生成 AI のコストと持続可能性

DALL-E を使用してイメージを作成したり、ChatGPT に定期レポートを作成させたりしている人は、大量のクラウド リソースを消費しています。誰がこれすべての費用を支払うのでしょうか？

翻訳者|Bugatti

レビュアー|Sun Shujuan

人工知能 (AI) は、あらゆるプラットフォーム (パブリック クラウドを含む) でリソースを大量に消費するテクノロジーです。ほとんどの AI テクノロジは大量の推論計算を必要とするため、プロセッサ、ネットワーク、ストレージ リソースの需要が増加し、最終的には電気代、インフラストラクチャのコスト、炭素排出量が増加します。

ChatGPT などの生成 AI システムの台頭により、この問題が再び最前線にさらされました。このテクノロジーの人気と、企業、政府、一般大衆による広範な使用の可能性を考慮すると、電力消費量の増加曲線には憂慮すべき弧が現れることが予想されます。

AI は 1970 年代から実現可能でしたが、成熟した AI システムが適切に動作するには多大なリソースが必要であるため、当初は商業的な効果はあまりありませんでした。私が 20 代の頃に設計した AI ベースのシステムを覚えていますが、それを実行するにはハードウェア、ソフトウェア、データ センターのスペースに 4,000 万ドル以上が必要でした。ちなみに、このプロジェクトは、他の多くの AI プロジェクトと同様、リリース日が決定されておらず、商用ソリューションは実現不可能でした。

クラウド コンピューティングはすべてを変えます。パブリック クラウドを使用すると、かつては手の届かなかったタスクを、十分な費用対効果で処理できるようになります。実際、ご想像のとおり、過去 10 ～ 15 年間、クラウド コンピューティングの台頭は AI の台頭と一致しており、現在、この 2 つは密接に関連していると言えます。

クラウド リソースの持続可能性とコスト

この分野で何が起こるかを予測するのに多くの調査は必要ありません。現在非常に人気のある生成 AI システムやその他の AI および機械学習システムなど、AI サービスに対する市場の需要は急増すると考えられます。先頭に立つのは、イノベーション（スマート サプライ チェーンなど）を通じて優位性を追求する企業、あるいは定期レポートを書くために生成 AI システムを検討している何千人もの大学生です。

AI に対する需要の増加は、パブリック クラウドやそれらが提供するサービスなど、AI システムで使用されるリソースに対する需要の増加を意味します。この需要は、電力を大量に消費するサーバーやネットワーク機器を収容するデータセンターの増加によって満たされると考えられます。

パブリック クラウド プロバイダーは、他のユーティリティ リソース プロバイダーと同様に、住宅の電気料金が季節ごとに増加するのと同じように、需要の増加に応じて価格を値上げします (これも需要に基づいています)。そのため、私たちは通常、電力消費量を制御し、夏にはエアコンの温度を高くします。

ただし、クラウド コンピューティングのコストが高くなっても、ビジネスに同じような影響が及ぶわけではありません。企業は、これらの AI システムが不可欠ではないが、特定の主要なビジネス プロセスを推進するために必要であると考えるかもしれません。多くの場合、AI システムのコストを相殺するために人員を削減するなどして、社内でコストを節約しようとしている可能性があります。生成 AI システムが間もなく多くの情報労働者に取って代わることは周知の事実です。

私たちに何ができるでしょうか?

AI システムを実行するためのリソースの需要により、コンピューティング コストと二酸化炭素排出量が増加する場合、それに対して何ができるでしょうか?その答えは、AI がプロセッサ、ネットワーク、ストレージなどのリソースを最大限に活用するためのより効率的な方法を見つけることにあるかもしれません。

たとえば、パイプラインをサンプリングすると、処理されるデータ量が減り、ディープ ラーニングを高速化できます。マサチューセッツ工科大学 (MIT) と IBM の研究によると、このアプローチを使用すると、大規模なデータ セットでニューラル ネットワークを実行するために必要なリソースを削減できることがわかりました。ただし、これにより精度も制限されるため、一部のビジネス ユースケースでは許容できますが、すべてのユースケースでは許容できません。

他のテクノロジー分野で使用されているもう 1 つのアプローチは、インメモリ コンピューティングです。このアーキテクチャでは、メモリ内外のデータの移動を回避することで AI 処理を高速化できます。代わりに、AI 計算がメモリ モジュール内で直接実行されるため、処理が大幅に高速化されます。

物理プロセッサを変更する（速度を上げるために AI 計算を処理するコプロセッサを使用する）ことや、量子コンピューティングなどの次世代コンピューティング モデルを採用するなど、他のアプローチも開発されています。近い将来、大規模なパブリック クラウド プロバイダーが、これらの問題の多くに対処するテクノロジーを発表することが予想されます。

どうすればいいですか?

この記事は、クラウド コンピューティングのコストを削減したり、地球を救ったりするために AI を回避するというものではありません。 AI は、ほとんどの企業が多大な価値を生み出すために使用できる基本的なコンピューティング手法です。

AI ベースの開発プロジェクトまたは新しい AI システム開発プロジェクトに着手する場合、コストと持続可能性は密接に関連しているため、コストと持続可能性への影響を明確に理解することをお勧めします。コストと利益の選択をする必要がありますが、これは実際に、負担しなければならないコストとリスクに対してどのような価値を会社にもたらすことができるかという古い話題に戻ります。ここには何も新しいことはありません。

私は、この問題は、インメモリ コンピューティング、量子コンピューティング、またはその他のまだ登場していないテクノロジーであっても、イノベーションによって解決されることが主に期待されていると信じています。 AI テクノロジー プロバイダーとクラウド コンピューティング プロバイダーは、AI をよりコスト効率が高く、エネルギー効率が高く、環境に優しいものにすることに熱心です。これは良いニュースです。

原題: 生成 AI のコストと持続可能性 、著者: David S. Linthicum

以上が生成 AI のコストと持続可能性の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。