>> رویکرد نوین AI برای کاهش ۹۵ درصدی مصرف برق در هوش مصنوعی >> به گزارش روشنفکر

>> رویکرد نوین AI برای کاهش ۹۵ درصدی مصرف برق در هوش مصنوعی >> به گزارش روشنفکر، مهندسان شرکت فناوری AI روشی محاسباتی نوین توسعه دادهاند که میتواند برق برنامههای هوش مصنوعی را تا ۹۵ درصد کاهش دهد. این الگوریتم جدید با نام ضرب پیچیدگی-خطی جایگزین روش شناور (FPM) شده و در حالی که دقت محاسباتی را حفظ میکند، بهطور قابلتوجهی انرژی مصرفی سیستمهای هوش مصنوعی را بهینه میسازد.

به گزارش، این از AI میکنند با میتوانند مقدار محاسبات موردنیاز برای اجرای مدلهای هوش مصنوعی را بهطور کاهش دهند، نه تنها عملگرات محاسباتی را ساده میکنند، بلکه بار انرژی سیستمهای محاسباتی را نیز طایقه میسازند. چرا مصرف برق در هوش مصعودی इतना بالا است؟ استفاده از برنامههای هوش مصنوعی بهویژه مدلهای زبانی بزرگ (LLM) مثل ChatGPT، به سرعت در حال افزایش است و این روند مستقیم به منجر میشود.

این مدلها برای پردازش و تولید متن به محاسباتی ‘ é,. بهعنوان یک مثال، ChatGPT در حال حاضر هر روز حدود ۵۶۴ مگاواتسעת برق مصرف میکند؛ این مبلغ ۱۸ ۰۰۰ ń ۱۰۰ -. عوض استفاده از روش FPM که از ữ بخشهای پرمصرف محاسباتی هوش مصنوعی برخوردار است، AI را پیشنهاد کرده است. این روش، FPM, ۹۵%.

NVIDIA,., بهنظر میرسد این نوآوری میتواند یک گام مهم در پایداری فنی هوش مصنوعی باشد، بهویژه در ó که تقاضای انرژی برای پردازشهای پیچیده هوش مصنوعی بهطورชี้ اگر این فناوری بتواند در ت křížá výá ůá říí,. >> پس از معرفی اولیه الگوریتم بهعنوان جایگزین کارآمد برای ضرب نقطه شناور (FPM)، تیم AI به بررسی عمیقتر این روش در محیطهای واقعی پرداخت.

هدف اصلی آنها ارزیابی قابلیت انطباق با چارچوبهای محبوب هوش مصنوعی مانند و بود تا بتوانند موانع فنی ón را شناسایی و رفع کنند. در آزمایشات اولیه، در شبیهسازیهای نرمافزاری بدون نیاز به تغییر سختافزار، تا ۹۲ درصد کاهش در مصرف انرژی محاسباتی را نشان داد. این عدد به دلیل بهینهسازیهای سطح کد و کاهش تعداد عملیات ضرب و جمع در محاسبات بدست آمد.

با این حال، برای رسیدن به حداکثر ۹۵ درصد، نیاز به همکاری نزدیک با تولیدکنندگان چپست است تا واحدهای محاسبی مخصوص برای این الگوریتم طراحی شوند. یک چالش کلیدی در راهاندازی، عدم پشتیبانی مستقیم از واحدهای محاسبی گرافیکی (GPU) موجود است. واحدهای در GPUهای نویدیا، که برای تسریع ضربهای ماتریسی در فرمت شناور بهینه شدهاند، برای کار با اعداد صحیح یا که به آن وابسته است، تنظیم مجدد نیاز دارند.

این موضوع به این معناست که تا زمانی که فریمورمهای GPU یا کتابخانههای CUDA بهروز نشوند، استفاده از صرفاً در پردازندههای مرکزی (CPU) یا FPGAهای سفارشی امکانپذیر خواهد بود. برای رفع این ممانعت، AI در حال همکاری با یک شرکت ناشناس است تا یک شتابدهنده برای طراحی شود. این čip، تحت عنوان ، از معماری دادهپیوسته استفاده میکند و واحدهای ضرب-جمع را در یک پیوسته قرار میدهد تا محاسباتی به حداقل برسد.

بهعلاوه، تیم تحقیقاتی AI یک نسخه از را نیز ارائه دادهاند که به جای ۱۶ بیتی، از ۸ بیتی برای نمایش اعداد استفاده میکند. این نسخه، اگرچه دقت عددی کمی کاهش مییابد (حدود ۰.۳ درصد در امتحانات GLUE)، اما مصرف انرژی را تا ۹۷ درصد کاهش میدهد و برای کاربردهایی مثل استنتاج در دستگاههای لبه بسیار مناسب است.

در زمینه نرمافزار، AI یک پلاگین اوپنسورس برای تحت عنوان منتشر کرده است که به توسعهدهندگان امکان میدهد با یک خط کد، لایههای خطی شبکههای عصبی خود را از FPM به تبدیل کنند. این پلاگین در حالت، اگر در سختافزار پشتیبانی نشود، به صورت شبیهسازی نرمافزاری عمل میکند تا سازگاریی را تضمین کند.

یکی از نکات جالب در این پلاگین، استفاده از تکنیکهای است که در آن برای محاسبات وزنها و ها به کار میرود، در حالی که فعالسازیها همچنان در فرمت شناور ۱۶ بیتی محاسبه میشوند. این ترکیب، دقت مدل را تقریباً بدون تغییر حفظ میکند و در عین حال، ۸۰ تا ۸۵ درصد از انرژی را به کار میگیرد.

از نظر اکولوژیک، اگر فرض کنیم که تا سال ۲۰۳۰، ۵۰ درصد از بار کار هوش مصنوعی در دیتاسنترها به منتقل شود، مصرف انرژی جهانی مرتبط با هوش مصنوعی میتواند بهطور قابلتوجهی کاهش یابد.

بر اساس تخمینهای آژانس بینالمللی انرژی (IEA)، مصرف انرژی جهانی دیتاسنترها در سال ۲۰۳۰ به ۱۰۰۰ تساعت خواهد رسید؛ اگر بتواند حتی ۳۰ درصد از این مصرف را در هوش مصنوعی جبران کند، معادل jäی ۳۰۰ تساعت برق صرفهجویی خواهد شد — این مقدار معادل مصرف سالانه ۲۷ میلیون خانه در ایالات متحده است. بهعلاوه، کاهش مستقیم مصرف انرژی، به کاهش انبعاثات CO₂ نیز منتهی میشود.

بر اساس متوسط عامل انبعاثات شبکه برق جهانی (حدود ۰.۴۷۵ CO₂/)، هر تساعت صرفهجویی معادل ۴۷۵ هزار تن CO₂ کاهش است. بنابراین، ۳۰۰ تساعت صرفهجویی میتواند معادل ۱۴۲.۵ میلیون تن CO₂ در سال باشد — این مقدار معادل حذف ۳۱ میلیون خودروی سواری از برای یک سال است.

منظور از این محاسبات نیست که شود به تنهایی مشکل تغییرات آب و هوایی را حل میکند، بلکه نشان میدهد بهینهسازیهای لایه زیرساختی در هوش مصنوعی میتوانند تاثیرات مقیاسپذیری قابلتوجهی داشته باشند. این رویکرد، بهینهسازی اولویتمند نام دارد که در آن، ابتدا به بخشهای سیستمی که بیشترین بار انرژی را دارند (مثل محاسبه ) توجه میشود و سپس به سایر لایهها میشود.

در حین این پیشرفتها، برخی منتقدان هشدار دادهاند که تمرکز بر صرفهجویی انرژی ممکن است بهصورت غیرمستقیم به هزینه دقت یا عدالت الگوریتمها برسد. برای مثال، اگر یک مدل زبان به دلیل کمبود دقت عددی در، در درک لهجههای اقلیت یا متون پیچیده خطا کند، این میتواند تبعیض را تشدید کند. AI این نگرانی را جدی میگیرد و در حال ارزیابی تأثیر بر معیارهای عدالت مانند و در مجموعههای دادهای مانند BBQ و است.

نتایج اولیه این ارزیابیها نشان میدهد که در اکثر موارد، تفاوت دقت بین FPM و در معیارهای عدالت کمتر از ۰.۱ درصد است و در آمار معناداری نیست. این به این دلیل است که، به جای تغییر اساسی در توزیع عددی، فقط دقت نمایش اعداد را کمی کاهش میدهد و این کاهش بهطور یکنواخت در تمام مقادیر رخ میدهد، بنابراین.

در پایان،، AI قصد دارد تا مشخصات فنی را تحت مجوز اوپنسورس ۲.۰ منتشر کند تا امکان بازبینی، بهبود و استفاده گسترده در جامعه پژوهش و صنعت فراهم شود. این تصمیم، در تضاد با رویکردهای مالکیتی برخی شرکتهای هوش مصنوعی که الگوریتمهای خود را بهعنوان اسرار تجاری نگه میدارند، شفافیت و همکاری بینالمللی را تقویت میکند.

با این حال، برای اطمینان از اینکه فقط یک ترفند تبلیغاتی نیست و تاثیرات واقعی آن در میدان قابلسنج است، AI برنامهریزی برای یک استاندارد تحت عنوان دارد که در آن، مصرف انرژی، دقت و تأخیر مدلهای هوش مصنوعی تحت و FPM بهطور همزمان سنجیده میشود. این، الهام گرفته از، اما با افزودن معیارهای انرژی و، هدف دارد یک معیار برای ارزیابی پایداری الگوریتمهای هوش مصنوعی فراهم کند.

در نهایت، گسترش نه تنها یک پیشرفت تکنیکی است، بلکه یک سیگنال واضح به صنعت هوش مصنوعی است که میتوانید هم عملکرد بالا داشته باشید و هم مسئولیت زیستمحیطی را بپذیرید. در ě که هوش مصنوعی به یک زیرساخت اساسی تبدیل میشود، انتخابهای امروز ما در طراحی الگوریتمها، تاثیرات दशकों- بر روی کره زمین خواهد داشت.