Hvorfor AI-autokraterne må udfordres til at gøre bedre

Hvis vi har lært noget fra AI-alderen, er det, at branchen kæmper med betydelige udfordringer med hensyn til effekt. Disse udfordringer er både bogstavelige – som at finde måder at imødekomme de uhyre energibehov, som AI-datacentre kræver – og billedlige – som koncentrationen af AI-formuer i få hænder baseret på snævre kommercielle interesser snarere end bredere samfundsmæssige fordele.

AI-kraftparadokset: Høje omkostninger, koncentreret kontrol

For at AI skal være succesfuldt og gavne menneskeheden, må det blive almindeligt. For at blive almindeligt, må det være både økonomisk og miljømæssigt bæredygtigt. Det er ikke den vej, vi er på nu. Den besættede kamp for større og hurtigere AI er drevet mere af kortfristede præstationsgevinster og markedsdominans end af, hvad der er bedst for bæredygtig og billig AI.

Kapløbet om at bygge endnu kraftigere AI-systemer accelererer, men det sker på bekostning af en steget miljømæssig pris. Avancerede AI-chips, som Nvidias H100 (op til 700 watt), forbruger allerede betydelige mængder energi. Denne trend forventes at fortsætte, og branchens indsiders forudser, at Nvidias næste generations Blackwell-arkitektur kan øge effektforbruget per chip væsentligt, muligvis over 1.200 watt. Med branchens ledere, der forventer, at millioner af disse chip skal installeres i datacentre verden over, er AI’s energibehov på vej til at eksplodere.

Miljøomkostningerne ved AI-våbenkapløbet

Lad os sætte det i en hverdagskontekst. Elektriciteten, der driver dit hele hus, kunne køre alle dine apparater på fuld kraft samtidig – selv om ingen ville gøre det. Forestil dig nu bare en enkelt 120 kW Nvidiarack, der kræver samme mængde energi – især når der kan være hundredvis eller tusindvis af dem i store datacentre! Nu er 1.200 watt lig med 1,2 kW. Så vi taler virkelig om et mindre kvarter. En enkelt 120 kW Nvidiarack – essentielt 100 af disse energikrævende chip – har brug for nok elektricitet til at drive cirka 100 hjem.

Denne udvikling er bekymrende, når man tager i betragtning de energibesparelser, mange samfund står over for. Datacenter-eksperter forudser, at USA vil have brug for 18 til 30 gigawatt ny kapacitet i de næste fem til syv år, hvilket får virksomheder til at søge efter måder at håndtere denne øgede efterspørgsel på. Imens fortsætter min branche med at skabe endnu mere energikrævende generative AI-applikationer, der forbruger energi langt ud over, hvad der er teoretisk nødvendigt for applikationen eller hvad der er ønskeligt for jorden.

Balance mellem sikkerhed og tilgængelighed: Hybrid datacenterløsninger

Denne AI-autokrati og “våbenkapløb”, besat af ren hastighed og effekt, ignorerer de praktiske behov i virkelige datacentre – nemlig de slags billige løsninger, der reducerer markedets barrierer for de 75 procent af US-organisationerne, der endnu ikke har adopteret AI. Og lad os være ærlige, når mere AI-regulering kommer på plads omkring privatliv, sikkerhed og miljøbeskyttelse, vil flere organisationer kræve en hybrid datacenter-tilgang, der sikrer deres mest værdifulde, private og følsomme data i højt beskyttede områder langt væk fra AI og cyberangreb. Uanset om det handler om sundhedsjournaler, finansielle data, nationale forsvars hemmeligheder eller valgintegritet, kræver fremtidens enterprise-AI en balance mellem på-sitet sikkerhed og cloud-agilitet.

Dette er en betydelig systemisk udfordring og en, der kræver hyper-samarbejde over hyper-konkurrence. Med en overvældende fokus på GPU’er og andre AI-accellerator-chip med ren kapacitet, hastighed og præstationsmetrikker, mangler vi tilstrækkelig overvejelse for den billige og bæredygtige infrastruktur, der kræves for, at regeringer og virksomheder kan adoptere AI-kapaciteter. Det er som at bygge en rumraket med ingen sted at lancere eller som at sætte en Lamborghini på en landevej.

Demokratisering af AI: Branchesamarbejde

Selv om det er opmuntrende, at regeringer begynder at overveje regulering – for at sikre, at AI gavner alle, ikke kun eliten – har vores branche brug for mere end regeringsregler.

For eksempel udnytter Storbritannien AI til at forbedre politiens kapaciteter ved at forbedre dataudveksling mellem politi-myndigheder for at forbedre AI-drevet kriminalitetsforudsigelse og forebyggelse. De fokuserer på gennemsigtighed, ansvarlighed og fairhed i brugen af AI til politiarbejde, sikrer offentligt tillid og overholdelse af menneskerettigheder – med værktøjer som ansigtsgenkendelse og prædiktiv politi til at hjælpe med kriminalitetsopdagelse og -styring.

I højt regulerede brancher som biotek og sundhedsvesen inkluderer bemærkelsesværdige samarbejder Johnson & Johnson (JNJ ) MedTech og Nvidia (NVDA ), der arbejder sammen om at forbedre AI til kirurgiske procedurer. Deres samarbejde sigter mod at udvikle realtids-, AI-drevet analyse og beslutningsfærdighed i operationsrummet. Dette samarbejde udnytter Nvidias AI-platforme til at muliggøre skalerbar, sikker og effektiv udvikling af AI-applikationer i sundhedsindstillinger.

Mens Tyskland har dannet strategiske alliancer med Exscientia og BenevolentAI for at fremme AI-drevet lægemiddelforskning. De udnytter AI til at accelerere udviklingen af nye lægemiddelkandidater, især i onkologi, neurologi og immunologi. Målet er at forbedre succesraten og hastigheden af lægemiddeludvikling gennem AI’s kraftfulde design- og opdagelsesfærdigheder.

Det første skridt er at reducere omkostningerne ved at implementere AI for virksomheder ud over BigPharma og BigTech, især i AI-inferensfasen – når virksomheder installerer og kører en trænet AI-model som Chat GPT, Llama 3 eller Claude i et rigtigt datacenter hver dag. Nylige estimater forslår, at omkostningerne ved at udvikle de største af disse næste generations systemer kan være omkring 1 milliard dollars, med inferensomkostninger, der potentielt kan være 8-10 gange højere.

De stigende omkostninger ved at implementere AI i daglig produktion holder mange virksomheder tilbage fra at fuldt ud adoptere AI – “de ikke-havende”. En nylig undersøgelse fandt, at kun en af fire virksomheder har succesfuldt lanceret AI-initiativer i de sidste 12 måneder, og at 42 procent af virksomhederne endnu ikke har set en betydelig fordel fra generative AI-initiativer.

For at virkelig demokratisere AI og gøre det almindeligt – dvs. bred virksomhedsadoption – må vores AI-branche skifte fokus. I stedet for en kapløb om de største og hurtigste modeller og AI-chip, har vi brug for mere samarbejde for at forbedre billigere, reducere energiforbruget og åbne AI-markedet for at dele dets fulde og positive potentiale mere bredt. En systemisk ændring vil løfte alle både ved at gøre AI mere profitabelt for alle med en betydelig forbrugerfordel.

Der er lovende tegn på, at det er muligt at reducere AI-omkostningerne – og dermed sænke den finansielle barriere for at støtte store nationale og globale AI-initiativer. Mit selskab, NeuReality, samarbejder med Qualcomm (QCOM ) for at opnå op til 90 procent reducering af omkostninger og 15 gange bedre energieffektivitet for forskellige AI-applikationer på tværs af tekst, sprog, lyd og billeder – de grundlæggende byggesten i AI. Ved at samarbejde med flere software- og serviceudbydere kan vi fortsætte med at tilpasse AI i praksis for at forbedre ydelsen og sænke omkostningerne.

I virkeligheden har vi formået at reducere omkostningerne og energiforbruget per AI-spørgsmål i forhold til den traditionelle CPU-centrerede infrastruktur, som alle AI-accellerator-chip, herunder Nvidias GPU’er, er afhængige af i dag. Vores NR1-S AI-inferens-applikation begyndte at blive leveret over sommeren med Qualcomm Cloud AI 100 Ultra-accelleratorer parret med NR1 NAPU’er. Resultatet er en alternativ NeuReality-arkitektur, der erstatter den traditionelle CPU i AI-datacentre – den største flaskehals i AI-dataudvikling i dag. Denne evolutionære ændring er dybtgående og højst nødvendig.

Uden for hypen: Bygning af en økonomisk og bæredygtig AI-fremtid

Lad os gå ud over AI-hypen og blive alvorlige om at tackle vores systemiske udfordringer. Det hårde arbejde ligger foran os på systemniveauet, og det kræver, at vores hele AI-branche arbejder sammen – og ikke imod hinanden. Ved at fokusere på billigere, bæredygtighed og tilgængelighed kan vi skabe en AI-branche og en bredere kundebase, der gavner samfundet på større måde. Det betyder at tilbyde bæredygtige infrastrukturvalg uden, at AI-formuer koncentreres i hænderne på få, kendt som de store 7.

AI’s fremtid afhænger af vores kollektive indsats i dag. Ved at prioritere energieffektivitet og tilgængelighed kan vi undgå en fremtid, der domineres af energikrævende AI-infrastruktur og en AI-oligarki, der fokuserer på ren præstation på bekostning af bred fordel. Samtidig må vi tackle det ubæredygtige energiforbrug, der hindrer AI’s potentiale for at revolutionere offentlig sikkerhed, sundhedsvesen og kundeservice.

Ved at gøre det skaber vi en kraftfuld AI-investering og profitcyklus, der drives af bred innovation.

Hvem er med os?