Καταναλώνουν τα chatbots τεχνητής νοημοσύνης τόση ηλεκτρική ενέργεια όσο φημολογείται;

Τα chatbots τεχνητής νοημοσύνης γνωρίζουν άνθηση με εκατοντάδες εκατομμύρια καθημερινούς χρήστες, αλλά πίσω από αυτή την ευκολία κρύβεται η τεράστια κατανάλωση ενέργειας, εγείροντας ανησυχίες σχετικά με τη βιωσιμότητα.

Μόλις τα τελευταία χρόνια, το ChatGPT έχει εκτοξευθεί σε δημοτικότητα, με σχεδόν 200 εκατομμύρια χρήστες να υποβάλλουν πάνω από ένα δισεκατομμύριο αιτήματα κάθε μέρα. Αυτές οι απαντήσεις, που φαινομενικά υποβάλλονται σε επεξεργασία «από το πουθενά», στην πραγματικότητα καταναλώνουν τεράστια ποσότητα ενέργειας στο παρασκήνιο.

Το 2023, τα κέντρα δεδομένων —όπου εκπαιδεύεται και λειτουργεί η Τεχνητή Νοημοσύνη— αντιπροσώπευαν το 4,4% της κατανάλωσης ηλεκτρικής ενέργειας στις ΗΠΑ. Σε παγκόσμιο επίπεδο, το ποσοστό αυτό ήταν περίπου το 1,5% της συνολικής ζήτησης ηλεκτρικής ενέργειας. Προβλέπεται ότι η κατανάλωση θα διπλασιαστεί έως το 2030, καθώς η ζήτηση για Τεχνητή Νοημοσύνη συνεχίζει να κλιμακώνεται.

«Μόλις πριν από τρία χρόνια, δεν είχαμε καν το ChatGPT», δήλωσε ο Alex de Vries-Gao, ερευνητής για τη βιωσιμότητα των νέων τεχνολογιών στο Πανεπιστήμιο Vrije του Άμστερνταμ και ιδρυτής της Digiconomist, μιας πλατφόρμας που αναλύει τις ακούσιες συνέπειες των ψηφιακών τάσεων. «Και τώρα μιλάμε για μια τεχνολογία που θα μπορούσε ενδεχομένως να ευθύνεται για σχεδόν το ήμισυ της ηλεκτρικής ενέργειας που καταναλώνεται από τα κέντρα δεδομένων παγκοσμίως ».

Η υποβολή μιας ερώτησης σε ένα μεγάλο γλωσσικό μοντέλο (LLM) καταναλώνει περίπου 10 φορές περισσότερη ηλεκτρική ενέργεια από μια τυπική αναζήτηση Google. (Εικόνα: Qi Yang/Getty Images)

Τι κάνει τα chatbots τεχνητής νοημοσύνης τόσο ενεργοβόρα; Η απάντηση βρίσκεται στην τεράστια κλίμακα που τα καταλαμβάνουν. Σύμφωνα με τον καθηγητή πληροφορικής Mosharaf Chowdhury στο Πανεπιστήμιο του Μίσιγκαν, υπάρχουν δύο φάσεις που απαιτούν ιδιαίτερα μεγάλη ενέργεια: η διαδικασία εκπαίδευσης και η διαδικασία εξαγωγής συμπερασμάτων.

«Ωστόσο, το πρόβλημα είναι ότι τα σημερινά μοντέλα είναι τόσο μεγάλα που δεν μπορούν να λειτουργήσουν σε μία μόνο GPU, πόσο μάλλον να χωρέσουν σε έναν μόνο διακομιστή», εξήγησε ο καθηγητής Mosharaf Chowdhury στο Live Science.

Για να καταδειχθεί η κλίμακα, μια μελέτη του 2023 από τον de Vries-Gao έδειξε ότι ένας διακομιστής Nvidia DGX A100 μπορεί να καταναλώσει έως και 6,5 κιλοβάτ ηλεκτρικής ενέργειας. Η εκπαίδευση ενός LLM συνήθως απαιτεί πολλαπλούς διακομιστές, ο καθένας με μέσο όρο 8 GPU, που λειτουργούν συνεχώς για εβδομάδες ή και μήνες. Συνολικά, η κατανάλωση ηλεκτρικής ενέργειας είναι τεράστια: η εκπαίδευση GPT-4 της OpenAI μόνο κατανάλωσε 50 γιγαβατώρες, που ισοδυναμεί με αρκετή ηλεκτρική ενέργεια για να τροφοδοτήσει όλο το Σαν Φρανσίσκο για τρεις ημέρες.

Η διαδικασία εκπαίδευσης GPT-4 του OpenAI ήταν επαρκής για να τροφοδοτήσει όλο το Σαν Φρανσίσκο για τρεις ημέρες. (Εικόνα: Jaap Arriens/NurPhoto/Rex/Shutterstock)

Η διαδικασία εξαγωγής συμπερασμάτων είναι επίσης αρκετά ενεργοβόρα. Αυτό συμβαίνει όταν το chatbot τεχνητής νοημοσύνης χρησιμοποιεί τις γνώσεις που έχει αποκτήσει για να παρέχει απαντήσεις στον χρήστη. Παρόλο που η εξαγωγή συμπερασμάτων απαιτεί λιγότερους υπολογιστικούς πόρους από τη φάση εκπαίδευσης, εξακολουθεί να είναι εξαιρετικά ενεργοβόρα λόγω του τεράστιου όγκου αιτημάτων που αποστέλλονται στο chatbot.

Από τον Ιούλιο του 2025, η OpenAI εκτιμά ότι οι χρήστες του ChatGPT στέλνουν πάνω από 2,5 δισεκατομμύρια αιτήματα καθημερινά. Για να ανταποκριθεί άμεσα, το σύστημα πρέπει να κινητοποιήσει πολλούς διακομιστές που λειτουργούν ταυτόχρονα. Και αυτό ισχύει μόνο για το ChatGPT. Δεν περιλαμβάνει άλλες πλατφόρμες που γίνονται επίσης ευρέως δημοφιλείς, όπως η Gemini της Google, η οποία αναμένεται σύντομα να γίνει η προεπιλεγμένη επιλογή όταν οι χρήστες έχουν πρόσβαση στην Αναζήτηση Google.

«Ακόμα και στη φάση της εξαγωγής συμπερασμάτων, δεν μπορείς πραγματικά να εξοικονομήσεις ενέργεια», παρατήρησε ο Chowdhury. «Το πρόβλημα δεν είναι πλέον η τεράστια ποσότητα δεδομένων. Το μοντέλο είναι ήδη τεράστιο, αλλά το μεγαλύτερο πρόβλημα είναι ο αριθμός των χρηστών».

Ερευνητές όπως οι Chowdhury και de Vries-Gao αναζητούν τώρα τρόπους για να μετρούν με μεγαλύτερη ακρίβεια την κατανάλωση ενέργειας, βρίσκοντας έτσι λύσεις για τη μείωσή της. Για παράδειγμα, ο Chowdhury διατηρεί έναν πίνακα κατάταξης που ονομάζεται ML Energy Leaderboard, ο οποίος παρακολουθεί την κατανάλωση ενέργειας στις συμπερασματολογικές αναλύσεις μοντέλων ανοιχτού κώδικα.

Ωστόσο, πολλά από τα δεδομένα που σχετίζονται με εμπορικά βιώσιμες πλατφόρμες Τεχνητής Νοημοσύνης παραμένουν «μυστικά». Μεγάλες εταιρείες όπως η Google, η Microsoft και η Meta είτε τα διατηρούν εμπιστευτικά είτε δημοσιεύουν μόνο πολύ αόριστα στατιστικά στοιχεία που δεν αντικατοπτρίζουν με ακρίβεια τις περιβαλλοντικές επιπτώσεις. Αυτό καθιστά πολύ δύσκολο να προσδιοριστεί πόση ηλεκτρική ενέργεια καταναλώνει στην πραγματικότητα η Τεχνητή Νοημοσύνη, ποια θα είναι η ζήτηση τα επόμενα χρόνια και αν ο κόσμος μπορεί να την καλύψει.

Παρ 'όλα αυτά, οι χρήστες μπορούν σίγουρα να ασκήσουν πίεση για διαφάνεια. Αυτό όχι μόνο βοηθά τα άτομα να κάνουν πιο υπεύθυνες επιλογές όταν χρησιμοποιούν την Τεχνητή Νοημοσύνη, αλλά συμβάλλει και στην προώθηση πολιτικών που καθιστούν τις επιχειρήσεις υπόλογες.

«Ένα από τα βασικά προβλήματα με τις ψηφιακές εφαρμογές είναι ότι ο περιβαλλοντικός τους αντίκτυπος είναι πάντα κρυφός», τόνισε ο ερευνητής de Vries-Gao. «Τώρα η μπάλα είναι στα χέρια των υπευθύνων χάραξης πολιτικής: πρέπει να ενθαρρύνουν τη διαφάνεια των δεδομένων, ώστε οι χρήστες να μπορούν να αναλάβουν δράση».

Νγκοκ Νγκουγιέν (Ζωντανή Επιστήμη)

Πηγή: https://vtcnews.vn/chatbot-ai-co-ngon-dien-nhu-loi-don-ar965919.html