توسط : در بخش دوم از مجموعه دو قسمتی خود در مورد اثرات زیست محیطی هوش مصنوعی مولد، MIT News به بررسی برخی از روشهایی میپردازد که متخصصان برای کاهش ردپای کربنی این فناوری در حال کار بر روی آن هستند.
انتظار میرود تقاضای انرژی هوش مصنوعی مولد در دهه آینده به طور چشمگیری افزایش یابد.
به عنوان مثال، گزارشی در آوریل 2025 از آژانس بینالمللی انرژی پیشبینی میکند که تقاضای جهانی برق از مراکز داده، که زیرساختهای محاسباتی برای آموزش و استقرار مدلهای هوش مصنوعی را در خود جای میدهند، تا سال 2030 بیش از دو برابر شود و به حدود 945 تراوات ساعت برسد. در حالی که تمام عملیات انجام شده در یک مرکز داده مربوط به هوش مصنوعی نیست، این مقدار کل کمی بیشتر از مصرف انرژی ژاپن است.
علاوه بر این، تجزیه و تحلیلی در آگوست 2025 از Goldman Sachs Research پیشبینی میکند که حدود 60 درصد از افزایش تقاضای برق از مراکز داده با سوزاندن سوختهای فسیلی تامین میشود که انتشار کربن جهانی را حدود 220 میلیون تن افزایش میدهد. در مقایسه، رانندگی با یک خودروی بنزینی به مدت 5000 مایل حدود 1 تن دی اکسید کربن تولید میکند.
این آمارها تکان دهنده است، اما در عین حال، دانشمندان و مهندسان در MIT و سراسر جهان در حال مطالعه نوآوریها و مداخلاتی برای کاهش ردپای کربنی رو به رشد هوش مصنوعی، از افزایش کارایی الگوریتمها تا بازنگری در طراحی مراکز داده هستند.
توجه به انتشار کربن در هوش مصنوعی مولد
صحبت از کاهش ردپای کربنی هوش مصنوعی مولد معمولاً بر “کربن عملیاتی” متمرکز است – انتشار گازهای گلخانهای مورد استفاده توسط پردازندههای قدرتمند، معروف به GPU، در داخل یک مرکز داده. ویجی گادپالی، دانشمند ارشد در آزمایشگاه لینکلن MIT، که پروژههای تحقیقاتی را در مرکز ابررایانه آزمایشگاه لینکلن رهبری میکند، میگوید که اغلب “کربن تجسم یافته” را نادیده میگیرد، که انتشار گازهای گلخانهای ناشی از ساخت مرکز داده از ابتدا است.
ساخت و نوسازی یک مرکز داده، ساخته شده از تنها فولاد و بتن و پر از واحدهای تهویه مطبوع، سخت افزار محاسباتی و مایلها کابل، مقدار زیادی کربن مصرف میکند. در واقع، تاثیرات زیست محیطی ساخت مراکز داده یکی از دلایلی است که شرکتهایی مانند Meta و Google در حال بررسی مواد ساختمانی پایدارتر هستند. (هزینه نیز عامل دیگری است.)
به علاوه، مراکز داده ساختمانهای عظیمی هستند – بزرگترین مرکز داده جهان، پارک اطلاعات چین Telecom-Inner Mongolia، حدود 10 میلیون فوت مربع را در بر میگیرد – با حدود 10 تا 50 برابر تراکم انرژی یک ساختمان اداری معمولی، گادپالی اضافه میکند.
او میگوید: «جنبه عملیاتی تنها بخشی از داستان است. برخی از کارهایی که ما برای کاهش انتشار گازهای گلخانهای عملیاتی انجام میدهیم، ممکن است به کاهش کربن تجسم یافته نیز کمک کند، اما ما باید در آینده در این زمینه کارهای بیشتری انجام دهیم.»
کاهش انتشار کربن عملیاتی در هوش مصنوعی مولد
وقتی صحبت از کاهش انتشار کربن عملیاتی مراکز داده هوش مصنوعی میشود، شباهتهای بسیاری با اقدامات صرفهجویی در مصرف انرژی خانگی وجود دارد. برای مثال، ما میتوانیم به سادگی چراغها را خاموش کنیم.
گادپالی میگوید: «حتی اگر از نظر کارایی بدترین لامپها را در خانه خود داشته باشید، خاموش کردن یا کم نور کردن آنها همیشه انرژی کمتری نسبت به روشن گذاشتن آنها با حداکثر توان مصرف میکند.»
به همین ترتیب، تحقیقات مرکز ابررایانه نشان داده است که «کم کردن» GPUها در یک مرکز داده به طوری که حدود سه دهم انرژی را مصرف کنند، حداقل تاثیر را بر عملکرد مدلهای هوش مصنوعی دارد، در حالی که خنک کردن سخت افزار را نیز آسانتر میکند.
استراتژی دیگر استفاده از سخت افزار محاسباتی با مصرف انرژی کمتر است.
بارهای کاری هوش مصنوعی مولد، مانند آموزش مدلهای استدلال جدید مانند GPT-5، معمولاً به GPUهای زیادی نیاز دارند که به طور همزمان کار میکنند. تحلیل Goldman Sachs تخمین میزند که یک سیستم پیشرفته به زودی میتواند تا 576 GPU متصل داشته باشد که به طور همزمان کار میکنند.
اما مهندسان میتوانند گاهی اوقات با کاهش دقت سخت افزار محاسباتی، شاید با تغییر به پردازندههای کم مصرفتر که برای رسیدگی به یک بار کاری خاص هوش مصنوعی تنظیم شدهاند، به نتایج مشابهی دست یابند.
همچنین اقداماتی وجود دارد که کارایی آموزش مدلهای یادگیری عمیق پرمصرف را قبل از استقرار افزایش میدهد.
گروه گادپالی دریافت که حدود نیمی از برق مصرفی برای آموزش یک مدل هوش مصنوعی صرف به دست آوردن 2 یا 3 درصد آخر دقت میشود. متوقف کردن زودهنگام فرآیند آموزش میتواند مقدار زیادی از آن انرژی را ذخیره کند.
او میگوید: «ممکن است مواردی وجود داشته باشد که دقت 70 درصد برای یک کاربرد خاص، مانند یک سیستم توصیه گر برای تجارت الکترونیک، کافی باشد.»
محققان همچنین میتوانند از اقدامات افزایش کارایی استفاده کنند.
به عنوان مثال، یک محقق فوق دکترا در مرکز ابررایانه متوجه شد که این گروه ممکن است در طول فرآیند آموزش هزاران شبیه سازی را اجرا کند تا دو یا سه بهترین مدل هوش مصنوعی را برای پروژه خود انتخاب کند.
گادپالی میگوید، با ساخت ابزاری که به آنها اجازه میدهد از حدود 80 درصد از آن چرخههای محاسباتی هدر رفته اجتناب کنند، آنها به طور چشمگیری تقاضای انرژی آموزش را بدون کاهش دقت مدل کاهش دادند.
بهبود کارایی و هوش مصنوعی مولد
نوآوری مداوم در سخت افزار محاسباتی، مانند آرایههای متراکمتر ترانزیستورها روی تراشههای نیمه هادی، همچنان بهبودهای چشمگیری را در بهره وری انرژی مدلهای هوش مصنوعی امکان پذیر میکند.
نیل تامپسون، مدیر پروژه تحقیقاتی FutureTech در آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT و محقق اصلی در ابتکار عمل MIT در اقتصاد دیجیتال، میگوید، حتی اگر بهبود کارایی انرژی برای اکثر تراشهها از حدود سال 2005 کند شده باشد، مقدار محاسباتی که GPUها میتوانند در هر ژول انرژی انجام دهند، سالانه 50 تا 60 درصد بهبود یافته است.
تامپسون میگوید: «روند همچنان ادامه دار قانون مور برای قرار دادن ترانزیستورهای بیشتر و بیشتر روی تراشه هنوز برای بسیاری از این سیستمهای هوش مصنوعی مهم است، زیرا اجرای عملیات به صورت موازی هنوز برای بهبود کارایی بسیار ارزشمند است.»
مهمتر از آن، تحقیقات گروه او نشان میدهد که دستاوردهای کارایی از معماریهای مدل جدید که میتوانند مشکلات پیچیده را سریعتر حل کنند و انرژی کمتری برای دستیابی به نتایج یکسان یا بهتر مصرف کنند، هر هشت یا نه ماه دو برابر میشود.
تامپسون اصطلاح «negaflop» را برای توصیف این اثر ابداع کرد. به همان روشی که یک «negawatt» نشان دهنده برق صرفه جویی شده به دلیل اقدامات صرفه جویی در مصرف انرژی است، یک «negaflop» یک عملیات محاسباتی است که نیازی به انجام آن به دلیل بهبود الگوریتمی نیست.
اینها میتواند مواردی مانند «هرس کردن» اجزای غیرضروری یک شبکه عصبی یا استفاده از تکنیکهای فشردهسازی باشد که کاربران را قادر میسازد با محاسبات کمتر کارهای بیشتری انجام دهند.
تامپسون میگوید: «اگر امروز برای انجام کار خود نیاز به استفاده از یک مدل واقعاً قدرتمند دارید، تنها در چند سال آینده، ممکن است بتوانید از یک مدل به طور قابل توجهی کوچکتر برای انجام همان کار استفاده کنید، که بار زیست محیطی بسیار کمتری خواهد داشت. کارآمدتر کردن این مدلها مهمترین کاری است که میتوانید برای کاهش هزینههای زیست محیطی هوش مصنوعی انجام دهید.»
حداکثر رساندن صرفه جویی در مصرف انرژی در هوش مصنوعی مولد
گادپالی اضافه میکند، در حالی که کاهش مصرف کلی انرژی الگوریتمهای هوش مصنوعی و سخت افزار محاسباتی باعث کاهش انتشار گازهای گلخانهای میشود، همه انرژیها یکسان نیستند.
او میگوید: «مقدار انتشار کربن در 1 کیلووات ساعت بسیار متفاوت است، حتی فقط در طول روز، و همچنین در طول ماه و سال.»
مهندسان میتوانند از این تغییرات با استفاده از انعطاف پذیری بارهای کاری هوش مصنوعی و عملیات مرکز داده برای به حداکثر رساندن کاهش انتشار گازهای گلخانهای استفاده کنند. به عنوان مثال، برخی از بارهای کاری هوش مصنوعی مولد نیازی به انجام کامل در یک زمان ندارند.
دیپجییوتی دکا، یک دانشمند تحقیقاتی در ابتکار انرژی MIT، میگوید تقسیم عملیات محاسباتی به طوری که برخی بعداً انجام شوند، زمانی که بیشتر برق تغذیه شده به شبکه از منابع تجدیدپذیر مانند خورشید و باد باشد، میتواند کمک زیادی به کاهش ردپای کربنی یک مرکز داده کند.
دکا و تیمش همچنین در حال مطالعه مراکز داده “هوشمندتر” هستند که در آن بارهای کاری هوش مصنوعی چندین شرکت که از یک تجهیزات محاسباتی استفاده میکنند، به طور انعطاف پذیر تنظیم میشوند تا بهره وری انرژی بهبود یابد.
دکا میگوید: «با نگاه کردن به سیستم به عنوان یک کل، امید ما این است که ضمن حفظ استانداردهای قابلیت اطمینان برای شرکتها و کاربران هوش مصنوعی، مصرف انرژی و همچنین وابستگی به سوختهای فسیلی را به حداقل برسانیم.»
او و دیگران در MITEI در حال ساخت یک مدل انعطاف پذیری از یک مرکز داده هستند که تقاضای انرژی متفاوت آموزش یک مدل یادگیری عمیق در مقابل استقرار آن مدل را در نظر میگیرد. امید آنها این است که بهترین استراتژیها را برای برنامه ریزی و ساده سازی عملیات محاسباتی برای بهبود بهره وری انرژی کشف کنند.
محققان همچنین در حال بررسی استفاده از واحدهای ذخیره سازی انرژی طولانی مدت در مراکز داده هستند که انرژی اضافی را برای مواقعی که مورد نیاز است ذخیره میکنند.
با وجود این سیستمها، یک مرکز داده میتواند از انرژی ذخیره شدهای که توسط منابع تجدیدپذیر در طول دوره پرمصرف تولید شده است، استفاده کند، یا در صورت وجود نوسانات در شبکه، از استفاده از ژنراتورهای پشتیبان دیزلی خودداری کند.
دکا میگوید: «ذخیره سازی انرژی طولانی مدت میتواند در اینجا یک تغییر دهنده بازی باشد، زیرا ما میتوانیم عملیاتی را طراحی کنیم که واقعاً ترکیب انتشار گازهای گلخانهای سیستم را تغییر دهد تا بیشتر به انرژیهای تجدیدپذیر متکی باشد.»
علاوه بر این، محققان در MIT و دانشگاه پرینستون در حال توسعه یک ابزار نرم افزاری برای برنامه ریزی سرمایه گذاری در بخش برق به نام GenX هستند که میتواند برای کمک به شرکتها در تعیین مکان ایدهآل برای قرار دادن یک مرکز داده برای به حداقل رساندن اثرات زیست محیطی و هزینهها استفاده شود.
موقعیت مکانی میتواند تاثیر زیادی بر کاهش ردپای کربنی یک مرکز داده داشته باشد. به عنوان مثال، متا یک مرکز داده در لولئا، شهری در ساحل شمال سوئد، دارد که دمای خنکتر میزان برق مورد نیاز برای خنک کردن سخت افزار محاسباتی را کاهش میدهد.
برخی از دولتها حتی به فکر ساخت مراکز داده در ماه هستند که در آنجا میتوانند به طور بالقوه با تقریباً تمام انرژیهای تجدیدپذیر اداره شوند.
راه حلهای مبتنی بر هوش مصنوعی مولد
جنیفر تورلیوک MBA ’25، مدرس کوتاه مدت، عضو سابق Sloan و رهبر سابق عمل هوش مصنوعی آب و هوا و انرژی در مرکز Martin Trust برای کارآفرینی MIT، میگوید در حال حاضر، گسترش تولید انرژیهای تجدیدپذیر با رشد سریع هوش مصنوعی همگام نیست، که یکی از موانع اصلی برای کاهش ردپای کربنی آن است.
فرآیندهای بررسی محلی، ایالتی و فدرال مورد نیاز برای یک پروژه جدید انرژیهای تجدیدپذیر میتواند سالها طول بکشد.
محققان در MIT و جاهای دیگر در حال بررسی استفاده از هوش مصنوعی برای سرعت بخشیدن به روند اتصال سیستمهای جدید انرژیهای تجدیدپذیر به شبکه برق هستند.
به عنوان مثال، یک مدل هوش مصنوعی مولد میتواند مطالعات اتصال متقابل را که تعیین میکند یک پروژه جدید چگونه بر شبکه برق تأثیر میگذارد، ساده کند، مرحلهای که اغلب سالها طول میکشد.
و وقتی صحبت از <a href="https://dl.acm.org/doi/10.1145/3485128
