این مقاله یک بررسی معتبر و بهروز از یکی از چالشبرانگیزترین موضوعات فناوری روز است. این گزارش که با عنوان «تناقض انرژی هوش مصنوعی: ایجاد تعادل بین چالشها و فرصتها» شناخته میشود، در ژانویه ۲۰۲۵ و بهصورت مشترک توسط مجمع جهانی اقتصاد و شرکت مشاوره اکسنچر منتشر شده است.
هوش مصنوعی در حال دگرگونسازی صنایع و جنبههای مختلف زندگی روزمره است. از خودکارسازی وظایف ساده تا حل مسائل پیچیده، این فناوری موتور محرکهای برای نوآوری، افزایش بهرهوری و تغییر روشهای عملیاتی جامعه شده است. ظهور هوش مصنوعی تولیدکننده (Generative AI) بهعنوان یک محرک تحولآفرین قوی، توانایی بازآفرینی فرایندها در سراسر زنجیره ارزش را دارد. بااینحال، این انقلاب دیجیتال یک پیامد قابلتوجه به همراه آورده است: افزایش نمایی تقاضای برق.
مراکز داده که ستون فقرات زیرساخت دیجیتال هستند، برای پردازشهای پرسرعت و پیچیده هوش مصنوعی ضروریاند. بزرگترین تأسیسات مرکز داده در جهان، میزان برقی معادل یک شهر کوچک مصرف میکنند تا عملکرد بدون وقوع خود را تضمین کنند. برآوردها حاکی از آن است که مصرف برق مرتبط با مراکز داده میتواند از حدود ۱٪ تقاضای جهانی برق در حال حاضر، به بیش از ۲٪ تا سال ۲۰۲۶ و در صورت تداوم روند رشد، به ۳٪ تا سال ۲۰۳۰ برسد. این افزایش در حالی رخ میدهد که جهان متعهد به اهداف کربنزدایی و رسیدن به انتشار خالص صفر است.
اینجاست که ما با “تناقض انرژی هوش مصنوعی” روبرو میشویم: از یک سو، توسعه و گسترش هوش مصنوعی خود مصرفکننده عمده انرژی است و فشار مضاعفی بر شبکههای برق و تأمینکنندگان انرژی وارد میکند. ازسویدیگر، هوش مصنوعی میتواند ابزاری قدرتمند برای تسریع انتقال انرژی جهانی باشد؛ از طریق بهینهسازی مصرف، یکپارچهسازی انرژیهای تجدیدپذیر و افزایش تابآوری شبکه.
این مقاله با همکاری اتحادیه حکمرانی هوش مصنوعی مجمع جهانی اقتصاد و شرکت اکسنچر، به بررسی این تناقض میپردازد. هدف ما نهتنها روشنسازی ابعاد چالش است، بلکه شناسایی راهبردهای کاهش مصرف، نمایش فرصتهای تحولآفرین و ترسیم نقشه راهی برای اکوسیستمی پایدار است که در آن هوش مصنوعی بهجای مانع، تسهیلگر آیندهای سبزتر باشد.
بخش اول: مصرف برق هوش مصنوعی – درک چرخه حیات و راههای بهینهسازی
برای مدیریت مصرف انرژی هوش مصنوعی، ابتدا باید درک عمیقی از چرخه حیات آن و نقاط تمرکز مصرف داشته باشیم.
چرخه حیات یک سیستم هوش مصنوعی معمولاً شامل پنج مرحله است:
۱. برنامهریزی و جمعآوری داده: گردآوری، پردازش و ذخیرهسازی دادههای خام.
۲. توسعه مدل: طراحی، تحلیل مسئله و آمادهسازی داده.
۳. آموزش مدل: بهینهسازی مدل از طریق مواجهه تکراری با دادهها.
۴. استقرار مدل: استفاده از مدل در دنیای واقعی برای انجام وظایف.
۵. پایش و نگهداری: اصلاح و بهروزرسانی مدل.
تحقیقات نشان میدهد که در بین مراحل ۲ تا ۴ (که دادههای کافی برای برآورد مصرف وجود دارد)، مرحله استقرار مدل، پرمصرفترین مرحله است و حدود ۶۰ تا ۷۰ درصد از کل مصرف برق را به خود اختصاص میدهد. پس از آن، آموزش مدل با سهم ۲۰ تا ۴۰ درصدی و سپس توسعه مدل با حداکثر ۱۰ درصد قرار دارند. این ارقام بسته به نوع و پیچیدگی مدل هوش مصنوعی متفاوت است، اما نشاندهنده تمرکز اصلی چالش مصرف انرژی است.
نقش مراکز داده: قلب تپنده مصرف
مراکز داده با بهرهگیری از سرورهای قدرتمند، سختافزارهای تخصصی و قابلیتهای شبکهای پیشرفته، امکان پردازشهای سنگین هوش مصنوعی را فراهم میکنند. مصرف برق در یک مرکز داده معمولاً به سه بخش اصلی تقسیم میشود:
تجهیزات فناوری اطلاعات (۴۰-۵۰٪): شامل سرورها، سیستمهای ذخیرهسازی و شبکه.
سیستمهای خنککننده (۳۰-۴۰٪): برای حفظ دمای بهینه تجهیزات.
اجزای کمکی (۱۰-۳۰٪): مانند منبع تغذیه، سیستمهای امنیتی و روشنایی.
کاهش ردپای انرژی هوش مصنوعی نیازمند رویکردی چندوجهی است که فناوری، عملیات و مدیریت داده را در بر میگیرد.
۱. راهبردهای مدیریت داده: مقابله با «داده تاریک»
بخش قابلتوجهی از دادههای ذخیرهشده در سازمانها (گاهی تا ۶۰-۷۵٪) «داده تاریک» است؛ دادههایی که فضای سرور را اشغال و برق مصرف میکنند، اما ارزش عملیاتی ندارند. “کربنزدایی دیجیتال” با شناسایی، پاکسازی یا بازیافت این دادهها، میتواند به کاهش قابلتوجه مصرف انرژی در مرحله جمعآوری داده کمک کند.
موردکاوی: همکاری دانشگاه لافبورو با صنعت خودرو برای تبدیل ۲۰-۱۰٪ از دادههای تاریک به دانش عملیاتی، منجر به بهبود تحلیل خرابی، کاهش زمان توقف و کاهش ردپای محیطزیستی شد.
۲. راهبردهای فناورانه: نوآوری در سختافزار و خنکسازی
- سختافزارهای کارآمد: توسعه پردازندهها و تراشههای خاص هوش مصنوعی که عملکرد بالاتری در ازای هر وات انرژی ارائه میدهند.
- خنکسازی بهینه: استفاده از راهحلهای پیشرفته مانند خنکسازی مایع یا هوش مصنوعی برای مدیریت دینامیک دمای مرکز داده.
- مصالح ساختمانی: استفاده از مواد عایق نوین که نیاز به سیستمهای HVAC (گرمایش، تهویه و تهویه مطبوع) را کاهش میدهد.
موردکاوی: همکاری ویرجین مدیا O2 با شرکت اکوسنس برای بهینهسازی خنکسازی ۲۰ مرکز داده با استفاده از هوش مصنوعی، منجر به صرفهجویی سالانه بیش از ۱ میلیون پوند در هزینه خنکسازی، کاهش ۱۵٪ مصرف برق و صرفهجویی ۷۶۰ تن دیاکسیدکربن شد.
۳. راهبردهای عملیاتی: بهینهسازی مستمر
- مجازیسازی: کاهش تعداد سرورهای فیزیکی موردنیاز.
- بهینهسازی دما و رطوبت: جلوگیری از سرمایش بیش از حد.
- مدیریت پویای توان: تنظیم مصرف پردازش بر اساس بار کاری.
- انتخاب هوشمندانه محل استقرار: انتخاب مکان مرکز داده با درنظرگرفتن منابع انرژی پاک و آبوهوای خنک.
موردکاوی: شرکت SAP با استفاده از دوربینهای حرارتی برای بهینهسازی جریان هوا، عایقکاری و سیستمهای مهار گرمایی، به کربن خنثی در سال ۲۰۲۳ دستیافته و در مسیر رسیدن به انتشار خالص صفر در زنجیره ارزش تا ۲۰۳۰ قرار دارد.
بخش دوم: هوش مصنوعی بهعنوان تسهیلگر انتقال انرژی
در حالی که هوش مصنوعی مصرفکننده انرژی است، پتانسیل بسیار بیشتری برای کاهش مصرف انرژی در مقیاس جهانی دارد. هوش مصنوعی با بهینهسازی عملیات، میتواند کارایی را در سراسر زنجیره ارزش انرژی افزایش دهد و انتشار کربن را کاهش دهد.
فرصتهای کلیدی برای صرفهجویی در برق با کمک هوش مصنوعی:
۱. بهینهسازی شبکه برق: هوش مصنوعی میتواند با بهبود مدیریت توزیع، پیشبینی تقاضا، یکپارچهسازی منابع انرژی تجدیدپذیر متغیر (مانند باد و خورشید) و مدیریت خاموشی، پایداری و کارایی شبکه را افزایش دهد.
۲. مدیریت ساختمان: سیستمهای HVAC هوشمند با یادگیری عادات ساکنین و تنظیم عملیات، تا ۳۰٪ در مصرف انرژی صرفهجویی میکنند.
۳. کنترل کیفیت در تولید: بینایی ماشین با شناسایی سریع نقصها، از مصرف انرژی اضافی برای تولید قطعات معیوب و بازرسیهای دستی میکاهد.
۴. نگهداری پیشبینانه: تحلیل دادههای تجهیزات برای پیشبینی خرابی، از اتلاف انرژی ناشی از کارکرد ماشینآلات معیوب جلوگیری میکند.
۵. مدیریت ناوگان و لجستیک: مسیریابی بهینه با استفاده از دادههای ترافیک، مصرف سوخت و شرایط جاده، مصرف انرژی و انتشارات را کاهش میدهد.
۶. شارژ خودروهای الکتریکی: هوشمندسازی زمان و قدرت شارژ بر اساس تقاضای شبکه و قیمت برق.
نمونههای عینی از صنایع مختلف
- ساختمان: یک راهحل مدیریت ساختمان خودکار با استفاده از هوش مصنوعی، مصرف برق را ۳۰-۹٪ کاهش و ۱۵۰,۰۰۰-۱۰۰,۰۰۰ دلار در سال صرفهجویی کرد.
- مخابرات: کامکست با تبدیل شبکه به فناوریهای مجازیشده و ابری همراه با هوش مصنوعی، مصرف برق موردنیاز برای انتقال داده در شبکه را ۴۰٪ کاهش داد.
- تولید: جانسوناند جانسون در یک کارخانه پیشرفته جدید با استفاده از هوش مصنوعی، اینترنت اشیا و دوقلوهای دیجیتال، مصرف برق را ۲۳٪ و ضایعات مواد را ۴۷٪ کاهش داد.
- شرکت اروپایی موو (Movee) با انتخاب بهینه مدلهای زبانی بزرگ بر اساس دقت، هزینه و کارایی انرژی، به کاهش ۱۵٪ مصرف برق، ۵۰٪ بهینهسازی هزینه و ۶۵٪ کاهش زمان توسعه دستیافت.
- انرژی: یک ارائهدهنده انرژی در ایالات متحده با استفاده از بینایی ماشین و پهپاد برای بازرسی خطوط توزیع، زمان چرخه بازرسی و اقدام اصلاحی را بیش از ۵۰٪ کاهش داد.
این نمونهها نشان میدهند که صرفهجوییهای حاصل از کاربرد هوش مصنوعی در صنایع مختلف، پتانسیل جبران یا حتی فراتر رفتن از مصرف اضافی انرژی ناشی از خود فناوری هوش مصنوعی را دارد.
بخش سوم: چالشهای کلیدی و عوامل توانمندساز اکوسیستم
تحقق این پتانسیل نیازمند عبور از چالشهای زیرساختی، محیطزیستی و همکاری است.
چالشهای اصلی
۱. چالشهای زیرساختی:
- تأمین برق پایدار: مراکز داده بزرگمقیاس جدید به حجم عظیمی از برق، ترجیحاً از منابع بدون کربن، نیاز دارند. ایجاد این ظرفیتهای جدید تولید و انتقال، پرهزینه و زمانبر است.
- یکپارچهسازی انرژیهای تجدیدپذیر: متغیر بودن منابعی مانند باد و خورشید و چالشهای ذخیرهسازی، تأمین برق پایدار و باکیفیت موردنیاز مراکز داده را دشوار میکند.
- عدالت در توزیع هزینه: بحث بر سر این است که هزینه ارتقای شبکه برای پشتیبانی از رشد مراکز داده، چگونه بهصورت عادلانه بین مشتریان (از جمله مشتریان خانگی آسیبپذیر) توزیع شود.
۲. چالشهای محیطزیستی:
- محدودیت منابع: توسعه هوش مصنوعی باید با درنظرگرفتن اصل “محدودیت انرژی” بهعنوان یک اصل طراحی انجام شود، نه با فرض منابع نامحدود.
- افزایش تقاضای کلی: رشد همزمان تقاضای برق برای هوش مصنوعی، الکتریکیسازی حملونقل و ساختمانها، ممکن است شکافی بین مسیر پیشبینیشده انتشارات تا ۲۰۵۰ و اهداف کربنزدایی ایجاد کند.
عوامل توانمندساز اکوسیستم برای هوش مصنوعی پایدار
برای فائق آمدن بر این چالشها، همکاری چند ذینفعی و اقدام در چهار حوزه کلیدی ضروری است:
۱. عوامل توانمندساز مقرراتی و سیاستی:
تدوین چارچوبهای قانونی مانند قانون هوش مصنوعی اتحادیه اروپا که توسعه مسئولانه و شفاف هوش مصنوعی را ترویج میدهد.
طراحی تعرفههای عادلانه برای برق که هم رشد مراکز داده را ممکن کند و هم از مشتریان خانگی محافظت نماید.
ایجاد توازن بین حاکمیت داده (نیاز به ذخیره داده در مرزهای ملی) و دستیابی به انرژی پاک (نیاز به استقرار مراکز داده نزدیک منابع تجدیدپذیر).
۲. عوامل توانمندساز مشوقهای مالی:
- ارائه اعتبارات مالیاتی، یارانهها و سایر مشوقها برای استفاده از انرژیهای تجدیدپذیر، انتخاب سایتهای سازگار با محیطزیست و سرمایهگذاری در فناوریهای کاهنده مصرف.
- سرمایهگذاری دولتی در توسعه زیرساختهای انرژی پاک.
۳. عوامل توانمندساز نوآوری فناورانه:
- سرمایهگذاری در تحقیقوتوسعه برای نسل بعدی تراشههای کممصرف، معماریهای نوین مراکز داده و راهحلهای خنکسازی پیشرفته.
- بررسی فناوریهای آینده مانند محاسبات کوانتومی و محاسبات نورومورفیک که وعده کارایی انرژی بسیار بالاتری را میدهند.
- نوآوری در ذخیرهسازی داده، مانند ذخیرهسازی زیستی روی DNA مصنوعی که میتواند نیاز انرژی ذخیرهسازی انبوه داده را دگرگون کند.
۴. عوامل توانمندساز توسعه بازار:
- تشویق مراکز داده به مشارکت فعال در شبکه برق، مثلاً از طریق برنامههای پاسخگویی به تقاضا و کاهش پیک مصرف.
- ترویج “تأمین انرژی پاک پیشرفته” که در آن مصرف ساعتی مرکز داده با تولید ساعتی انرژی پاک محلی همخوانی دارد.
- ایجاد “مناطق ویژه توسعه مرکز داده” که با برنامهریزی شبکه و منابع انرژی پاک یکپارچه شدهاند.
- طراحی برنامههای مشوق برای بازیافت مسئولانه تجهیزات IT و کاهش زبالههای الکترونیکی.
تناقض انرژی هوش مصنوعی یک معما نیست که حل شود، بلکه یک تعادل پویا است که باید با خرد جمعی، سرمایهگذاری استراتژیک و تعهد راسخ به پایداری مدیریت شود.
بخش چهارم: چشمانداز آینده و نتیجهگیری
تأثیر انرژی هوش مصنوعی هنوز در حال تکوین است. برای هدایت این تأثیر به سمتی مثبت، پایش و اقدام در چهار حوزه کلیدی در سالهای ۲۰۲۴ و ۲۰۲۵ حیاتی است:
۱. استقرار هوش مصنوعی برای کربنزدایی: اولویتدهی به کاربردهای هوش مصنوعی که مستقیماً به بهینهسازی شبکه، صنایع و مراکز داده کمک میکنند.
۲. شفافیت و کارایی مصرف برق هوش مصنوعی: جمعآوری دادههای قابلاعتماد و ایجاد چارچوبهای اندازهگیری استاندارد (مانند “ژول به ازای هر عملیات”) برای درک دقیق ردپای انرژی.
۳. نوآوری در فناوری و طراحی: شتاببخشی به پیشرفت در طراحی تراشه، مدلهای نرمافزاری کارآمد و زیرساختهای مرکز داده.
۴. همکاری مؤثر اکوسیستم: ایجاد شراکتهای استراتژیک بین توسعهدهندگان هوش مصنوعی، تأمینکنندگان انرژی، سیاستگذاران و دانشگاهها. یک مثال عینی، ابتکار مرکز چهارمین انقلاب صنعتی آذربایجان برای بومیسازی نمونههای کاربردی جهانی هوش مصنوعی در انرژی است.
جمعبندی نهایی
هوش مصنوعی در یک تقاطع تاریخی قرار دارد: هم یک چالش انرژیبر و هم قدرتمندترین ابزار ما برای حل چالشهای انرژی. پاسخ به دو سؤال کلیدی آینده ما را شکل خواهد داد: اول، چگونه میتوان چالش مصرف انرژی هوش مصنوعی را به حداقل رساند؟ دوم، چگونه میتوان از هوش مصنوعی برای شتابدهی به انتقال انرژی به سمت انتشار خالص صفر استفاده کرد؟
راهحل چالش مصرف انرژی هوش مصنوعی در همگرایی است:
همگرایی بین نوآوری فنی در سختافزار و نرمافزار.
همگرایی بین سیاستگذاری هوشمند و مشوقهای مالی هدفمند.
و از همه مهمتر، همگرایی بین ذینفعان مختلف در سراسر زنجیره ارزش.
و سخن آخر آنکه تناقض انرژی هوش مصنوعی یک معما نیست که حل شود، بلکه یک تعادل پویا است که باید با خرد جمعی، سرمایهگذاری استراتژیک و تعهد راسخ به پایداری مدیریت شود. آیندهای که در آن هوش مصنوعی پایدار، موتور محرکه یک انتقال انرژی عادلانه، ایمن و سبز باشد، نه تنها ممکن است، بلکه با اقدام امروز ما، اجتنابناپذیر خواهد بود.
کاری از: تیم تولید محتوای کاروکسب
World Economic Forum
