Είναι τα chatbots τεχνητής νοημοσύνης τόσο «διψασμένα για ενέργεια» όσο φημολογείται;

Τα chatbots τεχνητής νοημοσύνης (AI) πολλαπλασιάζονται με εκατοντάδες εκατομμύρια χρήστες κάθε μέρα, αλλά πίσω από αυτή την ευκολία κρύβεται η τεράστια κατανάλωση ενέργειας, γεγονός που εγείρει ανησυχίες σχετικά με τη βιωσιμότητα.

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

Μέχρι το 2023, τα κέντρα δεδομένων —όπου εκπαιδεύεται και λειτουργεί η Τεχνητή Νοημοσύνη— θα αντιπροσωπεύουν το 4,4% της κατανάλωσης ηλεκτρικής ενέργειας στις ΗΠΑ. Σε παγκόσμιο επίπεδο, το ποσοστό αυτό ανέρχεται σε περίπου 1,5% της συνολικής ζήτησης ηλεκτρικής ενέργειας. Μέχρι το 2030, η κατανάλωση αναμένεται να διπλασιαστεί καθώς η ζήτηση για Τεχνητή Νοημοσύνη συνεχίζει να αυξάνεται.

«Μόλις πριν από τρία χρόνια, δεν είχαμε καν το ChatGPT», δήλωσε ο Alex de Vries-Gao, ερευνητής για τη βιωσιμότητα των νέων τεχνολογιών στο Ελεύθερο Πανεπιστήμιο 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 να ευθύνεται σχεδόν για 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. (Φωτογραφία: Qi Yang/Getty Images)

Τι κάνει τα chatbots τεχνητής νοημοσύνης τόσο «διψασμένα για ενέργεια»; Η απάντηση βρίσκεται στην τεράστια έκτασή τους. Σύμφωνα με τον καθηγητή πληροφορικής του Πανεπιστημίου του Μίσιγκαν, Mosharraf Chowdhury, υπάρχουν δύο ιδιαίτερα «διψασμένα για ενέργεια» στάδια: η εκπαίδευση και η εξαγωγή 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 Mosharraf Chowdhury στο Live Science.

Για να σας δώσουμε μια ιδέα για την κλίμακα, η μελέτη του de Vries-Gao του 2023 διαπίστωσε ότι ένας μόνο διακομιστής Nvidia DGX A100 μπορεί να καταναλώσει έως και 6,5 κιλοβάτ ενέργειας. Η εκπαίδευση ενός LLM συνήθως απαιτεί πολλαπλούς διακομιστές, ο καθένας με μέσο όρο οκτώ GPU, που λειτουργούν συνεχώς για εβδομάδες ή και μήνες. Η συνολική κατανάλωση ενέργειας είναι τεράστια: Η εκπαίδευση του GPT-4 της OpenAI μόνο κατανάλωσε 50 γιγαβατώρες, αρκετές για να τροφοδοτήσουν όλο το Σαν Φρανσίσκο για τρεις ημέρες.

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

Η φάση εξαγωγής συμπερασμάτων είναι επίσης πολύ ενεργοβόρα. Σε αυτό το σημείο, το chatbot τεχνητής νοημοσύνης χρησιμοποιεί όσα έχει μάθει για να δώσει μια απάντηση στον χρήστη. Παρόλο που η εξαγωγή συμπερασμάτων απαιτεί λιγότερους υπολογιστικούς πόρους από τη φάση εκπαίδευσης, εξακολουθεί να είναι εξαιρετικά ενεργοβόρα λόγω του μεγάλου αριθμού αιτημάτων που αποστέλλονται στο chatbot.

Από τον Ιούλιο του 2025, η OpenAI αναφέρει ότι οι χρήστες του ChatGPT στέλνουν περισσότερα από 2,5 δισεκατομμύρια αιτήματα την ημέρα. Για να ανταποκριθεί άμεσα, το σύστημα πρέπει να κινητοποιήσει πολλούς διακομιστές για να λειτουργούν ταυτόχρονα. Και αυτό είναι μόνο το ChatGPT, για να μην αναφέρουμε άλλες ευρέως δημοφιλείς πλατφόρμες, όπως το Gemini της Google, το οποίο αναμένεται σύντομα να γίνει η προεπιλεγμένη επιλογή όταν οι χρήστες έχουν πρόσβαση στην Αναζήτηση Google.

«Ακόμα και στη φάση της εξαγωγής συμπερασμάτων, δεν μπορείτε πραγματικά να εξοικονομήσετε ενέργεια», είπε ο Chowdhury. «Δεν έχει πλέον να κάνει με το μέγεθος των δεδομένων. Το μοντέλο είναι τεράστιο, αλλά αυτό που είναι μεγαλύτερο 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 και να βρίσκουν τρόπους για να τη μειώσουν. Για παράδειγμα, ο Chowdhury διατηρεί μια κατάταξη που ονομάζεται ML Energy Leaderboard, η οποία παρακολουθεί την κατανάλωση ενέργειας από συμπεράσματα από μοντέλα ανοιχτού κώδικα.

Ωστόσο, τα περισσότερα δεδομένα που σχετίζονται με τις εμπορικές πλατφόρμες παραγωγικής τεχνητής νοημοσύνης παραμένουν «μυστικά». Μεγάλες εταιρείες όπως η Google, η Microsoft ή η Meta είτε τα κρατούν μυστικά είτε δημοσιεύουν μόνο πολύ αόριστα στατιστικά στοιχεία που δεν αντικατοπτρίζουν τις πραγματικές 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.

Ωστόσο, οι χρήστες μπορούν σίγουρα να πιέσουν για διαφάνεια, η οποία όχι μόνο βοηθά τα άτομα να κάνουν πιο υπεύθυνες επιλογές όταν χρησιμοποιούν την Τεχνητή Νοημοσύνη, αλλά βοηθά και στην προώθηση πολιτικών που καθιστούν τις επιχειρήσεις υπόλογες.

«Ένα από τα βασικά προβλήματα με τις ψηφιακές εφαρμογές είναι ότι ο περιβαλλοντικός τους αντίκτυπος συχνά αποκρύπτεται», δήλωσε ο ερευνητής de Vries-Gao. «Τώρα η μπάλα είναι στο γήπεδο των υπευθύνων χάραξης πολιτικής: πρέπει να ενθαρρύνουν την αποκάλυψη 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