到2023年底，對生成式人工智能將需要多少能源的任何預(yù)測都是不準(zhǔn)確的。例如，頭條新聞傾向于猜測“人工智能需要5倍、10倍、30倍的電力”和“足夠運行10萬戶家庭的電力”等。與此同時，數(shù)據(jù)中心新聞等專業(yè)出版物的報道稱，每機架的功率密度將上升到50kW或100kW。

為什么生成式人工智能如此需要資源？正在采取哪些措施來計算其潛在的能源成本和碳足跡？分析師們已經(jīng)對特定工作負(fù)載場景進行了自己的預(yù)測，但由于處于模型構(gòu)建前沿的云超大規(guī)模廠商幾乎沒有公開的數(shù)據(jù)，因此目前幾乎沒有確鑿的數(shù)據(jù)可供參考。

經(jīng)過分析，人工智能模型從訓(xùn)練到推理的碳成本已經(jīng)產(chǎn)生了一些發(fā)人深省的數(shù)字。根據(jù)《哈佛商業(yè)評論》的一份報告，研究人員認(rèn)為，訓(xùn)練“單一大語言深度學(xué)習(xí)模型”，如OpenAI的GPT-4或谷歌的PaLM，估計會消耗約300噸二氧化碳。

其他研究人員計算出，使用一種名為“神經(jīng)架構(gòu)搜索”的技術(shù)，訓(xùn)練一個中型生成人工智能模型所消耗的電力和能源相當(dāng)于626,000噸二氧化碳排放量。

那么，到底是什么讓人工智能如此耗電呢？

是數(shù)據(jù)集，也就是數(shù)據(jù)量嗎？使用了多少個參數(shù)？變壓器模型？編碼、解碼和微調(diào)？處理時間？答案當(dāng)然是上述所有因素的結(jié)合。

人們常說Gen AI大型語言模型(LLM)和自然語言處理(NLP)需要大量的訓(xùn)練數(shù)據(jù)。然而，從傳統(tǒng)數(shù)據(jù)存儲的角度來看，實際情況并非如此。

ChatGPT-3是在45TB的Commoncrawl（爬蟲網(wǎng)站）明文上進行訓(xùn)練的，然后過濾到570GB的文本數(shù)據(jù)。作為對開源AI數(shù)據(jù)的貢獻，它免費托管在AWS上。

但存儲量、從網(wǎng)絡(luò)、維基百科和其他地方抓取的數(shù)十億網(wǎng)頁或數(shù)據(jù)令牌，然后進行編碼、解碼和微調(diào)以訓(xùn)練ChatGPT和其他模型，應(yīng)該不會對數(shù)據(jù)中心產(chǎn)生重大影響。

同樣，訓(xùn)練文本到語音、文本到圖像或文本到視頻模型所需的TB或PB數(shù)據(jù)，應(yīng)該不會給數(shù)據(jù)中心的電源和冷卻系統(tǒng)帶來特別的壓力，這些數(shù)據(jù)中心是為托管存儲和處理數(shù)百或數(shù)千pb級數(shù)據(jù)的IT設(shè)備而構(gòu)建的。

文本到圖像模型的一個例子是LAION（大規(guī)模人工智能開放網(wǎng)絡(luò)），一個擁有數(shù)十億圖像的德國人工智能模型。其中一款名為LAION 400m的模型擁有10TB的網(wǎng)絡(luò)數(shù)據(jù)集。另一個是LAION 5B，它有58.5億個經(jīng)過剪輯過濾的文本圖像對。

訓(xùn)練數(shù)據(jù)量保持可控規(guī)模的一個原因是，大多數(shù)人工智能模型構(gòu)建者使用預(yù)訓(xùn)練模型(ptm)，而不是從頭開始訓(xùn)練的搜索模型。我們所熟悉的兩個ptm示例是來自變壓器(BERT)的雙向編碼器表示和生成預(yù)訓(xùn)練變壓器(GPT)系列，如ChatGPT。

人工智能參數(shù)和變壓器

數(shù)據(jù)中心運營商感興趣的人工智能訓(xùn)練的另一個衡量標(biāo)準(zhǔn)是參數(shù)。

生成式AI模型在訓(xùn)練期間使用AI參數(shù)。參數(shù)數(shù)量越多，對預(yù)期結(jié)果的預(yù)測就越準(zhǔn)確。ChatGPT-3是基于1750億個參數(shù)構(gòu)建的。

但對于AI來說，參數(shù)的數(shù)量已經(jīng)在快速上升。中國LLM第一個版本W(wǎng)UDao使用了1.75萬億個參數(shù)。WUDao作為一個大型語言模型，還提供文本到圖像和文本到視頻的服務(wù)。預(yù)計數(shù)字將繼續(xù)增長。

由于沒有可用的硬數(shù)據(jù)，可以合理地推測運行具有1.7萬億個參數(shù)的模型所需的計算能力將非常大。隨著我們進入更多的人工智能視頻生成領(lǐng)域，模型中使用的數(shù)據(jù)量和參數(shù)數(shù)量將會激增。

Transformer是一種神經(jīng)網(wǎng)絡(luò)架構(gòu)，旨在解決序列轉(zhuǎn)導(dǎo)或神經(jīng)機器翻譯問題。這意味著將輸入序列轉(zhuǎn)換為輸出序列的任何任務(wù)。

Transformer層依賴于循環(huán)，因此當(dāng)輸入數(shù)據(jù)移入一個Transformer層時，數(shù)據(jù)將循環(huán)回到其上一層并傳出到下一層。這些層改進了接下來發(fā)生的事情的預(yù)測輸出。它有助于提高語音識別、文本到語音轉(zhuǎn)換等。

多少電量才足夠？

標(biāo)準(zhǔn)普爾全球發(fā)布的一份題為《人工智能的力量:人工智能對電力需求的瘋狂預(yù)測讓行業(yè)處于緊張狀態(tài)》的報告引用了幾個消息來源:“關(guān)于美國的電力需求，很難量化像ChatGPT這樣的東西需要多少需求，就宏觀數(shù)據(jù)而言，到2030年，人工智能將占全球電力需求的3-4%。谷歌表示，目前人工智能占其電力使用量的10-15%，即每年2.3TWh。”

據(jù)估計，在每次網(wǎng)絡(luò)搜索中使用ChatGPT等生成式人工智能，將需要超過50萬臺Nvidia A100 HGX服務(wù)器，總計410萬個圖形處理單元或GPU。如果每臺服務(wù)器的電力需求為6.5kW，則日耗電量為80GWh，年耗電量為29.2TWh。

瑞典研究所RI.SE提供了用于訓(xùn)練AI模型的實際功率的計算結(jié)果。它說：“訓(xùn)練像GPT-4這樣的超大型語言模型，有1.7萬億個參數(shù)，使用13萬億個標(biāo)記(單詞片段)，是一項艱巨的任務(wù)。OpenAI透露，他們花費了1億美元，耗時100天，使用了25,000個Nvidia

A100 GPU。每個配備這些GPU的服務(wù)器大約使用6.5kW，因此訓(xùn)練期間估計消耗50GWh的能源。”

這一點很重要，因為人工智能使用的能源正迅速成為公眾討論的話題。目前還沒有公布關(guān)于人工智能行業(yè)總足跡的估計，人工智能領(lǐng)域的爆炸式增長如此之快，幾乎不可能獲得準(zhǔn)確的數(shù)字。

當(dāng)我們等待機器學(xué)習(xí)和人工智能過去和現(xiàn)有的電力使用數(shù)據(jù)出現(xiàn)時，很明顯，一旦模型投入生產(chǎn)和使用，我們將處于exabyte（艾字節(jié)）和exaflops（計算機每秒可以至少進行10^18或百億億次浮點運算。）的計算規(guī)模。對于數(shù)據(jù)中心的電源和冷卻來說，這才是真正有趣和更具挑戰(zhàn)性的事情。