໄວ, ງ່າຍ, ມົວໜ້ອຍໜຶ່ງ - ແຕ່ດີພໍສຳລັບການປຽບທຽບແບບຫຍາບໆ
ເຄື່ອງວັດວັດຂ້າງອຸປະກອນ	ຜູ້ກໍ່ສ້າງດ່ຽວ, ຜູ້ທີ່ມັກຫຼິ້ນ	ຕ່ຳ	ວັດແທກການດຶງຂອງເຄື່ອງຈັກຕົວຈິງ, ເຊິ່ງມີຄວາມຊັດເຈນແລະໜ້າສົນໃຈ
ແຜງຄວບຄຸມການຖ່າຍທອດທາງໄກ GPU	ວິສະວະກອນ, ທີມງານ ML	ປານກາງ	ລາຍລະອຽດທີ່ດີກວ່າກ່ຽວກັບໜ້າວຽກທີ່ໃຊ້ຄອມພິວເຕີຫຼາຍ, ເຖິງແມ່ນວ່າມັນອາດຈະພາດຄ່າໃຊ້ຈ່າຍດ້ານສິ່ງອຳນວຍຄວາມສະດວກທີ່ໃຫຍ່ກວ່າ
ການຮຽກເກັບເງິນໃນຄລາວ + ບັນທຶກການນຳໃຊ້	ບໍລິສັດ Startup, ທີມງານປະຕິບັດການ	ປານກາງຫາສູງ	ເຊື່ອມຕໍ່ການນຳໃຊ້ AI ກັບການໃຊ້ຈ່າຍຕົວຈິງ - ບໍ່ສົມບູນແບບ, ຍັງມີຄຸນຄ່າຫຼາຍ
ການລາຍງານພະລັງງານຂອງສູນຂໍ້ມູນ	ທີມງານວິສາຫະກິດ	ສູງ	ໃຫ້ການເບິ່ງເຫັນການດຳເນີນງານທີ່ກວ້າງຂວາງ, ການລະບາຍຄວາມຮ້ອນ ແລະ ພື້ນຖານໂຄງລ່າງເລີ່ມຕົ້ນປາກົດຢູ່ທີ່ນີ້
ການປະເມີນວົງຈອນຊີວິດຢ່າງຄົບຖ້ວນ	ທີມງານຄວາມຍືນຍົງ, ອົງກອນຂະໜາດໃຫຍ່	ຮູ້ສຶກຕື່ນເຕັ້ນ, ບາງຄັ້ງກໍ່ເຈັບປວດ	ເໝາະສົມທີ່ສຸດສຳລັບການວິເຄາະຢ່າງຈິງຈັງ ເພາະມັນເກີນກວ່າຊິບຕົວມັນເອງ... ແຕ່ມັນຊ້າ ແລະ ຄ້າຍຄືກັບສັດຮ້າຍ

ບໍ່ມີວິທີການທີ່ສົມບູນແບບ. ນັ້ນແມ່ນສ່ວນທີ່ໜ້າອຸກໃຈເລັກນ້ອຍ. ແຕ່ມັນມີລະດັບຂອງມູນຄ່າ. ແລະໂດຍປົກກະຕິແລ້ວ, ສິ່ງທີ່ສາມາດໃຊ້ງານໄດ້ດີກວ່າຄວາມສົມບູນແບບ. (Google Cloud)

ປັດໄຈໃຫຍ່ທີ່ສຸດບໍ່ແມ່ນເວດມົນ - ມັນແມ່ນຄອມພິວເຕີ ແລະ ຮາດແວ 🖥️🔥

ເມື່ອຄົນເຮົານຶກພາບເຖິງການໃຊ້ພະລັງງານຂອງ AI, ເຂົາເຈົ້າມັກຈະຈິນຕະນາການເຖິງຕົວແບບນັ້ນເອງວ່າເປັນສິ່ງທີ່ໃຊ້ພະລັງງານ. ແຕ່ຕົວແບບນັ້ນແມ່ນເຫດຜົນຂອງຊອບແວທີ່ເຮັດວຽກຢູ່ໃນຮາດແວ. ຮາດແວແມ່ນບ່ອນທີ່ໃບບິນຄ່າໄຟຟ້າປາກົດຂຶ້ນ. (Strubell et al., Google Cloud)

ຕົວແປທີ່ໃຫຍ່ທີ່ສຸດມັກຈະປະກອບມີ:

• GPU ຫຼື ປະເພດຕົວເລັ່ງຄວາມໄວ

• ໃຊ້ຊິບຈັກໜ່ວຍ

• ພວກມັນມີການເຄື່ອນໄຫວດົນປານໃດ

• ການໂຫຼດໜ່ວຍຄວາມຈຳ

• ຂະໜາດຂອງຊຸດ ແລະ ປະລິມານການຜະລິດ

• ບໍ່ວ່າລະບົບຈະຖືກປັບປຸງໃຫ້ດີທີ່ສຸດ ຫຼື ພຽງແຕ່ບັງຄັບທຸກຢ່າງ (Google Cloud, Quantization, Batching, ແລະ Serving Strategies in LLM Energy Use)

ລະບົບທີ່ໄດ້ຮັບການປັບປຸງໃຫ້ດີທີ່ສຸດສາມາດເຮັດວຽກໄດ້ຫຼາຍຂຶ້ນດ້ວຍພະລັງງານໜ້ອຍລົງ. ລະບົບທີ່ບໍ່ລະມັດລະວັງສາມາດສິ້ນເປືອງໄຟຟ້າໄດ້ດ້ວຍຄວາມໝັ້ນໃຈທີ່ໜ້າຕື່ນຕາຕື່ນໃຈ. ທ່ານຮູ້ບໍ່ວ່າມັນເປັນແນວໃດ - ບາງລະບົບແມ່ນລົດແຂ່ງ, ບາງລະບົບແມ່ນລົດເຂັນຊື້ເຄື່ອງທີ່ມີຈະຫຼວດຕິດເທບຕິດຢູ່ 🚀🛒

ແລະແມ່ນແລ້ວ, ຂະໜາດຂອງຮູບແບບມີຄວາມສຳຄັນ. ຮູບແບບຂະໜາດໃຫຍ່ມັກຈະຕ້ອງການໜ່ວຍຄວາມຈຳ ແລະ ການຄຳນວນຫຼາຍຂຶ້ນ, ໂດຍສະເພາະເມື່ອສ້າງຜົນຜະລິດທີ່ຍາວນານ ຫຼື ການຈັດການເຫດຜົນທີ່ສັບສົນ. ແຕ່ເຄັດລັບການເພີ່ມປະສິດທິພາບສາມາດປ່ຽນແປງຮູບພາບໄດ້: (AI ສີຂຽວ, ການວັດແທກປະລິມານ, ການວາງກຸ່ມ, ແລະ ຍຸດທະສາດການຮັບໃຊ້ໃນການນຳໃຊ້ພະລັງງານ LLM)

• ການວັດແທກປະລິມານ

• ເສັ້ນທາງທີ່ດີກວ່າ

• ຮູບແບບຜູ້ຊ່ຽວຊານຂະໜາດນ້ອຍກວ່າ

• ການຈັດເກັບຂໍ້ມູນໃນແຄດ

• ການວາງເປັນກຸ່ມ

• ການກຳນົດເວລາຮາດແວທີ່ສະຫຼາດກວ່າ (ກົນລະຍຸດການວັດປະລິມານ, ການແບ່ງກຸ່ມ ແລະ ການຮັບໃຊ້ໃນການນຳໃຊ້ພະລັງງານ LLM)

ສະນັ້ນຄຳຖາມບໍ່ພຽງແຕ່ “ຮູບແບບນີ້ໃຫຍ່ປານໃດ?” ມັນຍັງເປັນ “ມັນຖືກດຳເນີນການຢ່າງສະຫຼາດແນວໃດ?”

ການຝຶກອົບຮົມ vs ການອະນຸມານ - ສັດເຫຼົ່ານີ້ແມ່ນສັດທີ່ແຕກຕ່າງກັນ 🐘🐇

ນີ້ແມ່ນການແບ່ງແຍກທີ່ເຮັດໃຫ້ເກືອບທຸກຄົນສັບສົນ.

ການຝຶກອົບຮົມ

ການຝຶກອົບຮົມແມ່ນເວລາທີ່ຮູບແບບຮຽນຮູ້ຮູບແບບຈາກຊຸດຂໍ້ມູນຂະໜາດໃຫຍ່. ມັນສາມາດກ່ຽວຂ້ອງກັບຊິບຫຼາຍອັນທີ່ເຮັດວຽກເປັນເວລາດົນນານ, ໂດຍການກືນກິນຂໍ້ມູນຈຳນວນຫຼວງຫຼາຍ. ຂັ້ນຕອນນີ້ແມ່ນໃຊ້ພະລັງງານຫຼາຍ. ບາງຄັ້ງກໍ່ໃຊ້ພະລັງງານຫຼາຍເກີນໄປ. (Strubell et al.)

ພະລັງງານການຝຶກອົບຮົມແມ່ນຂຶ້ນກັບ:

• ຂະໜາດຮູບແບບ

• ຂະໜາດຊຸດຂໍ້ມູນ

• ຈຳນວນຄັ້ງຂອງການຝຶກອົບຮົມ

• ການທົດລອງທີ່ລົ້ມເຫຼວ

• ການປັບແຕ່ງການຜ່ານຢ່າງລະອຽດ

• ປະສິດທິພາບຂອງຮາດແວ

• ຄ່າໃຊ້ຈ່າຍທາງອ້ອມຂອງການເຮັດຄວາມເຢັນ (Strubell et al., Google Research)

ແລະນີ້ແມ່ນສ່ວນທີ່ຄົນມັກພາດ - ສາທາລະນະຊົນມັກຈິນຕະນາການເຖິງການຝຶກຊ້ອມຄັ້ງໃຫຍ່ຄັ້ງໜຶ່ງ, ເຮັດຄັ້ງດຽວ, ຈົບເລື່ອງ. ໃນທາງປະຕິບັດ, ການພັດທະນາສາມາດກ່ຽວຂ້ອງກັບການຝຶກຊ້ອມຊ້ຳໆ, ການປັບແຕ່ງ, ການຝຶກຊ້ອມຄືນໃໝ່, ການປະເມີນຜົນ, ແລະ ການເຮັດຊ້ຳໆທັງໝົດທີ່ລຽບງ່າຍແຕ່ມີລາຄາແພງອ້ອມຮອບເຫດການຫຼັກ. (Strubell et al., Green AI)

ການອະນຸມານ

ການອະນຸມານແມ່ນຮູບແບບທີ່ຕອບສະໜອງຄຳຮ້ອງຂໍຂອງຜູ້ໃຊ້ຕົວຈິງ. ຄຳຮ້ອງຂໍໜຶ່ງອາດເບິ່ງຄືວ່າບໍ່ຫຼາຍປານໃດ. ແຕ່ການອະນຸມານເກີດຂຶ້ນຊ້ຳແລ້ວຊ້ຳອີກ. ຫຼາຍລ້ານເທື່ອ. ບາງຄັ້ງກໍ່ຫຼາຍພັນລ້ານເທື່ອ. (ການຄົ້ນຄວ້າຂອງ Google, DOE)

ພະລັງງານອະນຸມານເພີ່ມຂຶ້ນດ້ວຍ:

• ຄວາມຍາວຂອງຂໍ້ຄວາມ

• ຄວາມຍາວຂອງຜົນຜະລິດ

• ຈຳນວນຜູ້ໃຊ້

• ຄວາມຕ້ອງການຄວາມຊັກຊ້າ

• ລັກສະນະຫຼາຍຮູບແບບ

• ຄວາມຄາດຫວັງກ່ຽວກັບເວລາເຮັດວຽກ

• ຂັ້ນຕອນຄວາມປອດໄພ ແລະ ຫຼັງການປະມວນຜົນ (Google Cloud, ການວັດແທກປະລິມານ, ການລວບລວມ ແລະ ຍຸດທະສາດການໃຫ້ບໍລິການໃນການນຳໃຊ້ພະລັງງານ LLM)

ສະນັ້ນການຝຶກອົບຮົມຄືແຜ່ນດິນໄຫວ. ການອະນຸມານຄືນ້ຳຂຶ້ນລົງ. ອັນໜຶ່ງແມ່ນໜ້າຕື່ນເຕັ້ນ, ອີກອັນໜຶ່ງແມ່ນຄົງຕົວ, ແລະທັງສອງສາມາດປ່ຽນແປງຮູບຮ່າງຂອງຊາຍຝັ່ງໄດ້ໜ້ອຍໜຶ່ງ. ບາງທີອາດເປັນຄຳປຽບທຽບທີ່ຜິດປົກກະຕິ, ແຕ່ມັນຍຶດໝັ້ນກັນ... ຫຼາຍຫຼືໜ້ອຍ.

ຄ່າໃຊ້ຈ່າຍດ້ານພະລັງງານທີ່ເຊື່ອງໄວ້ທີ່ຄົນເຮົາລືມໄປ 😬

ເມື່ອຜູ້ໃດຜູ້ໜຶ່ງປະເມີນການໃຊ້ພະລັງງານຂອງ AI ໂດຍການເບິ່ງພຽງແຕ່ຊິບ, ເຂົາເຈົ້າມັກຈະນັບຕໍ່າເກີນໄປ. ບໍ່ແມ່ນວ່າຈະຮ້າຍແຮງສະເໝີໄປ, ແຕ່ພຽງພໍທີ່ຈະມີຄວາມສຳຄັນ. (Google Cloud, IEA)

ນີ້ແມ່ນຊິ້ນສ່ວນທີ່ເຊື່ອງໄວ້:

ເຢັນສະບາຍ❄️

ເຊີບເວີຜະລິດຄວາມຮ້ອນ. ຮາດແວ AI ທີ່ມີປະສິດທິພາບສ້າງຄວາມຮ້ອນໄດ້ຫຼາຍ. ການເຮັດໃຫ້ເຢັນບໍ່ແມ່ນທາງເລືອກ. ທຸກໆວັດທີ່ໃຊ້ໂດຍການຄິດໄລ່ມັກຈະເຊື້ອເຊີນໃຫ້ມີການໃຊ້ພະລັງງານຫຼາຍຂຶ້ນເພື່ອຮັກສາອຸນຫະພູມໃຫ້ຢູ່ໃນສະພາບປົກກະຕິ. (IEA, Google Cloud)

ການເຄື່ອນຍ້າຍຂໍ້ມູນ 🌐

ການຍ້າຍຂໍ້ມູນຜ່ານບ່ອນເກັບຂໍ້ມູນ, ໜ່ວຍຄວາມຈຳ ແລະ ເຄືອຂ່າຍຍັງໃຊ້ພະລັງງານ. AI ບໍ່ພຽງແຕ່ "ຄິດ" ເທົ່ານັ້ນ. ມັນຍັງເປັນການສັບປ່ຽນຂໍ້ມູນຢູ່ຕະຫຼອດເວລາ. (IEA)

ຄວາມຈຸຫວ່າງງານ 💤

ລະບົບທີ່ສ້າງຂຶ້ນສຳລັບຄວາມຕ້ອງການສູງສຸດບໍ່ໄດ້ເຮັດວຽກໃນເວລາທີ່ມີຄວາມຕ້ອງການສູງສຸດສະເໝີໄປ. ໂຄງສ້າງພື້ນຖານທີ່ບໍ່ໄດ້ໃຊ້ງານ ຫຼື ບໍ່ໄດ້ຖືກນຳໃຊ້ພຽງພໍຍັງໃຊ້ໄຟຟ້າຢູ່. (Google Cloud)

ຄວາມຊໍ້າຊ້ອນ ແລະ ຄວາມໜ້າເຊື່ອຖື 🧱

ການສຳຮອງຂໍ້ມູນ, ລະບົບ failover, ພາກພື້ນທີ່ຊໍ້າກັນ, ຊັ້ນຄວາມປອດໄພ - ທັງໝົດລ້ວນແຕ່ມີຄຸນຄ່າ, ທັງໝົດແມ່ນສ່ວນໜຶ່ງຂອງຮູບພາບພະລັງງານທີ່ໃຫຍ່ກວ່າ. (IEA)

ບ່ອນເກັບມ້ຽນ 📦

ຂໍ້ມູນການຝຶກອົບຮົມ, ການຝັງຂໍ້ມູນ, ບັນທຶກ, ຈຸດກວດສອບ, ຜົນຜະລິດທີ່ສ້າງຂຶ້ນ - ສິ່ງເຫຼົ່ານີ້ລ້ວນແຕ່ຢູ່ບ່ອນໃດບ່ອນໜຶ່ງ. ການເກັບຮັກສາມີລາຄາຖືກກວ່າການປະມວນຜົນ, ແນ່ນອນ, ແຕ່ບໍ່ແມ່ນບໍ່ເສຍຄ່າໃນດ້ານພະລັງງານ. (IEA)

ນີ້ແມ່ນເຫດຜົນທີ່ວ່າ AI ໃຊ້ພະລັງງານເທົ່າໃດ? ບໍ່ສາມາດຕອບໄດ້ດີໂດຍການເບິ່ງຕາຕະລາງມາດຕະຖານດຽວ. ຊຸດເຕັມມີຄວາມສຳຄັນ. (Google Cloud, IEA)

ເປັນຫຍັງການກະຕຸ້ນ AI ອັນໜຶ່ງສາມາດມີຂະໜາດນ້ອຍ - ແລະອັນຕໍ່ໄປສາມາດເປັນສັດຕູໄດ້ 📝➡️🎬

ບໍ່ແມ່ນທຸກໆການກະຕຸ້ນຈະຖືກສ້າງຂຶ້ນມາຄືກັນ. ການຮ້ອງຂໍສັ້ນໆສຳລັບການຂຽນປະໂຫຍກຄືນໃໝ່ນັ້ນບໍ່ສາມາດປຽບທຽບໄດ້ກັບການຮ້ອງຂໍໃຫ້ມີການວິເຄາະທີ່ຍາວນານ, ຊ່ວງການຂຽນລະຫັດຫຼາຍຂັ້ນຕອນ, ຫຼື ການສ້າງຮູບພາບທີ່ມີຄວາມລະອຽດສູງ. (Google Cloud)

ສິ່ງທີ່ມັກຈະເພີ່ມການໃຊ້ພະລັງງານຕໍ່ການໂຕ້ຕອບ:

• ປ່ອງຢ້ຽມບໍລິບົດທີ່ຍາວກວ່າ

• ຄຳຕອບທີ່ຍາວກວ່າ

• ຂັ້ນຕອນການໃຊ້ເຄື່ອງມື ແລະ ການຄົ້ນຫາຄືນ

• ຜ່ານຫຼາຍຄັ້ງສຳລັບການໃຊ້ເຫດຜົນ ຫຼື ການກວດສອບຄວາມຖືກຕ້ອງ

• ການສ້າງຮູບພາບ, ສຽງ ຫຼື ວິດີໂອ

• ການເຫັນພ້ອມກັນສູງຂຶ້ນ

• ເປົ້າໝາຍຄວາມໜ່ວງຊ້າຕ່ຳ (Google Cloud, ການວັດແທກປະລິມານ, ການວາງກຸ່ມ, ແລະ ຍຸດທະສາດການໃຫ້ບໍລິການໃນການນຳໃຊ້ພະລັງງານ LLM)

ຄຳຕອບຂໍ້ຄວາມທີ່ມີນ້ຳໜັກເບົາອາດຈະມີລາຄາຖືກ. ຂະບວນການເຮັດວຽກຫຼາຍຮູບແບບຂະໜາດໃຫຍ່ອາດຈະບໍ່ແມ່ນລາຄາຖືກ. ມັນຄ້າຍຄືກັບການສັ່ງກາເຟທຽບກັບການຈັດງານແຕ່ງງານ. ທັງສອງຢ່າງນີ້ຖືວ່າເປັນ "ການບໍລິການອາຫານ" ໃນທາງເທັກນິກ. ອັນໜຶ່ງບໍ່ຄືກັບອີກອັນໜຶ່ງ ☕🎉

ສິ່ງນີ້ມີຄວາມສຳຄັນໂດຍສະເພາະສຳລັບທີມງານຜະລິດຕະພັນ. ຄຸນສົມບັດທີ່ເບິ່ງຄືວ່າບໍ່ເປັນອັນຕະລາຍໃນການນຳໃຊ້ໜ້ອຍສາມາດກາຍເປັນລາຄາແພງໃນຂອບເຂດໃຫຍ່ ຖ້າແຕ່ລະເຊດຊັນຂອງຜູ້ໃຊ້ກາຍເປັນຍາວນານ, ອຸດົມສົມບູນ ແລະ ນຳໃຊ້ຄອມພິວເຕີຫຼາຍກວ່າເກົ່າ. (DOE, Google Cloud)

AI ຂອງຜູ້ບໍລິໂພກ ແລະ AI ຂອງວິສາຫະກິດ ບໍ່ແມ່ນສິ່ງດຽວກັນ 🏢📱

ຄົນທົ່ວໄປທີ່ໃຊ້ AI ໂດຍບໍ່ໄດ້ຕັ້ງໃຈອາດຈະຄິດວ່າການກະຕຸ້ນບາງຄັ້ງຄາວຂອງເຂົາເຈົ້າແມ່ນບັນຫາໃຫຍ່. ໂດຍປົກກະຕິແລ້ວ, ນັ້ນບໍ່ແມ່ນບ່ອນທີ່ເລື່ອງພະລັງງານຫຼັກຢູ່. (Google Cloud)

ການນຳໃຊ້ຂອງວິສາຫະກິດປ່ຽນແປງຄະນິດສາດ:

• ພະນັກງານຫຼາຍພັນຄົນ

• ຜູ້ຮ່ວມບິນທີ່ເປີດຢູ່ສະເໝີ

• ການປະມວນຜົນເອກະສານອັດຕະໂນມັດ

• ການສະຫຼຸບການໂທ

• ການວິເຄາະຮູບພາບ

• ເຄື່ອງມືກວດສອບລະຫັດ

• ຕົວແທນພື້ນຫລັງເຮັດວຽກຢ່າງຕໍ່ເນື່ອງ

ນັ້ນແມ່ນບ່ອນທີ່ການໃຊ້ພະລັງງານລວມເລີ່ມມີຄວາມສຳຄັນຫຼາຍ. ບໍ່ແມ່ນຍ້ອນວ່າແຕ່ລະການກະທຳແມ່ນວິກິດ, ແຕ່ຍ້ອນວ່າການເຮັດຊ້ຳໆແມ່ນຕົວຄູນ. (DOE, IEA)

ໃນການທົບທວນການທົດສອບ ແລະ ຂັ້ນຕອນການເຮັດວຽກຂອງຂ້ອຍເອງ, ນີ້ແມ່ນບ່ອນທີ່ຜູ້ຄົນຮູ້ສຶກແປກໃຈ. ພວກເຂົາສຸມໃສ່ຊື່ຮຸ່ນ, ຫຼື ການສາທິດທີ່ສະຫວ່າງ, ແລະ ບໍ່ສົນໃຈລະດັບສຽງ. ລະດັບສຽງມັກຈະເປັນຕົວຂັບເຄື່ອນທີ່ແທ້ຈິງ - ຫຼື ຄວາມສະດວກສະບາຍໃນການປະຫຍັດ, ຂຶ້ນກັບວ່າທ່ານກຳລັງຄິດຄ່າບໍລິການລູກຄ້າ ຫຼື ຈ່າຍຄ່າບໍລິການ 😅

ສຳລັບຜູ້ບໍລິໂພກ, ຜົນກະທົບອາດຈະຮູ້ສຶກວ່າເປັນນາມທຳ. ສຳລັບທຸລະກິດ, ມັນຈະກາຍເປັນຮູບປະທຳຢ່າງໄວວາ:

• ໃບບິນຄ່າພື້ນຖານໂຄງລ່າງທີ່ໃຫຍ່ກວ່າ

• ກົດດັນເພີ່ມເຕີມເພື່ອເພີ່ມປະສິດທິພາບ

• ຄວາມຕ້ອງການທີ່ເຂັ້ມແຂງກວ່າສຳລັບຮູບແບບຂະໜາດນ້ອຍກວ່າຖ້າເປັນໄປໄດ້

• ການລາຍງານຄວາມຍືນຍົງພາຍໃນ

• ເອົາໃຈໃສ່ຫຼາຍຂຶ້ນຕໍ່ການຈັດເກັບຂໍ້ມູນໃນແຄດ ແລະ ການກຳນົດເສັ້ນທາງ (Google Cloud, Green AI)

ວິທີການຫຼຸດຜ່ອນການໃຊ້ພະລັງງານ AI ໂດຍບໍ່ຍອມແພ້ AI 🌱

ສ່ວນນີ້ມີຄວາມສຳຄັນເພາະວ່າເປົ້າໝາຍບໍ່ແມ່ນ "ຢຸດໃຊ້ AI". ໂດຍປົກກະຕິແລ້ວມັນບໍ່ແມ່ນເລື່ອງຈິງ, ແລະບໍ່ແມ່ນແຕ່ຈຳເປັນ. ການນຳໃຊ້ທີ່ດີກວ່າແມ່ນເສັ້ນທາງທີ່ສະຫຼາດກວ່າ.

ນີ້ແມ່ນ levers ທີ່ໃຫຍ່ທີ່ສຸດ:

1. ໃຊ້ຮູບແບບທີ່ນ້ອຍທີ່ສຸດທີ່ເຮັດວຽກໃຫ້ສຳເລັດ

ບໍ່ແມ່ນທຸກໆໜ້າວຽກຕ້ອງການຕົວເລືອກທີ່ໜັກ. ຮູບແບບທີ່ເບົາກວ່າສຳລັບການຈັດປະເພດ ຫຼື ການສະຫຼຸບສາມາດຫຼຸດຜ່ອນສິ່ງເສດເຫຼືອໄດ້ໄວ. (AI ສີຂຽວ, Google Cloud)

2. ຫຍໍ້ຂໍ້ຄວາມ ແລະ ຜົນຜະລິດ

ອະທິບາຍໃຫ້ລະອຽດ, ອະທິບາຍໃຫ້ລະອຽດ. ໂທເຄັນເພີ່ມເຕີມໝາຍເຖິງການຄິດໄລ່ເພີ່ມເຕີມ. ບາງຄັ້ງການຕັດ prompt ແມ່ນການຊະນະທີ່ງ່າຍທີ່ສຸດ. (ກົນລະຍຸດການວັດປະລິມານ, ການແບ່ງກຸ່ມ, ແລະ ການຮັບໃຊ້ໃນການໃຊ້ພະລັງງານ LLM, Google Cloud)

3. ເກັບຂໍ້ມູນຜົນໄດ້ຮັບທີ່ຊ້ຳກັນໄວ້

ຖ້າຄຳຖາມດຽວກັນຍັງຄົງປາກົດຢູ່, ຢ່າສ້າງມັນຄືນໃໝ່ທຸກໆຄັ້ງ. ສິ່ງນີ້ເກືອບຈະເຫັນໄດ້ຊັດເຈນ, ແຕ່ມັນກໍ່ຖືກພາດໄປ. (Google Cloud)

4. ວຽກເປັນຊຸດເມື່ອເປັນໄປໄດ້

ການດຳເນີນວຽກງານເປັນກຸ່ມສາມາດປັບປຸງການນຳໃຊ້ ແລະ ຫຼຸດຜ່ອນສິ່ງເສດເຫຼືອ. (ຍຸດທະສາດການວັດປະລິມານ, ການແບ່ງກຸ່ມ, ແລະ ການຮັບໃຊ້ໃນການນຳໃຊ້ພະລັງງານ LLM)

5. ກຳນົດທິດທາງວຽກງານຢ່າງສະຫຼາດ

ໃຊ້ຮູບແບບຂະໜາດໃຫຍ່ເທົ່ານັ້ນເມື່ອຄວາມໝັ້ນໃຈຫຼຸດລົງ ຫຼື ຄວາມຊັບຊ້ອນຂອງໜ້າວຽກເພີ່ມຂຶ້ນ. (AI ສີຂຽວ, Google Cloud)

6. ປັບປຸງໂຄງສ້າງພື້ນຖານໃຫ້ດີຂຶ້ນ

ການກຳນົດເວລາທີ່ດີກວ່າ, ຮາດແວທີ່ດີກວ່າ, ກົນລະຍຸດການລະບາຍຄວາມຮ້ອນທີ່ດີກວ່າ - ສິ່ງທີ່ງ່າຍໆ, ຜົນຕອບແທນອັນໃຫຍ່ຫຼວງ. (Google Cloud, DOE)

7. ວັດແທກກ່ອນສົມມຸດຕິຖານ

ຫຼາຍທີມຄິດວ່າເຂົາເຈົ້າຮູ້ວ່າພະລັງງານກຳລັງໄປໃສ. ຫຼັງຈາກນັ້ນເຂົາເຈົ້າກໍ່ວັດແທກ, ແລະມັນກໍ່ຢູ່ທີ່ນັ້ນ - ສ່ວນທີ່ມີລາຄາແພງຢູ່ບ່ອນອື່ນ. (Google Cloud)

ວຽກງານທີ່ມີປະສິດທິພາບບໍ່ແມ່ນເລື່ອງທີ່ໜ້າສົນໃຈ. ມັນບໍ່ຄ່ອຍໄດ້ຮັບຄຳຍ້ອງຍໍ. ແຕ່ມັນເປັນວິທີໜຶ່ງທີ່ດີທີ່ສຸດທີ່ຈະເຮັດໃຫ້ AI ມີລາຄາຖືກກວ່າ ແລະ ສາມາດປ້ອງກັນໄດ້ຫຼາຍຂຶ້ນໃນຂອບເຂດກ້ວາງຂວາງ 👍

ຄວາມເຂົ້າໃຈຜິດທົ່ວໄປກ່ຽວກັບການໃຊ້ໄຟຟ້າ AI 🚫

ຂໍໃຫ້ພວກເຮົາແກ້ໄຂຄວາມເຂົ້າໃຈຜິດບາງຢ່າງອອກໄປ ເພາະວ່າຫົວຂໍ້ນີ້ສັບສົນໄວ.

ຄວາມເຂົ້າໃຈຜິດທີ 1 - ທຸກໆການສອບຖາມ AI ແມ່ນມີຄ່າໃຊ້ຈ່າຍສູງ

ບໍ່ຈຳເປັນ. ບາງອັນກໍ່ພໍປະມານ. ຂະໜາດ ແລະ ປະເພດໜ້າວຽກມີຄວາມສຳຄັນຫຼາຍ. (Google Cloud)

ຄວາມເຂົ້າໃຈຜິດທີ 2 - ການຝຶກອົບຮົມແມ່ນສິ່ງດຽວທີ່ສຳຄັນ

ບໍ່. ການອະນຸມານສາມາດຄອບງຳໄດ້ເມື່ອເວລາຜ່ານໄປເມື່ອການນຳໃຊ້ມີຈຳນວນຫຼວງຫຼາຍ. (ການຄົ້ນຄວ້າຂອງ Google, DOE)

ຄວາມເຂົ້າໃຈຜິດທີ 3 - ຮູບແບບທີ່ໃຫຍ່ກວ່າໝາຍເຖິງຜົນໄດ້ຮັບທີ່ດີກວ່າສະເໝີ

ບາງຄັ້ງແມ່ນ, ບາງຄັ້ງກໍ່ບໍ່ແມ່ນແທ້ໆ. ວຽກງານຫຼາຍຢ່າງເຮັດໄດ້ດີກັບລະບົບຂະໜາດນ້ອຍ. (AI ສີຂຽວ)

ຄວາມເຂົ້າໃຈຜິດທີ 4 - ການໃຊ້ພະລັງງານເທົ່າກັບຜົນກະທົບຈາກຄາບອນໂດຍອັດຕະໂນມັດ

ບໍ່ແມ່ນແທ້. ຄາບອນແມ່ນຂຶ້ນກັບແຫຼ່ງພະລັງງານເຊັ່ນກັນ. (IEA, Strubell et al.)

ຄວາມເຂົ້າໃຈຜິດທີ 5 - ທ່ານສາມາດໄດ້ຮັບຕົວເລກສາກົນອັນດຽວສຳລັບການໃຊ້ພະລັງງານ AI

ເຈົ້າບໍ່ສາມາດເຮັດໄດ້, ຢ່າງໜ້ອຍກໍ່ບໍ່ແມ່ນໃນຮູບແບບທີ່ມີຄວາມໝາຍ. ຫຼືເຈົ້າສາມາດເຮັດໄດ້, ແຕ່ມັນຈະຖືກຄິດໄລ່ສະເລ່ຍອອກຈົນມັນບໍ່ມີຄຸນຄ່າ. (IEA)

ນີ້ແມ່ນເຫດຜົນທີ່ການຖາມວ່າ AI ໃຊ້ພະລັງງານເທົ່າໃດ? ແມ່ນສະຫຼາດ - ແຕ່ພຽງແຕ່ຖ້າທ່ານພ້ອມແລ້ວສຳລັບຄຳຕອບທີ່ມີຫຼາຍຊັ້ນແທນທີ່ຈະເປັນຄຳຂວັນ.

ດັ່ງນັ້ນ... AI ໃຊ້ພະລັງງານຫຼາຍປານໃດແທ້? 🤔

ນີ້ແມ່ນບົດສະຫຼຸບທີ່ມີພື້ນຖານ.

AI ນຳໃຊ້:

• ໜ້ອຍໜຶ່ງ, ສຳລັບວຽກງານງ່າຍໆບາງຢ່າງ

• ຫຼາຍກວ່ານັ້ນ, ສຳລັບການຜະລິດຫຼາຍຮູບແບບໜັກ

• ຈຳນວນຫຼວງຫຼາຍ, ສຳລັບການຝຶກອົບຮົມແບບຈຳລອງຂະໜາດໃຫຍ່

• ຈຳນວນທັງໝົດທີ່ມະຫາສານ, ເມື່ອຄຳຮ້ອງຂໍຫຼາຍລ້ານຄຳສະສົມຂຶ້ນເລື້ອຍໆ (Google Cloud, DOE)

ນັ້ນແມ່ນຮູບຮ່າງຂອງມັນ.

ສິ່ງສຳຄັນແມ່ນບໍ່ໃຫ້ບັນຫາທັງໝົດກາຍເປັນຕົວເລກທີ່ໜ້າຢ້ານກົວອັນດຽວ ຫຼື ການບ່າໄຫລ່ທີ່ບໍ່ສົນໃຈ. ການໃຊ້ພະລັງງານ AI ເປັນເລື່ອງຈິງ. ມັນມີຄວາມສຳຄັນ. ມັນສາມາດປັບປຸງໄດ້. ແລະວິທີທີ່ດີທີ່ສຸດໃນການເວົ້າກ່ຽວກັບມັນແມ່ນການໃຊ້ສະພາບການ, ບໍ່ແມ່ນການສະແດງ. (IEA, Green AI)

ການສົນທະນາສາທາລະນະສ່ວນໃຫຍ່ມີການປ່ຽນແປງໄປມາລະຫວ່າງຫຼາຍຝ່າຍ - “AI ໂດຍພື້ນຖານແລ້ວແມ່ນບໍ່ເສຍຄ່າ” ໃນດ້ານໜຶ່ງ, “AI ແມ່ນການສູນພັນທາງໄຟຟ້າ” ໃນອີກດ້ານໜຶ່ງ. ຄວາມເປັນຈິງແມ່ນເປັນເລື່ອງທຳມະດາຫຼາຍກວ່າ, ເຊິ່ງເຮັດໃຫ້ມັນມີຂໍ້ມູນຫຼາຍຂຶ້ນ. ມັນເປັນບັນຫາຂອງລະບົບ. ຮາດແວ, ຊອບແວ, ການນຳໃຊ້, ຂະໜາດ, ການເຮັດໃຫ້ເຢັນ, ຕົວເລືອກການອອກແບບ. ເປັນເລື່ອງທຳມະດາບໍ? ໜ້ອຍໜຶ່ງ. ສຳຄັນບໍ? ຫຼາຍ. (IEA, Google Cloud)

ບົດຮຽນຫຼັກໆ⚡🧾

ຖ້າທ່ານມາທີ່ນີ້ໂດຍຖາມວ່າ AI ໃຊ້ພະລັງງານຫຼາຍປານໃດ?, ນີ້ແມ່ນສິ່ງທີ່ຄວນຮູ້:

• ບໍ່ມີຕົວເລກໃດທີ່ເໝາະສົມກັບທຸກຄົນ

• ການຝຶກຊ້ອມມັກຈະໃຊ້ພະລັງງານຫຼາຍທີ່ສຸດໃນຕອນເລີ່ມຕົ້ນ

• ການອະນຸມານກາຍເປັນປັດໄຈສຳຄັນໃນລະດັບໜຶ່ງ

• ຂະໜາດຂອງໂມເດວ, ຮາດແວ, ປະລິມານວຽກ ແລະ ການລະບາຍຄວາມຮ້ອນລ້ວນແຕ່ມີຄວາມສຳຄັນ

• ການເພີ່ມປະສິດທິພາບເລັກໆນ້ອຍໆສາມາດສ້າງຄວາມແຕກຕ່າງອັນໃຫຍ່ຫຼວງຢ່າງໜ້າປະຫຼາດໃຈ

• ຄຳຖາມທີ່ສະຫຼາດທີ່ສຸດບໍ່ພຽງແຕ່ “ເທົ່າໃດ,” ແຕ່ຍັງລວມທັງ “ສຳລັບວຽກງານໃດ, ໃນລະບົບໃດ, ໃນຂອບເຂດໃດ?” (IEA, Google Cloud)

ສະນັ້ນແມ່ນແລ້ວ, AI ໃຊ້ພະລັງງານທີ່ແທ້ຈິງ. ພຽງພໍທີ່ຈະສົມຄວນໄດ້ຮັບຄວາມສົນໃຈ. ພຽງພໍທີ່ຈະໃຫ້ເຫດຜົນກ່ຽວກັບວິສະວະກຳທີ່ດີກວ່າ. ແຕ່ບໍ່ແມ່ນໃນແບບກາຕູນ, ແບບຕົວເລກດຽວ.

ຕົວຢ່າງຂອງໂລກຕົວຈິງ: ການວັດແທກຄ່າໃຊ້ຈ່າຍພະລັງງານຂອງຜູ້ຊ່ວຍສະໜັບສະໜູນ AI

ສະຖານະການ

ລອງນຶກພາບເບິ່ງບໍລິສັດ SaaS ຂະໜາດນ້ອຍແຫ່ງໜຶ່ງທີ່ໃຊ້ຜູ້ຊ່ວຍ AI ເພື່ອຮ່າງຄຳຕອບຕໍ່ປີ້ສະໜັບສະໜູນລູກຄ້າ. ນີ້ແມ່ນຕົວຢ່າງທີ່ສົມມຸດຂຶ້ນແຕ່ເປັນຈິງ, ບໍ່ແມ່ນການສຶກສາກໍລະນີຂອງບໍລິສັດ.

ທີມງານຈັດການປີ້ຊ່ວຍເຫຼືອປະມານ 500 ໃບໃນແຕ່ລະອາທິດ. ສ່ວນໃຫຍ່ແມ່ນງ່າຍດາຍ: ການຕັ້ງລະຫັດຜ່ານໃໝ່, ຄຳຖາມກ່ຽວກັບການຮຽກເກັບເງິນ, ຄຳອະທິບາຍຄຸນສົມບັດ, ແລະ ການແກ້ໄຂບັນຫາພື້ນຖານ. ບໍລິສັດບໍ່ຕ້ອງການໃຫ້ຜູ້ຊ່ວຍສົ່ງຄຳຕອບໂດຍອັດຕະໂນມັດ. ມັນຮ່າງຄຳຕອບໃຫ້ຕົວແທນຊ່ວຍເຫຼືອມະນຸດກວດສອບ.

ຄຳຖາມກ່ຽວກັບພະລັງງານບໍ່ແມ່ນ “ໂດຍທົ່ວໄປແລ້ວ AI ໃຊ້ພະລັງງານເທົ່າໃດ?” ມັນມີປະໂຫຍດຫຼາຍກວ່າ:

"ພວກເຮົາກຳລັງສ້າງການຄຳນວນເພີ່ມເຕີມຫຼາຍປານໃດໂດຍການເພີ່ມ AI ໃສ່ໃນຂະບວນການເຮັດວຽກນີ້, ແລະ ພວກເຮົາສາມາດຫຼຸດຜ່ອນມັນໄດ້ໂດຍບໍ່ທຳລາຍຄຸນນະພາບບໍ?"

ສິ່ງທີ່ຜູ້ຊ່ວຍຕ້ອງການ

ທີມຈະເລີ່ມຕົ້ນດ້ວຍ:

ຖານຂໍ້ມູນສູນຊ່ວຍເຫຼືອທີ່ສະອາດ

ບັນຊີລາຍຊື່ຂອງກົດລະບຽບການຄືນເງິນ, ຄວາມເປັນສ່ວນຕົວ ແລະ ການຍື່ນເລື່ອງທີ່ໄດ້ຮັບການອະນຸມັດ

ຕົວຢ່າງ 20-30 ຂອງການຕອບກັບການສະໜັບສະໜູນທີ່ເຂັ້ມແຂງໃນອະດີດ

ຄຳແນະນຳທີ່ຊັດເຈນທີ່ຜູ້ຊ່ວຍຕ້ອງຮ່າງ, ບໍ່ແມ່ນສົ່ງ

ບັນທຶກການນຳໃຊ້ຄລາວ ຫຼື ບັນທຶກການນຳໃຊ້ API ຂອງໂມເດວ

ຕາຕະລາງງ່າຍໆເພື່ອຕິດຕາມປະເພດປີ້, ຄວາມຍາວຂອງການກະຕຸ້ນເຕືອນ, ຄວາມຍາວຂອງຜົນຜະລິດ, ເວລາທົບທວນຄືນ, ແລະວ່າຄຳຕອບຖືກຍອມຮັບຫຼືບໍ່

ສິ່ງສຳຄັນແມ່ນການວັດແທກ. ຖ້າບໍ່ມີບັນທຶກ, ທີມງານກໍ່ພຽງແຕ່ຄາດເດົາເທົ່ານັ້ນ.

ຕົວຢ່າງຄຳແນະນຳ

ທ່ານເປັນຜູ້ຊ່ວຍຮ່າງເອກະສານສະໜັບສະໜູນສຳລັບຜະລິດຕະພັນ SaaS. ໃຊ້ພຽງແຕ່ເນື້ອຫາສູນຊ່ວຍເຫຼືອທີ່ໄດ້ຮັບການອະນຸມັດ ແລະ ບັນທຶກນະໂຍບາຍທີ່ສະໜອງໃຫ້ເທົ່ານັ້ນ. ຂຽນຄຳຕອບທີ່ຊັດເຈນ ແລະ ສຸພາບພາຍໃນ 180 ຄຳ. ຖ້າລູກຄ້າຮ້ອງຂໍເງິນຄືນ, ການລຶບບັນຊີ, ຄຳແນະນຳທາງກົດໝາຍ, ລາຍລະອຽດຄວາມປອດໄພ ຫຼື ສິ່ງໃດກໍຕາມທີ່ບໍ່ໄດ້ລະບຸໄວ້ໃນເອກະສານ, ຢ່າຕອບໂດຍກົງ. ລາຍງານມັນເພື່ອໃຫ້ທີມງານກວດສອບ ແລະ ອະທິບາຍວ່າຂໍ້ມູນໃດຂາດຫາຍໄປ.

ກ່ອນທີ່ຈະຂຽນຄຳຕອບ, ໃຫ້ຈັດປະເພດປີ້ເປັນ: ງ່າຍດາຍ, ລະອຽດອ່ອນຕໍ່ນະໂຍບາຍ, ທາງດ້ານເຕັກນິກ, ຫຼື ຕ້ອງການການຍົກລະດັບ.

ວິທີການທົດສອບມັນ

ທີມງານສາມາດທົດສອບຜູ້ຊ່ວຍໃນປີ້ 50 ໃບທີ່ຜ່ານມາກ່ອນທີ່ຈະນຳໃຊ້ມັນສົດ.

ຊຸດການທົດສອບງ່າຍໆອາດຈະປະກອບມີ:

10 ປີ້ລະຫັດຜ່ານ ຫຼື ເຂົ້າສູ່ລະບົບ

ໃບບິນຄ່າທຳນຽມ 10 ໃບ

10 ປີ້ແກ້ໄຂບັນຫາດ້ານວິຊາການ

10 ຂໍ້ຄວາມຂອງລູກຄ້າທີ່ບໍ່ຈະແຈ້ງ ຫຼື ບໍ່ຄົບຖ້ວນ

10 ປີ້ທີ່ລະອຽດອ່ອນຕໍ່ນະໂຍບາຍທີ່ກ່ຽວຂ້ອງກັບການຄືນເງິນ, ຄວາມເປັນສ່ວນຕົວ, ຫຼື ການປິດບັນຊີ

ສຳລັບແຕ່ລະປີ້, ທີມຄວນບັນທຶກ:

ຮ່າງດັ່ງກ່າວຖືກຕ້ອງຕາມຄວາມເປັນຈິງບໍ?

ມັນໄດ້ໃຊ້ພຽງແຕ່ຂໍ້ມູນທີ່ໄດ້ຮັບການອະນຸມັດເທົ່ານັ້ນບໍ?

ມັນຍັງຄົງຢູ່ພາຍໃຕ້ຂີດຈຳກັດຂອງຄຳສັບບໍ?

ມັນໄດ້ລາຍງານກໍລະນີທີ່ລະອຽດອ່ອນຢ່າງຖືກຕ້ອງແລ້ວບໍ?

ຕົວແທນມະນຸດໃຊ້ເວລາແກ້ໄຂມັນດົນປານໃດ?

ຂັ້ນຕອນການເຮັດວຽກໄດ້ໃຊ້ໂທເຄັນ ຫຼື ຄຳຮ້ອງຂໍຈັກອັນ?

ສິ່ງນີ້ເຮັດໃຫ້ທີມມີບາງສິ່ງບາງຢ່າງທີ່ແນ່ນອນເພື່ອປຽບທຽບແທນທີ່ຈະອີງໃສ່ການຄາດເດົາ.

ຜົນໄດ້ຮັບ

ຜົນໄດ້ຮັບຕົວຢ່າງ: ອີງຕາມການກຳນົດເວລາຂອງຕົວຢ່າງປີ້ 50 ໃບກ່ອນ ແລະ ຫຼັງການນຳໃຊ້ຂັ້ນຕອນການເຮັດວຽກ, ທີມງານຄາດຄະເນວ່າເວລາສະເລ່ຍໃນການຮ່າງຄັ້ງທຳອິດຫຼຸດລົງຈາກ 6 ນາທີຕໍ່ປີ້ເປັນ 2 ນາທີຕໍ່ປີ້.

ສຳລັບປີ້ 500 ໃບຕໍ່ອາທິດ, ນັ້ນຊ່ວຍປະຢັດເວລາໄດ້ປະມານ 2,000 ນາທີ, ຫຼືປະມານ 33 ຊົ່ວໂມງໃນການຮ່າງ.

ແຕ່ບັນທຶກຍັງສະແດງໃຫ້ເຫັນບາງສິ່ງທີ່ມີຄ່າ: 38% ຂອງປີ້ແມ່ນການເຮັດຊ້ຳໆງ່າຍໆ. ໂດຍການຈັດເກັບຄຳຕອບທີ່ໄດ້ຮັບການອະນຸມັດສຳລັບຄຳຖາມທີ່ຊ້ຳໆເຫຼົ່ານີ້ແທນທີ່ຈະສ້າງຄືນທຸກຮ່າງຄືນໃໝ່ຕັ້ງແຕ່ເລີ່ມຕົ້ນ, ທີມງານໄດ້ຫຼຸດຄຳຮ້ອງຂໍ AI ຈາກ 500 ຕໍ່ອາທິດເປັນ 310 ຕໍ່ອາທິດ.

ນັ້ນແມ່ນການຫຼຸດຜ່ອນ 38% ຂອງການເອີ້ນການອະນຸມານປະຈຳອາທິດສຳລັບຂັ້ນຕອນການເຮັດວຽກນີ້, ໂດຍບໍ່ຕ້ອງລຶບຄຸນສົມບັດ AI ອອກ.

ທີມງານສາມາດກວດສອບສິ່ງນີ້ໄດ້ໂດຍການປຽບທຽບ:

ການຮ້ອງຂໍ AI ທັງໝົດປະຈຳອາທິດກ່ອນ ແລະ ຫຼັງການເກັບຂໍ້ມູນ

ຄວາມຍາວຂອງການແຈ້ງເຕືອນ ແລະ ຜົນຜະລິດໂດຍສະເລ່ຍ

ອັດຕາການຍອມຮັບຂອງມະນຸດ

ຈຳນວນການຍົກລະດັບທີ່ຖືກຈັບໄດ້ຢ່າງຖືກຕ້ອງ

ສະໜັບສະໜູນຄະແນນຄຸນນະພາບ ຫຼື ຈຳນວນການແກ້ໄຂ

ການປະຫຍັດໄຟຟ້າທີ່ແນ່ນອນຍັງຈະຂຶ້ນກັບຮຸ່ນ, ຮາດແວ, ຜູ້ໃຫ້ບໍລິການ ແລະ ພື້ນຖານໂຄງລ່າງ. ແຕ່ການຫຼຸດຜ່ອນປະລິມານວຽກເຮັດງານທຳເອງກໍ່ສາມາດວັດແທກໄດ້.

ມີຫຍັງຜິດພາດໄດ້ແດ່

ຜູ້ຊ່ວຍອາດຈະຕອບຄຳຖາມກ່ຽວກັບນະໂຍບາຍຫຼາຍເກີນໄປ ຖ້າກົດລະບຽບການຍົກລະດັບຄວາມຂັດແຍ້ງບໍ່ຊັດເຈນ.

ເອກະສານສູນຊ່ວຍເຫຼືອທີ່ຍາວອາດຈະເຮັດໃຫ້ຂໍ້ຄວາມຍາວເກີນໄປ ຖ້າການຕັ້ງຄ່າການດຶງຂໍ້ມູນມີໂຄງສ້າງທີ່ບໍ່ດີ.

ຕົວແທນອາດຈະໄວ້ວາງໃຈຮ່າງທີ່ຄ່ອງແຄ້ວໄວເກີນໄປ ແລະ ພາດຂໍ້ຜິດພາດເລັກນ້ອຍ.

ການເກັບຮັກສາໄວ້ໃນບ່ອນເກັບຂໍ້ມູນຊົ່ວຄາວອາດຈະມີຄວາມສ່ຽງ ຖ້ານະໂຍບາຍການຄືນເງິນ, ການກຳນົດລາຄາ ຫຼື ນະໂຍບາຍຄວາມເປັນສ່ວນຕົວແບບເກົ່າຍັງຄົງມີການແຈກຢາຍຢູ່.

ທີມງານອາດຈະເພີ່ມປະສິດທິພາບໃຫ້ມີໂທເຄັນໜ້ອຍລົງ ໃນຂະນະທີ່ສ້າງຄຳຕອບທີ່ເປັນປະໂຫຍດໜ້ອຍລົງໂດຍບັງເອີນ.

ເວີຊັນທີ່ປອດໄພທີ່ສຸດຊ່ວຍໃຫ້ມະນຸດຮັບຮູ້ຂໍ້ມູນ, ວັດແທກຄຳຕອບທີ່ຍອມຮັບ, ແລະ ກວດສອບຄຳຕອບທີ່ເກັບໄວ້ທຸກຄັ້ງທີ່ນະໂຍບາຍມີການປ່ຽນແປງ.

ເອົາໄປໃຊ້ຕົວຈິງ

ການປະເມີນພະລັງງານ AI ທີ່ດີເລີ່ມຕົ້ນດ້ວຍຂັ້ນຕອນການເຮັດວຽກທີ່ເປັນຮູບປະທຳ. ນັບຄຳຮ້ອງຂໍ, ຫຍໍ້ຂໍ້ຄວາມ, ເກັບຄຳຕອບທີ່ຊ້ຳກັນໄວ້, ແລະ ວັດແທກຄຸນນະພາບການທົບທວນຄືນ. ນັ້ນປ່ຽນ “AI ໃຊ້ພະລັງງານເທົ່າໃດ?” ຈາກການໂຕ້ວາທີທີ່ບໍ່ຈະແຈ້ງໃຫ້ກາຍເປັນຄຳຖາມວິສະວະກຳທີ່ໃຊ້ໄດ້ຈິງທີ່ມີຕົວເລກທີ່ທີມສາມາດປັບປຸງໄດ້ໃນການປະຕິບັດ.

ຄຳຖາມທີ່ຖືກຖາມເລື້ອຍໆ

AI ໃຊ້ພະລັງງານເທົ່າໃດສຳລັບການກະຕຸ້ນເຕືອນດຽວ?

ບໍ່ມີຕົວເລກທົ່ວໄປສຳລັບການກະຕຸ້ນເຕືອນດຽວ, ເພາະວ່າການໃຊ້ພະລັງງານແມ່ນຂຶ້ນກັບຮູບແບບ, ຮາດແວ, ຄວາມຍາວຂອງການກະຕຸ້ນເຕືອນ, ຄວາມຍາວຂອງຜົນຜະລິດ, ແລະ ການໃຊ້ເຄື່ອງມືເພີ່ມເຕີມທີ່ກ່ຽວຂ້ອງ. ການຕອບກັບຂໍ້ຄວາມສັ້ນໆສາມາດຂ້ອນຂ້າງພໍສົມຄວນ, ໃນຂະນະທີ່ວຽກງານຫຼາຍຮູບແບບທີ່ຍາວສາມາດໃຊ້ພະລັງງານຫຼາຍກວ່າຢ່າງເຫັນໄດ້ຊັດ. ຄຳຕອບທີ່ມີຄວາມໝາຍທີ່ສຸດບໍ່ແມ່ນຕົວເລກຫົວຂໍ້ດຽວ, ແຕ່ແມ່ນສະພາບການອ້ອມຮອບວຽກງານ.

ເປັນຫຍັງການຄາດຄະເນການໃຊ້ພະລັງງານຂອງ AI ຈຶ່ງແຕກຕ່າງກັນຫຼາຍ?

ການຄາດຄະເນແຕກຕ່າງກັນເພາະວ່າຄົນເຮົາມັກປຽບທຽບສິ່ງທີ່ແຕກຕ່າງກັນຫຼາຍພາຍໃຕ້ປ້າຍຊື່ດຽວຂອງ AI. ການຄາດຄະເນໜຶ່ງອາດຈະອະທິບາຍການຕອບກັບ chatbot ທີ່ມີນ້ຳໜັກເບົາ, ໃນຂະນະທີ່ອີກອັນໜຶ່ງອາດຈະກວມເອົາການສ້າງຮູບພາບ, ວິດີໂອ, ຫຼືການຝຶກອົບຮົມແບບຈຳລອງຂະໜາດໃຫຍ່. ເພື່ອໃຫ້ການຄາດຄະເນມີຄວາມໝາຍ, ມັນຕ້ອງການສະພາບການເຊັ່ນ: ປະເພດໜ້າວຽກ, ຂະໜາດແບບຈຳລອງ, ຮາດແວ, ການນຳໃຊ້, ການເຮັດໃຫ້ເຢັນ, ແລະສະຖານທີ່.

ການຝຶກອົບຮົມ AI ຫຼື ການໃຊ້ງານ AI ໃນແຕ່ລະມື້ ມີຄ່າໃຊ້ຈ່າຍດ້ານພະລັງງານຫຼາຍກວ່າບໍ?

ການຝຶກອົບຮົມມັກຈະເປັນເຫດການພະລັງງານຂະໜາດໃຫຍ່ລ່ວງໜ້າ, ເພາະມັນສາມາດກ່ຽວຂ້ອງກັບຊິບຫຼາຍອັນທີ່ເຮັດວຽກເປັນເວລາດົນນານໃນຊຸດຂໍ້ມູນຂະໜາດໃຫຍ່. ການອະນຸມານແມ່ນຄ່າໃຊ້ຈ່າຍຢ່າງຕໍ່ເນື່ອງທີ່ປາກົດຂຶ້ນທຸກຄັ້ງທີ່ຜູ້ໃຊ້ສົ່ງຄຳຮ້ອງຂໍ, ແລະໃນຂອບເຂດມັນຍັງສາມາດກາຍເປັນຂະໜາດໃຫຍ່ຫຼາຍ. ໃນທາງປະຕິບັດ, ທັງສອງຢ່າງມີຄວາມສຳຄັນ, ເຖິງແມ່ນວ່າພວກມັນມີຄວາມສຳຄັນໃນວິທີທີ່ແຕກຕ່າງກັນ.

ສິ່ງໃດເຮັດໃຫ້ການຮ້ອງຂໍ AI ໜຶ່ງໃຊ້ພະລັງງານຫຼາຍກ່ວາອີກອັນໜຶ່ງ?

ປ່ອງຢ້ຽມສະພາບການທີ່ຍາວກວ່າ, ຜົນຜະລິດທີ່ຍາວກວ່າ, ການອ້າງອີງຊ້ຳໆ, ການເອີ້ນເຄື່ອງມື, ຂັ້ນຕອນການດຶງຂໍ້ມູນຄືນ, ແລະ ການສ້າງແບບຫຼາຍຮູບແບບ ລ້ວນແຕ່ມັກຈະເພີ່ມການໃຊ້ພະລັງງານຕໍ່ການໂຕ້ຕອບ. ເປົ້າໝາຍຄວາມຊັກຊ້າກໍ່ມີຄວາມສຳຄັນເຊັ່ນກັນ, ເພາະວ່າຄວາມຕ້ອງການການຕອບສະໜອງທີ່ໄວຂຶ້ນສາມາດຫຼຸດຜ່ອນປະສິດທິພາບ. ການຮ້ອງຂໍການຂຽນຄືນໃໝ່ຂະໜາດນ້ອຍ ແລະ ການຂຽນລະຫັດ ຫຼື ຂະບວນການເຮັດວຽກຮູບພາບທີ່ຍາວແມ່ນບໍ່ສາມາດປຽບທຽບກັນໄດ້.

ຄ່າໃຊ້ຈ່າຍດ້ານພະລັງງານທີ່ເຊື່ອງໄວ້ອັນໃດທີ່ຄົນເຮົາພາດໄປເມື່ອຖາມວ່າ AI ໃຊ້ພະລັງງານຫຼາຍປານໃດ?

ຫຼາຍຄົນສຸມໃສ່ພຽງແຕ່ຊິບເທົ່ານັ້ນ, ແຕ່ມັນມອງຂ້າມລະບົບການເຮັດໃຫ້ເຢັນ, ການຍ້າຍຂໍ້ມູນ, ການເກັບຮັກສາ, ຄວາມສາມາດໃນການໃຊ້ງານ, ແລະ ລະບົບຄວາມໜ້າເຊື່ອຖືເຊັ່ນ: ການສຳຮອງຂໍ້ມູນ ຫຼື ພາກພື້ນ failover. ຊັ້ນຮອງຮັບເຫຼົ່ານີ້ສາມາດປ່ຽນແປງພື້ນທີ່ທັງໝົດໄດ້ຢ່າງຫຼວງຫຼາຍ. ນັ້ນແມ່ນເຫດຜົນທີ່ວ່າມາດຕະຖານດ້ວຍຕົວມັນເອງບໍ່ຄ່ອຍຈະຈັບພາບພະລັງງານໄດ້ຢ່າງເຕັມທີ່.

ຮູບແບບ AI ທີ່ໃຫຍ່ກວ່ານັ້ນໃຊ້ພະລັງງານຫຼາຍກວ່າສະເໝີບໍ?

ຮູບແບບທີ່ໃຫຍ່ກວ່າມັກຈະຕ້ອງການການຄຳນວນ ແລະ ໜ່ວຍຄວາມຈຳຫຼາຍກວ່າ, ໂດຍສະເພາະສຳລັບຜົນຜະລິດທີ່ຍາວ ຫຼື ສັບສົນ, ສະນັ້ນພວກມັນມັກຈະໃຊ້ພະລັງງານຫຼາຍກວ່າ. ແຕ່ຂະໜາດໃຫຍ່ກວ່າບໍ່ໄດ້ໝາຍຄວາມວ່າຈະດີກວ່າໂດຍອັດຕະໂນມັດສຳລັບທຸກວຽກ, ແລະ ການເພີ່ມປະສິດທິພາບສາມາດປ່ຽນແປງຮູບພາບໄດ້ຢ່າງຫຼວງຫຼາຍ. ຮູບແບບຜູ້ຊ່ຽວຊານຂະໜາດນ້ອຍກວ່າ, ການວັດແທກປະລິມານ, ການແບ່ງເປັນກຸ່ມ, ການເກັບຂໍ້ມູນຊົ່ວຄາວ, ແລະ ການຈັດເສັ້ນທາງທີ່ສະຫຼາດກວ່າສາມາດປັບປຸງປະສິດທິພາບໄດ້.

ບັນຫາພະລັງງານຫຼັກຂອງ AI ສຳລັບຜູ້ບໍລິໂພກແມ່ນການໃຊ້ AI ຫຼື AI ສຳລັບວິສາຫະກິດແມ່ນບັນຫາໃຫຍ່ກວ່າ?

ການນຳໃຊ້ຂອງຜູ້ບໍລິໂພກທົ່ວໄປສາມາດເພີ່ມຂຶ້ນໄດ້, ແຕ່ເລື່ອງພະລັງງານທີ່ໃຫຍ່ກວ່າມັກຈະປາກົດຢູ່ໃນການນຳໃຊ້ຂອງວິສາຫະກິດ. ການຊ່ວຍເຫຼືອຮ່ວມກັນທີ່ເປີດໃຊ້ງານຢູ່ສະເໝີ, ການປະມວນຜົນເອກະສານ, ການສະຫຼຸບການໂທ, ການທົບທວນລະຫັດ, ແລະຕົວແທນພື້ນຫຼັງສ້າງຄວາມຕ້ອງການຊ້ຳໆໃນທົ່ວຖານຜູ້ໃຊ້ຂະໜາດໃຫຍ່. ບັນຫາມັກຈະກ່ຽວກັບການກະທຳທີ່ໜ້າຕື່ນເຕັ້ນໜ້ອຍກວ່າໜຶ່ງຢ່າງ ແລະ ຫຼາຍກວ່າກ່ຽວກັບປະລິມານທີ່ຍືນຍົງຕາມການເວລາ.

AI ໃຊ້ພະລັງງານເທົ່າໃດເມື່ອທ່ານລວມເອົາສູນຂໍ້ມູນ ແລະ ເຄື່ອງເຮັດຄວາມເຢັນ?

ເມື່ອລະບົບທີ່ກວ້າງຂວາງຖືກລວມເຂົ້າແລ້ວ, ຄຳຕອບຈະກາຍເປັນຈິງຫຼາຍຂຶ້ນ ແລະ ມັກຈະໃຫຍ່ກວ່າການຄາດຄະເນສະເພາະຊິບ. ສູນຂໍ້ມູນບໍ່ພຽງແຕ່ຕ້ອງການພະລັງງານສຳລັບການຄຳນວນເທົ່ານັ້ນ, ແຕ່ຍັງຕ້ອງການພະລັງງານສຳລັບການເຮັດຄວາມເຢັນ, ເຄືອຂ່າຍ, ການເກັບຮັກສາ ແລະ ການຮັກສາຄວາມຈຸສຳຮອງອີກດ້ວຍ. ນັ້ນແມ່ນເຫດຜົນທີ່ການອອກແບບພື້ນຖານໂຄງລ່າງ ແລະ ປະສິດທິພາບຂອງສະຖານທີ່ມີຄວາມສຳຄັນເກືອບເທົ່າກັບການອອກແບບຮູບແບບ.

ວິທີທີ່ເປັນປະໂຫຍດທີ່ສຸດໃນການວັດແທກການໃຊ້ພະລັງງານ AI ໃນຂະບວນການເຮັດວຽກຕົວຈິງແມ່ນຫຍັງ?

ວິທີການທີ່ດີທີ່ສຸດແມ່ນຂຶ້ນກັບວ່າໃຜກຳລັງວັດແທກ ແລະ ເພື່ອຈຸດປະສົງຫຍັງ. ກົດລະບຽບງ່າຍໆສາມາດຊ່ວຍໃນການປຽບທຽບໄດ້ໄວ, ໃນຂະນະທີ່ເຄື່ອງວັດວັດ, ການວັດສົ່ງຂໍ້ມູນທາງໄກຂອງ GPU, ບັນທຶກການຮຽກເກັບເງິນໃນຄລາວ ແລະ ການລາຍງານສູນຂໍ້ມູນໃຫ້ຄວາມເຂົ້າໃຈດ້ານການດຳເນີນງານທີ່ເຂັ້ມແຂງຂຶ້ນເທື່ອລະກ້າວ. ສຳລັບວຽກງານຄວາມຍືນຍົງທີ່ຈິງຈັງ, ມຸມມອງວົງຈອນຊີວິດທີ່ຄົບຖ້ວນກວ່າແມ່ນເຂັ້ມແຂງກວ່າ, ເຖິງແມ່ນວ່າມັນຈະຊ້າກວ່າ ແລະ ມີຄວາມຕ້ອງການຫຼາຍກວ່າ.

ທີມງານສາມາດຫຼຸດຜ່ອນການໃຊ້ພະລັງງານ AI ໄດ້ແນວໃດໂດຍບໍ່ຍອມແພ້ຄຸນສົມບັດ AI ທີ່ເປັນປະໂຫຍດ?

ຜົນປະໂຫຍດທີ່ໃຫຍ່ທີ່ສຸດມັກຈະມາຈາກການໃຊ້ຮູບແບບທີ່ນ້ອຍທີ່ສຸດທີ່ຍັງເຮັດວຽກໄດ້, ຫຍໍ້ການກະຕຸ້ນ ແລະ ຜົນຜະລິດ, ເກັບຂໍ້ມູນຜົນໄດ້ຮັບທີ່ຊ້ຳແລ້ວຊ້ຳອີກ, ການຈັດວຽກແບບເປັນກຸ່ມ, ແລະ ການຈັດສົ່ງພຽງແຕ່ໜ້າວຽກທີ່ຍາກກວ່າໄປຫາຮູບແບບທີ່ໃຫຍ່ກວ່າ. ການເພີ່ມປະສິດທິພາບພື້ນຖານໂຄງລ່າງກໍ່ມີຄວາມສຳຄັນເຊັ່ນກັນ, ໂດຍສະເພາະແມ່ນການກຳນົດເວລາ ແລະ ປະສິດທິພາບຂອງຮາດແວ. ໃນຫຼາຍໆທໍ່ສົ່ງ, ການວັດແທກກ່ອນຈະຊ່ວຍປ້ອງກັນບໍ່ໃຫ້ທີມງານເພີ່ມປະສິດທິພາບໃນສິ່ງທີ່ຜິດພາດ.

ເອກະສານອ້າງອີງ

1. ອົງການພະລັງງານສາກົນ (IEA) - ຄວາມຕ້ອງການພະລັງງານຈາກ AI - iea.org

2. ກະຊວງພະລັງງານສະຫະລັດ (DOE) - DOE ເຜີຍແຜ່ບົດລາຍງານໃໝ່ທີ່ປະເມີນການເພີ່ມຂຶ້ນຂອງສູນຂໍ້ມູນຄວາມຕ້ອງການໄຟຟ້າ - energy.gov

3. Google Cloud - ການວັດແທກຜົນກະທົບຕໍ່ສິ່ງແວດລ້ອມຂອງການອະນຸມານ AI - cloud.google.com

4. ການຄົ້ນຄວ້າຂອງ Google - ຂ່າວດີກ່ຽວກັບຮອຍຕີນກາກບອນຂອງການຝຶກອົບຮົມການຮຽນຮູ້ຂອງເຄື່ອງຈັກ - research.google

5. ການຄົ້ນຄວ້າຂອງ Google - ການປ່ອຍອາຍພິດຄາບອນຈາກການຝຶກອົບຮົມການຮຽນຮູ້ຂອງເຄື່ອງຈັກຈະຫຼຸດລົງ ແລະ ຫຼັງຈາກນັ້ນຈະຫຼຸດລົງ - research.google

6. arXiv - AI ສີຂຽວ - arxiv.org

7. arXiv - Strubell et al. - arxiv.org

8. arXiv - ກົນລະຍຸດການວັດປະລິມານ, ການແບ່ງກຸ່ມ ແລະ ການຮັບໃຊ້ໃນການນຳໃຊ້ພະລັງງານ LLM - arxiv.org

ຊອກຫາ AI ລ່າສຸດໄດ້ທີ່ຮ້ານ AI Assistant ຢ່າງເປັນທາງການ

ກ່ຽວກັບພວກເຮົາ