Kunstig intelligens (AI) er i ferd med å bli en del av hverdagen for mange mennesker rundt om i verden. På individnivå bruker folk i økende grad AI-modeller for søk. Mens Google fortsatt dominerer søkemarkedet, har ChatGPT utgjort den største trusselen mot sin dominans.
På forretningsnivå er ingen industri utelatt, fra landbruk til helsevesen, fra finans til underholdning, organisasjoner over hele verden integrerer AI i sin daglige drift.
Verdens etterspørsel etter og bruk av AI forventes å vokse eksponentielt de neste årene, så teknologiselskaper reagerer på denne utviklingen ved å bygge massive datasentre. Men denne veksten har en kostnad: energiforbruk, økonomiske kostnader og miljøpåvirkning. Tradisjonell databehandling kan rett og slett ikke holde tritt med økende data- og energibehov. For å opprettholde AI-revolusjonen må vi revurdere fysikken til moderne databehandling.
Energispørsmål
Selv uten å ta hensyn til AI, er elektronisk databehandling på et kritisk tidspunkt. Moores lov svikter, Dennard-skalering har brutt sammen, og resultatet er spredningen av "mørk silisium", delene av transistorer på en brikke som må forbli uten strøm eller inaktiv for å unngå overoppheting.
Å trene en stor AI-modell er ingen enkel oppgave. Store språkmodeller (LLM) er trent på enorme mengder data og har billioner av parametere. De forutsier, måler, justerer og gjentar prosessen milliarder av ganger. Det er anslått at datakraften som kreves for å trene AI-modeller vil dobles hver sjette måned.
Behandling og flytting av så store datamengder krever massiv parallellitet og kraft. I tradisjonell databehandling krever høyere effekt systemer med høyere tetthet. Høyere tetthet betyr mer motstand, og mer motstand betyr mer varme. Dette tvinger datasentre til å flytte mye energi fra databehandling til kjøling, med opptil 40 % av det totale energiforbruket til datasenteret som brukes til å forhindre nedsmelting av servere.
Infrastrukturen som støtter AI sliter allerede, og det er klart at tradisjonell databehandling ikke lenger kan støtte fremtidig utvikling.
Økonomiske spørsmål
Datasenteroperatører står overfor en økonomisk gåte: enten begrense beregningstettheten til hva deres nåværende kjøleanlegg kan håndtere, hemme deres forretningsevner, eller skyve termiske grenser, forårsaker akselerert aldring av maskinvare og komponenter, økende driftskostnader og avfall.
I tillegg er kostnadene ved å bygge nye datasentre også svært høye - McKinsey spår at 5,2 billioner USD i investeringer vil kreves innen 2030. Hvis datasentre fortsetter å stole på tradisjonell databehandling, vil investering i ineffektiv infrastruktur være en stor økonomisk risiko. Vanlige forbrukere rammes også av dårlige økonomiske forhold; Ettersom AI legger et enestående press på nettet og etterspørselen etter datasenterkraft øker, stiger strømprisene. Disse kostnadene overføres til omkringliggende husholdninger i form av raskt økende strømregninger.
