>> کاهش ۹۵ درصدی مصرف انرژی هوش مصنوعی با الگوریتم ضرب پیچیدگیِخطی >> مهندسان شرکت فناوری AI یک روش محاسباتی نوین را توسعه دادهاند که پتانسیل کاهش نیاز به برق در برنامههای هوش مصنوعی تا سطح ۹۵ درصد را دارد.
با وجود اینکه این الگوریتم نوپا ممکن است ایراداتی داشته باشد، اما با توجه به تقاضای رو به رشد کاربران برای بهرهبرداری از اپلیکیشنهای هوش مصنوعی و افزایش مداوم مصرف انرژی در این حوزه، میتوان آن را راهکاری مؤثث برای بهینهسازی مصرف برق تلقی کرد.
گزارش فنی الگوریتم جایگزین ضرب نقطه شناور بر اساس گزارشی که در منتشر شده، محققان AI ادعا کردهاند مسیری را آشکار ساختهاند که نه تنها حجم محاسبات موردنیاز برای اجرای مدلهای هوش مصنوعی را کاهش میدهد، بلکه بدون कुربانی کردن عملکرد، مصرف انرژی را به شدت به حداقل میرساند.
چالش روزافزون مصرف انرژی در مدلهای زبانی بزرگ بهرهبرداری روزافزون از اپلیکیشنهای هوش مصنوعی مستقیماً منجر به افزایش چشمگیر مصرف برق و هزینههای عملیاتی شده است. مدلهای زبانی بزرگ (LLMها) مانند ChatGPT برای پردازش دادهها به قدرت محاسباتی عظیم وابستهاند که به تبع آن تقاضای انرژی را به شدت بالا میبرد.
به عنوان مثال، در حال حاضر ChatGPT به طور روزانه به حدود ۵۶۴ مگاواتساعت برق نیاز دارد؛ مقداری که برای تامین برق ۱۸ هزار واحد مسکونی در آمریکا کفایت میکند. کارشناسان پیشبینی میکنند که با توسعه مداوم این فناوری، مصرف سالانه انرژی برنامههای هوش مصنوعی در چند سال آینده میتواند به نزدیک ۱۰۰ تراواتساعت برسد، رقمی که تقریباً همارز نیازهای انرژی استخراج بیتکوین است.
مکانیزم الگوریتم جایگزینی ساده برای محاسبات پیچیده در روش سنتی، اپلیکیشنها از الگوریتم ضرب نقطه شناور (FPM) برای مدیریت اعداد بسیار بزرگ یا بسیار کوچک استفاده میکنند تا دقت محاسباتی بالا حفظ شود. این فرآیند یکی از پرمصرفترین بخشهای محاسباتی در معماری هوش مصنوعی محسوب میشود.
الگوریتم نوین که با نام ضرب پیچیدگیِخطی شناخته میشود، بر پایه یک فرآیند محاسباتی سادهتر استوار است اما قادر است دقت معادل روش FPM را تأمین کند. این نوآوری امکان کاهش مصرف انرژی سیستمهای هوش مصنوعی تا ۹۵ درصد را فراهم میآورد. موانع سختافزاری و مسیر از آنجا که یک فرآیند کاملاً نوین است، سختافزارهای رایج و حاضر در بازار — از جمله پردازشگرهای گرافیکی انویدیا — برای اجرای بومی این الگوریتم طراحی نشدهاند.
به همین دلیل، حتی در صورت تأیید عملکرد این الگوریتم در سطح FPM، برای استقرار گسترده آن نیازمند طراحی و تولید نسل جدیدی از سختافزارهای مخصوص هستیم که بتوانند این محاسبات را بهینه پردازش کنند. >>
