تیم مهندسی شرکت پیشرو BitEnergy AI با ارائه یک رویکرد محاسباتی نوآور، موفق شده‌اند تا نیاز به انرژی برای اجرای برنامه‌های هوش مصنوعی را به میزان شگفت‌انگیزی ۹۵ درصد کاهش دهند. اگرچه این تکنیک نوظهور ممکن است چالش‌های خاص خود را داشته باشد، اما با توجه به تقاضای روزافزون برای بهره‌گیری از قابلیت‌های AI و نگرانی‌های فزاینده درباره اثر کربنی این تکنولوژی، این پیشرفت می‌تواند به عنوان یک راهکار استراتژیک برای بهینه‌سازی مصرف برق تلقی شود.

بر اساس گزارشی که توسط Tech Xplore منتشر شده، محققان این شرکت اعلام کرده‌اند که مسیری را کشف کرده‌اند تا بدون کاستی از عملکرد مدل‌ها، حجم محاسبات و در نتیجه مصرف انرژی به شدت کاهش یابد.

🔗 بیشتر بخوانید: عقب‌نشینی ایلان ماسک؛ ایکس به گمان زیادً در برزیل از بین بردن فیلتر می‌شود_دوپلر

رویکرد نوین برای کاهش radikال مصرف انرژی در هوش مصنوعی

گسترش روزافزون کاربردهای هوش مصنوعی مستقیماً به افزایش چشمگیر تقاضای برق و هزینه‌های عملیاتی منجر شده است. مدل‌های زبانی بزرگ (LLM) مانند ChatGPT برای پردازش داده‌ها به قدرت محاسباتی عظیم نیاز دارند که بار سنگینی بر دوش زیرساخت‌های انرژی می‌گذارد.

[[OAR_MEDIA_1]]

به عنوان نمونه، تنها سرویس ChatGPT به طور روزانه حدود ۵۶۴ مگاوات‌ساعت برق مصرف می‌کند؛ مقداری که برای تامین برق ۱۸ هزار واحد مسکونی در ایالات متحده کافی است. پیش‌بینی‌های کارشناسان حاکی از آن است که با روند پیشرفت فعلی، مصرف سالانه انرژی توسط اپلیکیشن‌های هوش مصنوعی در آینده نزدیک به سقف ۱۰۰ تراوات‌ساعت برسد، رقمی که با انرژی مورد نیاز برای استخراج بیت‌کوین هم‌سطح است.

🔗 بیشتر بخوانید: آیفون ۱۸ به گمان زیادً در نسخه ۲ ترابایتی هم اراعه خواهد شد_دوپلر

محققان BitEnergy AI به جای تکیه بر روش سنتی و پرمصرف «ضرب نقطه شناور» (FPM) که ستون فقرات محاسبات دقت‌ بالا در AI است، الگوریتمی نوین تحت عنوان «ضرب پیچیدگی خطی» (L-Mul) را ابداع کرده‌اند. این متد جدید با سادگی محاسباتی بیشتری، دقت معادل FPM را حفظ می‌کند و پتانسیل کاهش ۹۵ درصدی مصرف انرژی سیستم‌های هوشمند را فراهم می‌آورد.

با وجود قابلیت‌های واعد، این الگوریتم تازه متولد شده نیازمند معماری سخت‌افزاری مخصوص به خود است. پردازشگرهای گرافیکی رایج در بازار نظیر محصولات NVIDIA در حال حاضر برای اجرا بهینه این منطق محاسباتی طراحی نشده‌اند. بنابراین، حتی با اثبات کارایی در سطح نرم‌افزار، برای بهره‌برداری عملیاتی از L-Mul، نسل جدیدی از سخت‌افزارها یا راهکارهای میانی نرم‌افزاری ضروری خواهد بود.