Изпращане на центрове за данни в космоса. Изграждане на центрове за данни на дъното на океана. Превръщане на панаирни градчета в масивни сгради, пълни със сървъри. Нима наистина е нужно всичко това? Експерти казват, че не е.
Експлозивният растеж на технологиите за изкуствен интелект даде ход на бясно строене на центрове за данни, давайки крила на някои на пръв поглед необичайни идеи за това къде да се разположат тези нови съоръжения. В същото време нарастващата загриженост относно екологичните щети от центровете за данни – които поглъщат големи количества енергия и вода – кара някои да се откажат напълно от изкуствения интелект.
Но отделянето на време за изграждане на по-интелигентен, а не просто по-голям изкуствен интелект, би могло да ни позволи да пожънем научните и социалните ползи от тази технология с по-малък екологичен отпечатък, твърдят двама експерти от Калифорнийския университет в Бъркли в коментар, публикуван в списание Nature.
За много приложения по-малките и по-ефективни модели с отворен код бързо настигат възможностите на големите езикови модели на гига-разработчиците като ChatGPT, Claude и Gemini – това твърдят професорите от Калифорнийския университет в Бъркли Карл Бьотигер и Фернандо Перес, и двамата ръководители в Центъра за наука за данни и околна среда „Ерик и Уенди Шмит“, заедно с Каси Бюлер, постдокторант в Кооперативния институт за изследвания в областта на науките за околната среда (CIRES) в Калифорнийския университет в Боулдър.
Тримата вярват, че чрез приемането на тези модели с отворен код, учените и обществеността имат възможността да създават технологии с изкуствен интелект, които са по-подходящи за текущите ни нужди, като същевременно предоставят алтернативи на големите, частни платформи.
Концентрираната консумация е по-големият проблем
Центровете за данни не представляват най-големия дял от световното потребление на електроенергия. Те обаче създават безпрецедентно концентрирано търсене на ток, което може да повиши цените в районите, където се изграждат.
Това е особено проблематично за местните общности. Когато голям център за данни се появи в район с ограничени енергийни ресурси, натоварването върху мрежата се увеличава и разходите могат да се разпределят върху всички потребители.
AI индустрията често представя високото енергийно потребление като неизбежна последица от стремежа към по-интелигентни системи, посочва Карл Бьотигър. Реалността е по-различна, защото съществуват начини AI да бъде значително по-ефективен, но икономическите стимули карат компаниите да инвестират в най-мощната налична инфраструктура.
AI се развива в условията на икономическа надпревара
Компютърната индустрия отдавна следва подобен модел. Новите алгоритми първоначално са неефективни, но постепенно се оптимизират и започват да работят с по-малко ресурси.
Същото се случва и с хардуера, който в началото обикновено е голям, скъп и енергоемък, а след това се миниатюризира и става по-ефективен.
Компютрите са показателен пример. Машини, които някога са заемали цели помещения, днес могат да се поберат в смартфон, защото технологичният напредък постепенно е намалил необходимия обем хардуер.
При AI обаче има силен стимул този процес да бъде ускорен. Компаниите, които се борят за пазарен дял, не искат да предлагат модел, който изостава от водещите системи с една година, защото в бързо развиващия се AI сектор това може да се окаже огромно технологично разстояние.
Затова компаниите изграждат все по-големи модели и ги поставят върху инфраструктура, която изисква огромни количества изчислителни ресурси. Те не искат да чакат технологията да стане по-ефективна, когато конкурентите им могат да спечелят предимство още днес.
По-големият модел невинаги е необходим
Има и друг фактор, който поддържа високото потребление. Потребителите очакват AI системите да отговарят почти незабавно, което насърчава компаниите да инвестират в още по-мощна инфраструктура.
Често се приема, че по-големият модел непременно е по-интелигентен, но на практика мащабът все по-често се използва и за постигане на по-висока скорост.
Потребителят няма да чака половин час за генериране на програмен код, ако конкурентна услуга може да изпълни задачата за 30 секунди. Затова скоростта се превръща в пазарно предимство, дори когато за нейното постигане се използва непропорционално голям изчислителен ресурс.
Според Рейчъл Перес, концентрацията на огромни модели в централизирани центрове за данни има и друга икономическа функция. Когато всички потребители използват една централизирана система, операторът получава достъп до огромни количества данни, които може да използва за подобряване на собствените си модели.
Отворените модели променят уравнението
Отворените AI модели съществуват от самото начало на развитието на технологията. Доскоро обаче те бяха предимно инструмент за академични изследователи и специалисти, защото изискваха сериозен хардуер и изоставаха значително от водещите комерсиални системи.
През 2023 г. моделът Llama на Meta стана широко достъпен след изтичане на негов вариант в интернет, което даде нов импулс на отворената AI екосистема. Само две седмици по-късно моделът вече работеше на лаптоп, показвайки колко бързо общността може да оптимизира технологията.
Развитието на отворените модели продължи с висока скорост. През януари 2025 г. появата на китайския модел DeepSeek предизвика сериозен интерес, тъй като показа, че конкурентни AI системи могат да бъдат разработвани с различен подход към използването на изчислителни ресурси.
Реакцията на финансовите пазари беше показателна. Акциите на Nvidia претърпяха резки движения, тъй като инвеститорите започнаха да преосмислят предположението, че развитието на AI неизбежно изисква постоянно увеличаване на броя на най-мощните GPU системи.
Според Бьотигър, отворените модели в момента изостават приблизително с шест месеца от водещите системи, като разликата се запазва сравнително стабилна при различни тестове и задачи. Междувременно хардуерът, необходим за тяхното използване, продължава да намалява като размер и изчислителни изисквания.
AI постепенно слиза от центъра за данни
Индустрията вече се намира близо до важна граница, казва Бьотигър. Моделите, които изостават от водещите системи с около шест месеца, вече могат да изпълняват реални задачи, а следващата стъпка е те да работят върху масов хардуер.
Тази тенденция вече се отразява и върху компютърната индустрия. Производителите започват да включват специализиран AI хардуер в лаптопи и настолни компютри, защото очакват все повече задачи да се изпълняват локално, без да се изпращат към централизиран център за данни.
Подобно развитие става факт в момент, когато изграждането на нови центрове за данни става все по-трудно. Енергийните ограничения, политическият натиск и съпротивата на местните общности могат да забавят разширяването на инфраструктурата, което допълнително увеличава стойността на локалното изпълнение.
Според Перес, огромните модели вече представляват прекомерно сложен инструмент за голяма част от ежедневните задачи. За много приложения не е необходим еквивалентът на автомобил от Формула 1, когато по-евтин и по-ефективен автомобил може да свърши същата работа.
Отвореният код е важен и за науката
Предимствата на отворените технологии обаче не се ограничават до енергийното потребление. Те засягат и начина, по който се развиват научните изследвания.
Според Перес, учените трябва да имат контрол върху инструментите, с които работят, защото научните задачи често изискват модификация, адаптация и преизграждане на съществуващите технологии.
Този контрол е ограничен, когато инструментите са изцяло собственост на една компания и достъпът до тях зависи от търговски условия. Перес не вижда привлекателно бъдеще, в което научните организации плащат абонамент на една компания, за да използват инструменти, които са критични за изследователската им работа.
Вижда се своеобразен парадокс. Съвременната AI индустрия сама по себе си е изградена върху десетилетия развитие на свободно достъпни инструменти, софтуер, инфраструктура и научни разработки, които са били споделяни и надграждани от огромна международна общност.
Без тази отворена технологична основа сегашният AI бум трудно би бил възможен. Съвременните системи са резултат не само от инвестициите на няколко големи компании, но и от натрупаните през десетилетия знания и софтуер, върху които те стъпват.
