هر سؤال سادهای که از هوش مصنوعی میپرسیم، در پشت صحنه میتواند هزاران تراشه را همزمان درگیر کند؛ تراشههایی که در دیتاسنترهای عظیم، برق را میبلعند و گرمای سنگینی تولید میکنند. هوش مصنوعی دیگر فقط یک نرمافزار هوشمند نیست؛ به یک مصرفکننده صنعتی انرژی تبدیل شده است. آیا شبکه برق، منابع آب و زیرساختهای شهری میتوانند سرعت رشد این ماشین محاسباتی را تحمل کنند؟
زیرساخت فیزیکی هوش مصنوعی؛ از درخواست کاربر تا مصرف برق
هوش مصنوعی برخلاف ظاهر دیجیتال و نامرئی خود، به زیرساختی کاملاً فیزیکی وابسته است. بیشتر درخواستهای سنگین هوش مصنوعی، از تولید متن و تصویر تا تحلیل داده، در دیتاسنترها پردازش میشوند؛ جایی که هزاران سرور، تراشه پردازشی، تجهیزات شبکه، سیستمهای ذخیرهسازی، سامانههای خنککننده و تجهیزات برقرسانی بهصورت ۲۴ ساعته فعال هستند.
حتی پیش از گسترش هوش مصنوعی، دیتاسنترها زیرساخت اصلی بسیاری از خدمات اینترنتی بودند؛ از ذخیره ایمیل، عکس و ویدیو تا اجرای سرویسهای مالی، نقشهها و نرمافزارهای آنلاین. اما هوش مصنوعی مولد، نوع و شدت پردازش را تغییر داده است. در بسیاری از خدمات اینترنتی سنتی، پردازشها سبکتر، قابل پیشبینیتر و قابل توزیعتر بودند؛ اما مدلهای هوش مصنوعی، بهویژه مدلهای زبانی و تصویری بزرگ، به محاسبات همزمان و سنگین نیاز دارند.
تفاوت اصلی در این است که دیتاسنتر هوش مصنوعی فقط داده را ذخیره نمیکند، بلکه بهطور مداوم عملیات ریاضی بسیار پیچیدهای انجام میدهد. برای پاسخ دادن به یک درخواست، مدل باید میلیاردها پارامتر را پردازش کند و این کار معمولاً توسط تعداد زیادی GPU یا واحد پردازش گرافیکی انجام میشود. GPUها با پردازش همزمان حجم زیادی از محاسبات، بخش اصلی توان پردازشی دیتاسنترهای هوش مصنوعی را تأمین میکنند؛ اما همین توان بالا، مصرف برق و تولید گرما را بهشدت افزایش میدهد.
یک تراشه پیشرفته هوش مصنوعی میتواند در زمان فعالیت سنگین، صدها وات برق مصرف کند؛ یعنی در حد برخی وسایل خانگی پرمصرف. این عدد بهتنهایی شاید چندان بزرگ بهنظر نرسد، اما مقیاس دیتاسنترهای هوش مصنوعی مسئله را کاملاً تغییر میدهد؛ چون در این مراکز فقط چند تراشه فعال نیست، بلکه هزاران و گاهی دهها هزار GPU بهصورت همزمان کار میکنند. در چنین مقیاسی، مصرف برق دیگر در حد یک اتاق سرور نیست و میتواند به سطح مصرف یک مجموعه صنعتی بزرگ یا حتی یک شهر کوچک نزدیک شود.
موضوع فقط تعداد تراشهها نیست؛ تراکم آنها نیز اهمیت زیادی دارد. برای اینکه مدلهای هوش مصنوعی سریعتر آموزش ببینند و پاسخها با تأخیر کمتری تولید شوند، GPUها در کابینتهای مخصوص فلزی بهنام «رَک» بهصورت فشردهتر و نزدیکتر بههم قرار میگیرند. این طراحی ارتباط میان تراشهها را سریعتر میکند، اما همزمان مصرف برق و گرمای تولیدشده در هر رک را بهشدت افزایش میدهد. در دیتاسنترهای معمولی، هر رک ممکن است حدود ۵ تا ۱۰ کیلووات برق مصرف کند؛ اما در پیکربندیهای پرچگال مخصوص پردازش هوش مصنوعی، بهویژه رکهایی که با GPUهای پرقدرت تجهیز شدهاند، مصرف هر رک میتواند به دهها کیلووات برسد و در برخی طراحیهای جدید به حدود ۷۰ تا ۱۰۰ کیلووات نزدیک شود.
بنابراین، مسئله فقط تعداد تراشهها نیست، تراکم آنها در یک فضای محدود است که مصرف برق، تولید گرما و نیاز به خنککاری را چند برابر میکند. بههمیندلیل، دیتاسنترهای هوش مصنوعی از نظر عملکرد بیشتر به یک واحد صنعتی پردازش داده شباهت دارند تا یک مرکز ساده ذخیرهسازی اطلاعات.
مقیاس مصرف: از خانه تا شهر
برای درک بزرگی مسئله، باید مصرف دیتاسنترها را با مقیاسهای ملموس مقایسه کرد. در سال ۲۰۲۴، کل دیتاسنترهای جهان حدود ۴۱۵ تراواتساعت برق مصرف کردند؛ رقمی نزدیک به ۱٫۵ درصد مصرف برق جهان. هوش مصنوعی تنها عامل این مصرف نیست، اما یکی از مهمترین محرکهای رشد آن در آینده محسوب میشود. پیشبینی میشود مصرف برق دیتاسنترها تا سال ۲۰۳۰ به حدود ۹۴۵ تراواتساعت برسد؛ یعنی بیش از دو برابر سطح سال ۲۰۲۴ و در حد مصرف برق سالانه یک اقتصاد صنعتی بزرگ مانند ژاپن.
حتی اگر فقط یک دیتاسنتر بزرگ را در نظر بگیریم، مقیاس مصرف برق بسیار بالا است. یک مرکز متمرکز بر هوش مصنوعی میتواند به اندازه حدود ۱۰۰ هزار خانوار برق مصرف کند؛ درحالیکه برخی پروژههای فوقعظیم درحال توسعه، ممکن است مصرفی تا ۲۰ برابر این مقدار داشته باشند.
رشد مصرف برق دیتاسنترهای هوش مصنوعی فقط به بیشتر شدن تعداد کاربران مربوط نیست. خود مدلها نیز بزرگتر و پیچیدهتر شدهاند و برای آموزش و پاسخگویی به توان پردازشی بیشتری نیاز دارند. بههمیندلیل، استفاده از سرورهای مجهز به GPU و تراشههای مخصوص هوش مصنوعی بهسرعت درحال افزایش است. این سرورها برای پردازشهای بسیار سنگینتری نسبت به سرورهای معمولی طراحی شدهاند؛ اما همین توان بالاتر، مصرف برق و گرمای تولیدی آنها را نیز افزایش میدهد. برآوردها نشان میدهند مصرف برق این نوع سرورها تا سال ۲۰۳۰ با سرعتی بسیار بیشتر از سرورهای معمولی رشد خواهد کرد. درنتیجه، وقتی میلیونها نفر همزمان از هوش مصنوعی استفاده میکنند، دیتاسنتر دیگر یک مصرفکننده معمولی نیست؛ به یک زیرساخت صنعتی عظیم تبدیل میشود که شبانهروز برق، خنککاری و ظرفیت پایدار شبکه میخواهد.
آموزش مدل؛ لحظهای که مصرف برق به اوج میرسد
مصرف برق هوش مصنوعی دو بخش اصلی دارد: آموزش مدل و استفاده روزمره. استفاده روزمره زمانی اتفاق میافتد که کاربر سؤال میپرسد و مدل پاسخ میدهد. این بخش معمولاً پیوستهتر و قابل پیشبینیتر است، چون به تعداد کاربران، حجم درخواستها و نوع پاسخ بستگی دارد.
اما آموزش مدل فشار بسیار سنگینتری به دیتاسنتر وارد میکند. در این مرحله، مدل با حجم عظیمی از داده تغذیه میشود و هزاران GPU باید بهصورت همزمان، پیوسته و نزدیک به حداکثر ظرفیت کار کنند. برخلاف استفاده روزمره که بار پردازشی آن میان درخواستهای مختلف پخش میشود، آموزش مدل معمولاً یک عملیات متمرکز و فشرده است.
درنتیجه، حتی اگر آموزش فقط بخشی از کل فعالیت هوش مصنوعی باشد، از نظر شدت مصرف برق، تولید گرما و فشار بر تجهیزات، یکی از سنگینترین عملیات داخل دیتاسنتر محسوب میشود. هرچه مدلها بزرگتر، دادههای آموزشی بیشتر و زمان آموزش کوتاهتر شود، نیاز به توان پردازشی بالاتر نیز افزایش مییابد. این موضوع مصرف برق دیتاسنترهای هوش مصنوعی را به سطحی بسیار فراتر از دیتاسنترهای سنتی میرساند.
چرا محل ساخت دیتاسنترها برای شبکه برق مهم است؟
مصرف برق دیتاسنترهای هوش مصنوعی فقط به مقدار انرژی مصرفشده مربوط نیست؛ محل مصرف، زمان مصرف و شدت برداشت برق از شبکه نیز اهمیت دارد. اگر یک دیتاسنتر در منطقهای با برق پایدار، خطوط انتقال قوی، پستهای برق کافی و ظرفیت اتصال مناسب ساخته شود، تأمین انرژی آن قابل مدیریتتر است. اما وقتی چندین دیتاسنتر بزرگ در یک محدوده کنار هم ساخته میشوند، فشار سنگینی به شبکه برق محلی وارد خواهد شد.
این تمرکز معمولاً اتفاقی نیست. شرکتهای فناوری مناطقی را انتخاب میکنند که زمین ارزانتر، اینترنت پرسرعت، دسترسی به فیبر نوری، نزدیکی به کاربران یا مشتریان بزرگ، مشوقهای مالیاتی و زیرساخت اولیه برق و ارتباطات داشته باشند. درنتیجه، در برخی شهرها خوشههای دیتاسنتری شکل میگیرند؛ یعنی چندین مرکز پردازشی بزرگ در فاصلهای نزدیک بههم فعالیت میکنند یا درحال توسعه هستند.
مشکل اینجاست که ظرفیت شبکه برق در همه مناطق یکسان نیست. ممکن است در سطح کشور برق کافی تولید شود، اما یک شهر، شهرستان یا ناحیه صنعتی، توان انتقال و توزیع چنین مصرف سنگینی را نداشته باشد. در این شرایط، گلوگاه فقط نیروگاه نیست؛ خطوط انتقال، پستهای برق، ترانسفورماتورها، ظرفیت اتصال و تجهیزات حفاظتی هم میتوانند توسعه دیتاسنترها را محدود کنند.
فشار محلی میتواند اتصال پروژهها را ماهها یا حتی سالها عقب بیندازد و شرکتهای برق را مجبور به ساخت خطوط، پستها و تجهیزات جدید کند. بخشی از این هزینهها نیز ممکن است درنهایت به شکل افزایش تعرفه یا هزینه زیرساختی به مصرفکنندگان عادی منتقل شود. بنابراین، مسئله فقط این نیست که «برق کافی تولید میشود یا نه»؛ مسئله این است که آیا شبکه میتواند این حجم برق را درست در همان نقطه، با ظرفیت کافی و بدون فشار بیش از حد به زیرساخت محلی تأمین کند یا نه.
این موضوع برای دیتاسنترهای هوش مصنوعی حساستر است، چون تجهیزات پردازشی، GPUها و سامانههای خنککننده به برق پایدار و باکیفیت نیاز دارند. نوسان ولتاژ، افت فرکانس یا اعوجاج هارمونیکی میتواند عملکرد تجهیزات حساس را مختل کند. بنابراین، مناطقی که میزبان خوشههای بزرگ دیتاسنتری هستند فقط به برق بیشتر نیاز ندارند؛ به شبکهای قویتر، پایدارتر و هوشمندتر نیاز دارند؛ شبکهای که بتواند انتقال برق، کیفیت توان، اتصال پروژهها و پایداری زیرساخت را همزمان مدیریت کند.
ترانسفورماتورها؛ گلوگاه پنهان در مسیر برق دیتاسنترها
حتی اگر برق کافی تولید شود، یک مسئله مهم همچنان باقی میماند: این برق چگونه به دیتاسنتر میرسد؟ برق تولیدشده در نیروگاهها معمولاً با ولتاژ بالا از طریق خطوط انتقال جابهجا میشود تا در مسیرهای طولانی، اتلاف کمتری داشته باشد. اما این برق نمیتواند با همان ولتاژ وارد دیتاسنتر شود. نزدیک محل مصرف، باید سطح ولتاژ کاهش پیدا کند و به مقدار قابل استفاده برای تجهیزات دیتاسنتر برسد. این تبدیل بدون ترانسفورماتورهای بزرگ و تخصصی ممکن نیست.
ترانسفورماتورها از اجزای کلیدی شبکه برق هستند، اما معمولاً تا زمانی که کمبود یا خرابی ایجاد نشود، چندان به چشم نمیآیند. دیتاسنترهای هوش مصنوعی بهدلیل مصرف بالا و حساسیت تجهیزات، به ترانسفورماتورهای قدرتمند و گاهی سفارشی نیاز دارند؛ تجهیزاتی با زمان ساخت زیاد که به مواد اولیه، طراحی تخصصی و زنجیره تأمین محدود وابسته است. با افزایش تقاضا برای دیتاسنترها، زمان انتظار و هزینه تأمین این تجهیزات نیز بالا میرود.
همزمان، در برخی بازارها، شرکتها برای حفظ جای خود در صف اتصال به شبکه، ظرفیت برق را زودتر از زمان نیاز و گاهی بیشتر از مصرف واقعی کوتاهمدت رزرو میکنند. این وضعیت باعث میشود بخشی از ظرفیت شبکه روی کاغذ اشغال شود، درحالیکه بعضی پروژهها هنوز ساخته نشدهاند، با تأخیر اجرا میشوند یا هرگز به ظرفیت کامل نمیرسند. نتیجه، صفهای طولانیتر اتصال، برنامهریزی دشوارتر برای شرکتهای برق و فشار بیشتر بر تجهیزات کلیدی شبکه است.
بنابراین، چالش دیتاسنترهای هوش مصنوعی فقط تولید برق نیست. اگر ترانسفورماتور، پست برق و ظرفیت اتصال کافی وجود نداشته باشد، حتی برق تولیدشده نمیتواند بهموقع، پایدار و قابل اتکا به دیتاسنتر برسد.
گرمای پنهان محاسبات؛ چرا دیتاسنترها به خنککاری دائمی نیاز دارند؟
تقریباً تمام برق واردشده به سرورها و تراشههای پردازشی، درنهایت به گرما تبدیل میشود. بهزبان ساده، اگر بخش پردازشی یک دیتاسنتر ۱۰۰ مگاوات برق مصرف کند، باید تقریباً با ۱۰۰ مگاوات گرمای تولیدشده مقابله شود. هرچه تعداد GPUها بیشتر باشد و این تراشهها فشردهتر در کنار هم قرار بگیرند، چگالی گرما افزایش مییابد. اگر این گرما بهسرعت از محیط خارج نشود، دمای تراشهها بالا میرود، عملکرد سیستم کاهش پیدا میکند و در موارد شدید، تجهیزات برای جلوگیری از آسیب خاموش میشوند.
بههمیندلیل، مصرف انرژی دیتاسنتر فقط به اجرای سرورها و پردازش داده محدود نمیشود؛ بخش قابلتوجهی از انرژی برای کنترل دما و جلوگیری از داغ شدن تجهیزات بهکار میرود. در دیتاسنترهای بسیار کارآمد، خنککاری ممکن است تنها حدود ۷ درصد از برق مصرفی مرکز را به خود اختصاص دهد، اما در مراکز کمبازدهتر این سهم میتواند به بیش از ۳۰ درصد برسد. سیستمهای سرمایشی باید دمای هوای ورودی تجهیزات را معمولاً در محدودهای نزدیک به ۱۸ تا ۲۷ درجه سانتیگراد نگه دارند؛ محدودهای که برای عملکرد پایدار سرورها اهمیت زیادی دارد.
این کنترل دما با مجموعهای از فنها، چیلرها، پمپها، مدارهای آب سرد، برجهای خنککننده و در دیتاسنترهای پیشرفتهتر، با سامانههای سرمایش مایع مستقیم انجام میشود. هرکدام از این روشها مزایا و محدودیتهای خاص خود را دارند: بعضی فشار بیشتری بر مصرف برق وارد میکنند، بعضی وابستگی بیشتری به آب دارند و بعضی به سرمایهگذاری اولیه بالاتری نیاز دارند.
در مناطق خشک و کمآب، مسئله خنککاری حساستر میشود. برخی روشها، مانند خنککاری تبخیری، میتوانند مصرف برق را کاهش دهند، اما در مقابل به آب بیشتری نیاز دارند. حتی اگر مصرف آب بهازای هر واحد پردازش کم بهنظر برسد، در مقیاس دیتاسنترهای بزرگ به عددی قابلتوجه تبدیل میشود.
در برخی دیتاسنترها، بهویژه در اقلیمهای گرم یا در سامانههای وابسته به خنککاری تبخیری، مصرف آب میتواند به حدود ۰٫۷ لیتر بهازای هر کیلوواتساعت مصرف تجهیزات پردازشی نزدیک شود. وقتی این عدد در مصرف چند ده یا چند صد مگاواتی یک دیتاسنتر ضرب شود، مصرف روزانه آب به سطحی میرسد که برای مناطق دچار تنش آبی اهمیت جدی پیدا میکند.
چرا برق پاک بهتنهایی کافی نیست؟
شرکتهای فناوری برای کاهش فشار زیستمحیطی دیتاسنترها بهسراغ انرژیهای تجدیدپذیر، نیروگاههای خورشیدی و بادی، انرژی هستهای، زمینگرمایی و حتی راکتورهای کوچک رفتهاند. این مسیر ضروری است، اما بهتنهایی مسئله را حل نمیکند. چالش دیتاسنترهای هوش مصنوعی فقط این نیست که برق از منبع پاک تولید شود؛ این برق باید در زمان مناسب، در مکان مناسب و با پایداری کافی به دیتاسنتر برسد.
دلیل اصلی این است که دیتاسنترهای هوش مصنوعی به برق پیوسته، سنگین و بسیار پایدار نیاز دارند، درحالیکه تولید برخی منابع پاک مانند خورشید و باد همیشه یکنواخت نیست. انرژی خورشیدی به ساعات تابش وابسته است و توان بادی نیز با شرایط آبوهوایی تغییر میکند. بنابراین، تأمین برق پایدار برای دیتاسنترها فقط با ساخت نیروگاه تجدیدپذیر حل نمیشود؛ شبکه باید به باتریهای بزرگ، سامانههای ذخیره انرژی، خطوط انتقال جدید، پستهای برق قدرتمند و منابع پشتیبان قابل اتکا مجهز باشد.
به همین دلیل، برخی شرکتهای بزرگ فناوری تلاش میکنند منابع برق اختصاصی داشته باشند یا قراردادهای بلندمدت برای خرید برق پاک ببندند تا وابستگی خود را به شبکه عمومی کاهش دهند. اما این راهحل برای کل صنعت کافی نیست. بسیاری از دیتاسنترها، بهویژه مراکز کوچکتر، دیتاسنترهای اجارهای و پروژههایی که در خوشههای صنعتی ساخته میشوند، همچنان به شبکه برق عمومی متصل خواهند بود و فشار آنها به زیرساخت محلی منتقل میشود.
بنابراین، انرژی پاک زمانی میتواند بخشی از راهحل باشد که همراه با برنامهریزی دقیق شبکه اجرا شود. اگر رشد دیتاسنترهای هوش مصنوعی سریعتر از توسعه خطوط انتقال، ذخیرهسازی انرژی و ظرفیت پشتیبان پیش برود، ممکن است برخی مناطق برای پاسخ به تقاضای فوری برق، دوباره به گاز، زغالسنگ یا توسعه شتابزده نیروگاههای فسیلی وابسته شوند.
راهحل اصلی؛ هوش مصنوعی باید با هر وات برق، کار بیشتری انجام دهد
آینده دیتاسنترهای هوش مصنوعی فقط با ساخت نیروگاههای بیشتر تأمین نمیشود. بخش مهمی از راهحل به این بستگی دارد که خود محاسبات هوش مصنوعی کارآمدتر شوند؛ یعنی هر وات برق بتواند پردازش بیشتری انجام دهد. این هدف از چند مسیر دنبال میشود: طراحی تراشههای کممصرفتر، استفاده از معماریهای تخصصی برای هوش مصنوعی، بهینهسازی مدلها، فشردهسازی داده، حافظههای کارآمدتر، مدیریت هوشمند بار پردازشی و زمانبندی دقیقتر برای آموزش مدلها.
بخشی از فشار دیتاسنترها نیز میتواند با توزیع بهتر پردازش کاهش پیدا کند. مثلاً، با انجام پردازشهای سبکتر روی موبایل، لپتاپ یا دستگاههای محلی، همه درخواستها لازم نیست به دیتاسنتر منتقل شوند. از طرف دیگر، مدلهایی که بهتر طراحی و آموزش داده میشوند، برای تولید پاسخ مشابه به محاسبات کمتری نیاز دارند. این یعنی مصرف برق کمتر، گرمای کمتر و فشار پایینتر بر سیستمهای خنککاری.
در کنار بهینهسازی نرمافزار و تراشه، زیرساخت فیزیکی نیز باید ارتقا پیدا کند. طراحی بهتر رکها، استفاده از سرمایش مایع مستقیم، بازیابی گرمای تولیدشده، باتریهای بزرگ، خطوط انتقال قویتر و مدیریت هوشمندانه شبکه میتوانند فشار مصرف ناگهانی را کاهش و پایداری برق را افزایش دهند. بنابراین، راهحل فقط درون دیتاسنتر نیست؛ از طراحی مدل و تراشه شروع میشود و تا شبکه برق، منابع آب و برنامهریزی شهری ادامه پیدا میکند.
آینده هوش مصنوعی فقط به تعداد مدلها و قدرت تراشهها بستگی ندارد؛ به این بستگی دارد که صنعت بتواند میان رشد محاسبات، ظرفیت شبکه برق، منابع آب و بهرهوری انرژی تعادل ایجاد کند. اگر این تعادل شکل نگیرد، گلوگاه بعدی هوش مصنوعی نه داده است و نه الگوریتم؛ بلکه برق، خنککاری و زیرساخت شهری خواهد بود.
نظرات کاربران