算力狂飆電力承壓 英偉達、英特爾爭相推出節能方案

每經記者：文巧 實習記者 嶽楚鵬 每經編輯：高涵

當地時間8月26日，OpenAI硬件設施負責人Trevor Cai在Hot Chips 2024上發表了長達一小時的演講，主題爲“構建可擴展的AI基礎設施”。他指出，OpenAI的一項重要觀察結果是，擴大規模可以產生更好、更有用的人工智能（AI）。

作爲全球芯片行業影響力最大的會議之一，Hot Chips於每年8月份在斯坦福大學舉行。不同於其他行業會議以學術研究爲主，Hot Chips是一場產業界的盛會，各大處理器公司會在每年的會上展現他們最新的產品以及在研的產品。

《每日經濟新聞》記者注意到，AI浪潮推動數據中心激增，同時也伴隨着能源需求的激增。在這樣的背景下，此次的Hot Chips大會上，圍繞人工智能的議題比以往任何一屆都更加活躍。Trevor Cai的演講着眼於解決能源和算力之間的問題，英特爾、IBM和英偉達等則是提出了更節能的技術方案。

摩根士丹利在8月份發佈的研究中預測稱，生成式AI的電力需求將在未來幾年內每年飆升75%，預計到2026年，其消耗的能源量將與西班牙在2022年的消耗量相當。科技巨頭們該如何應對能源挑戰？

聚焦“節能方案”

當地時間8月26日，一年一度的半導體企業盛會Hot Chips2024在斯坦福大學紀念禮堂舉行，今年是第36屆。

從會議第一天的情況來看，大部分的話題都集中在了更節能、安全且可擴展的大規模AI服務器部署方案上。

OpenAI硬件負責人Trevor Cai發表了“可預測的擴展和基礎設施”主題演講，談到了提升計算能力所帶來的可預測的擴展效益，這也是OpenAI自成立之初就關注的重點。一個重要的觀察結果是，擴大規模可以產生更好、更有用的人工智能。“每次計算量翻倍，都會得到更好的結果。模型的能力和計算資源的消耗是呈指數級別上升的。自2018年以來，行業中前沿模型的計算量每年增長約4倍。”他說道。

最初，GPT-1只需幾周的時間完成訓練。如今，它已經擴展到需要龐大的GPU集羣。因此，OpenAI認爲AI的基礎建設需要大量投資，因爲計算能力的提升已經產生了超過8個數量級的效益。

似乎是爲了呼應OpenAI的演講，各大公司的演講也不約而同地提到了大規模部署AI服務器的計劃方案。

IBM在大會上披露了即將推出的IBM Telum II處理器和IBM Spyre加速器的架構細節。新技術旨在顯著擴展下一代IBM Z大型機系統的處理能力，通過一種新的AI集成方法幫助加速傳統AI模型和大型語言 AI模型的協同使用。IBM特別強調這次更新的先進I/O技術旨在降低能耗和數據中心佔用空間。

英偉達也在大會上放出了最新的AI集羣架構Blackwell的相關消息。英偉達稱，Blackwell擁有6項革命性技術，可支持多達10萬億參數的模型進行AI訓練和實時大語言模型（LLM）推理。值得注意的是，英偉達的Quasar量化系統用於確定可以使用較低精度的內容，從而減少計算和存儲。英偉達表示他們的宗旨就是在提高能源效率的同時爲AI和加速計算性能提供新標準。

除此之外，英特爾、博通、海力士等公司的演講中均提到了更節能的技術方案。

能源需求激增

科技巨頭們着眼“更節能的”技術方案的根本原因在於，當前人工智能熱潮正在增加更強大的處理器以及保持數據中心冷卻所需的能源需求。

當前，微軟、Alphabet和Meta等大型科技公司正在投資數十億美元建設數據中心基礎設施，以支持生成式人工智能，但數據中心的激增也伴隨着能源需求的激增。

據彭博社報道，僅去年，大型科技公司就向數據中心設施投入了約1050億美元。谷歌、蘋果和特斯拉等公司不斷通過新產品和服務增強AI能力。每項AI任務都需要巨大的計算能力，這意味着數據中心會消耗大量電力。國際能源署（IEA）預測，到2026年，全球數據中心每年使用的能源量將相當於日本的電力消耗量。

Hugging Face的人工智能和氣候負責人Sasha Luccioni提到，雖然訓練AI模型需要耗費大量能源（例如，訓練 GPT-3模型耗費了大約1300兆瓦時的電力，而GPT-4的訓練消耗是GPT3的50倍），但通常只進行一次。然而，由於查詢量巨大，模型生成響應可能需要更多能源。

例如，當用戶向ChatGPT等AI模型提問時，需要向數據中心發送請求，然後強大的處理器會生成響應。這個過程雖然很快，但消耗的能量也是巨大的。根據艾倫人工智能研究所的數據，對ChatGPT進行一次查詢所消耗的電量相當於爲燈泡點亮20分鐘，是簡單Google搜索耗電量的10倍以上。

然而，全球的電力資源有限，而數據中心需要持續穩定的電力供應來運行服務器和其他核心運營設備。如果能源供應不穩定，停機可能會給企業和其他用戶造成重大經濟損失。此外，巨大的能源消耗也引發了人們對環境的擔憂。

爲應對這一挑戰，科技公司們開始尋找解決方案。

部分公司選擇更清潔且高效的能源供給，如核能。亞馬遜最近在美國賓夕法尼亞州東北部購買了一個價值6.5億美元的核能數據中心園區設施，該設施將使用核反應堆產生的高達40%的電力，最終使亞馬遜能夠減少對當地電網的依賴。與此同時，微軟聘請了核專家來帶頭尋找這種替代電源。微軟還與核電站運營商簽訂了合同協議，爲其位於弗吉尼亞州的一個數據中心提供電力。

除此之外，科技公司們不僅在前文所提到的一系列芯片節能技術進行努力，也在其他硬件設施和技術上下足了功夫。

谷歌正在開發人工智能專用芯片，例如張量處理單元（TPU），這些芯片針對人工智能任務進行了優化，而不是使用爲遊戲技術創建的圖形處理單元（GPU）。

英偉達針對Blackwell芯片的直接液體冷卻系統還宣佈了一項研究，研究表明瞭如何重新利用從服務器中吸收的熱量並將其回收到數據中心。據英偉達估計，冷卻最多可減少數據中心設施耗電量的28%。

然而，威斯康星大學麥迪遜分校的教授辛克萊提醒，傑文斯悖論在這裡依然適用。“提高人工智能的效率，雖然減少了單次能耗，但整體使用率的增加最終會導致總體能耗的上升。”辛克萊解釋道。這個悖論不僅適用於19世紀的火車煤炭使用，同樣適用於當今的人工智能和電力消耗。