AI ની અતૃપ્ત ભૂખ: તમારા એક સવાલનો જવાબ આપવા પાછળ કેટલી વીજળી ખર્ચાય છે?

જ્યારે આપણે સ્માર્ટફોન કે કોમ્પ્યુટર પર ChatGPT અથવા Google Gemini જેવા આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) પ્રોગ્રામનો ઉપયોગ કરીએ છીએ, ત્યારે આપણને લાગે છે કે આ બધું ડિજિટલ દુનિયામાં ખૂબ જ સરળતાથી થઈ રહ્યું છે. પરંતુ વાસ્તવિકતા એ છે કે દરેક સવાલના જવાબ પાછળ હજારો માઈલ દૂર આવેલા વિશાળ ડેટા સેન્ટરોમાં હજારો પ્રોસેસર્સ સેકન્ડના સોમા ભાગમાં અબજો ગણતરીઓ કરે છે. આ ગણતરીઓ કરવા માટે પુષ્કળ પ્રમાણમાં વીજળીની જરૂર પડે છે, જે આધુનિક ટેકનોલોજીના યુગમાં એક મોટો પડકાર બની રહી છે.

આર્ટિફિશિયલ ઇન્ટેલિજન્સ (artificial intelligence) એટલે કે AI એ કમ્પ્યુટેશનલ સિસ્ટમ્સની એવી ક્ષમતા છે જે સામાન્ય રીતે માનવીય બુદ્ધિ સાથે સંકળાયેલા કાર્યો કરી શકે છે. આમાં શીખવું, તર્ક કરવો, સમસ્યાનું નિરાકરણ લાવવું અને નિર્ણય લેવાની પ્રક્રિયાનો સમાવેશ થાય છે. વિકિપીડિયાના અહેવાલ મુજબ, AI સંશોધનનો હેતુ મશીનોને તેમના વાતાવરણને સમજવા અને નિર્ધારિત લક્ષ્યો હાંસલ કરવા માટે બુદ્ધિશાળી પગલાં લેવા સક્ષમ બનાવવાનો છે. પરંતુ આ બુદ્ધિ મફતમાં મળતી નથી; તેની પાછળ ઉર્જાનો મોટો ખર્ચ છુપાયેલો છે.

ઉર્જાનો વપરાશ અને ભૌતિક વિજ્ઞાનના નિયમો

કોઈપણ ઇલેક્ટ્રોનિક ઉપકરણ જ્યારે કામ કરે છે, ત્યારે તે વીજળીનો વપરાશ કરે છે. ભૌતિક વિજ્ઞાનના નિયમો મુજબ, ઉર્જાનો નાશ કરી શકાતો નથી, પરંતુ તેને એક સ્વરૂપમાંથી બીજા સ્વરૂપમાં રૂપાંતરિત કરી શકાય છે. જ્યારે કોઈ કોમ્પ્યુટર પ્રોસેસર AI ના સવાલનો જવાબ આપવા માટે ગણતરી કરે છે, ત્યારે તે વિદ્યુત ઉર્જાનું ઉષ્મા ઉર્જા એટલે કે ગરમીમાં રૂપાંતર કરે છે. આ જ કારણ છે કે મોટા ડેટા સેન્ટરો ખૂબ જ ગરમ થઈ જાય છે અને તેમને ઠંડા રાખવા માટે વધારાની વીજળી ખર્ચવી પડે છે.

ઇલેક્ટ્રિકલ એન્જિનિયરિંગમાં ઉર્જા વપરાશને સમજવા માટે બે મુખ્ય શબ્દો સમજવા જરૂરી છે: પાવર (power) અને એનર્જી (energy). પાવર એ ઉર્જા વપરાશનો દર છે, જે વોટ (W) માં માપવામાં આવે છે. જ્યારે એનર્જી એ સમયગાળા દરમિયાન વપરાયેલી કુલ ઉર્જા છે, જે વોટ-અવર (Wh) અથવા કિલોવોટ-અવર (kWh) માં માપવામાં આવે છે. તેનું સૂત્ર E = P × t છે, જ્યાં E ઉર્જા છે, P પાવર છે અને t સમય છે. AI મોડેલો જેટલો લાંબો સમય અને જેટલી વધુ શક્તિ સાથે કામ કરે છે, તેટલો જ તેમનો વીજળીનો વપરાશ વધે છે.

આર્ટિફિશિયલ ઇન્ટેલિજન્સનો ઉદય અને ગ્રાફિક્સ પ્રોસેસિંગ યુનિટ્સ

AI ક્ષેત્રની શરૂઆત ૧૯૫૬માં એક શૈક્ષણિક વિષય તરીકે થઈ હતી. શરૂઆતના વર્ષોમાં સંશોધકોએ એવા અલ્ગોરિધમ્સ બનાવ્યા જે માનવીય તર્કની નકલ કરતા હતા. જોકે, ૧૯૮૦ અને ૧૯૯૦ના દાયકામાં આ પદ્ધતિઓ મર્યાદિત સાબિત થઈ કારણ કે તે જટિલ સમસ્યાઓ ઉકેલવામાં ખૂબ જ ધીમી હતી. ૨૦૧૨ પછી આ ક્ષેત્રમાં મોટી ક્રાંતિ આવી જ્યારે ગ્રાફિક્સ પ્રોસેસિંગ યુનિટ્સ (GPUs) નો ઉપયોગ ન્યુરલ નેટવર્ક્સને ઝડપી બનાવવા માટે થવા લાગ્યો.

ગ્રાફિક્સ પ્રોસેસિંગ યુનિટ (graphics processing unit) એ એક ખાસ પ્રકારનું પ્રોસેસર છે જે એકસાથે અનેક ગણતરીઓ કરવા માટે રચાયેલું છે. અગાઉ તેનો ઉપયોગ માત્ર વિડિયો ગેમ્સના ગ્રાફિક્સ માટે થતો હતો, પરંતુ હવે તે AI ની કરોડરજ્જુ બની ગયું છે. ૨૦૧૭માં ટ્રાન્સફોર્મર આર્કિટેક્ચર (transformer architecture) ની શોધ થઈ, જેણે AI ને ભાષા સમજવામાં અને ટેક્સ્ટ જનરેટ કરવામાં અભૂતપૂર્વ સફળતા અપાવી. આ પ્રગતિને કારણે જ આજે આપણે ChatGPT જેવા મોડેલો જોઈ શકીએ છીએ, પરંતુ આ જટિલ આર્કિટેક્ચર ચલાવવા માટે અગાઉના મોડેલો કરતા અનેકગણી વધુ વીજળીની જરૂર પડે છે.

ટ્રેનિંગ વિરુદ્ધ ઇન્ફરન્સ: ઉર્જા ક્યાં વપરાય છે?

AI ના જીવનચક્રમાં ઉર્જા વપરાશના બે મુખ્ય તબક્કા છે: ટ્રેનિંગ (training) અને ઇન્ફરન્સ (inference). ટ્રેનિંગ એ પ્રક્રિયા છે જેમાં AI મોડેલને અબજો પુસ્તકો, લેખો અને વેબસાઇટ્સનો ડેટા ખવડાવીને શીખવવામાં આવે છે. આ પ્રક્રિયામાં હજારો GPUs મહિનાઓ સુધી સતત ચાલે છે. ઉદાહરણ તરીકે, મોટા ભાષા મોડેલો (LLMs) ને ટ્રેન કરવા માટે એટલી વીજળી વપરાય છે કે જે સેંકડો ઘરોને આખા વર્ષ દરમિયાન પાવર આપી શકે. વિકિપીડિયાના સ્ત્રોત મુજબ, OpenAI, Google અને Meta જેવી કંપનીઓ હવે આર્ટિફિશિયલ જનરલ ઇન્ટેલિજન્સ (AGI) બનાવવાનું લક્ષ્ય રાખે છે, જે માનવી જેટલી જ કાર્યક્ષમતા ધરાવતું હોય. આવા મોડેલોની ટ્રેનિંગનો ખર્ચ અને ઉર્જા વપરાશ સતત વધી રહ્યો છે.

બીજો તબક્કો છે ઇન્ફરન્સ, જેનો અર્થ છે મોડેલ દ્વારા યુઝરના સવાલનો જવાબ આપવાની પ્રક્રિયા. જોકે એક સવાલનો જવાબ આપવામાં વપરાતી વીજળી ટ્રેનિંગની સરખામણીમાં ઘણી ઓછી હોય છે, પરંતુ જ્યારે કરોડો લોકો દિવસમાં અનેકવાર AI નો ઉપયોગ કરે છે, ત્યારે આ કુલ વપરાશ ખૂબ જ મોટો બની જાય છે. સામાન્ય રીતે, એક AI સર્ચ ક્વેરી પરંપરાગત ગૂગલ સર્ચ કરતા લગભગ ૧૦ ગણી વધુ વીજળી વાપરી શકે છે, કારણ કે સર્ચ એન્જિન માત્ર ઇન્ડેક્સમાંથી માહિતી શોધે છે, જ્યારે AI તે માહિતીને સમજીને નવેસરથી વાક્યો બનાવે છે.

ડેટા સેન્ટર: AI ના વિશાળ પાવર પ્લાન્ટ્સ

AI ના આ તમામ કાર્યો ડેટા સેન્ટરોમાં થાય છે. ડેટા સેન્ટર (data center) એ એક વિશાળ ઇમારત છે જેમાં હજારો સર્વર્સ અને સ્ટોરેજ ડિવાઇસ રાખવામાં આવે છે. આ સર્વર્સને ચલાવવા માટે માત્ર વીજળી જ નહીં, પણ તેમને ઠંડા રાખવા માટે લાખો લિટર પાણી અને એર કન્ડીશનીંગ સિસ્ટમ્સની પણ જરૂર પડે છે. એમેઝોન વેબ સર્વિસીસ (AWS), ગૂગલ ક્લાઉડ અને માઇક્રોસોફ્ટ એઝ્યુર જેવા પ્લેટફોર્મ્સ વિશ્વભરમાં આવા વિશાળ ડેટા સેન્ટરો ચલાવે છે.

આ ડેટા સેન્ટરોમાં સર્વર કેબિનેટ્સની હરોળ હોય છે, જેમાં દરેક સર્વર સતત કાર્યરત હોય છે. વીજળી પુરવઠો ખોરવાય નહીં તે માટે ત્યાં બેટરી બેંક અને ડીઝલ જનરેટર્સની પણ વ્યવસ્થા હોય છે. જેમ જેમ AI નો ઉપયોગ વધતો જાય છે, તેમ તેમ આ ડેટા સેન્ટરોની સંખ્યા અને તેમની વીજળીની માંગ પણ વધી રહી છે. કેટલાક અંદાજો મુજબ, આગામી થોડા વર્ષોમાં ડેટા સેન્ટરોનો વીજળી વપરાશ વિશ્વના કુલ વીજળી વપરાશના નોંધપાત્ર હિસ્સા જેટલો થઈ શકે છે.

પર્યાવરણ પર અસર અને ભવિષ્યનો માર્ગ

AI ની આ વધતી જતી ભૂખ પર્યાવરણ માટે ચિંતાનો વિષય છે. જો આ વીજળી કોલસા કે ગેસ જેવા અશ્મિભૂત ઇંધણમાંથી મેળવવામાં આવે, તો તે કાર્બન ઉત્સર્જનમાં વધારો કરે છે, જે આબોહવા પરિવર્તન (climate change) માટે જવાબદાર છે. આથી જ ઘણી ટેક કંપનીઓ હવે તેમના ડેટા સેન્ટરોને સૌર ઉર્જા અથવા પવન ઉર્જા જેવા પુનઃપ્રાપ્ય સ્ત્રોતો દ્વારા ચલાવવાનો પ્રયાસ કરી રહી છે.

ભવિષ્યમાં AI ને વધુ ઉર્જા-કાર્યક્ષમ (energy-efficient) બનાવવા માટે સંશોધનો થઈ રહ્યા છે. આમાં ઓછા પાવર પર ચાલતી નવી ચિપ્સની ડિઝાઇન અને વધુ સ્માર્ટ અલ્ગોરિધમ્સનો સમાવેશ થાય છે જે ઓછામાં ઓછી ગણતરીઓ કરીને સચોટ જવાબ આપી શકે. મશીન લર્નિંગ (machine learning) ની નવી પદ્ધતિઓ, જેમ કે ટ્રાન્સફર લર્નિંગ, મોડેલને અગાઉના જ્ઞાનનો ઉપયોગ કરીને ઓછા ડેટા અને ઓછી ઉર્જા સાથે શીખવામાં મદદ કરે છે.

નિષ્કર્ષમાં, જ્યારે આપણે AI ની સુવિધાનો આનંદ માણીએ છીએ, ત્યારે આપણે તેની પાછળ ખર્ચાતી ઉર્જા અને સંસાધનો પ્રત્યે પણ જાગૃત રહેવું જોઈએ. ટેકનોલોજીનો વિકાસ અનિવાર્ય છે, પરંતુ તે ટકાઉ (sustainable) હોવો પણ એટલો જ જરૂરી છે. આવનારા સમયમાં AI ની સફળતા માત્ર તેની બુદ્ધિ પર જ નહીં, પણ તે કેટલી ઓછી વીજળીમાં કામ કરી શકે છે તેના પર પણ નિર્ભર રહેશે.