По словам основателя Akash Network Грега Осури, искусственный интеллект упирается в энергетический барьер. По мере развития моделей их обучение вскоре может потребовать таких объемов энергии, какие дают ядерные реакторы.
На конференции Token2049 в Сингапуре Осури заявил, что отрасль недооценивает темпы роста вычислительных мощностей и их экологические последствия. Он отметил, что центры обработки данных уже потребляют сотни мегаватт электроэнергии, получаемой из ископаемого топлива.
Осури предупредил, что эта тенденция может спровоцировать энергетический кризис. Это увеличит счета домохозяйств за электроэнергию и добавит миллионы тонн новых выбросов каждый год.
«Мы приближаемся к моменту, когда ИИ убивает людей», — сказал он.
Бизнесмен указал на воздействие на здоровье концентрированного использования ископаемого топлива вокруг центров обработки данных.
Во вторник агентство Bloomberg сообщило, что центры обработки данных с ИИ приводят к резкому росту цен на электроэнергию в США. В отчете подчеркивается, как центры обработки данных способствуют росту счетов за электроэнергию для домохозяйств. Согласно отчету, оптовые цены на электроэнергию в районах, прилегающих к центрам обработки данных, выросли на 267% за пять лет.
Осури сообщил, что альтернативой является децентрализация. Вместо того чтобы концентрировать чипы и энергию в отдельных мегацентрах обработки данных, распределенное обучение в сетях небольших смешанных графических процессоров может обеспечить эффективность и устойчивость. Речь идет о системах от высокопроизводительных корпоративных чипов до игровых карт в домашних ПК.
«Как только будут найдены стимулы, это начнет развиваться так же, как майнинг», — сказал он.
Осури добавил, что домашние компьютеры также могут в конечном итоге зарабатывать токены, предоставляя резервную вычислительную мощность.
Эта концепция напоминает раннюю эпоху майнинга биткоинов, когда обычные пользователи могли предоставлять свои вычислительные мощности сети и получать за это вознаграждение. На этот раз «майнинг» будет заключаться в обучении моделей ИИ, а не в решении криптографических головоломок.
Осури заявил, что это может дать обычным людям возможность участвовать в будущем ИИ, одновременно снижая затраты разработчиков.
Не без сложностей
Хотя потенциал несомненен, Осури отметил, что сложности все еще существуют. Обучение крупномасштабных моделей на множестве различных графических процессоров требует технологических прорывов в программном обеспечении и координации. Он отметил, что эта проблема только начинает решаться в отрасли.
«Около полугода назад несколько компаний начали демонстрировать различные аспекты распределенного обучения, — сказал Осури. — Никто не объединил все это воедино и не запустил модель».
Он добавил, что ситуация может измениться «к концу года».
Еще одно препятствие — создание справедливых систем стимулирования.
«Самое сложное — это стимулирование, — сказал Осури. — Зачем кому-то отдавать свой компьютер на обучение? Что он получит взамен? Это задача сложнее, чем решить саму технологию алгоритма».
Несмотря на эти препятствия, Осури настаивал на необходимости децентрализованного обучения ИИ. По его словам, распределяя нагрузку по глобальным сетям, ИИ может снизить нагрузку на энергосети, сократить выбросы углерода и создать более устойчивую экономику ИИ.
