AI ໃຊ້ພະລັງງານຫຼາຍປານໃດ?

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 ໃນຂອບເຂດກ້ວາງຂວາງຕະຫຼອດມື້ - 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.

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