Որքա՞ն ջուր է օգտագործում արհեստական ​​բանականությունը։

Վստահ եմ՝ լսել եք ամեն ինչ՝ սկսած «Արհեստական ​​բանականությունը մի քանի հարցից հետո մի շիշ ջուր է խմում» մինչև «դա, ըստ էության, մի քանի կաթիլ է» արտահայտությունը։ Իրականությունն ավելի նրբերանգային է։ Արհեստական ​​բանականության ջրային հետքը լայնորեն տատանվում է՝ կախված նրանից, թե որտեղ է այն աշխատում, որքան ժամանակ է պահանջվում ձեր հարցումը ստանալու համար և ինչպես է տվյալների կենտրոնը սառեցնում իր սերվերները։ Այո, վերնագրի համարը գոյություն ունի, բայց այն գտնվում է մի շարք նախազգուշացումների ներքո։

Ստորև ես բացատրում եմ հստակ, որոշում կայացնելու պատրաստ թվեր, բացատրում եմ, թե ինչու են գնահատականները անհամապատասխան, և ցույց եմ տալիս, թե ինչպես կարող են շինարարներն ու առօրյա օգտագործողները կրճատել ջրի քանակը՝ առանց կայուն զարգացման վանականների վերածվելու։

Հոդվածներ, որոնք կարող են ձեզ դուր գալ կարդալ սրանից հետո.

🔗 Ի՞նչ է արհեստական ​​բանականության տվյալների հավաքածուն
Բացատրում է, թե ինչպես են տվյալների հավաքածուները հնարավորություն տալիս մեքենայական ուսուցման ուսուցման և մոդելների մշակման համար։

🔗 Ինչպես է արհեստական ​​բանականությունը կանխատեսում միտումները
Ցույց է տալիս, թե ինչպես է արհեստական ​​բանականությունը վերլուծում օրինաչափությունները՝ փոփոխությունները և ապագա արդյունքները կանխատեսելու համար։

🔗 Ինչպես չափել արհեստական ​​բանականության արդյունավետությունը
Բաշխում է ճշգրտությունը, արագությունը և հուսալիությունը գնահատելու համար անհրաժեշտ չափանիշները։

🔗 Ինչպես խոսել արհեստական ​​բանականության հետ
Ուղղորդում է արդյունավետ հուշող ռազմավարություններ՝ պարզությունը, արդյունքները և հետևողականությունը բարելավելու համար։

Որքա՞ն ջուր է օգտագործում արհեստական ​​բանականությունը։ Հակիրճ թվեր, որոնք իրականում կարող եք օգտագործել 📏

• համար , այսօրվա բնորոշ միջակայքը՝ մեկ հիմնական համակարգում միջին տեքստային հուշման համար ենթամիլիլիտրից մինչև տասնյակ միլիլիտր՝ մեկ այլ համակարգում ավելի երկար, ավելի բարձր հաշվարկային պատասխանի համար: Օրինակ, Google-ի արտադրության հաշվառումը հաղորդում է միջին տեքստային հուշման մասին՝ ~0.26 մլ (ներառյալ ամբողջական սպասարկման վերադիր ծախսերը) [1]: Mistral-ի կյանքի ցիկլի գնահատումը 400 տոկեն օգնականի պատասխանը սահմանում է ~45 մլ (սահմանային եզրակացություն) [2]: Համատեքստը և մոդելը մեծ նշանակություն ունեն:

• Սահմանային մասշտաբի մոդելի պատրաստումը. կարող է ծախսել միլիոնավոր լիտրեր , հիմնականում սառեցման և էլեկտրաէներգիայի արտադրության մեջ օգտագործվող ջրից: Լայնորեն մեջբերվող ակադեմիական վերլուծությունը գնահատել է GPT դասի մոդելի պատրաստման համար մոտ 5.4 միլիոն լիտր տեղում սառեցման համար սպառված մոտ 700,000 լիտր

• Տվյալների կենտրոնները ընդհանուր առմամբ. խոշոր կենտրոնները օրական ծախսում են հարյուր հազարավոր գալոններ , իսկ որոշ համալիրներում՝ ավելի բարձր գագաթնակետային ծավալներ՝ կախված կլիմայից և դիզայնից [5]:

Եկեք անկեղծ լինենք. այդ թվերը սկզբում անհամապատասխան են թվում։ Այո՛, և կան լավ պատճառներ։

Արհեստական ​​​​ինտելեկտի ջրի օգտագործման չափանիշներ ✅

«Որքա՞ն ջուր է օգտագործում արհեստական ​​բանականությունը» հարցի լավ պատասխանը պետք է մի քանի վանդակ նշի.

1. Սահմանների հստակություն.
   Արդյո՞ք այն ներառում է միայն տեղում գտնվող սառեցման ջուրը, թե՞ նաև էլեկտրակայանների էլեկտրաէներգիա արտադրելու համար տեղից դուրս ջուրը ջրառը և ջրի սպառումը և ընդգրկում է 1-2-3 շրջանակները, նման ածխածնի հաշվառմանը [3]:

2. Տեղանքի զգայունություն։
   Մեկ կՎտժ-ի հաշվով ջուրը տարբերվում է ըստ տարածաշրջանի և ցանցի, ուստի նույն հուշումը կարող է տարբեր ազդեցություն ունենալ ջրի վրա՝ կախված նրանից, թե որտեղ է այն մատուցվում. սա հիմնական պատճառն է, որ գրականությունը խորհուրդ է տալիս ժամանակի և վայրի հաշվի առնող ժամանակացույց կազմել [3]:

3. Աշխատանքային բեռի ռեալիզմ։
   Արդյո՞ք թիվը արտացոլում է միջին արտադրության ցուցանիշները , ներառյալ անգործուն հզորությունը և տվյալների կենտրոնի ծանրաբեռնվածությունը, թե՞ միայն արագացուցիչը գագաթնակետին։ Google-ը եզրակացության համար շեշտը դնում է ամբողջ համակարգի հաշվառման վրա (անգործունություն, CPU/DRAM և տվյալների կենտրոնի ծանրաբեռնվածություն), այլ ոչ թե միայն TPU մաթեմատիկայի վրա [1]:

4. Սառեցման տեխնոլոգիա։
   Գոլորշիացնող սառեցումը, փակ ցիկլով հեղուկային սառեցումը, օդային սառեցումը և ի հայտ եկող ուղիղ չիպային մոտեցումները կտրուկ փոխում են ջրի ինտենսիվությունը։ Microsoft-ը ներկայացնում է նոր սերնդի որոշակի կայաններում սառեցման ջրի օգտագործումը վերացնելու

5. Օրվա ժամանակը և եղանակը
   Ջերմությունը, խոնավությունը և ցանցի պայմանները փոխում են ջրի օգտագործման արդյունավետությունը իրական կյանքում. մեկ ազդեցիկ ուսումնասիրություն առաջարկում է հիմնական աշխատանքները պլանավորել այն ժամանակ և այնտեղ, երբ ջրի ինտենսիվությունը ցածր է [3]:

Ջրի դուրսբերումն ընդդեմ ջրի սպառման, բացատրված է 💡

• վերցվում է գետերից, լճերից կամ ջրատար հորիզոններից (մի մասը վերադարձվում է):

• Սպառում = ջուր, որը չի վերադարձվում, քանի որ այն գոլորշիանում է կամ ներառվում է գործընթացների/արտադրանքի մեջ։

Սառեցման աշտարակները հիմնականում են սպառում գոլորշիացման միջոցով: Էլեկտրաէներգիայի արտադրությունը կարող է օգտագործել (երբեմն՝ սպառելով դրա մի մասը), կախված կայանից և սառեցման մեթոդից: Արհեստական ​​բանականության ջրի հավաստի թիվը նշում է այն, ինչը այն հաղորդում է [3]:

Ուր է ջուրը գնում արհեստական ​​ինտելեկտի մեջ. երեք դույլերը 🪣

1. Շրջանակ 1 - տեղում սառեցում։
   Տեսանելի մասը՝ ջուրը գոլորշիանում է հենց տվյալների կենտրոնում։ Նախագծման ընտրությունները, ինչպիսիք են գոլորշիացումը օդի կամ փակ ցիկլի հեղուկի համեմատ, սահմանում են հիմքը [5]:

2. 2-րդ ոլորտ՝ էլեկտրաէներգիայի արտադրություն։
   Յուրաքանչյուր կՎտժ կարող է պարունակել թաքնված ջրի պիտակ։ Խառնուրդը և տեղանքը որոշում են, թե ձեր աշխատանքային բեռը ինչ լիտր/կՎտժ ազդանշան է ժառանգում [3]:

3. Շրջանակ 3 - մատակարարման շղթա
   Չիպերի արտադրությունը հիմնված է գերմաքուր ջրի վրա: Դուք այն չեք տեսնի «յուրաքանչյուր հուշման» չափանիշում, եթե սահմանը հստակորեն չի ներառում մարմնավորված ազդեցությունները (օրինակ՝ ամբողջական LCA) [2][3]:

Մատակարարներ թվերով՝ նրբերանգներով 🧮

• Google Gemini-ն հուշում է
  Full-stack մատուցման մեթոդ (ներառյալ անգործունեության և օբյեկտի վերադիր ծախսերը): Միջին տեքստը հուշում է ~0.26 մլ ջուր՝ ~0.24 Վտժ էներգիայով. թվերը արտացոլում են արտադրական երթևեկությունը և համապարփակ սահմանները [1]:

• Mistral Large 2-ի կյանքի ցիկլը։
  Հազվագյուտ անկախ LCA-ն (ADEME/Carbone 4-ով) բացահայտում է մոտ 281,000 մ³ ՝ ուսուցման + վաղ օգտագործման համար, և մոտ 45 մլ՝ 400 տոկենանոց համար [2]:

• Microsoft-ի զրոյական ջրով սառեցման հավակնությունը։
  Հաջորդ սերնդի տվյալների կենտրոնները նախագծված են զրոյական ջուր սառեցման համար ՝ հենվելով ուղղակիորեն չիպին միանալու մոտեցումների վրա. վարչական նպատակներով դեռևս որոշակի քանակությամբ ջուր է պահանջվում [4]:

• Ընդհանուր տվյալների կենտրոնի մասշտաբ։
  Հիմնական օպերատորները հրապարակայնորեն հայտնում են առանձին վայրերում օրական միջինում հարյուր հազարավոր գալոնների սպառման մասին

• Ակադեմիական նախնական մակարդակը։
  «Ծարավ արհեստական ​​բանականության» հիմնարար վերլուծությունը գնահատել է GPT դասի մոդելների մարզման համար անհրաժեշտ միլիոնավոր լիտրեր 10-50 միջին չափի պատասխանները կարող են մոտավորապես հավասար լինել 500 մլ շշի՝ մեծապես կախված նրանից, թե երբ/որտեղ են դրանք օգտագործվում [3]:

Ինչո՞ւ են գնահատականները այդքան հակասական 🤷

• Տարբեր սահմաններ
  Որոշ թվեր հաշվի են առնում միայն տեղում սառեցումը , մյուսները՝ էլեկտրաէներգիայի և ջրի , իսկ տեղական ինքնակառավարման մարմինները կարող են ավելացնել չիպերի արտադրությունը : Խնձոր, նարինջ և մրգային աղցան [2][3]:

• Տարբեր աշխատանքային բեռներ
  Կարճ տեքստային հուշումը երկար մուլտիմոդալ/կոդային աշխատանք չէ. խմբաքանակային, զուգահեռական և լատենտ նպատակները փոխում են օգտագործումը [1][2]:

• Տարբեր կլիմայական պայմաններ և ցանցեր։
  Գոլորշիացնող սառեցում տաք, չորային շրջանում ≠ օդային/հեղուկային սառեցում զով, խոնավ շրջանում։ Ցանցային ջրի ինտենսիվությունը լայնորեն տարբերվում է [3]:

• Վաճառողի մեթոդաբանություններ
  Google-ը հրապարակեց համակարգային սպասարկման մեթոդ, Mistral-ը հրապարակեց պաշտոնական LCA: Մյուսները առաջարկում են միավորային գնահատականներ՝ օգտագործելով նոսր մեթոդներ: Բարձրակարգ «թեյի գդալի մեկ տասնհինգերորդի» մասին մեկ հուշման համար պահանջը վերնագրերում հայտնվեց, բայց առանց սահմանային մանրամասների այն համեմատելի չէ [1][3]:

• Շարժվող թիրախ
  ։ Սառեցումը արագ զարգանում է։ Microsoft-ը փորձարկում է ջրազուրկ սառեցումը որոշակի վայրերում. դրա ներդրումը կնվազեցնի տեղում ջրի քանակը, նույնիսկ եթե վերին հոսանքի էլեկտրաէներգիան դեռևս ջրի ազդանշան է կրում [4]:

Ինչ կարող եք անել այսօր՝ արհեստական ​​բանականության ջրային հետքը նվազեցնելու համար 🌱

1. Մոդելի չափսերը ճիշտ են։
   Փոքր, առաջադրանքին համապատասխանեցված մոդելները հաճախ համապատասխանում են ճշգրտությանը՝ միաժամանակ ծախսելով ավելի քիչ հաշվողական ծախսեր։ Միստրալի գնահատականը ընդգծում է չափի և հետքի միջև ուժեղ փոխհարաբերությունները և հրապարակում է սահմանային եզրակացության թվեր, որպեսզի դուք կարողանաք դատողություններ անել փոխզիջումների վերաբերյալ [2]:

2. Ընտրեք ջրային ռեսուրսների օգտագործման առումով խելամիտ շրջաններ։
   Նախապատվությունը տվեք ավելի զով կլիմա ունեցող, արդյունավետ սառեցման և ցածր ջրի ինտենսիվությամբ ցանցեր ունեցող շրջաններին մեկ կՎտժ-ի համար։ «ծարավ արհեստական ​​բանականության» աշխատանքը ցույց է տալիս, որ ժամանակի և վայրի գիտակցմամբ ժամանակացույցը օգնում է [3]:

3. Ժամանակին տեղաշարժեք աշխատանքային բեռները։
   Ջրախնայող ժամերի համար (ավելի զով գիշերներ, ցանցի բարենպաստ պայմաններ) պլանավորեք ուսուցումը/ծանր խմբաքանակների եզրակացությունը [3]:

4. Հարցրեք ձեր մատակարարին թափանցիկ չափանիշների մասին՝
   պահանջարկը մեկ հուշման համար ջրի , սահմանների սահմանումների և այն մասին, թե արդյոք թվերը ներառում են պարապուրդի հզորությունը և օբյեկտի վերադիր ծախսերը: Քաղաքականության խմբերը պնդում են պարտադիր բացահայտման վրա՝ հնարավոր դարձնելով համեմատությունները [3]:

5. Սառեցման տեխնոլոգիան կարևոր է։
   Եթե օգտագործում եք սարքավորումներ, գնահատեք փակ ցիկլով/ուղիղ չիպին միացվող սառեցումը ։ Եթե աշխատում եք ամպային տեխնոլոգիաների վրա, նախապատվությունը տվեք այն տարածաշրջաններին/մատակարարներին, որոնք ներդրումներ են կատարում ջրային լույսերի նախագծերում [4][5]:

6. Օգտագործեք մոխրագույն ջուրը և վերօգտագործեք այլընտրանքներ։
   Շատ համալսարաններ կարող են փոխարինել ոչ խմելու աղբյուրները կամ վերամշակել ցիկլերի շրջանակներում։ Խոշոր օպերատորները նկարագրում են ջրի աղբյուրների և սառեցման տարբերակների հավասարակշռումը՝ զուտ ազդեցությունը նվազագույնի հասցնելու համար [5]:

Հակիրճ օրինակ՝ իրականություն դարձնելու համար (ոչ թե համընդհանուր կանոն). գիշերային մարզման աշխատանքը ամռան կեսին տաք, չոր շրջանից գարնանը ավելի զով, խոնավ շրջան տեղափոխելը և այն ոչ գագաթնակետային, ավելի զով ժամերին գործարկելը կարող է փոխել ինչպես տեղում ջրի օգտագործումը, այնպես էլ տարածքից դուրս (ցանցից) ջրի ինտենսիվությունը: Ահա թե ինչպիսի գործնական, ցածր դրամատիկ հաղթանակի ժամանակացույց կարող է բացել [3]:

Համեմատական ​​աղյուսակ. արագ ընտրություններ՝ արհեստական ​​բանականության ջրի կորուստը նվազեցնելու համար 🧰

(«Գինը» դիզայնով փափուկ է՝ տեղակայումները տարբեր են։)

Խորը վերլուծություն. քաղաքականության թմբկահարությունն ավելի ու ավելի բարձր է դառնում 🥁

Ինժեներական մարմինները կոչ են անում պարտադիր կերպով բացահայտել տվյալների կենտրոնի էներգիայի և ջրի տվյալները, որպեսզի գնորդներն ու համայնքները կարողանան գնահատել ծախսերը և օգուտները: Առաջարկությունները ներառում են շրջանակի սահմանումներ, տեղանքի մակարդակի հաշվետվություններ և տեղակայման ուղեցույցներ, քանի որ առանց համեմատելի, տեղորոշման չափանիշների, մենք վիճում ենք անորոշության մեջ [3]:

Խորը վերլուծություն. տվյալների կենտրոնները բոլորը նույն կերպ չեն օգտագործում 🚰

Կա մի տարածված առասպել, որ «օդային սառեցումը ջուր չի օգտագործում»։ Ոչ այնքան։ Օդային ծանր համակարգերը հաճախ ավելի շատ էլեկտրաէներգիա , որը շատ շրջաններում ցանցից թաքնված ջուր ջրային սառեցումը կարող է կրճատել էլեկտրաէներգիան և արտանետումները տեղում ջրի հաշվին։ Խոշոր օպերատորները հստակորեն հավասարակշռում են այս փոխզիջումները տեղանք առ տեղանք [1][5]:

Խորը վերլուծություն. վիրուսային պնդումների վերաբերյալ արագ իրականության ստուգում 🧪

Դուք գուցե տեսած լինեք համարձակ հայտարարություններ, որ մեկ հուշումը հավասար է «ջրի շշի» կամ, մյուս կողմից, «մի քանի կաթիլի»։ Ավելի լավ կեցվածք. համեստություն մաթեմատիկայի հետ ։ Այսօրվա հավաստի գրքակալները կազմում են մոտ 0.26 մլ միջին արտադրողականության հուշման համար՝ լրիվ սպասարկման վերադիր ծախսերով [1] և մոտ 45 մլ՝ 400 ժետոնից բաղկացած օգնականի պատասխանի համար (եզրակացություն) [2]։ Շատ տարածված «թեյի գդալի մեկ տասնհինգերորդի» պնդումը չունի հանրային սահման/մեթոդ. վերաբերվեք դրան որպես եղանակի կանխատեսման՝ առանց քաղաքի [1][3]։

Մինի-Հաճախակի տրվող հարցեր. Որքա՞ն ջուր է օգտագործում արհեստական ​​բանականությունը։ Կրկին, պարզ լեզվով 🗣️

• Այսպիսով, ի՞նչ պետք է ասեմ հանդիպման ժամանակ։
  «Ըստ հուշման՝ այն տատանվում է կաթիլներից մինչև մի քանի կում , կախված մոդելից, երկարությունից և այն վայրից, որտեղ այն անցնում է։ Մարզումները տեղի են ունենում լողավազաններում , այլ ոչ թե ջրափոսերում»։ Այնուհետև մեջբերեք վերևում նշված մեկ կամ երկու օրինակ։

• Արհեստական ​​բանականությունը միանշանակ վատն է։
  Այն եզակիորեն կենտրոնացված է . միասին կուտակված բարձր հզորության չիպերը ստեղծում են մեծ սառեցման բեռ։ Սակայն տվյալների կենտրոններն են նաև այն վայրերը, որտեղ լավագույն արդյունավետության տեխնոլոգիաները սովորաբար առաջին հերթին հայտնվում են [1][4]:

• Ի՞նչ կլինի, եթե մենք պարզապես ամեն ինչ անցնենք օդային սառեցման ռեժիմի։
  Դուք կարող եք կրճատել տեղում ջրի մատակարարումը, բայց ավելացնել տարածքից դուրս ջրի մատակարարումը էլեկտրաէներգիայի միջոցով։ Բարդ օպերատորները կշռադատում են երկուսն էլ [1][5]:

• Իսկ ապագայի տեխնոլոգիաների մասին ի՞նչ կասեք։
  Ջրի սառեցումը մեծ մասշտաբով խուսափող նախագծերը կարող են խաղի կանոնները փոխել Scope 1-ի համար։ Որոշ օպերատորներ շարժվում են այս ուղղությամբ. վերին հոսանքի էլեկտրաէներգիան դեռևս կրում է ջրի ազդանշան մինչև ցանցերի փոփոխությունը [4]:

Վերջնական դիտողություններ - Շատ երկար է, չեմ կարդացել 🌊

• Յուրաքանչյուր հուշման համար՝ պատկերացրեք ենթամիլիլիտրից մինչև տասնյակ միլիլիտր , կախված մոդելից, հուշման երկարությունից և տեղից։ Միջին հուշումը ~0.26 մլ է մեկ հիմնական փաթեթի համար, ~45 մլ՝ 400-թոքենանոց պատասխանի համար մեկ այլ փաթեթի համար [1][2]:

• Ուսուցում. միլիոնավոր լիտրեր առաջնային մոդելների համար, ինչը կարևոր է դարձնում ժամանակացույցի, տեղակայման և սառեցման տեխնոլոգիայի մշակումը [3]:

• Ինչ անել. ճիշտ չափի մոդելներ, ջրային ռեսուրսների օգտագործմանը հարմար տարածաշրջաններ ընտրել, ծանր աշխատանքները տեղափոխել ավելի զով ժամերի, նախապատվությունը տալ ջրային լույսի նախագծեր առաջարկող մատակարարներին և պահանջել թափանցիկ սահմաններ [1][3][4][5]:

Վերջում մի փոքր թերի փոխաբերություն է. արհեստական ​​բանականությունը ծարավ նվագախումբ է. մեղեդին հաշվարկային է, բայց հարվածային գործիքները սառեցնում են և ջուրը ցանցկացնում։ Կարգավորեք նվագախումբը, և հանդիսատեսը դեռ լսում է երաժշտությունը՝ առանց ջրցանների միացման։ 🎻💦

Հղումներ

1. Google Cloud Blog - Որքա՞ն էներգիա է օգտագործում Google-ի արհեստական ​​բանականությունը: Մենք կատարեցինք հաշվարկներ (մեթոդաբանություն + ~0.26 մլ միջին պահանջ, լրիվ մատուցման ծախս): Հղում
   (Տեխնիկական փաստաթուղթ PDF. Google-ի մասշտաբով արհեստական ​​բանականության ներդրման շրջակա միջավայրի վրա ազդեցության չափում ): Հղում

2. Mistral AI - Մեր ներդրումը AI-ի գլոբալ բնապահպանական ստանդարտում (LCA ADEME/Carbone 4-ով; ~281,000 մ³ ուսուցում + վաղ օգտագործում; ~45 մլ յուրաքանչյուր 400-թոքենի պատասխանի համար, սահմանային եզրակացություն): Հղում

3. Լի և այլք. - Արհեստական ​​բանականության պակաս «ծարավ». Արհեստական ​​բանականության մոդելների գաղտնի ջրային հետքի բացահայտումը և դրա լուծումը միլիոնավոր լիտրերի մարզում , ժամանակի և վայրի գիտակցմամբ ժամանակացույց, դուրսբերում ընդդեմ սպառման): Հղում

4. Microsoft - Հաջորդ սերնդի տվյալների կենտրոնները զրոյական ջուր են սպառում սառեցման համար (որոշակի վայրերում ջրազուրկ սառեցման նպատակով ուղղակիորեն չիպին միացվող նախագծեր): Հղում

5. Google տվյալների կենտրոններ - Կայուն գործունեություն (տարածք առ տեղ սառեցման փոխզիջումներ, հաշվետվությունների կազմում և վերօգտագործում, ներառյալ վերամշակված/մոխրագույն ջուրը, տեղանքի մակարդակի օրական օգտագործման սովորական կարգեր): Հղում

Գտեք արհեստական ​​բանականության վերջին նորույթները պաշտոնական արհեստական ​​բանականության օգնականների խանութում

Մեր մասին