جفری هینتون، از برجسته‌ترین چهره‌های تاریخ ماشین‌یادگیری، در جدیدترین مصاحبه‌های خود، تعابیری نگران‌کننده درباره‌ی عواقب غیرمستقیم پیشرفت‌های تکنولوژیک ارائه داده است. او با مقایسه‌ی جنبه‌های خطرناک رشد زیرساخت‌های محاسباتی با حادثه‌ی تاریخی چرنوبیل، بر اهمیت پیشگیری از بروز بحران‌های سیستمی پنهان تأکید کرده است.
رابطه‌ی مستقیم بین مدل‌های زبانی بزرگ و مصرف انرژی
مستندها و داده‌های ارائه‌شده در صحبت‌های هینتون نشان می‌دهد که تمرین (Training) و استنباط (Inference) مدل‌های هوش مصنوعی، حجمی خیره‌کننده از برق سهتالایی و منابع خنک‌کنندگی را درگیر می‌کند. او معتقد است که اگر این نرخ مصرف انرژی بدون مدیریت صحیح ادامه‌یابد، می‌تواند باعث ناپایداری در شبکه‌های انتقال برق و در نهایت منجر به شکست‌های گسترده‌ای شود که تأثیرات آن فراتر از مرزهای مراکز داده خواهد بود.
عملکرد ریزبینانه در پیش‌بینی مشکلات آینده
- افزایش محاسباتی ثابتالقدم به ازای هر نسل جدید از مدل‌های عصبی عمیق
- محدودیتهای فیزیکی در تولید و توزیع انرژی به صورت سبز و پاک
- ساختارهای قابل‌تغییر شبکه‌های برق که در برابر تقاضای لحظه‌ای به‌سختی مدیریت می‌شوند
راهکارهای پیشنهادی برای کاهش خطرات احتمالی
دانشمند برجسته‌ی کانادایی راهکارهایی فراتر از ساده‌سازی مدل‌ها مطرح کرده است. او خواستار تمرکز بیشتر مهندسان بر با بهره‌وری از منابع نرم‌افزاری و ایجاد استانداردهای سخت‌گیرانه برای پایش مصرف انرژی در صنعت هوش مصنوعی است. این رویکرد می‌تواند راهگشای مسیری باشد که در آن پیشرفت‌های دیجیتال ما هزینه‌ای بر پایدارسازی زیرساخت‌های حیاتی جامعه نداشته باشد.
پرسش‌های پرتکرار
هینتون دقیقاً چه تناقضی بین هوش مصنوعی و چرنوبیل برقرار کرده است؟
او هم در هر دو مورد یک خطر پنهان وجود دارد: هوش مصنوعی با توانایی‌های فوق‌العاده‌ی حل مشکل، می‌تواند بدون چشم‌اندازهای محاسبه‌ای و مدیریت انرژی، زنجیره‌ای از ناکامی‌ها را در زیرساخت‌های جهان برانگیزد.
آیا این هشدار مستقیماً به مدل‌های زبانی بزرگ (LLM) مربوط است؟
بله، تمرین و اجرای LLMها در مقیاس گسترده، بخش عمده‌ای از مصرف برق را شامل می‌شود و هینتون تأکید کرده است که مدل‌های بزرگ زبانی نقشی کلیدی در این روند صعودی دارند.
