Hvorfor AI-autokratene må utfordres til å gjøre bedre

Hvis vi har lært noe fra AI-eran, er det at bransjen kjemper med betydelige kraftutfordringer. Disse utfordringene er både bokstavelig – som å finne måter å møte de enorme energibehovene som AI-datacenter krever – og bildlige – som konsentrasjonen av AI-rikdom i noen få hender basert på smale kommersielle interesser fremfor bredere samfunnsnytte.

AI-kraftparadokset: Høye kostnader, konsentrert kontroll

For at AI skal være vellykket og gi fordeler for menneskeheten, må det bli allment tilgjengelig. For å bli allment tilgjengelig, må det være både økonomisk og miljømessig bærekraftig. Det er ikke den vei vi er på nå. Den besatte kampen for større og raskere AI er drevet mer av korttids prestasjonsgevinst og markedsdominans enn av hva som er best for bærekraftig og rimelig AI.

Kappløpet om å bygge stadig kraftigere AI-systemer akselererer, men det kommer med en steil miljømessig pris. Banebrytende AI-chip, som Nvidias H100 (opptil 700 watt), forbruker allerede betydelige mengder energi. Denne trenden forventes å fortsette, med bransjeeksperter som forutser at Nvidias neste generasjons Blackwell-arkitektur kan føre til en kraftforbruk per chip langt inn i kilowattområdet, potensielt overstigende 1 200 watt. Med bransjeledere som forventer at millioner av disse chipene blir utplassert i datacenter verden over, er energibehovene til AI på vei til å skyte i været.

Miljøkostnadene ved AI-våpenkappløpet

La oss plassere det i en hverdagskontekst. Strømmen som driver hele ditt hus kunne drive alle dine apparater på fullt blås samtidig – ikke at noen ville gjøre det. Tenk deg nå bare ett 120 kW Nvidiarack som krever like mye strøm – spesielt hvis det kan være hundrevis eller tusenvis i store datacenter! Nå er 1 200 watt lik 1,2 kW. Så vi snakker faktisk om et mediumstort nabolag. Et enkelt 120 kW Nvidiarack – essensielt 100 av disse kraftige chipene – trenger nok strøm til å drive omtrent 100 hjem.

Denne utviklingen er bekymringsverdig, gitt de energibegrensningene mange samfunn står overfor. Datacenter-eksperter forutser at USA vil trenge 18 til 30 gigawatt ny kapasitet de neste fem til syv årene, noe som får selskaper til å jakte på måter å håndtere denne økningen på. I mellomtiden fortsetter min bransje å lage enda flere energikrevende generative AI-applikasjoner som forbruker energi langt utover hva som er teoretisk nødvendig for applikasjonen eller hva som er gjennomførbart for de fleste bedrifter, ikke å snakke om hva som er ønskelig for planeten.

Balansere sikkerhet og tilgjengelighet: Hybrid datacenterløsninger

Denne AI-autokratiet og “våpenkappløpet”, besatt av rå kraft og hastighet, ignorerer de praktiske behovene til virkelige datacenter – nemlig, den type rimelige løsninger som reduserer markedsskillet til de 75 prosent av USAs organisasjoner som ikke har adoptert AI. Og la oss være ærlige, jo mer AI-regulering ruller ut rundt om i verden når det gjelder personvern, sikkerhet og miljøbeskyttelse, jo flere organisasjoner vil kreve en hybrid datacenter-tilnærming, som sikrer deres mest verdifulle, private og følsomme data trygt i høyt beskyttede områder på eget område, langt fra AI og cyberangrep. Uansett om det er helserapporter, finansielle data, nasjonale forsvarshemmeligheter eller valgintegritet, fremtiden for bedrifts-AI krever en balanse mellom sikkerhet på eget område og sky-agilitet.

Dette er en betydelig systemisk utfordring og en som krever hyper-samarbeid over hyper-konkurranser. Med en overveldende fokus på GPU-er og andre AI-akselerator-chip med rå kapasitet, hastighet og ytelsesmetrikker, savner vi tilstrekkelig overveielse for den rimelige og bærekraftige infrastrukturen som kreves for at regjeringer og bedrifter skal kunne adoptere AI-kapasiteter. Det er som å bygge et romfartøy uten noen sted å skyte det opp fra, eller å plassere en Lamborghini på en landevei.

Demokratisere AI: Bransjesamarbeid

Selv om det er oppmuntrende at regjeringer begynner å vurdere regulering – for å sikre at AI gir fordeler for alle, ikke bare eliten – trenger vår bransje mer enn regjeringens regler.

For eksempel, utnytter Storbritannia AI til å forbedre politiets evner ved å forbedre data-deling mellom politiet til å forbedre AI-drevet kriminalitetsforutsettelse og forebygging. De fokuserer på åpenhet, ansvar og rettferdighet i bruken av AI til politiarbeid, og sikrer offentlig tillit og overholdelse av menneskerettigheter – med verktøy som ansiktsgjenkjenning og prediktiv politi til å hjelpe med kriminalitetsavdekning og -håndtering.

I høyt regulerte bransjer som bioteknologi og helsevesen, inkluderer bemerkelsesverdige samarbeid Johnson & Johnson (JNJ ) MedTech og Nvidia (NVDA ) som arbeider sammen for å forbedre AI til kirurgiske prosedyrer. Deres samarbeid har til hensikt å utvikle sanntids-, AI-drevet analyse- og beslutningskapasiteter i operasjonsrommet. Dette samarbeidet utnytter NVIDIAs AI-plattformer til å muliggjøre skalerbar, sikker og effektiv utrulling av AI-applikasjoner i helsemiljøer.

Mens i Tyskland, har Merck dannet strategiske allianser med Exscientia og BenevolentAI for å fremme AI-drevet legemiddelforskning. De utnytter AI til å akselerere utviklingen av nye legemiddelkandidater, spesielt i onkologi, nevrologi og immunologi. Målet er å forbedre suksessraten og hastigheten på legemiddelutvikling gjennom AIs kraftige design- og oppdagelseskapasiteter.

Det første skrittet er å redusere kostnadene ved å implementere AI for bedrifter utenfor BigPharma og Big Tech, spesielt i AI-inferensfasen – når bedrifter installerer og kjører en trent AI-modell som Chat GPT, Llama 3 eller Claude i et virkelig datacenter hver dag. Nylige estimater antyder at kostnadene ved å utvikle de største av disse neste generasjons systemene kan ligge rundt 1 milliard dollar, med inferenskostnader potensielt 8-10 ganger høyere.

De stigende kostnadene ved å implementere AI i daglig produksjon holder mange selskaper tilbake fra å fullt ut adoptere AI – “de som ikke har”. En nylig undersøkelse fant at bare en av fire selskaper har lykkes med å lansere AI-initiativer i løpet av de siste 12 månedene, og at 42 prosent av selskapene ennå ikke har sett en betydelig fordel fra generative AI-initiativer.

For å virkelig demokratisere AI og gjøre det allment tilgjengelig – det vil si, bred bedriftsadoptsjon – må vår AI-bransje skifte fokus. I stedet for en kappløp om de største og raskeste modellene og AI-chipene, trenger vi mer samarbeidende innsats for å forbedre rimelighet, redusere kraftforbruk og åpne AI-markedet for å dele sin fulle og positive potensial på en bredere måte. En systemisk endring ville heve alle båter ved å gjøre AI mer lønnsomt for alle med en enorm forbrukerfordel.

Det er lovende tegn på at å kutte AI-kostnadene er gjennomførbart – å senke den finansielle barrieren for å styrke store nasjonale og globale AI-initiativer. Mitt selskap, NeuReality, samarbeider med Qualcomm (QCOM ) for å oppnå opptil 90 prosent kostnadsreduksjon og 15 ganger bedre energieffektivitet for ulike AI-applikasjoner over tekst, språk, lyd og bilder – de grunnleggende byggesteinene til AI. Du vet de AI-modellene under bransje-buzzord som datavisualisering, konversasjons-AI, talegjenkjenning, naturlig språkbehandling, generativ AI og store språkmodeller. Ved å samarbeide med flere programvare- og tjenesteleverandører, kan vi fortsette å tilpasse AI i praksis for å bringe ytelse opp og kostnader ned.

I virkeligheten har vi klart å redusere kostnaden og kraftforbruket per AI-spørring sammenlignet med tradisjonell CPU-sentrert infrastruktur som alle AI-akselerator-chip, inkludert Nvidias GPU-er, avhenger av i dag. Vår NR1-S AI-inferens-applikasjon begynte å bli levert over sommeren med Qualcomm Cloud AI 100 Ultra-akseleratorer kombinert med NR1 NAPUs. Resultatet er en alternativ NeuReality-arkitektur som erstatter den tradisjonelle CPU-en i AI-datacenter – den største flaskehalsen i AI-data-prosessering i dag. Den evolusjonære endringen er dyptgående og høyst nødvendig.

Bortenfor hypen: Bygging en økonomisk og bærekraftig AI-fremtid

La oss gå bortenfor AI-hypen og bli alvorlige om å håndtere våre systemiske utfordringer. Det harde arbeidet ligger foran oss på systemsnivå, og krever at hele vår AI-bransje arbeider sammen – ikke mot hverandre. Ved å fokusere på rimelighet, bærekraft og tilgjengelighet, kan vi skape en AI-bransje og en bredere kundebase som gir fordeler for samfunnet på en større måte. Det betyr å tilby bærekraftige infrastrukturvalg uten AI-rikdom konsentrert i hendene på noen få, kjent som de syv store.

Fremtiden for AI avhenger av våre kollektive innsats i dag. Ved å prioritere energieffektivitet og tilgjengelighet, kan vi unngå en fremtid dominert av kraftkrevende AI-infrastruktur og en AI-oligarki fokusert på rå ytelse på bekostning av bredere fordeler. Samtidig må vi håndtere den ubærekraftige energiforbruket som hindrer AIs potensial til å revolusjonere offentlig sikkerhet, helse og kundeservice.

Ved å gjøre dette, skaper vi en kraftig AI-investering og lønnsomhets-syklus drevet av bred innovasjon.

Hvem er med oss?