Prawdziwe ograniczenie sztucznej inteligencji: energia, chłodzenie i fizyka skali

Sztuczna inteligencja rozwijała się w nadzwyczajnym tempie przez minioną dekadę. Szybsze procesory graficzne, większe klastry i rewolucyjne architektury odblokowały przełomy, które wcześniej wydawały się niemożliwe. Jednakże, gdy branża dąży do modeli o parametrach liczących się w bilionach i fabryk sztucznej inteligencji o skali hiperskali, następna bariera nie ma nic wspólnego z algorytmami. Prawdziwe ograniczenie dzisiaj jest fizyczne: energia, chłodzenie i infrastruktura wymagana do utrzymania obliczeń na skalę planetarną.

Pytanie nie brzmi już, ile chipów można wyprodukować, ale czy można dostarczyć gigawaty, wodę i linie przesyłowe niezbędne do ich działania. Infrastruktura, a nie krzem, to co ustali tempo rozwoju sztucznej inteligencji w nadchodzących latach.

Gigawaty ponad gigaflopy

Projekt “Stargate” OpenAI, budowany we współpracy z Oracle (ORCL ) i SoftBank, ma na celu osiągnięcie pojemności wynoszącej prawie 7 gigawatów na terenie całych Stanów Zjednoczonych — co jest porównywalne z pojemnością wielu reaktorów jądrowych. Na tej skali głównym wyzwaniem nie jest już produkcja procesorów graficznych, ale zapewnienie elektrowni i stacji transformatorowych, aby je utrzymać.

Zapotrzebowanie Microsoftu jest równie imponujące. Obciążenia sztucznej inteligencji firmy mają zużywać tyle energii elektrycznej, co cały region Nowej Anglii do 2030 roku. To wyjaśnia, dlaczego firma zainwestowała dziesiątki miliardów dolarów w projekty odnawialne i również prowadzi bardziej eksperymentalne rozwiązania, takie jak fuzja jądrowa i zaawansowane reaktory jądrowe.

Dynamika ta wpływa na politykę energetyczną. W PJM Interconnection, regionalnej organizacji przesyłowej, która zarządza siecią dla ponad 65 milionów ludzi w 13 stanach i Waszyngtonie, utilities badają mechanizmy ograniczania dla centrów danych w czasie szczytowego zapotrzebowania. Duże firmy technologiczne lobbingują przeciwko takim ograniczeniom, ale fakt, że regulatorzy nawet je rozważają, pokazuje, jak centralne jest AI w planowaniu sieci.

Wyzwanie chłodzenia

Dostarczanie energii elektrycznej to tylko połowa problemu. Gdy energia dociera do szaf, następnym wyzwaniem jest ciepło. Każdy wysokiej jakości procesor graficzny zużywa około 700 watów, a z szafami zawierającymi setki procesorów graficznych, gęstości sięgają nawet 100 do 600 kilowatów na szafę. Chłodzenie powietrzne, standard branży przez dziesięciolecia, staje się niewykonalne poza około 40 kilowatami na szafę ze względu na niewydajność przepływu powietrza i recyrkulację.

Dlatego chłodzenie cieczą przesunęło się z niszy do mainstreamu. Najnowsze chłodzone cieczą platformy Blackwell NVIDIA (NVDA ) są zaprojektowane dla klastrów sztucznej inteligencji o skali hiperskali i dostarczają 25-krotnie lepszą wydajność energetyczną i 300-krotnie większą wydajność wody w porównaniu z szafami chłodzonymi powietrzem. Firma współpracuje również z Vertiv nad architekturą referencyjną, która może obsłużyć ponad 130 kilowatów na szafę, co czyni wdrożenia gęstych procesorów graficznych wykonalnymi.

Startupy również innowują. Corintis, szwajcarska firma, która osadza mikrokanały bezpośrednio w podłożu chipów, niedawno pozyskała 24 miliony dolarów i już ma Microsoft (MSFT ) w gronie swoich klientów. Zespół badawczy Microsoftu wykazał kanały mikrofluidyczne wygrawerowane w opakowaniu chipów, redukując temperatury szczytowe procesorów graficznych o do 65 procent i zwiększając wydajność o trzykrotność w porównaniu z tradycyjnymi płytkami chłodzącymi. Te technologie pozwalają utrzymać procesory graficzne w pełnym obciążeniu bez topnienia centrum danych.

Woda jako zmienna strategiczna

Chłodzenie cieczą wprowadza kolejną zmienną: zużycie wody. Systemy parowe i chłodzone wodą mogą wymagać ogromnych ilości wody przy skalowaniu do kampusów o setkach megawatów. W Phoenix, klastry centrów danych mogą wymagać setek milionów galonów wody dziennie, co budzi obawy w regionach dotkniętych suszą.

To spowodowało rozwój systemów chłodzenia bez wody i zamkniętych pętli. IEEE Spectrum udokumentował strategie takie jak hermetyczne kąpiele dielektryczne, chłodnice suche i chłodnice bez wody, które redukują zużycie wody pitnej do niemal zera. Tymczasem niektórzy operatorzy eksperymentują z ponownym wykorzystaniem ciepła odpadowego. Projekty takie jak Aquasar i iDataCool pokazały, jak pętle chłodzenia ciepłej wody mogą zasilać systemy grzewcze budynków lub chłodnice absorpcyjne, recykling znacznej ilości energii, która w przeciwnym razie byłaby tracona.

Wymiana jest często pomiędzy wodą a energią elektryczną: zamknięte lub suche systemy zużywają więcej energii, podczas gdy projekty parowe oszczędzają energię, ale wymagają dużej ilości wody. W regionach dotkniętych suszą, polityka coraz częściej faworyzuje zachowanie wody, nawet jeśli oznacza to wyższe zużycie energii.

Infrastruktura i sieć

Nawet z rozwiązaniami energetycznymi i chłodzącymi w miejscu, ostateczną barierą jest infrastruktura. Decyzje dotyczące lokalizacji teraz decydują o zwycięzcach i przegranych w wyścigu sztucznej inteligencji.

Kampus Fairwater Microsoftu o wartości 80 miliardów dolarów w Wisconsin ilustruje, jak strategiczna lokalizacja stała się. Teren obejmuje 315 akrów, mieści setki tysięcy procesorów graficznych i został wybrany ze względu na dostęp do stacji transformatorowych, linii światłowodowych i wody gruntowej. Projekt kładzie również nacisk na chłodzenie zamknięte, aby zminimalizować wpływ na wodę.

Aby wesprzeć rosnące obciążenie, Microsoft podpisał przełomową umowę z Brookfield, aby dodać 10,5 gigawatów mocy odnawialnej do 2030 roku. W tym samym czasie poparł bardziej eksperymentalne projekty, takie jak elektrownię fuzyjną budowaną przez Helion Energy, która ma zasilić centra danych w 2028 roku, oraz 20-letnią umowę na ponowne uruchomienie elektrowni jądrowej Three Mile Island w Pensylwanii.

Amazon (AMZN ) i Google (GOOGL ) podejmują podobne kroki, zabezpieczając miejsca obok elektrowni jądrowych i rozwijając swoje własne portfele czystej energii. W Irlandii, gdzie centra danych już zużywają więcej energii niż wszystkie gospodarstwa domowe łącznie, regulatorzy zamrożeli nowe zatwierdzenia do co najmniej 2028 roku, co podkreśla, jak polityka i pozwolenia mogą sparaliżować nawet najlepiej finansowane projekty.

Sprytniejsza eksploatacja: AI zarządzająca AI

Co ciekawe, sama sztuczna inteligencja jest wykorzystywana do zarządzania obciążeniem infrastruktury. Nauka wzmocnienia została wdrożona w produkcyjnych centrach danych w celu optymalizacji systemów chłodzących, co dało 14 do 21 procent oszczędności energii bez kompromisowania bezpieczeństwa. Cyfrowe bliźniaki i modelowanie predykcyjne są również wykorzystywane do przewidywania gorących punktów, wstępnego chłodzenia sprzętu i przenoszenia obciążeń do chłodniejszych godzin lub okresów nadmiaru energii odnawialnej.

Google już wykazało, jak uczenie maszynowe może zmniejszyć potrzeby chłodzenia centrów danych o 40 procent, a inni operatorzy przyjmują podobne systemy. Gdy koszty energii i chłodzenia rosną, te oszczędności operacyjne stają się niezbędną przewagą konkurencyjną.

Strategiczna perspektywa

Trajektoria jest jasna. Popyt na sztuczną inteligencję ma podwoić globalne zużycie energii elektrycznej w centrach danych do 2030 roku, a same obciążenia sztucznej inteligencji będą stanowić udział w pojedynczych cyfrach procentowych całkowitego globalnego zużycia energii do 2050 roku. Podczas gdy NVIDIA i inni producenci chipów nadal napędzają wydajność krzemu do przodu, praktyczna granica sztucznej inteligencji będzie określona przez to, jak szybko utilities mogą budować nową generację, transmisję i infrastrukturę chłodzącą.

Dla firm budujących produkty sztucznej inteligencji oznacza to, że mapy drogowe są coraz bardziej związane z miejscami, w których istnieje pojemność. Dla inwestorów najbardziej wartościowe rozgrywki mogą być utilities, deweloperzy transmisji i startupy chłodzące, a nie tylko dostawcy procesorów graficznych. A dla decydentów debata na temat sztucznej inteligencji przechodzi od pytań etyki i zarządzania danymi do pytań megawatów, wody i modernizacji sieci.

Przyszłość sztucznej inteligencji nie zostanie określona tylko w laboratoriach badawczych i fabrykach półprzewodników, ale na stacjach transformatorowych, pętlach chłodzących i elektrowniach. Fizyka skali — a nie tylko matematyka algorytmów — to co określi szybkość i zakres sztucznej inteligencji w nadchodzącej dekadzie.