如何在电网承载范围内实现AI的大规模部署

没人知道生成式人工智能（GenAI）革命对社会和全球经济的影响具体有多大。如果所有夸张的预测都是准确的，那么生成式人工智能将推动生产力和创新实现巨大飞跃。不过，预测成真的前提是一切进展顺利，最可能出问题的是能源。大规模部署AI需要大量建设数据中心，以满足运行AI所需的的计算能力要求。

随着AI需求增长，电网负载也随之加重。研究人员和各国政府预测，在两到三年内，全球电力需求可能超过供给，导致运营受限，每个人的电费更高。

一个普通的计算机机架，即数据中心内安装的计算设备标准框架，每天消耗约20千瓦时的电力，略低于美国家庭的日均用电量（约30千瓦时）。

常规的AI部署已经使数据中心的电力需求飙升。以英伟达GPU为基础的单个机架每天耗电达120千瓦时，相当于4.5个美国家庭的用电量。这看似不多，但当数千个数据中心内安装了数十万这样的机架，电力需求就会迅速增长。

高盛在2024年5月的一项估算显示，到2030年，仅AI就将使每年的电力需求增加约200太瓦时。作为对比，纽约市每年的用电量约为55太瓦时，相当于每天约10000吉瓦时。若高盛的预测准确，AI将给美国电网增加相当于三个纽约市的电力需求。

显然，我们需要更多电力。微软、亚马逊和谷歌等最大的一些公司正在收购或新建自己的核电站，以确保未来供电。这对于有资源的组织来说是一个明智之选，但大多数组织没有这样的资源。对我们其他人来说，公司利益相关方和政府决策者必须共同努力，找到增加电力容量和改善电网的最佳途径。

在代理型人工智能（Agentic AI）的驱动下，所有这些AI部署都将极大地提升生产力。代理型人工智能通过自主智能体完成任务，并相互协作，几乎不需要或完全不需要人工干预。这种人工智能将推动AI运行负载比例的变化。2023年，训练占用了AI运行负载的大部分，与推理的比率约为2：1。正在形成的共识是，到2025年，随着智能体的普及，推理负载将与训练负载大致持平，而在明年，推理将以越来越大的优势成为主要的AI工作负载。

实现这一转变所需的计算能力和电力将远超以往任何时期。在全球许多地区，这一需求将超过当前电网的发电或输电能力。最近在美国、欧洲和亚太地区的估算表明，在数据中心高度集中的地区，例如最常提及的美国北弗吉尼亚，电力需求将在两到三年内超过供给，除非对电网和发电能力进行重大投资。这将导致一些数据中心无法满负荷运行，其他数据中心的建设可能推迟，同时可能导致所有人的电费上涨。

或者，情况会有所不同吗？SambaNova将自研的芯片集成到硬件平台，其性能是基于GPU解决方案的十倍，而耗电量仅为十分之一。更高效的芯片和硬件方案为讨论如何在AI发展的过程中提高其效率提供了切入点。

要让AI取得成功，其开发、部署和交付公司必须更加智能和高效地利用现有的电力。这需要整个AI生态系统采取一些新方法。

在过去一年中，开源模型（如Meta的Llama）为公司打造定制化模型带来了可能。这些预训练模型可以免费下载，根据现有的大量数据进行微调，并与更小型的专业模型结合。它们一直在不断提升，并很快将与专有基础模型达到同等水平。开源模型帮助组织绕过了昂贵且高能耗的模型训练过程，直接微调和部署属于自己的可持续改进的模型。

此外，充分利用已部署的硬件也十分重要。由多个公司（其中一些是初创公司）组成的强大的生态系统正带头采用基于软件的创新型优化方案，以确保最高效的AI运行负载。这不仅能降低整体运营成本，还有助于减少公用电网的电力负载。

最后，我们可以将所有这些方法、开源模型以及在全面优化的环境中运行的更高效的硬件相结合。这将提升AI的生产力，同时充分利用现有的电力。

开发超高效率的AI正是过去几十年来科技行业反复遇到的挑战，其基础是多层次的连续研究和创新。实现这一目标需要采取多方面的方法，我们可以共同努力。

本文作者：

Rodrigo Liang，SambaNova联合创始人兼首席执行官

本文原载于世界经济论坛Agenda博客，转载请注明来源并附上本文链接。

翻译：狄陈静

编辑：王灿