رشد سریع زیرساختهای هوش مصنوعی با یک مشکل غیرمنتظره همراه شده است: نوسانهای شدید و لحظهای مصرف برق در دیتاسنترهای AI به باتریها، ژنراتورها، سیستمهای سرمایشی و تجهیزات شبکه فشار وارد میکنند و میتوانند عمر مفید آنها را بهشدت کاهش دهند.
افزایش تقاضای برق دیتاسنترها معمولاً بهعنوان یکی از چالشهای اصلی توسعه هوش مصنوعی مطرح میشود؛ اما مسئله فقط مقدار برق مصرفی نیست. نحوه مصرف انرژی نیز اهمیت زیادی دارد. بار پردازشی مدلهای هوش مصنوعی میتواند در بازههای زمانی بسیار کوتاه تغییر کند و همین نوسانهای سریع، تجهیزات تأمین و پشتیبان انرژی را با شرایطی مواجه میکند که برای آن طراحی نشدهاند.
چرا دیتاسنترهای هوش مصنوعی به تجهیزات خود آسیب میزنند؟
دیتاسنترهای مدرن به مجموعهای از تجهیزات پشتیبان از جمله باتریها، ژنراتورها، سیستمهای خنککننده و تجهیزات انتقال برق وابستهاند. این سامانهها باید بتوانند در زمان قطع برق یا تغییرات شدید بار، پایداری مرکز داده را حفظ کنند.
اما بار کاری دیتاسنترهای هوش مصنوعی با بسیاری از مراکز داده سنتی تفاوت دارد. در زمان آموزش یا اجرای مدلهای بزرگ، تعداد بسیار زیادی پردازنده گرافیکی میتوانند تقریباً همزمان وارد چرخه پردازش شوند یا از آن خارج شوند. در نتیجه، میزان تقاضای برق در فاصلهای بسیار کوتاه تغییر میکند.
بلومبرگ گزارش داده است که این نوسانهای شدید میتوانند فشار قابلتوجهی به زیرساختهای برق وارد کنند و حتی باعث خرابی زودهنگام برخی تجهیزات شوند. اهمیت موضوع زمانی بیشتر میشود که بدانیم یک قطعی کوتاه در دیتاسنترهای بزرگ میتواند خسارت مالی قابلتوجهی به همراه داشته باشد.
مصرف برق AI میتواند در چند میلیثانیه تغییر کند
دیتاسنترهای سنتی سالها برای ارائه خدماتی مانند میزبانی وب، ذخیرهسازی اطلاعات و پردازش سرویسهای آنلاین فعالیت کردهاند. بار کاری این مراکز نیز تغییر میکند، اما رفتار پردازشی زیرساختهای هوش مصنوعی در بسیاری از موارد بسیار متفاوت است.
در مراکز داده مجهز به تعداد زیادی GPU، پردازشها میتوانند بهصورت هماهنگ آغاز یا متوقف شوند. این تغییر ناگهانی بار، نوسانهایی ایجاد میکند که ممکن است در مقیاس میلیثانیه اتفاق بیفتند.
در چنین شرایطی، شبکه برق و تجهیزات داخلی دیتاسنتر باید بتوانند این تغییرات سریع را جذب کنند. اگر زیرساخت برای چنین الگویی طراحی نشده باشد، فشار مکرر میتواند به افزایش استهلاک و کاهش عمر تجهیزات منجر شود.
درو باگلینو، مدیر اجرایی سابق تسلا و بنیانگذار شرکت هرون، مدعی شده است که مصرف برق برخی دیتاسنترهای هوش مصنوعی در لحظات خاص میتواند تا ۵۰ درصد بیشتر از ظرفیت طراحیشده باشد. برای مثال، به گفته او، یک دیتاسنتر با ظرفیت یک گیگاوات ممکن است در کسری از ثانیه با تقاضای ۱.۵ گیگاوات مواجه شود.
ژنراتورها و توربینها زیر فشار قرار گرفتهاند
مشکل نوسان بار فقط به شبکه برق محدود نمیشود و تجهیزات تولید و ذخیره انرژی داخل دیتاسنترها نیز تحت تأثیر قرار میگیرند.
گزارشها از دیتاسنتر Colossus شرکت xAI در ممفیس نشان میدهد توربینهای گازی این مرکز در اثر فشارهای ناشی از تغییرات شدید بار با مشکلاتی از جمله ترکخوردگی مواجه شدهاند. مهندسان برای کاهش فشار واردشده به توربینها، از سیستمهای باتری کمکی استفاده کردهاند.
این نمونه نشان میدهد افزایش مصرف برق هوش مصنوعی تنها به معنای نصب تعداد بیشتری پردازنده و ساخت نیروگاههای جدید نیست. زیرساختهای برق و تجهیزات پشتیبان نیز باید برای الگوی مصرف جدید بازطراحی شوند.
هوش مصنوعی هزینههای پنهان زیرساختی دارد
امبر ویلگاس ویلیامسون، مشاور ارشد مؤسسه Uptime در بریتانیا، الگوی مصرف انرژی هوش مصنوعی را غیرمعمول توصیف کرده و آن را به فشردن بیش از حد پدال گاز خودرو تشبیه کرده است؛ شرایطی که میتواند استهلاک تجهیزات را سریعتر از کارکرد پایدار افزایش دهد.
این مسئله میتواند هزینههای پیشبینینشدهای برای اپراتورهای دیتاسنتر ایجاد کند. اگر باتریها، ژنراتورها، تجهیزات سرمایشی یا سایر اجزای زیرساختی زودتر از زمان مورد انتظار نیازمند تعمیر یا تعویض شوند، هزینه واقعی توسعه زیرساخت هوش مصنوعی افزایش خواهد یافت.
از سوی دیگر، هرگونه اختلال در دیتاسنترهای بزرگ میتواند بر سرویسهای آنلاین و درآمد شرکتهای فناوری نیز اثر بگذارد. بنابراین، مسئله پایداری برق به یکی از چالشهای مهم در مسیر توسعه زیرساختهای هوش مصنوعی تبدیل شده است.
در نهایت، رشد سریع هوش مصنوعی فقط به پردازندههای قدرتمندتر یا دیتاسنترهای بزرگتر نیاز ندارد؛ زیرساخت تأمین، ذخیره و توزیع برق نیز باید با رفتار متفاوت بارهای پردازشی AI سازگار شود. در غیر این صورت، افزایش توان پردازشی ممکن است هزینهای فراتر از قبض برق داشته باشد و خودِ تجهیزات زیرساختی را با فرسودگی زودهنگام مواجه کند.
