EnterpriseDB представляє «інтелект на ват» для зниження енергоспоживання штучного інтелекту

EnterpriseDB оголосила про новий набір показників продуктивності та архітектурних удосконалень у своїй платформі EDB Postgres AI, представляючи те, що вона називає стандартом «інтелект на ват» для корпоративного штучного інтелекту. Ця концепція призначена для вирішення зростаючої проблеми: як розширювати системи штучного інтелекту без пропорційного збільшення енергоспоживання та витрат на інфраструктуру.

Компанія повідомляє, що її останні результати свідчать про те, що суттєві вигоди щодо ефективності можна досягти не на рівні моделі чи GPU, а у шарі даних, який підтримує кожну взаємодію штучного інтелекту. Оптимізуючи спосіб отримання, індексування та обробки даних, EnterpriseDB стверджує, що вона може зменшити використання токенів, зменшити вимоги до інфраструктури та суттєво знизити викиди, пов’язані з навантаженнями штучного інтелекту.

Поліпшення продуктивності, орієнтовані на шар даних

Оголошення підтримується серією тестів, які підкреслюють поліпшення як швидкості, так і ефективності. EnterpriseDB повідомляє, що її платформа може прискорити індексування векторів, використовуючи значно менше пам’яті, ніж традиційні підходи, та зменшити споживання токенів без суттєвого погіршення якості виходу.

У практичному сенсі це означає, що системи штучного інтелекту можуть виконувати одні й ті ж завдання з меншою кількістю обчислювальних кроків. Оскільки генерація токенів та отримання даних безпосередньо пов’язані з використанням обчислювальних ресурсів, ці зменшення перекладаються у нижче енергоспоживання на взаємодію.

Компанія також вказує на більш широкі поліпшення у аналітичних навантаженнях, де операції з живими даними можна виконувати значно швидше. Ці поліпшення не обмежуються окремими випадками використання, а застосовуються у корпоративних середовищах, де штучний інтелект, аналітика та транзакційні системи працюють одночасно.

Зменшення інфраструктури та вплив на викиди

Поза поліпшеннями на рівні навантажень EnterpriseDB підкреслює зменшення на рівні інфраструктури. У наборі корпоративних розгортань компанія повідомляє, що її платформа дозволила суттєво зменшити кількість обчислювальних ядер, необхідних для виконання додатків, що у свою чергу знизило енергоспоживання та пов’язані з ним викиди.

У одному з прикладів, що стосується великомасштабних фінансових послугових середовищ, зменшення інфраструктури призвело до суттєвого зниження викидів вуглецю. Масштаб цих заощаджень підкреслює, як поліпшення ефективності на рівні бази даних можуть мати системні ефекти, особливо в організаціях, які експлуатують кілька центрів даних.

Ця подвійна увага на інфраструктуру та оптимізацію навантажень утворює основу рамки «інтелект на ват». Ідея полягає не тільки у тому, щоб зробити штучний інтелект швидшим, а й зробити його фундаментально більш ефективним під час масштабування.

Ростучий енергетичний виклик штучного інтелекту та центрів даних

Важливість цих поліпшень стає яснішою, коли їх розглядають на тлі загальної траєкторії зростання центрів даних. Штучний інтелект швидко збільшує попит на обчислювальні ресурси, а разом з ним і споживання електроенергії.

Міжнародне енергетичне агентство прогнозує, що глобальний попит на електроенергію центрів даних може досягти близько 945 терават-годин до 2030 року, що більше ніж у два рази перевищує поточні рівні. Навантаження штучного інтелекту мають стати основним драйвером цього збільшення.

Цей стрибок у попит має прямий екологічний вплив. Центри даних вже зараз складають суттєву частку глобального споживання електроенергії, а їх розширення створює додатковий тиск на енергетичну інфраструктуру та цілі щодо викидів. Без поліпшень ефективності вартість масштабування штучного інтелекту може вийти далеко за межі фінансових考虑.

Що таке EnterpriseDB і чому це має значення

EnterpriseDB довгий час асоціювалася з корпоративними рішеннями PostgreSQL, але її еволюція у постачальника платформи даних та штучного інтелекту відображає більш широкі зміни на ринку. Коли організації інтегрують штучний інтелект у свої основні операції, кордон між базами даних та системами штучного інтелекту зникає.

EDB Postgres AI призначена для роботи на цьому перетині, поєднуючи транзакційну обробку, аналітику та навантаження штучного інтелекту у єдиній системі. Цей підхід зменшує потребу у кількох спеціалізованих платформах, які часто вимагають дублікування та переміщення даних між середовищами.

Об’єднавши ці функції, EnterpriseDB позиціонує себе як фундаментальний шар для інфраструктури штучного інтелекту. Її акцент на ефективності збігається з зростаючим визнанням того, що масштабування штучного інтелекту не тільки полягає у збільшенні можливостей, а й у тому, щоб робити це сталим чином.

Як це порівнюється з іншими промисловими зусиллями

По всій галузі більшість зусиль щодо поліпшення ефективності штучного інтелекту зосереджувалися на оптимізації апаратного забезпечення та моделей. Виробники мікросхем продовжують розробляти більш ефективні процесори, тоді як компанії, що займаються штучним інтелектом, працюють над зменшенням розміру та обчислювальних вимог моделей.

Постачальники хмарних послуг також вкладають значні інвестиції у ефективність центрів даних, включаючи інновації у охолодженні та інтеграцію відновлюваних джерел енергії. У той же час платформи даних еволюціонують, щоб безпосередньо підтримувати навантаження штучного інтелекту, часто шляхом інтеграції можливостей векторного пошуку та машинного навчання у свої системи.

Що відрізняє підхід EnterpriseDB, це його акцент на шарі даних як основному рівні для ефективності. Замість конкуренції з GPU або архітектурами моделей він націлений на операції, які відбуваються до та навколо висновку, де можуть накопичуватися суттєві неефективності у масштабі.

Цей погляд не замінює поліпшення апаратного забезпечення чи моделей, а доповнює їх. Коли системи штучного інтелекту стають більш складними та автономними, ефективність базової інфраструктури даних може відігравати дедалі важливішу роль у визначенні загальної продуктивності та вартості.

Перехід до вимірювання ефективності штучного інтелекту

Введення «інтелект на ват» відображає більш широкий перехід у тому, як підприємства можуть оцінювати системи штучного інтелекту. Продуктивність сама по собі вже недостатня. Організації починають розгляляти, скільки енергії потрібно для генерації цієї продуктивності, та чи можна її зменшити без втрати якості.

Оголошення EnterpriseDB свідчить про те, що наступна фаза прийняття штучного інтелекту буде формуватися не тільки тим, що можуть робити системи, а й тим, наскільки ефективно вони можуть це робити. Коли агенти штучного інтелекту масштабуються до мільярдів та працюють безперервно, навіть незначні поліпшення ефективності можуть мати великий накопичувальний вплив.

У цьому контексті оптимізація шару даних вже не є вторинною проблемою. Вона стає центральною частиною розмови про майбутнє корпоративного штучного інтелекту.