پشت‌پرده دیتاسنترهای متا؛ مهندسان هوش مصنوعی چگونه بحران برق و کربن را مهار می‌کنند؟
توسعه روزافزون هوش مصنوعی با مصرف سرسام‌آور برق و آلایندگی شدید دیتاسنترها همراه شده است. مهندسان متا با تکیه بر ایجنت‌های هوشمند، بهینه‌سازی توان مصرفی تراشه‌ها و بازیافت قطعات سخت‌افزاری، در پی مهار ردپای کربن و ساخت زیرساخت‌های پردازشی پایدار هستند.
در یک نگاه (نکات کلیدی خبر)
خلاصه مهم‌ترین نکات و تحولات این گزارش برای مطالعه سریع
- بخش عمده ردپای کربن هوش مصنوعی ناشی از فرآیند انرژی‌بر ساخت نیمه‌رساناها و جهش‌های ناگهانی توان مصرفی سرورها است.
- متا با استقرار ایجنت‌های نرم‌افزاری کوچک و پایش هوشمند، مصرف توان را در سطح تک‌تک تراشه‌ها و رک‌های پردازشی بهینه‌سازی می‌کند.
- مهندسان این شرکت با بهره‌گیری از معماری ماژولار و استفاده مجدد از قطعات قدیمی، مانع از هدررفت سخت‌افزارها و آسیب به شبکه برق می‌شوند.
مسئله پایداری در هوش مصنوعی اکنون بیش از هر زمان دیگری در کانون توجه محافل علمی و صنعتی قرار گرفته است.
ما درست در میانه تلاشی همه‌جانبه برای شناخت نحوه به‌کارگیری هوش مصنوعی در کسب‌وکار، آموزش، علوم و امنیت جامعه انسانی هستیم؛ اما پاسخ به پرسش‌های دشوار و سرنوشت‌سازی که ذهن پژوهشگران را برای سال‌های آینده به خود مشغول ساخته چیست؟
در جریان رویداد نکس اندور (Next Endeavor) در کالیفرنیا، دو تن از مهندسان برجسته متا، لیزا ریوالین (Lisa Rivalin) و ریچا میشرا (Richa Mishra)، راهکارهای این غول فناوری را برای مقابله با چالش‌های زیست‌محیطی و مدیریت زیرساخت‌های هوش مصنوعی تشریح کردند.
معنای واقعی پایداری در اکوسیستم هوش مصنوعی
ریوالین سخنان خود را با پرداختن به مفهوم دوگانه واژه «پایداری» و نقش متقابل هوش مصنوعی در این حوزه آغاز کرد.
او توضیح داد: «واژه پایدار در اینجا معنایی دوگانه دارد؛ از یک سو به ساخت سیستمی بادوام و ماندگار اشاره می‌کند و از سوی دیگر به معنای کاهش آسیب‌های زیست‌محیطی است. در همین راستا دو رویکرد مکمل داریم: بهره‌گیری از هوش مصنوعی برای حل معضلات محیط زیستی، و توسعه هوش مصنوعی پایدار؛ یعنی کاستن از ردپای بوم‌شناختی خودِ سخت‌افزارهای پردازشی.»
میشرا برای تفهیم بهتر ابعاد این چالش، از استعاره‌ای ملموس بهره گرفت:
«تصور کنید سالنی در این ابعاد، صدها هزار قفسه فلزی را در دل خود جای داده است که آن‌ها را رک (Rack) می‌نامیم. درون این رک‌ها، بردهای الکترونیکی متعددی قرار دارند که میزبان تراشه‌ها، پردازنده‌های گرافیکی (GPU) و پردازنده‌های مرکزی (CPU) تخصصی هستند؛ همان قطعاتی که پیوسته در پی خرید بیشترشان هستیم. تمام این تجهیزات در دیتاسنترهای مختلف در سراسر جهان پراکنده شده‌اند و با شبکه‌ای متراکم از کابل‌های فیبر نوری به هم متصل هستند. این سیستم‌ها حجم عظیمی از گرما تولید می‌کنند که باید به‌سرعت دفع شود و هم‌زمان توان مصرفی فوق‌العاده بالایی از شبکه می‌طلبند. بزرگ‌ترین چالش کنونی ما، برقراری انضباط در این حجم از عملیات است؛ در واقع توان مصرفی، پایداری عملیاتی و مهار کربن، سه ستون بنیادین ما برای سرپا نگه داشتن این لایه از هوش مصنوعی محسوب می‌شوند.»
او خاطرنشان کرد که کاربران نهایی نباید هیچ‌یک از این پیچیدگی‌های فنی را حس کنند.
او افزود: «برای مهندسان زیرساخت، بزرگ‌ترین افتخار این است که عملکردشان کاملاً نامرئی باشد؛ به‌طوری‌که تنها زمانی متوجه حضور ما شوید که نقصی در سیستم رخ دهد.»
ریوالین درباره چالش انرژی تأکید کرد که این دست مسائل با ابعادی تازه و در مقیاسی نوین سر برآورده‌اند.
او گفت: «این موضوع به دلیل شتاب گرفتن فزاینده تقاضا آشکارتر از همیشه شده است؛ واقعیتی حیاتی که نمی‌توان نادیده‌اش گرفت. اگر برای توسعه هوش مصنوعی به احداث دیتاسنترهای بیشتر نیاز داشته باشیم، تقاضای ما برای تأمین فیزیکی سخت‌افزارها نیز به‌شدت افزایش می‌یابد.»
ریوالین به محدودیت‌های زنجیره تأمین نیز پرداخت.
او خاطرنشان کرد: «در مقطع کنونی، تهیه نیمه‌رساناها فوق‌العاده دشوار و چالش‌برانگیز است.»
روند پیشرفت در مهار ردپای کربن
ریوالین یادآور شد: «پنج سال پیش، ارزیابی دقیقی از محل اصلی تمرکز ردپای کربن خود نداشتیم. اما پس از بررسی‌ها دریافتیم که نیمه‌رساناها عامل اصلی شدت آلایندگی ما هستند؛ چه به دلیل مواد شیمیایی متصاعدشده در حین ساخت و چه به سبب مصرف انرژی سرسام‌آور در خط تولید کارخانه‌ها. از این رو، همکاری گسترده‌ای را با صنعت نیمه‌رسانا آغاز کرده‌ایم و از تمامی بازیگران این عرصه می‌خواهیم در فرآیندهای ساخت بازنگری کنند تا به استانداردهای پایدارتری دست یابیم.»
سازوکار اجرایی و هدایت ایجنت‌های هوش مصنوعی
ریوالین در ادامه بیان کرد: «امروزه ایجنت‌های متعددی فرآیندهای کاری را برای انسان‌ها انجام می‌دهند و در مقابل، تصمیم‌گیری نهایی بر عهده انسان‌هاست. با این حال، پیش از رسیدن به این نقطه، ناچار شدیم مجموعه‌ای از اصول بنیادین را پایه‌گذاری کنیم.»
اصول مورد اشاره او شامل اعتبارسنجی مداوم، مدیریت عدم قطعیت در حوزه‌های تخصصی و ایجاد کانتکست شفاف است. او در این راستا سه اصل کلیدی را توصیه می‌کند:
«همواره منطق محاسباتی و کدهای اصلی خود را خارج از ساختار تمپلیت و بیرون از ایجنت نگه دارید و ایجنت هوش مصنوعی را به کدهای قطعی و قابل پیش‌بینی هدایت کنید.»
«به‌جای مدل‌های غول‌پیکر منفرد، ایجنت‌های کوچک‌تر و تخصصی‌تر بسازید.»
ریوالین افزود: «در بیشتر مواقع وجود فرآیند اعتبارسنجی و نظارت انسانی اجتناب‌ناپذیر است؛ هرچند این کار ساده نیست. ما بارها شاهد بوده‌ایم که فرآیندها به‌طور کامل خودکارسازی شده و مستقیماً وارد سیستم عملیاتی شده‌اند؛ اما همان‌طور که حدس می‌زنید، در مقیاس عظیم زیرساختی ما، چنین خطاهایی آسیب‌های گسترده‌ای به دنبال خواهد داشت.»
تعامل انسان و ماشین در مدیریت بهینه زیرساخت
در بخش دیگری از این پنل، میشرا به بررسی تعامل میان متخصصان انسانی و مؤلفه‌های خودکار پرداخت.
او تأکید کرد: «بزرگ‌ترین دستاوردها تنها زمانی محقق می‌شوند که توسعه‌دهندگان ارتباط تنگاتنگی با متخصصان همان حوزه داشته باشند؛ قاعده‌ای که در مورد ایجنت‌ها نیز صادق است. ما معمولاً گمان می‌کنیم تمام تجهیزات درون رک با حداکثر ظرفیت کار می‌کنند، در حالی که در دنیای واقعی شاید چنین نباشد. گاهی اوقات تجهیزات با نرخی به پایینی ۳ تا ۵ درصد از ظرفیت اسمی خود کار می‌کنند؛ پدیده‌ای که در عمل مکرراً رخ می‌دهد. وظیفه ما در محیط‌های عملیاتی، شناسایی این داده‌ها و توسعه راهکارهای ماژولار با کمک ایجنت‌ها و نرم‌افزارهاست تا بتوانیم سهمیه توان مصرفی را در سطح تک‌تک قطعات بهینه‌سازی کنیم.»
میشرا درباره پایداری شبکه برق سراسری نیز توضیح داد:
«ما هنگام فعالیت پردازنده‌های گرافیکی شاهد جهش‌های شدید مصرف برق هستیم؛ با این حال، باید ثبات را به شبکه برقی بازگردانیم که زیربنای فعالیت دیتاسنترها است. هنگام افزایش بارهای پردازشی نباید پایداری شبکه برق شهری دچار اختلال شود؛ چالشی که کاملاً ملموس و واقعی است. در نتیجه تلاش می‌کنیم روش‌های مصرف بهینه انرژی را تعریف کرده و مدل‌های مصرف بلندمدت را شناسایی نماییم.»
او علاوه بر این، به معضل «خرابی خاموش داده‌ها» (Silent Data Corruption) اشاره کرد.
او توضیح داد: «اتفاقی که در عمل رخ می‌دهد این است که یک تراشه به دلیل شرایط کاری متفاوت، سریع‌تر از تراشه مجاور خود دچار فرسایش می‌شود. در مدل‌های هوش مصنوعی بزرگ، چنین نقص‌های پنهانی می‌توانند به زنجیره‌ای از خرابی‌های متوالی منجر شوند. ما در تلاشیم تا با شناسایی سیگنال‌های مکانی و زمانی در سرورها، این اختلالات را پیش از بحرانی شدن ردیابی کنیم.»
هشدارهای زودهنگام و راهکارهای ارتقای پایداری
میشرا درباره چالش استفاده از ابزارهای ارائه‌شده از سوی تأمین‌کنندگان گفت: «با طی کردن مراحل مختلف طراحی سخت‌افزار، دانش تجربی ارزشمندی در تیم رسوب می‌کند. در نهایت دغدغه اصلی ما این است که چگونه دقت عیب‌یابی را ارتقا دهیم تا ناوگان سرورها در طول گذار از نسل‌های مختلف پردازنده‌ها، سالم، کارآمد و قابل اتکا بماند؟ اکنون هشدارهای زودهنگام دقیق‌تری از خرابی‌ها دریافت می‌کنیم و بهینه‌سازی‌هایی در دست اجرا داریم که در چند سال آینده کانون تمرکز ما خواهند بود.»
ریوالین نیز بر اهمیت همکاری‌های بین‌سازمانی تأکید کرد:
«ما همکاری‌های گسترده‌ای با فعالان صنعت آغاز کرده‌ایم تا شیوه‌ای نوین برای محاسبه ردپای کربن سخت‌افزارها تعریف و استانداردسازی کنیم. همچنین با نهادهای قانون‌گذار و سازمان‌های متولی استاندارد در ارتباط هستیم. علاوه بر این، مجموعه‌ای از ابزارهای نرم‌افزاری و ایجنت‌ها را توسعه داده‌ایم که ردپای کربن تک‌تک قطعات ناوگان را حتی هنگام تعمیر یا تعویض محاسبه می‌کنند.»
بخش مهم دیگری از این اقدامات به معماری و طراحی فیزیکی رک‌ها مربوط می‌شود.
او افزود: «در حوزه سخت‌افزار، تمام یافته‌هایمان درباره بهره‌وری کربن را مستقیماً وارد فاز طراحی می‌کنیم. در متا ما خودمان رک‌ها را طراحی می‌کنیم و اکنون شاخص ردپای کربن را در تمام مراحل طراحی سخت‌افزار گنجانده‌ایم. این امر مستلزم بده‌بستان‌های فنی، جستجو برای گزینه‌های جایگزین و تعامل گسترده‌تر با تأمین‌کنندگان مختلف است.»
ریوالین دیدگاه جامع متا را چنین تبیین کرد:
«این رویکرد پلی میان سخت‌افزار، پایداری محیط زیست و هوش مصنوعی است. ما پیش از ساخت فیزیکی هر رک، با استفاده از مدل‌های آماری ردپای کربن و راندمان آن را پیش‌بینی می‌کنیم. سپس طرح‌های متعددی را می‌آزماییم و وضعیت آن را از مرحله شکل‌گیری ایده تا پایان عمر مفید رک دنبال می‌کنیم؛ چرخه‌ای پویا و تکرارپذیر که پیوسته ارتقا می‌یابد.»
او درباره قابلیت اطمینان و چرخه بازیافت قطعات گفت:
«ما در پی آن هستیم که مفهوم قابلیت اطمینان را در تمامی مراحل طراحی نهادینه کنیم و این بینش‌ها را به خطوط تولید انتقال دهیم تا تولیدکنندگان نیز دید روشنی از استانداردهای میدانی ما داشته باشند. داده‌های عملکردی ناوگان به بهبود کارکرد تأمین‌کنندگان کمک شایانی می‌کند. یکی از کاربردهای درخشان این داده‌ها، استفاده مجدد و بازیافت قطعات است. هنگام طراحی رک‌های جدید، ارزیابی می‌کنیم که آیا می‌توان به‌جای خرید قطعه تازه، از قطعه سالم قدیمی استفاده کرد یا خیر؛ تصمیمی بنیادین که نقش چشمگیری در کاهش ردپای کربن ایفا می‌کند.»
چشم‌انداز آینده محاسبات هوش مصنوعی
میشرا در پایان خاطرنشان کرد: «با توجه به تخصصی و نوپا بودن این عرصه، همکاری با دانشگاه‌ها همواره برای ما دستاوردهای ارزشمندی به‌همراه داشته است. ما از پژوهش‌های مشترک در این حوزه استقبال می‌کنیم؛ زیرا این مسیر، بزرگ‌ترین گام پردازشی پیش روی ماست و داده‌ها محور اصلی این تحول خواهند بود.»
تلاش‌های مهندسان متا نشان می‌دهد که آینده هوش مصنوعی صرفاً در گرو ساخت مدل‌های زبانی بزرگ‌تر یا الگوریتم‌های پیچیده‌تر نیست؛ بلکه بقای این انقلاب در گرو خلق زیرساخت‌های پایدار، هوشمند و سازگار با محیط زیست خواهد بود.
مطالب مرتبط و پیشنهادی
سناریوهای آخرالزمانی هوش مصنوعی قبلاً بدون هوش مصنوعی تا پای فاجعه رفته‌اند؛ خطر واقعی کجاست؟
بررسی تاریخ نشان می‌دهد سناریوهای آخرالزمانی هوش مصنوعی نظیر ساخت سلاح‌های بیولوژیکی یا پرتاب اشتباه موشک هسته‌ای، پیش‌تر بدون حضور این فناوری تا یک‌قدمی فاجعه پیش رفته‌اند. در تمامی این بحران‌ها ماشین‌ها خطا کردند و انسان‌ها مانع فاجعه شدند؛ در نتیجه تهدید واقعی نه ربات‌های خودمختار، بلکه اعتماد به گزارش‌های نادرست هوش مصنوعی در دقایق بحرانی است.
شبکه برق چگونه در برابر حملات هوش مصنوعی مقاومت می‌کند؟ پاشنه آشیل تأسیسات کوچک شهری
در حالی که غول‌های انرژی با سرمایه‌گذاری سنگین سامانه‌های خود را در برابر نفوذ هکرها نفوذناپذیر کرده‌اند، تأسیسات محلی و کوچک خدمات شهری به هدفی آسان برای مهاجمان تبدیل شده‌اند. با ظهور ابزارهای هوش مصنوعی که حملات سایبری را ارزان‌تر و سریع‌تر می‌کنند، شکاف امنیتی این شبکه‌ها تهدیدی جدی برای زندگی شهروندان است.
معافیت یک‌ساله اینتل از قانون ممنوعیت ربات‌های خارجی؛ خطوط تولید تراشه آمریکا در امان ماندند
شرکت اینتل موفق شد برای ادامه فعالیت ناوگان خودروهای رباتیک خارجی در کارخانه‌های تراشه‌سازی خود در آمریکا، معافیتی یک‌ساله از کمیسیون ارتباطات فدرال دریافت کند. این تصمیم پس از آن اتخاذ شد که مقررات مبهم دولت ایالات متحده علیه ربات‌های ساخت خارج، نگرانی‌هایی جدی درباره توقف خطوط تولید نیمه‌رسانا ایجاد کرده بود.
دیدگاه ها و گفتگوی تخصصی
نظرات خود را با جامعه مخاطبان وایر ای آی در میان بگذارید
هنوز دیدگاهی برای این مطلب ثبت نشده است
اولین نفری باشید که دیدگاه، تحلیل یا دیدگاه خود را درباره این موضوع با دیگران به اشتراک می گذارد.