بذار یه چیزی رو رک بگم: آقای Arvind Krishna، مدیرعامل IBM، اومده یه حرف حسابی زده و واقعاً دنیا باید بهش گوش بده. قضیه از این قراره که الان کلی شرکت کوچیک و بزرگ (خصوصی و دولتی) دارن روی ساخت دیتاسنترهای غولپیکر مخصوص هوش مصنوعی کار میکنن. اما… آقای Krishna میگه با این روندی که داریم جلو میریم، واقعاً نمیتونیم از پسش بربیایم و این مسیر اصلاً پایدار نیست!
حالا چرا؟ خب، قضیه اینجاست که مثلاً بخوای یه دیتاسنتر هوش مصنوعی با ظرفیت یک گیگاوات (یعنی یه جورایی بزرگترین سایزی که الان کسی میتونه بسازه) رو پر از تجهیزات بکنی، باید حداقل ۸۰ میلیارد دلار هزینه کنی! یعنی چی؟ یعنی اندازه بودجه کلی کشورها! حالا تصور کن، برنامههایی دارن که مجموع ظرفیت دیتاسنترهای آینده برسه به ۱۰۰ گیگاوات. عدد نجومی شد؟ بله! آقای Krishna تخمین زده که اگه این برنامهها عملی بشه، قراره نزدیک ۸ تریلیون دلار فقط خرجِ سختافزار بشه!
اینجا یه نکته مهمه که Krishna روش تاکید داره: داستان فقط هزینه اول کار نیست. توی این دیتاسنترها عمدتاً از GPUهای خیلی قوی استفاده میشه (GPU یعنی همون کارت گرافیکهایی که برای پردازشهای سنگین و کارهای موازی خیلی خوبن و قلب تپنده یادگیری ماشین و مدلهای بزرگ هوش مصنوعی هستن). هرکدوم از این GPUها بعد از حدود ۵ سال دیگه به درد نمیخورن (نه اینکه خراب بشن، بلکه از لحاظ اقتصادی ناکارآمد میشن!)
میدونی چرا؟ چون سرعت پیشرفت تکنولوژی طوری شده که نسل جدید این سختافزارها خیلی زودتر از آخر عمر واقعیشون میان و عملاً باعث میشن خریداری اینا هر ۵ سال باید کل تجهیزات رو دوباره بخری! این یعنی چی؟ یعنی سرمایهگذاری شرکتها نه فقط یه بار، بلکه هر ۵ سال باید تکرار بشه و این هزینهها روش هم تلنبار میشه.
یه نکته باحال دیگه اینکه Krishna میگه الان دیگه پردازندههای معمولی (CPUها) توی این دیتاسنترها اهمیتشون خیلی کمتر شده و بیشتر همه چیز حول محور این شتابدهندهها (accelerators) مثل GPUهای خاص میچرخه که برای کارهای موازی طراحی شدن و واقعاً سرعتشون بینظیره.
پس اگه فکر میکنی مصرف برق یا خرید زمین بزرگترین مشکل این دیتاسنترهاست، Krishna میگه اشتباهه! بزرگترین چالش همین تعویض اجباری سختافزارهای فوقگرونه. جالبه بدونی Krishna حساب کرده که اگه بخوای فقط هزینه سرمایهها رو پوشش بدی و درجا نزنی، باید هر سال صدها میلیارد دلار سودآوری داشته باشی که خیلی شرکتها عملاً از پسش برنمیان.
یه موضوع دیگه هم اینه که بعضیا (مثلاً Michael Burry که تو بورس معروفه) میگن حتی ابرشرکتهای حوزه کلاود هم نمیتونن با این مدل از زندگی تجهیزات و مدلهای جدید هوش مصنوعی کنار بیان، چون هر نسل جدید مدلها و آموزشها کلی سختافزار جدید میخواد و گسترش بیپایان!
این وسط، Krishna یه حرف خیلی کلیدی هم زده: با اینهمه ترقی و شتاب توی ساخت دیتاسنترها و سختافزارها، بازم بعیده که مدلهای فعلی هوش مصنوعی (مثلاً همین LLMها که همون مدلهای زبانی بزرگ مثل ChatGPT هستن) بتونن خیلی سریع به هوش عمومی برسن (هوش عمومی یعنی مدلهایی که تقریباً مثل انسان میتونن فکر کنن و همهچیز رو یاد بگیرن). پس شرکتها همینجوری دارن خرج میکنن، در حالی که تضمینی نیست این خرجها واقعاً منجر به معجزه بشه!
در مجموع Krishna میگه الان داریم فقط به خاطر رقابت و جو روانی سرمایهگذاری میکنیم، نه براساس یه رشد تضمینی فناوری. خطر اینجاست که شاید انتظارهای سودآوری و رشد مالی خیلی تندتر از واقعیت اقتصادی حرکت کنه و یه روز زورمون نرسه کل این چرخه رو ادامه بدیم.
این بحثها الان خیلی داغ شده چون بعضی شرکتا دارن دیتاسنترهای جدیدشون رو با رقمهای چندین گیگاوات طراحی میکنن و این دیتاسنترها اندازه مصرف برق یه کشور کوچیک برق میخورن! جدای از قیمت برق و ظرفیت شبکه برق، Krishna میگه اگه واقعاً این روند ادامه پیدا کنه و یه تغییر بنیادی تو نحوه ترکیب دانش و سختافزار اتفاق نیفته، امید زیادی به پایدار موندن این مدلها و دیتاسنترهای عظیم نیست.
در کل، حرف Krishna اینه که اگه همینطوری پیش بریم و هر بار کل تجهیزات رو دور بندازیم و نسل جدید بخریم، این مهمونی زیاد دوام نمیاره! پس بد نیست کمکم به فکر راههای جدید و مدلهای اقتصادی پایدارتر برای آیندهی هوش مصنوعی باشیم.
منبع: +
