Atliekant sudėtingas kognityvines užduotis, energijos suvartojimas padidėja tik nežymiai, palyginti su ramybės būsena. Pasak KTU mokslininkės, taip yra todėl, kad kognityvinių užduočių metu labiau kinta energijos pasiskirstymas skirtinguose smegenų regionuose, o ne bendras jos suvartojimas.
„Nepaisant didelio energijos suvartojimo, smegenys yra labai efektyvi informacijos apdorojimo sistema. Tyrimai rodo, kad žmogaus smegenys naudoja apie 20 W galios, t. y. panašiai kaip nedidelė elektros lemputė. Toks efektyvumas yra viena iš priežasčių, kodėl dirbtinio intelekto (DI) tyrimuose dažnai siekiama imituoti smegenų veikimo principus, tikintis pasiekti didelį informacijos apdorojimo pajėgumą esant santykinai mažoms energijos sąnaudoms“, – pastebi ji.
„Labas“ ir „ačiū“ gali didinti energijos sąnaudas
K. Armonaitės teigimu, žmogaus smegenys sunaudoja apie 20 W galios, o moderniems DI modeliams veikti gali reikėti gerokai daugiau energijos vienam skaičiavimui atlikti. Nors tokie modeliai gali atlikti užduotis, kurių žmogus nesugebėtų, energijos požiūriu jie vis dar yra gana neefektyvūs.
„OpenAI“ vadovas Samas Altmanas yra juokais pastebėjęs, kad nereikėtų sakyti „labas“ ar „ačiū“ „ChatGPT“, nes tai padidina energijos sąnaudas. Vis dėlto vienai užklausai reikalingas energijos kiekis yra gana nedidelis – viena sąveika gali sunaudoti apie 0,3 Wh. Tai prilygsta energijai, reikalingai kelioms „Google“ paieškoms, arba mažiau nei vienai sekundei veikiančio elektrinio virdulio sąnaudoms“, – dalijasi ji.
Tačiau, pasak KTU mokslininkės, svarbu suvokti mastą. Didelės DI paslaugos kasdien apdoroja šimtus milijonų ar net milijardus užklausų. Jei per dieną sugeneruojama apie milijardą užklausų, bendras energijos poreikis gali siekti maždaug 300 MWh – tai prilygsta elektros kiekiui, kurį per parą sunaudoja keliolika tūkstančių namų ūkių.
Be to, skaičiavimai sudaro tik dalį visų energijos sąnaudų. Duomenų centrams taip pat reikia aušinimo sistemų, tinklo įrangos, duomenų saugojimo infrastruktūros ir rezervinių sistemų, užtikrinančių patikimą paslaugų veikimą.
Palyginimas, kuris neveikia
Kalbėdamas apie DI energijos sąnaudas, „OpenAI“ vadovas S. Altmanas yra pastebėjęs, kad daug energijos reikia ir žmogaus mokymuisi. Anot jo, norint tapti protingam, prireikia maždaug 20 gyvenimo metų ir visos per tą laiką su maistu gaunamos energijos.
Vis dėlto, kaip pažymi K. Armonaitė, toks palyginimas iki galo neatspindi realybės. „Žmogaus suvartojama energija nėra skirta vien mokymuisi – ji naudojama sąmoningumui palaikyti, jutiminiams signalams apdoroti, judesiams planuoti ir įgyvendinti, homeostazei palaikyti bei daugeliui kitų biologinių funkcijų. Be to, žmonės geba prisitaikyti prie aplinkos be papildomo treniravimo ar milžiniškų duomenų kiekių, kurie dažnai reikalingi DI sistemoms“, – teigia ji.
Taip pat svarbu pažymėti, kad dauguma DI modelių yra skirti gana specifinėms užduotims. Pavyzdžiui, kompiuterinės regos modeliai gali segmentuoti ar klasifikuoti vaizdus, o didieji kalbos modeliai, tokie kaip „ChatGPT“, generuoja atsakymus natūralia kalba. Nors skirtingos funkcijos vis dažniau integruojamos į bendras sistemas, žmogaus ir DI energijos sąnaudų tiesiogiai lyginti negalima, nes šiuo atveju energija naudojama iš esmės skirtingiems procesams.
Kodėl DI mokymasis tėra metafora?
KTU mokslininkė pasakoja, kad DI algoritmai turi tam tikrų paviršutiniškų panašumų su biologinėmis smegenimis, tačiau šie procesai reikšmingai skiriasi. Žmogaus smegenyse mokymasis yra nuolatinis ir itin efektyvus procesas, vykstantis per sinapsių plastiškumą, neuronų tinklų reorganizaciją ir neuromoduliatorių, tokių kaip dopaminas ar serotoninas, veikimą.
Šie procesai yra energetiškai labai efektyvūs, nes vyksta lokaliai ir dažniausiai apima tik nedidelę dalį neuronų. Smegenys evoliuciškai susiformavo taip, kad galėtų mokytis sunaudodamos kuo mažiau energijos.
