هوش مصنوعی (AI) پتانسیل حل مشکلات عظیم را دارد. اما انجام این کار به انرژی بسیار زیادی نیاز دارد، به طوری که یک پردازنده گرافیکی (GPU) انویدیا تقریباً به اندازه یک خانوار متوسط آمریکایی انرژی مصرف میکند. آن هم خانوار آمریکایی.
این چالشی برای هر سازمانی است. اما وقتی دلیل وجودی شما نمایش پتانسیل فناوریهای جدید برای کمک به پایداری – یک مشکل عظیم - باشد، هوش مصنوعی پرمصرف یک معضل بزرگ ایجاد میکند.
فریدمان کورتس، رئیس بخش فناوری اطلاعات در پورشه موتوراسپرت، پیشنهاد میکند که پاسخ در تفکر محلی است. از همه جهات.
پورشه موتوراسپرت یکی از تیمهای پیشرو در فرمول E، همتای الکتریکی فرمول 1 است. همانطور که او توضیح میدهد، «کل این سری مسابقات برای نشان دادن این که مسابقه میتواند به روشی پایدار انجام شود، پایهگذاری شده است.»
این سری از شاسی، باتری و قطعات استاندارد شده استفاده میکند و برتری تیمها به نحوه مدیریت و بهینهسازی مصرف انرژی موجود بستگی دارد. و البته، مهارت خود راننده نیز مؤثر است. کل این سری مسابقات به کاهش انتشار گازهای گلخانهای، از جمله موارد ناشی از حمل و نقل، سفر و زمان محاسبات، متعهد است.
این شرکت برای زیرساخت امنیتی SASE خود به شبکه Cato Networks متکی است که به طور قابل توجهی میزان تجهیزاتی را که از پیستی به پیست دیگر منتقل میکند، کاهش داده است. این زیرساخت همچنین در حفاظت از مالکیت معنوی (IP) ارزشمند تیم، حیاتی است.
اما برنامهریزی استراتژیهای مسابقه و بهینهسازی دقیق برای مصرف بهینه انرژی باتری، به شدت مبتنی بر تحلیل داده است. این خود انرژی مصرف میکند. و هوش مصنوعی مولد (Gen AI) نویدبخش مصرف انرژی حتی بیشتری است.
فریدمان کورتس در یک میزگرد مجازی به The Stack گفت که تحلیلهای تیم در گذشته بر اساس تکنیکهای دادهمحور بوده است.
این تکنیکها شامل «مکانیسمهای یادگیری ماشین (Machine Learning)، با یادگیری تقویتی (Reinforcement Learning) برای شناسایی الگوها، با رویکردهای مختلف مونت کارلو (Monte Carlo) برای پیشبینی وضعیتها، و برای تعیین احتمالات آنچه بالقوه قرار است رخ دهد» میشود.
با این وجود، او گفت که تیم در حال بررسی برخی موارد استفاده بالقوه پیرامون هوش مصنوعی مولد است. «اطلاعاتی در زبان وجود دارد که برای ما جالب است. بنابراین، البته، ما سعی میکنیم آن را استخراج کنیم، اما این نیازمند یک راهحل کاملاً داخلی نیست.»
او گفت: «آنچه ما بیشتر به آن علاقهمندیم، یک مدل زبان تخصصی در یک حوزه مسئله مشخص با یک مورد استفاده معین است.» این موارد شامل شناسایی اطلاعاتی است «که به عنوان مثال، در کلام گفتاری وجود دارد و سپس مستقیماً استخراج شده و در حوزه خاصی از مسئله بهینهسازی به کار گرفته میشود.»
این شبیه به پردازش زبان طبیعی (Natural Language Processing) مرتبط با مدلهای زبان بزرگ (LLMs) به نظر میرسد. اما او گفت که این کار میتواند به روشی بسیار کارآمد انجام شود. «ما آموزشهای بزرگ انجام نمیدهیم. نیازی به آموزش با مدلهای زبان بزرگ نداریم. فکر میکنم انرژی در آنجا مصرف میشود و ما چنین کارهایی انجام نمیدهیم.»
علاوه بر این، او میگوید، نیازی به روی آوردن به رایانش ابری (Cloud) نیست. بلکه، کورتس میگوید، پاسخ در داشتن «استقرارهای کوچک محلی روی ماشینهای بهینهسازی شده و سپس داشتن راهی بسیار کارآمد و با عملکرد بالا برای کار بر روی مسائل کوچکتر و محدودتر» است.
اکنون تیم در موقعیتی قرار دارد که بتواند «استقرارهای محلی کارآمد از مدلهای کوچک» را انجام دهد، «که از دیدگاه صرفاً فناوری اطلاعات، کمی تحولآفرین است، زیرا کوچک، کارآمد، مدیریت آن خوب است و قادر به حل مشکلات خاص به روشی قابل اعتماد است.»
کورتس گفت که کلید اصلی، کیفیت دادهها است. در مورد پورشه، این دادههایی است که از وسایل نقلیه و رانندگان خود و از پیستها جمعآوری میکند. «این مزیت ماست. ما سطح بالاتری از کیفیت و دادههای قابل مقایسه داریم و این استفاده از آن دادهها را برای آموزش مدلها قطعاً آسانتر میکند.»
و این بدان معناست که میتواند اعتماد بیشتری به پاسخها یا راهحلهایی که به دست میآورد، داشته باشد. او اشاره کرد که این در تضاد با مدلهای زبان بزرگ است. «آنها به هر سؤالی پاسخ خواهند داد، اما شما هرگز مطمئن نیستید که آیا میتوانید به آن اعتماد کنید یا نه. و این دقیقاً برعکس آن چیزی است که ما میخواهیم.»