Современные системы искусственного интеллекта (ИИ) демонстрируют колоссальное энергопотребление, что становится серьезной проблемой. В 2024 году центры обработки данных во всем мире использовали около 415 тераватт-часов (ТВт·ч) электроэнергии, и, по прогнозам Международного энергетического агентства, эта цифра более чем удвоится к 2030 году, достигнув 945 ТВт·ч.
При этом ожидается, что на ИИ будет приходиться более 20% прироста спроса на энергию, тогда как ископаемое топливо по-прежнему обеспечивает около 40% новых поставок электроэнергии.
Например, энергопотребление дата-центров в США в 2024 году составило 183 ТВт·ч — около 4% всего потребления электроэнергии страны, что сопоставимо с потреблением такой страны как Пакистан. К 2030 году этот показатель, по оценкам экспертов, может увеличиться на 133%, достигнув 426 ТВт·ч.
Обучение одной крупной языковой модели, например ChatGPT, приводит к выбросу около 552 тонн CO2 — это сопоставимо с годовым углеродным следом 121 американского домохозяйства. При этом до 90% всей электроэнергии, связанной с ИИ, в итоге уходит не на обучение, а на запуск и повседневное использование модели.
В этой ситуации нейроморфные вычисления, вдохновленные архитектурой человеческого мозга, становятся одним из ключевых кандидатов на роль решения проблемы энергопотребления.
Что такое нейроморфные процессоры
В отличие от традиционной архитектуры, где память и вычислительные блоки разделены и требуют энергозатратной передачи данных, нейроморфные чипы объединяют эти функции в одном месте. Такое «вычисление в памяти» позволяет имитировать работу нейронов, которые одновременно хранят и обрабатывают информацию. Это дает возможность существенно снизить энергопотребление за счет спайкового, событийного режима работы: процессор активен только при получении сигнала, а не «молотит» данные непрерывно.
Современные достижения
Процессор Loihi 2 от Intel показывает, что может выполнять вычисления ИИ, используя в 100 раз меньше энергии и работая до 50 раз быстрее, чем традиционные системы на базе CPU и GPU при ряде типовых нагрузок.
Чип NorthPole от IBM с 22 миллиардами транзисторов и 256 ядрами показал в 25 раз большую энергоэффективность и в 22 раза более высокую скорость при решении задач распознавания изображений, чем GPU NVIDIA V100.
Ученые из Университета Южной Калифорнии разработали искусственные нейроны на базе диффузионных мемристоров, работающих на основе ионной динамики. Это позволяет снизить энергопотребление на порядки: до 40–200 пикоДжоулей на один импульс — значительно меньше, чем у традиционных логических элементов.
Перспективы применения
Исследования Mercedes-Benz показывают, что нейроморфные системы технического зрения могут снизить энергопотребление вычислительных систем для автономного вождения примерно на 90% по сравнению с текущими технологиями. Ожидается, что к 2030 году до 40% сенсорных узлов Интернета вещей (IoT) будут оснащены нейроморфными чипами благодаря жестким требованиям к энергоэффективности и необходимости обрабатывать данные на периферии сети, а не в облаке.
Мозг как эталон энергопотребления
Человеческий мозг — эталон эффективности: всего около 20 ватт на восприятие мира, обучение, планирование и принятие решений в реальном времени. Современные GPU для сопоставимых по сложности задач потребляют уже киловатты. Нейроморфные чипы пытаются сократить этот разрыв на порядок. Если им удастся приблизиться к «мозговой» планке, ИИ сможет продолжать расти, не превращаясь в один из главных драйверов энергокризиса и климатических рисков.
Читайте также: Искусственный нейрон имитирует работу нескольких областей мозга с абсолютной точностью.
