Mengelola konsumsi energi adalah salah satu tantangan terbesar untuk mengubah visi AI suatu negara menjadi kenyataan. Pusat data AI membutuhkan sumber daya yang luas pada saat jaringan nasional bergeser ke arah energi terbarukan. Rintangan besar lainnya adalah bakat. Dengan persaingan international untuk keahlian AI memanas, negara -negara harus berinvestasi lebih banyak dalam pendidikan dan pelatihan. Seharusnya juga ada lebih banyak kolaborasi industri untuk membangun tenaga kerja terampil yang dibutuhkan untuk visi AI independen sejati.
Manajer Senior CSP Produk Pemasaran di Broadcom.
Beban kerja AI dan penggunaan energi
Proses ini menuntut sumber daya komputasi kinerja tinggi dan catu daya yang tidak terputus, menjadikannya salah satu aspek AI yang paling memakan energi.
Sebaliknya, inferensi AI menjalankan design secara real-time untuk membuat prediksi, mengklasifikasikan data, atau menganalisis teks, gambar, dan video clip. Meskipun kurang menuntut daripada pelatihan, beban kerja inferensi adalah dinamika dan membutuhkan alokasi sumber daya energi yang efisien dan stabil untuk tugas-tugas real-time seperti chatbots, otomatisasi, dan komputasi tepi.
Jadi bagaimana kita bisa mengelola konsumsi energi dari beban kerja AI intensif ini?
Energi Terbarukan: Pedang Bermata Ganda
Energi terbarukan adalah pusat dari Rencana Aksi AI Inggris dan ambisinya untuk menjadi pemimpin di pusat information AI. Dengan sumber daya substansial dalam angin, matahari dan hidro berkontribusi 36, 1 % dari pembangkit listrik pada tahun 2023, Inggris dapat mengatasi permintaan listrik yang semakin meningkat dengan cara yang lebih berkelanjutan.
Dewan Energi AI yang baru didirikan di Inggris diharapkan untuk mengeksplorasi solusi energi inovatif, seperti reaktor modular kecil (SMR), untuk menjembatani kesenjangan ini. Dengan akselerasi konsumsi energi yang digerakkan AI, peningkatan 160 % dalam permintaan daya pusat information diantisipasi.
Terlepas dari peningkatan efisiensi perangkat keras yang terlihat dalam adopsi AI dan skenario dunia nyata, meningkatkan permintaan untuk teknologi melebihi perbaikan ini. Solusi populer yang digerakkan AI, seperti ChatGPT, telah melihat adopsi pengguna yang cepat, melampaui 100 juta pengguna pada tahun 2025 dengan sekitar 464 juta kunjungan per bulan.
Badan Energi Internasional melaporkan bahwa satu kueri chatgpt membutuhkan 2, 9 watt-jam listrik, hampir sepuluh kali lebih banyak dari pencarian Google, yang hanya membutuhkan 0, 3 watt jam.
Ketika AI terus skala, konsumsi energi yang tumbuh menimbulkan kekhawatiran penting tentang keberlanjutan lingkungan, menyoroti perlunya solusi strategis.
Menyelaraskan beban kerja AI dengan energi terbarukan dan manajemen sumber daya canggih
Jelas bahwa energi terbarukan saja tidak cukup dalam memenuhi persyaratan Rencana Aksi AI Inggris, yang menghadirkan peluang bagi pusat information AI untuk mengadopsi penjadwalan beban kerja yang cerdas dan strategi manajemen sumber daya. Beban kerja AI harus dijadwalkan bertepatan dengan periode pembangkit energi terbarukan puncak, seperti periode angin tinggi atau puncak matahari tengah hari.
Pendekatan ini memungkinkan tugas pelatihan AI, yang membutuhkan daya yang signifikan, untuk dieksekusi ketika ketersediaan energi terbarukan berada pada titik tertinggi, mengurangi ketergantungan pada sumber cadangan yang tidak terbarukan atau teknologi penyimpanan seperti baterai.
AI membutuhkan tingkat sumber daya komputasi yang tinggi, biasanya memanfaatkan perangkat keras khusus seperti GPU, yang menangani tingkat tinggi transaksi paralel yang penting untuk model dan aplikasi AI. Multi-tenanted Solusi virtualisasi dan grafik GPU secara efektif mengkonsolidasikan pemanfaatan sumber daya, mengurangi kebutuhan akan perangkat keras tambahan dan konsumsi energi.
GPU secara signifikan lebih hemat energi daripada CPU untuk tugas inferensi AI-studi menunjukkan hingga 42 x efisiensi yang lebih besar-tetapi meningkatnya biaya dan intensitas energi mereka membuat alokasi strategis penting. Mengingat kompleksitas skenario GPU, yang bervariasi tergantung pada aplikasi, jenis kueri, dan quantity pengguna, memastikan sumber daya yang kuat ini sepenuhnya digunakan dan tidak menganggur adalah prioritas utama untuk mengurangi dampak lingkungan dan memaksimalkan pengembalian investasi.
Strategi optimasi GPU yang efektif meliputi teknik berbagi dan partisi yang dinamis, memungkinkan alokasi sumber daya yang lebih baik, meminimalkan pemborosan, dan pusat data pendukung transisi ke sumber energi terbarukan.
Penjadwal AI harus dirancang untuk skala menghitung sumber daya naik atau turun berdasarkan ketersediaan energi real-time. Ini berarti mendistribusikan (dalam persyaratan kedekatan data) beban kerja di berbagai lokasi geografis di mana energi terbarukan berlimpah pada waktu tertentu dan menyesuaikan kecepatan pemrosesan agar sesuai dengan pasokan energi terbarukan yang berfluktuasi.
Lebih lanjut meningkatkan efisiensi energi di pusat information membutuhkan solusi inovatif, seperti pendinginan cair dan optimasi yang digerakkan AI, dengan desain dan perangkat keras canggih yang meminimalkan konsumsi energi. Campuran energi yang beragam juga merupakan kunci, menggabungkan energi terbarukan dengan teknologi seperti SMR untuk memastikan catu daya yang stabil, didukung oleh pemantauan energi pusat data dan pemodelan alokasi.
Lembaga pemerintah juga dapat mendorong keberlanjutan lingkungan dengan memberi insentif pada pusat data secara finansial untuk menjalankan energi terbarukan sambil mengelola pertumbuhan untuk melindungi jaringan energi. Strategi -strategi ini memastikan ketersediaan daya yang konsisten sambil memaksimalkan penggunaan energi terbarukan ketika kondisinya menguntungkan.
Membangun masa depan inovasi dan keberlanjutan lingkungan
Inggris ditempatkan dengan baik untuk mencapai ambisi AI-nya tanpa membanjiri jaringan energi, asalkan mencakup portofolio tuas efisiensi di seluruh beban kerja, perangkat keras dan lapisan infrastruktur. Virtualisasi fisik adalah salah satu teknik yang paling langsung dan terbukti. Penyebaran system virtualisasi canggih dapat memotong web server fisik sebesar 39 % dan memangkas biaya infrastruktur tiga tahun sebesar 34 %, menurut studi 2024 IDC.
Rak yang lebih sedikit diterjemahkan langsung ke dalam beban dasar yang lebih rendah pada grid dan penyelarasan lebih cepat dengan kontrak energi terbarukan. Akselerasi AI sekarang juga mendapat manfaat; Tes telah menunjukkan bahwa solusi virtualisasi dengan dukungan GPU memberikan kinerja pelatihan AI dalam 1 – 6 % dari logam telanjang dan inferensi pada 94 – 105 % namun masih meninggalkan hingga 88 % dari core CPU gratis untuk pekerjaan lain. Oleh karena itu, virtualisasi GPU multi-tenant mendorong throughput AI yang lebih tinggi per watt, menunda pembelian perangkat keras tambahan dan karbon yang diwujudkan yang mereka bawa.
Bersamaan dengan virtualisasi, teknologi yang muncul seperti pendinginan cair, perangkat lunak optimisasi energi yang digerakkan oleh AI dan sumber daya yang beragam (termasuk reaktor modular kecil) akan lebih jauh mengekang konsumsi pusat data. Meskipun tidak ada solusi tunggal yang merupakan peluru perak, kombinasi strategis dari infrastruktur konsolidasi yang ditentukan perangkat lunak dan manajemen energi cerdas memposisikan Inggris untuk memberikan contoh global-menunjukkan bagaimana kemampuan AI mutakhir dan keamanan energi dapat berkembang bersama pada lintasan yang jelas ke net-nol.
Dengan memprioritaskan pendekatan yang berkelanjutan dan berdaulat lingkungan, Inggris memiliki peluang unik untuk memberikan contoh global-menunjukkan bagaimana AI mutakhir dan keamanan energi dapat berkembang bersama.
Kami telah menampilkan pembangun situs web AI terbaik.
Artikel ini diproduksi sebagai bagian dari saluran Wawasan Ahli TechRadarPro di mana kami menampilkan pikiran terbaik dan paling cerdas dalam industri teknologi saat ini. Pandangan yang diungkapkan di sini adalah pandangan penulis dan tidak harus dari TechRadarPro atau Future Plc. Jika Anda tertarik untuk berkontribusi, cari tahu lebih lanjut di sini:
