![]() |
+ 低压差线性稳压器 |
+ 白光LED驱动 |
+ MOSFET |
+ 32位ARM核Cortex系列 |
+ CMOS逻辑电路 |
仅仅是GPT-4的GPU,一次训练就会用去2.4亿度电。AI为什么那么耗电?它们用掉的电都跑到哪里去了?有可能回收这些电转化成的能量吗? 今天我们所说的人工智能(AI),主要指的是生成式人工智能。而其中一大部分,是基于大语言模型的生成式人工智能。 它们需要大规模的数据中心来训练和推理。这些数据中心由大量服务器组成,服务器消耗的电能绝大部分转化成了热能,最后通过水冷系统释放出来。所以也可以说,AI的物理硬件是个巨大的“电热水器”。 这个说法听起来好像有点奇怪。我们都知道,服务器是一种电子计算机,而计算机中处理的是信息。信息和能量又有什么关系呢? 1961年,在IBM公司工作的物理学家拉尔夫·兰道尔(Rolf Landauer)发表了一篇论文,提出了后来被称为“兰道尔原理”(Landauers Principle)的理论。这一理论认为,计算机中存储的信息发生不可逆的变化时,会向周围环境散发一点点热量,其散发的热量和计算机当时所处的温度有关——温度越高,散发的热量越多。 兰道尔原理连接起了信息和能量;更具体地说,连接到了热力学第二定律上。因为逻辑上不可逆的信息处理操作,也就意味着湮灭了信息,这会导致物理世界中熵的增加,从而消耗能量。 这一原理自提出以来遭受过不少质疑。但是近十几年来,兰道尔原理已被实验证明。2012年,《自然》杂志发表了一篇文章,研究团队首次测量到了一“位”(bit)数据被删除时释放的微量热量。后来的几次独立实验,也都证明了兰道尔原理。 现在的电子计算机在计算时实际消耗的能量,是这个理论值的数亿倍。科学家们一直在努力寻找更高效的计算方法,以降低成本。不过从目前的研究进展情况来看,也许只有真正的室温超导材料能广泛应用于计算设备时,这个能耗才有可能离兰道尔原理所描述的理论值近一些。 AI大模型确实需要大量计算。它的工作过程大致可以分为训练和推理两个阶段。在训练阶段,首先需要收集和预处理大量的文本数据,用作输入数据。然后在适当的模型架构中初始化模型参数,处理输入的数据,尝试生成输出;再根据输出与预想之间的差异,反复调整参数,直到模型的性能不再显著提高为止。而在推理阶段中,则会先加载已经训练好的模型参数,预处理需要推理的文本数据,再让模型根据学习到的语言规律生成输出。 无论是训练还是推理阶段,都是一连串信息重组过程,也同样遵循兰道尔原理。而我们也不难推知,模型的参数量越大,需要处理的数据越多,所需的计算量也就越大,所消耗的能量也就越大,释放的热量也就越多。 只不过,这只是AI耗电中微不足道的一小部分。更大的消耗来自另一个我们更熟悉的物理定律:焦耳定律。这就要从集成电路说起了。 今天的电子计算机建立在集成电路的基础上。我们经常把集成电路叫做芯片。每个芯片中,都有许多晶体管。 不严格地描述,晶体管可以理解成微小的开关。这些开关串联或者并联在一起,就可以实现逻辑运算。“开”和“关”表示两种状态,也就是所谓的1和0,这就是计算的基本单位“位”。它是计算机二进制的基础。计算机通过快速改变电压,来拨动这些开关。 改变电压,需要电子流入或流出。而电子流入流出,就构成了电流。又因为在电路中总是有电阻,就产生了热能。焦耳定律告诉我们,产生的热量与电流的平方成正比,与导体电阻成正比,与通电时间成正比。 集成电路技术发展到今天,芯片中的晶体管已经变得极为微小。所以,单个晶体管所产生的热量并不会太高。但问题是,芯片上的晶体管实在是已经多到了常人无法想象的程度——比如,在IBM前几年发布的等效2纳米制程芯片中,每平方毫米面积上,平均有3.3亿个晶体管。再小的热量,乘上这个规模,结果一定相当可观。 一个可能让跌眼镜的有趣事实是,今天芯片单位体积的功率,比太阳核心多出好几个数量级。典型的CPU芯片功率大概是每立方厘米100瓦,即每立方米1亿瓦;而太阳核心的功率只有每立方米不到300瓦。 在OpenAI训练大语言模型GPT-4时,完成一次训练需要约三个月时间,使用大约25000块英伟达A100 GPU。每块A100 GPU都拥有540亿个晶体管,功耗400瓦,每秒钟可以进行19.5万亿次单精度浮点数的运算,每次运算又涉及到许多个晶体管的开关。 容易算出,仅仅是这些 GPU,一次训练就用了2.4亿度电。这些电能几乎全部转化成了热能,这些能量可以将大约200万立方米冰水——大概是1000个奥运会标准游泳池的水量——加热到沸腾。 为什么AI需要用这么多的强大GPU来训练?因为大语言模型的规模实在太大。GPT-3模型拥有1750亿参数,而据推测,GPT-4拥有1.8万亿参数,是GPT-3的十倍。要训练这种规模的模型,需要在大规模数据集上反复迭代,每一次迭代都需要计算和调整其中数十亿、数百亿乃至数千亿个参数的值,这些计算最终会表现为晶体管的开开关关,和集成电路中细细的电流——以及热量。 能量无法创造也无法消灭,它只能从一种形式转化成另一种形式。对于电子计算机来说,它最主要的能量转化方式,就是从电能转化成热能。 就在前几天,有微软公司的工程师说,为了训练GPT-6,微软和OpenAI建造了巨大的数据中心,将会使用10万块英伟达H100 GPU——性能比A100更强,当然功耗也更大——但是,这些GPU不能放在同一个州,否则会导致电网负荷过大而崩溃。 AI发展带来的能源短缺问题,已经开始浮现。在今年的达沃斯世界经济论坛上,OpenAI的CEO山姆·阿尔特曼(Sam Altman)认为,核聚变可能是能源的发展方向。但要开发出真正可用的核聚变技术,可能还需要一些时间。 水的问题也是一样。过去几年,那些在AI大模型领域先行一步的大企业们,都面临水消耗大幅增长的局面。2023 年6月,微软公司发布了2022年度环境可持续发展报告,其中用水一项,有超过20%的显著增长。谷歌公司也类似。 有研究者认为,AI的发展,是这些科技巨头用水量剧增的主要原因——要冷却疯狂发热的芯片,水冷系统是最常见的选择。为AI提供硬件基础的数据中心,如同一个巨大的“电热水器”。 如何让这些散失的热能不至于白白浪费?最容易想到也容易实现的,是热回收技术。比方说,将数据中心回收的热量用于提供民用热水,冬季提供民用采暖。现在有一些企业已经着手在回收废热再利用了,例如中国移动哈尔滨数据中心、阿里巴巴千岛湖数据中心等。 这大概也算是一种解法,但并不能从根本上解决问题。AI产业的发展速度之快,在人类历史上没有任何产业能与之相比。平衡AI技术的发展与环境的可持续性,可能会是我们未来几年的重要议题之一;技术进步和能源消耗之间的复杂关系,从来没有这么急迫地出现在人类面前。 江南官方体育app 上一篇:分析集成电路和芯片、半导体的关系 下一篇:芯片放大10万倍后 晶体管竟然长 |