>> الگوریتم نوین مصرف انرژی هوش مصنوعی را تا ۹۵ درصد کاهش میدهد >> مهندسان شرکت فناوری AI با ارائه یک روش محاسباتی پیشگامانه، موفق شدهاند نیاز به برق برای اجرای برنامههای هوش مصنوعی را تا حد چشمگیری کاهش دهند. این دستاورد در حال حاضر تا ۹۵ درصد صرفهجویی در مصرف انرژی را به همراه دارد.
با وجود اینکه این الگوریتم نوپا همچنان چالشهای فنی خاص خود را دارد، اما با توجه به تقاضای روزافزون کاربران برای اپلیکیشنهای هوشمند و افزایش نگرانکننده مصرف برق در این حوزه، میتوان آن را یک راهکار استراتژیک برای مدیریت انرژی در آینده دانست.
روزافزون کاربرد اپلیکیشنهای هوش مصنوعی، مستقیماً منجر به افزایش قابلتوجه تقاضای انرژی و هزینههای عملیاتی شده است.
مدلهای زبانی بزرگ (LLM) مانند ChatGPT برای پردازش حجم عظیم دادهها، به قدرت محاسباتی استثنایی نیاز دارند که خود عامل اصلی بالا رفتن مصرف برق است. برای درک ابعاد این مسئله، میتوان به آمارهای فعلی ChatGPT اشاره کرد؛ این چتبات در حال حاضر به طور روزانه حدود ۵۶۴ مگاواتساعت برق مصرف میکند. این میزان انرژی برای تامین برق حدود ۱۸ هزار واحد مسکونی در ایالات متحده کافی است.
ی است.
مکانیزم کارکرد الگوریتم ضرب پیچیدگی-خطی در معماری محاسباتی فعلی، اپلیکیشنهای هوش مصنوعی برای مدیریت اعداد بسیار بزرگ یا بسیار کوچک و انجام محاسبات با دقت بالا، از روش پیچیده ضرب نقطه شناور ( – FPM) استفاده میکنند. این متد یکی از پرمصرفترین و سنگینترین بخشهای پردازش در مدلهای هوش مصنوعی محسوب میشود. تیم AI به جای این روش سنتی، الگوریتم نوینی تحت عنوان ضرب پیچیدگی-خطی ( – ) را ابداع کردهاند.
این روش با بهرهگیری از یک الگوریتم محاسباتی سادهتر، قادر است دقت محاسباتی معادل FPM را فراهم آورد. بر اساس مقاله علمی منتشر شده در آرکایو، پیادهسازی این تکنیک میتواند مصرف انرژی سیستمهای هوش مصنوعی را تا حداکثر ۹۵ درصد کاهش دهد. موانع سختافزاری و راهکارهای آینده با وجود نتایج تئوری و شبیهسازی شده الواعد، مسیر تجاریسازی این تکنولوژی چالشهای جدی دارد.
از آنجا که الگوریتم یک فرایند محاسباتی کاملاً جدید است، سختافزارهای رایج و پرکاربرد در بازار — از جمله واحدهای پردازش گرافیکی (GPU) شرکت انویدیا (NVIDIA) — برای اجرای بهینه آن طراحی نشدهاند. در نتیجه، حتی در صورت تأیید عملکرد عملیاتی این الگوریتم در سطح FPM، برای استقرار گسترده آن، به نسل جدیدی از سختافزارهای اختصاصی نیاز خواهیم داشت که بتوانند محاسبات را به صورت بومی و کارآمد مدیریت کنند. >>
