AI spotrebúva energiu ešte predtým, ako začne fungovať
Umelá inteligencia sa stala kľúčovou IT témou súčasnosti. Využíva sa nielen na automatické preklady či sumarizáciu rozsiahlych textov, ale aj na vytváranie multimediálneho obsahu alebo matematické dôkazy. Vedecký, neskôr zábavný, trend prerástol do profesionálnej záležitosti, ktorej sa venujú medzinárodné konferencie.
V Európskej únii umelú inteligenciu nasadzuje vo svojom biznise približne 13,5 percenta všetkých podnikov, v prípade veľkých spoločností tento podiel presahuje 41 percent. Ide primárne o podniky z informačného a komunikačného sektora, AI sa však objavuje aj v ostatných vedeckých a technických odboroch a dokonca aj v oblasti realitného podnikania a v oblasti administratívy.
Najnižší podiel podnikového využitia umelej inteligencie sa dá nájsť v stavebníctve, ubytovacích službách či doprave a skladovaní. Medzi dôvody, kvôli ktorým podniky váhajú s nasadením umelej inteligencie, patria okrem nedostatku expertízy aj obavy o súkromie či potenciálne porušenie legislatívy.
Je pochopiteľné, že ako každá súčasná výpočtová technológia, aj umelá inteligencia je poháňaná elektrickou energiou. V roku 2024 pritom spotrebovali dátové centrá, kde bežia aj systémy umelej inteligencie, približne dve percentá celkovej elektriny v Európe. V USA dosahoval tento podiel až 4,5 percenta, Čína dosahovala asi polovičný pomer ako Európa, v absolútnej hodnote ju však prevyšovala.
Začalo to pevnými pravidlami
Prvé pokusy s umelou inteligenciou fungovali na princípe presne definovaných pravidiel „myslenia“. Program mal vo svojej štruktúre zadefinovanú sadu rozhodovacích „vetvení“, na základe ktorých dospel pri rovnakom zadaní vždy k rovnakému výsledku.
Program „Logic Theorist“ (logický teoretik) vytvorený v roku 1956 vychádzal z myšlienky „obmedzenej racionality“ a podarilo sa mu automaticky dokázať 38 z prvých 52 matematických tvrdení z druhej kapitoly trojzväzkového diela základov matematiky.
Spracovanie prirodzeného jazyka vykonával program ELIZA, napísaný v rokoch 1964 až 1967, ktorý s používateľom dokázal viesť konverzáciu v angličtine. Vytvorený bol opäť pomocou kombinácie pravidiel, ktoré reagovali na slová zadané človekom.
Príkladom takzvanej „AI založenej na pravidlách“ boli aj programy, ktoré dokázali hrať šach. Práve táto hra je typická jasne definovanými logickými pravidlami, ktoré sa dajú relatívne jednoducho naprogramovať a extrémne rýchlo vykonávať. Vrcholom bol superpočítač vyrobený firmou IBM nazvaný Deep Blue, ktorý porazil v roku 1997 úradujúceho veľmajstra v šachu Garri Kasparova.
Súčasné riešenie pripomína mozog
Ak chceme riešiť pomocou umelej inteligencie aj všeobecnejšie úlohy, prístup založený na pravidlách už nepostačuje. Takéto zadania, týkajúce sa napríklad umeleckej oblasti, častokrát žiadne pravidlá nepoznajú, prípadne sú zadefinované len vágne vyplývajúce napríklad z ľudského poňatia estetiky.
V takomto prípade sa využíva postup napodobňujúci ľudskú nervovú sústavu. Takzvané „umelé neuróny“ simulujú funkciu nervovej bunky matematicky. Sú spoločne zapojené do siete, kde si navzájom odovzdávajú spracovaný signál.
Funkcia jednotlivého umelého neurónu je relatívne jednoduchá – vstupy sa vynásobia takzvanými koeficientmi, následne sčítajú a na výsledok sa aplikuje ešte takzvaná „aktivačná“ funkcia. Jej úlohou je „pustiť“ výsledný signál až keď dosiahne určitú úroveň.
Aj keď model umelého neurónu bol navrhnutý už v 40. rokoch 20. storočia, prvé výsledky boli neuspokojivé, práve z dôvodu vtedajšieho nedostatku výpočtového výkonu. Už v roku 1958 sa však podarilo realizovať Mark I Perceptron, ktorý prostredníctvom umelej neurónovej siete „videl“, teda dokázal opticky snímať a oznámiť to, čo je zobrazené.
Bez tréningu inteligencia chýba
Umelé neuróny sa zapájajú do rôznych druhov sietí, experimentuje sa aj s aktivačnými funkciami. Hlavnou vlastnosťou neurónovej siete, kde „sídli“ inteligencia, sú však hodnoty parametrov, ktoré sa musia nastaviť tak, aby celá neurónová sieť dávala požadovaný výsledok.
„Čistá“ neurónová sieť pritom nedokáže poskytnúť žiadny relevantný výsledok. Z pohľadu schopností je na tom horšie ako ľudský novorodenec, ktorý už po narodení disponuje niektorými inštinktívnymi reakciami.
Proces nazývaný tréning „podhadzuje“ neurónovej sieti vstupné dáta a nastavuje koeficienty tak, aby bol dosiahnutý správny výstup. Vzhľadom k tomu, že sú neuróny prepojené a zmena koeficientov v jednom ovplyvní výsledok ostatných, musí sa operácia mnohokrát opakovať.
Práve súčasný dostupný výpočtový výkon umožňuje trénovať obrovské modely. Experimentálne sa dá ukázať, že čím viac parametrov AI obsahuje tým je „inteligentnejšia“, teda poskytne častejšie bezchybnú odpoveď a menej zriedkavo „halucinuje“, čo je chybná odpoveď vytvorená AI s dokonalým presvedčením o jej správnosti.
Práve tréning veľkých modelov vyžaduje enormné množstvo času a energie. GPT-4 sa učila približne 14 týždňov na 25-tisícoch špecializovaných výpočtových čipov pre beh úloh AI. Celkovo tak, pri odhadovanom výkonovom využití 84 percent, spotrebovala na svoje učenie 42,4 gigawatthodín energie.
Neustále zvyšovanie výkonu jednotlivých čipov potrebných pre tréning aj beh umelej inteligencie spotrebu energie urýchľuje. Limitom pre AI bude energia, tvrdí v rozhovore šéf spoločnosti Meta, Mark Zuckerberg.
Reakciou na zvyšujúcu potrebu energie pre AI je aj pripojenie sa hlavného návrhára čipov pre umelú inteligenciu, spoločnosti Nvidia, k inovatívnemu projektu jadrovej elektrárne.
Čipy pre AI berú energiu už pri výrobe
Súčasné mikročipy určené pre umelú inteligenciu potrebujú na svoju činnosť príkon v stovkách wattov až jednotkách kilowattov. Do budúcnosti sa však uvažuje, že potrebný príkon narastie až desaťnásobne.
Ide v podstate o zariadenia, ktoré dokážu rýchlo počítať a ich prvé využitie bolo v grafických kartách, kde dokázali vypočítať geometrické vzťahy nutné pre zobrazenie scény. Masívna výpočtová schopnosť grafických kariet sa využila aj pri kryptomenách, keď náročnosť výpočtu zabezpečuje ich „pravosť“.
Takzvané NPU (Neural Processing Unit) sú špecializované pre úlohy umelej inteligencie práve tým, že počítajú s nižšou presnosťou, ale za rovnaký čas dokážu poskytnúť viac výsledkov. Ich výkon sa vyjadruje v TOPS, teda biliónoch operácií za sekundu.
Potreba zvyšovania výkonu sa dá uspokojiť integráciou viacerých prvkov na jeden čip. To vyžaduje zvládnuť modernejšie polovodičové technológie, tie však na svoju výrobu potrebujú opäť viac energie.
Proces s detailmi na úrovni 28 nanometrov, ktorý bol na vrchole približne v roku 2010, dokáže vyrobiť jeden „wafer“, teda kremíkový plátok, na ktorom sú desiatky až stovky čipov, s použitím 0,6 MWh energie. Ak sa čipy vyrábajú s technológiou na úrovni troch nanometrov, čo dnes patrí už medzi „štandard“ a vo vývoji sú už vyspelejšie procesy, jeden plátok sa vyprodukuje pomocou 2,3 GWh energie.
Takáto produkcia pritom vyžaduje komplexný systém krokov, kde je potrebné chemicko-fyzikálnymi metódami „vyleptať“ do extrémne čistého kremíka vysoko presné štruktúry budúceho čipu.