Энергоэффективность

По данным отчета 451 Research, на большинстве предприятий устойчивое развитие относят к числу важных факторов при выборе поставщика услуг колокации для рабочих нагрузок, которые нежелательно переносить в облако. В этой связи крупные операторы центров обработки данных внедряют технологии, направленные на повышение экологичности. Пятерку таких технологий перечисляют в компании Equinix.

1. Безгенераторные ЦОДы. В качестве потенциальной замены традиционным дизельным генераторам и источникам бесперебойного питания в датацентрах тестируют твердооксидные топливные элементы с керамическим материалом в качестве электролита. Их преимущества — высокая тепловая и энергетическая эффективность, топливная универсальность, экологичность и относительно низкая стоимость, а главный недостаток на сегодня — очень высокая рабочая температура, до 1000 ºC.

По оценкам специалистов Equinix, внедрение таких топливных элементов позволит уменьшить выбросы углерода, снизить капитальные затраты и уменьшить площади ЦОДов, что даст возможность размещать их в густонаселенных территориях. Кроме того, уменьшатся затраты времени и ресурсов на техническое обслуживание.

2. Возобновляемая энергия. В Equinix поставили цель достичь углеродной нейтральности к 2030 году. С этой целью внедряются инициативы по уменьшению углеродных выбросов и повышению доли потребления возобновляемой энергии. Источники выбираются по мере доступности, в частности, в Финляндии оператор заключает договоры о закупках энергии ветрогенераторов с местными поставщиками.

3. Управление воздушными потоками. Современные ЦОДы оснащают физическими барьерами, которые удерживают холодный и горячий воздух соответственно в «холодных» и «горячих» рядах. Первые обеспечивают охлаждение оборудования, вторые — максимально быстрый отвод излишков тепла. Минимизация смешивания горячего и холодного воздуха позволяет уменьшить расход электроэнергии на охлаждение. Наибольшую пользу технологии управления воздушными потоками приносят в датацентрах, находящихся в регионах с теплым климатом.

4. Жидкостное охлаждение. Для систем искусственного интеллекта и других энергоемких технологий традиционного охлаждения воздухом недостаточно. Развиваются системы жидкостного охлаждения, но пока что поставщики оборудования не наладили массовый выпуск серверов, рассчитанных на такое охлаждение, да и операторы ЦОДов только начинают задумываться о том, как совместить их с существующей инфраструктурой.

В Equinix тестируют компактные безводные жидкостные системы охлаждения мощностью 100 кВт на стойку, отмечая, что они способствуют оптимизации расхода воды и энергии, а также уменьшению площади датацентров. Кроме того, компания подключилась к проекту открытого аппаратного обеспечения Open19, в рамках которого разрабатывается универсальный блок сопряжения, обещающий возможность легкого подключения систем жидкостного охлаждения в любых ЦОДах.

5. Интеллектуальное управление питанием. Датчики для выявления непроизводительных потерь энергии, применяемые совместно с программными платформами управления питанием, позволяют расходовать электроэнергию максимально эффективно. Подобная платформа в паре с аккумуляторной системой для хранения энергии обеспечивает автоматизацию управления передаваемой мощностью и позволяет свести почти к нулю избыточное планирование мощности.

Помимо перечисленных технологий операторы внедряют методы ускоренного модульного строительства «зеленых» ЦОДов с поддержкой разных источников электроснабжения и экологичными системами хранения энергии. Существуют также проекты по передаче избыточного тепла центров обработки данных в системы центрального отопления, по монтажу теплиц на крышах зданий ЦОДов и созданию систем рециркуляции, которые улавливают дождевую воду и сводят к минимуму попадание отработанной воды в канализацию.

Дата-центры также присоединяются к различным экологическим партнерствам. В Ирландии, к примеру, действует инициатива DCs for Bees, в рамках которой операторы ЦОДов высаживают фруктовые деревья на пришкольных участках, демонстрируя для учащихся важность защиты насекомых-опылителей и поддержки биологического разнообразия.

Нет ничего удивительного в том, что приложения искусственного интеллекта оставляют за собой углеродный след, определяемый количеством парниковых газов (прежде всего, диоксида углерода и метана), которые искусственный интеллект в процессе своего производства и потребления выбрасывает в атмосферу. На практике обучение моделей искусственного интеллекта требует огромного количества вычислительных мощностей, и некоторые исследователи утверждают, что экологические издержки перевешивают получаемые выгоды. Вероятно, все же, они не только недооценивают преимущества искусственного интеллекта, но и упускают из виду многие способы, которые делают обучение моделей более эффективным.

Парниковые газы – то, что экономисты называют «внешними факторами» – издержки, которые общество в целом несет непреднамеренно, например, в результате неблагоприятного воздействия глобального потепления. Вместе с тем весомый урон наносит нам частный сектор, у которого пока остается слишком мало стимулов воздерживаться от разного рода нарушений. Как правило, коммунальные службы выделяют эти газы при сжигании ископаемого топлива в процессе выработки электроэнергии, питающей ЦОДы, серверные залы и другие компьютерные системы, на базе которых работает искусственный интеллект.

Влияние искусственного интеллекта на уменьшение углеродного следа

В последние несколько лет искусственный интеллект несправедливо считают одним из основных факторов глобального потепления, а потребление электроэнергии в процессе обучения моделей называют чрезмерным.

К сожалению, многие обозреватели используют крайне однобокие формулы вычисления общего углеродного следа, порождаемого искусственным интеллектом. Год назад в журнале MIT Technology Review была опубликована шокирующая статья, в которой исследователи из Массачусетского университета утверждали, что энергия, требуемая для одной модели машинного обучения, приводит к выбросу в пять раз большего объема диоксида углерода по сравнению со средним американским автомобилем.

Подобный способ расчета углеродного следа искусственного интеллекта оказывает этой технологии медвежью услугу. Рискую показаться претенциозным, но все это заставляет меня вспомнить высказывание Оскара Уайлда о том, что «циник – это тот, кто знает цену всему, но не видит ценности ни в чем». Я не ставлю под сомнение выводы исследователей из Массачусетского университета о необходимости вычисления и уменьшения углеродной стоимости для того или иного вида человеческой деятельности. Мне любопытно лишь, почему исследователи не обсуждают вклад (зачастую косвенный), вносимый искусственным интеллектом в уменьшение выбросов парниковых газов.

Если модель искусственного интеллекта обеспечивает постоянный поток действительно действенных выводов на протяжении всего жизненного цикла приложения, она должна генерировать реальные и полезные результаты. Другими словами, многие приложения искусственного интеллекта гарантируют, что люди и системы предпринимают оптимальные действия в самых разных прикладных сценариях. Многие из преимуществ, обусловленных искусственным интеллектом, уменьшают углеродный след, снижая потребность людей в пользовании автомобилем, совершении деловых поездок, занятии дорогостоящего офисного пространства и выполнении других видов деятельности, требующих потребления ископаемого топлива.

Возможно, здесь уместен мысленный «эксперимент коммивояжера». Предположим, что отдел продаж производственной компании состоит из шести человек, и каждому из них компанией предоставлен автомобиль. Если компания внедрит систему автоматизации продаж на основе искусственного интеллекта, которая позволяет одному сотруднику отдела продаж выполнять работу за всю команду – улучшая поиск потенциальных клиентов и оптимизируя маршруты – остальных можно просто уволить, избавившись от служебных автомобилей и закрыв филиалы.

Таким образом, одним махом углеродный след модели искусственного интеллекта, лежащей в основе приложения автоматизации продаж, будет полностью компенсирован за счет устранения парниковых газов, выделяемых пятью автомобилями, и экономии электричества, получаемой вследствие закрытия офисов и отключения оборудования.

О целесообразности решений такого рода можно спорить, но следует признать, что они вполне правдоподобны. Этот мысленный эксперимент показывает, что рост производительности и эффективности, а также ускорение, обеспечиваемые искусственным интеллектом, зачастую приводят еще и к снижению энергетических затрат.

Не собираюсь утверждать, что каждое приложение искусственного интеллекта непременно способствует уменьшению выброса парниковых газов. Но вместе с тем я не согласен с экспертами, высказывания которых приводились в недавней статье Wall Street Journal: «Если бы люди могли видеть истинную стоимость таких систем, у них наверняка возникло бы много вопросов относительно того, стоит ли удобство цифровых помощников, построенных на основе искусственного интеллекта, планетарных затрат на все это». Ситуация здесь чрезмерно упрощается.

Подобные настроения затушевывают тот факт, что многие сценарии искусственного интеллекта, применяемые на практике (например, те же цифровые ассистенты), путем анализа имеющихся данных выдают рекомендации, которые помогают людям правильно выбирать нужные им товары, находить оптимальный маршрут до конечной цели, грамотно управлять своими финансами и т.д. Многие из этих действенных рекомендаций способны оказать влияние – большое или малое – на использование людьми энергии в своих домах, офисах, автомобилях и пр.

Рост энергозатрат за счет обучения искусственного интеллекта может компенсироваться еще большим снижением углеродных выбросов

Многие приложения искусственного интеллекта способны уменьшать углеродный след, компенсируя выбросы, связанные с энергозатратами на обучение базовых моделей. Если искусственный интеллект позволяет эффективно работать, оставляя лишь небольшую часть офисного пространства, встреч и поездок, значит эта технология вносит весьма существенный вклад в борьбу с глобальным потеплением.

Следовательно, углеродная нейтральность приложений искусственного интеллекта вполне может обеспечиваться интенсивным обучением базовых моделей, которые начинают более эффективно справляться с возложенными на них задачами. Хорошо обученная модель искусственного интеллекта, подобно капиталовложениям, в дальнейшем амортизируется по мере развертывания будущих приложений.

Имейте в виду, что даже когда разработчики искусственного интеллекта стремятся повысить точность своих моделей, обучение не обязательно является дополнительным потребителем ресурсов, в который нас заставляют поверить. Перечислим тенденции, которые снижают углеродный след вычислительной нагрузки искусственного интеллекта.

— Многие компьютерные платформы искусственного интеллекта работают на возобновляемых источниках энергии, а не на ископаемом топливе.

— В платформах искусственного интеллекта появляются более энергоэффективные чипсеты, серверы и облачные провайдеры.

— На обучение совершенствуемых моделей искусственного интеллекта тратится все меньше времени и данных.

— В реальные приложения широко внедряются предварительно обученные модели искусственного интеллекта.

— Концепция DevOps применительно к искусственному интеллекту предполагает сравнение энергоэффективности различных моделей.

— Универсальные нейронные сети с максимальной эффективностью могут обучаться на разных видах процессоров.

По мере нарастания этих тенденций в ближайшие несколько лет мы скорее всего увидим значительное снижение углеродного следа, оставляемого искусственным интеллектом. А при усилении соответствующих тенденций конвейеры искусственного интеллекта превратятся в одну из наиболее устойчивых в экологическом отношении платформ в ИТ-вселенной.