對於任何平台來說，人工智慧都是資源密集的，包括公有雲。大多數人工智慧技術需要大量的推理運算，這些推理運算綜合下來對處理器、網路和儲存的要求更高，而且也會帶來更高的電費、基礎設施成本和碳足跡。
以 ChatGPT 為例的生成式人工智慧系統的崛起，使上述問題再次成為焦點。考慮到這項技術的普及，以及公司、政府和公眾可能的大規模應用，我們可以看到電力消耗成長曲線呈現令人擔憂的弧度。
自 20 世紀 70 年代以來，人工智慧技術一直存在。由於一套成熟的人工智慧系統的工作需要消耗大量的資源，因此，最初並沒有產生太大的商業影響。記得我在 20 來歲時設計的人工智慧系統，需要超過 4000 萬美元的硬體、軟體和資料中心空間才能確保它的運作。劇透一下：那個專案和其他許多人工智慧專案都沒有能真正發布。作為商業案例並不可行。
雲端運算改變了這一切。曾經無法企及的事情，現在有了公有雲就有了足夠的成本效益。事實上，正如你可能已經猜到的那樣，在過去的 10 到 15 年裡，雲端的崛起與人工智慧的崛起大致一致。我想說的是，它們現在是緊密結合在一起的。
雲端資源的可持續性和成本
你真的不需要做太多的研究來預測這裡會發生什麼。對人工智慧服務的需求將激增，例如現在正引發人們關注的生成式人工智慧系統，以及其他人工智慧和機器學習系統。這種激增將由那些尋求創新優勢的企業引領，例如智慧供應鏈，甚至成千上萬的大學生希望有一個生成性人工智慧系統來寫他們的學期論文。
對人工智慧的更多需求意味著對這些人工智慧系統使用的資源的更多需求，如公有雲及其提供的服務。這種需求很可能會被透過多的資料中心來實現，這些資料中心內容納了耗電量龐大的伺服器和網路設備。
公有雲供應商就像任何其他公用事業資源供應商一樣，會隨著需求的增加而提高價格，就像我們看到家庭電費季節性上漲一樣（也是基於需求）。因此，我們通常會縮減使用量，例如，在夏天將空調開到 24 度而不是 20 度。
然而，更高的雲端運算成本可能不會對企業產生相同的影響。企業可能會發現，這些人工智慧系統是驅動某些關鍵業務流程的，也就不是可有可無的。在許多情況下，他們可能會試圖在企業內部節約資金，也許是透過減少員工數量來抵消人工智慧系統的成本。生成性人工智慧系統很快就會取代許多資訊工作者，這已不是什麼秘密。
可以做什麼？
如果運行人工智慧系統的資源需求將導致更高的運算成本和碳輸出，我們能做什麼？答案也許在於為人工智慧尋找更有效的方式來利用資源，如處理、網路和儲存。
例如，採樣管線可以透過減少處理的資料量來加快深度學習。麻省理工學院和 IBM 的研究表明，你可以用這種方法減少在大型資料集上運行神經網路所需的資源。然而，它也限制了準確性，這對某些商業用例來說可能是可以接受的，但不是所有的商業用例都能接受。
另一種已經在其他技術領域使用的方法是記憶體計算。這種架構可以透過不將資料移入和移出記憶體來加快人工智慧處理。相反，人工智慧的計算直接在記憶體模組內運行，這大大加快了速度。
其他方法也正在開發中。例如改變實體處理器，使用協處理器進行人工智慧運算，以提高運算速度，或採用量子等下一代運算模型。你可以期待大型公有雲供應商發布大量關於如何解決許多這類問題的技術公告。
你該怎麼做？
我的建議絕對不是為了獲得更低的雲端運算帳單或拯救地球而避免人工智慧。人工智慧是一種基礎的運算方法，大多數企業可以利用它來獲取大量價值。
我建議你在進入一個人工智慧啟用或淨新的人工智慧系統開發專案時，要清楚地了解成本和對永續性的影響，這兩者是直接相關的。你必須做出成本/效益的選擇，而這實際上又回到了你能為企業帶來的成本和風險的價值。說來說去其實沒有什麼新鮮事。
我確實相信，無論是記憶體還是量子運算，還是我們尚未看到的解決方案，大部分問題都將透過創新方式來解決。人工智慧技術供應商和雲端運算供應商都熱衷於使人工智慧更具成本效益和綠色。這是個好消息。
#來源：www.cio.com
#以上是生成式人工智慧的成本和永續性的詳細內容。更多資訊請關注PHP中文網其他相關文章！
