معیارهای استانداردی که هزینه انرژی پردازش هوش مصنوعی را تعیین می‌کنند

مهندسان سخت‌افزار استدلال می‌کنند که تنها معیار عینی برای سنجش بهره‌وری هوش مصنوعی، «ژول بر فلاپ» است؛ یعنی مقدار دقیق انرژی الکتریکی لازم برای انجام یک عملیات ریاضی روی خود تراشه. از دیدگاه آن‌ها، مجزا کردن عملکرد تراشه از محیط اطرافش، تنها راه معنادار برای مقایسه یک واحد پردازش گرافیکی با یک شتاب‌دهنده سفارشی تنسور است. در مقابل، اپراتورهای تاسیسات و پژوهشگران حوزه پایداری معتقدند که سنجش تراشه در خلأ، صرفاً یک خیال‌پردازی حسابداری است. آن‌ها استدلال می‌کنند از آنجا که هر وات برق مصرفی پردازنده نیازمند برق اضافی برای خنک‌کردن آن است، تنها معیار معتبر باید شامل «اثربخشی مصرف توان» (PUE) باشد؛ چیزی که زیرساخت دیتاسنتر را از هزینه انرژی مدل جدایی‌ناپذیر می‌کند.[6]

این کشمکش در کانون نحوه محاسبه نیازهای عظیم انرژی هوش مصنوعی مدرن توسط صنعت فناوری قرار دارد. با رسیدن مقیاس مدل‌ها به تریلیون‌ها پارامتر، انرژی مورد نیاز برای آموزش و استنتاج، استانداردسازی نحوه اندازه‌گیری این مصرف را در سراسر پشته سخت‌افزاری الزامی کرده است.[2][5]

در سطح خرد، واحد استاندارد اندازه‌گیری «ژول بر فلاپ» است. یک فلاپ (FLOP) یا عملیات ممیز شناور، یک محاسبه ریاضی بنیادی است که توسط پردازنده انجام می‌شود. مهندسان با اندازه‌گیری انرژی مورد نیاز (بر حسب ژول) برای اجرای یکی از این عملیات‌ها، می‌توانند بهره‌وری الکتریکی خام معماری تراشه را کمّی‌سازی کنند.[3]

این معیار امکان مقایسه مستقیم بین نسل‌های مختلف سخت‌افزار را فراهم می‌کند. اگر یک شتاب‌دهنده در سال ۲۰۲۶ بتواند همان ضرب ماتریس را با ۳۰ درصد ژول کمتر نسبت به نسخه سال ۲۰۲۴ خود انجام دهد، از نظر عینی در سطح ترانزیستور کارآمدتر است. با این حال، این اندازه‌گیری تنها برقی را که مستقیماً به تراشه می‌رسد در نظر می‌گیرد و محیط پیرامون آن را نادیده می‌گیرد.[3][6]

در سطح کلان، صنعت به معیار «اثربخشی مصرف توان» یا PUE متکی است. این معیار که در ابتدا توسط کنسرسیوم Green Grid توسعه یافت، نسبتی است که کل توان ورودی به تاسیسات دیتاسنتر را بر توان مصرفی واقعی تجهیزات فناوری اطلاعات داخل آن تقسیم می‌کند.[4]

یک PUE بی‌نقص برابر با ۱٫۰ خواهد بود؛ به این معنی که تک‌تک وات‌های برق دریافتی از شبکه، با صفر درصد اتلاف، مستقیماً صرف پردازش می‌شود. اما در واقعیت، دیتاسنترها برای سیستم‌های خنک‌کننده، روشنایی و تلفات توزیع برق به مقادیر عظیمی انرژی نیاز دارند.[4]

به عنوان مثال، گوگل گزارش می‌دهد که میانگین PUE دوازده‌ماهه کل ناوگان آن ۱٫۱۰ است. این یعنی به ازای هر ۱۰۰ وات برق مصرفی سرورها و تجهیزات شبکه، تاسیسات به ۱۰ وات برق اضافی برای خنک‌کاری و هزینه‌های سربار نیاز دارد. دیتاسنترهای سازمانی قدیمی‌تر و سنتی اغلب با PUE معادل ۱٫۵ یا بالاتر کار می‌کنند که نشان‌دهنده ۵۰ درصد مالیات سربار بر توان پردازشی است.[1]

هزینه واقعی انرژی یک بارِ کاری هوش مصنوعی تنها زمانی مشخص می‌شود که این دو معیار با هم ترکیب شوند. یک تراشه بسیار کارآمد که در تاسیساتی با PUE معادل ۱٫۶ کار می‌کند، ممکن است در نهایت برای هر عملیات، برق بیشتری از شبکه بکشد تا تراشه‌ای با کارایی کمتر که در یک تاسیسات پیشرفته با PUE معادل ۱٫۱۰ مستقر شده است.[6]

این تمایز به‌ویژه هنگام تفکیک دو فاز هوش مصنوعی، یعنی آموزش و استنتاج، حیاتی می‌شود. آموزش یک مدل پایه نیازمند اجرای هزاران شتاب‌دهنده با حداکثر ظرفیت برای ماه‌های متوالی است که بار حرارتی عظیم و پایداری ایجاد می‌کند و محدودیت‌های زیرساخت خنک‌کننده تاسیسات را به چالش می‌کشد.[2][5]

استنتاج — فرآیندی که در آن یک مدل آموزش‌دیده به پرسش کاربر پاسخ می‌دهد — پروفایل انرژی کاملاً متفاوتی دارد. بارهای کاری استنتاج بسیار متغیر هستند؛ هنگام دریافت یک درخواست به اوج می‌رسند و میلی‌ثانیه‌هایی بعد به حالت بیکار درمی‌آیند. اندازه‌گیری اثرات زیست‌محیطی استنتاج نیازمند ردیابی این نوسانات سریع در مصرف برق در سراسر ناوگان سرورهای توزیع‌شده است.[5]

همان‌طور که پژوهشگران مهندسی میشیگان در تحلیل سال ۲۰۲۶ خود از این موضوع اشاره می‌کنند: «ابزارهای جدید نشان می‌دهند کدام مدل بیشترین توان را مصرف می‌کند و چرا.» این موضوع نشان‌دهنده تغییر جهت صنعت به سمت چارچوب‌های اندازه‌گیری دقیق‌تر و در لحظه است که این بارهای کاری پویا را ثبت می‌کنند.[2]

در نهایت، استانداردسازی این معیارها در سراسر زنجیره تامین برق — از قالب سیلیکونی گرفته تا برج خنک‌کننده — هم برای برنامه‌ریزی شبکه و هم برای پاسخگویی زیست‌محیطی ضروری است. بدون یک چارچوب یکپارچه که «ژول بر فلاپ» را با PUE ترکیب کند، ردپای واقعی انرژی هوش مصنوعی در پسِ حسابداری‌های ازهم‌گسیخته پنهان می‌ماند.[3][6]