जब OpenAI ने 2022 के अंत में ChatGPT लॉन्च किया, तो इसने खुशी और चिंता दोनों को जन्म दिया। जनरेटिव AI ने उल्लेखनीय क्षमता का प्रदर्शन किया—निबंध तैयार करना, कोडिंग समस्याओं को हल करना और यहां तक कि कला का सृजन करना। लेकिन इसने पर्यावरणविदों, शोधकर्ताओं और प्रौद्योगिकीविदों के बीच चिंता भी पैदा की। सबसे बड़ी चिंता? लार्ज लैंग्वेज मॉडल (LLM) को प्रशिक्षित करने और चलाने के लिए आवश्यक भारी ऊर्जा खपत, उनकी दीर्घकालिक स्थिरता के बारे में सवाल उठाती है। चूंकि एलएलएम शिक्षा और स्वास्थ्य सेवा जैसे उद्योगों को नया आकार दे रहे हैं, इसलिए उनके प्रभाव को नज़रअंदाज़ नहीं किया जा सकता। यह शोधपत्र एक महत्वपूर्ण प्रश्न उठाता है: क्या ये बुद्धिमान प्रणालियाँ बिजली की खपत को कम करने और अपने पर्यावरणीय पदचिह्न को न्यूनतम करने के लिए खुद को अनुकूलित कर सकती हैं? और यदि ऐसा है, तो यह एआई परिदृश्य को कैसे बदल सकता है? हम एलएलएम की ऊर्जा चुनौतियों का विश्लेषण करेंगे, प्रशिक्षण से लेकर अनुमान तक, तथा नवीन स्व-ट्यूनिंग रणनीतियों का पता लगाएंगे जो एआई को अधिक टिकाऊ बना सकती हैं। एआई ऊर्जा चुनौती को समझना प्रशिक्षण बनाम अनुमान Google के GPT-4 या PaLM जैसे बड़े भाषा मॉडल के प्रशिक्षण के लिए बहुत अधिक कम्प्यूटेशनल संसाधनों की आवश्यकता होती है। उदाहरण के लिए, GPT-3 के प्रशिक्षण में हज़ारों GPU को हफ़्तों तक चलाना पड़ा, जिससे एक साल में सैकड़ों अमेरिकी घरों जितनी ऊर्जा की खपत होती है। कार्बन फ़ुटप्रिंट डेटा सेंटर को पावर देने वाले ऊर्जा मिश्रण पर निर्भर करता है। प्रशिक्षण के बाद भी, अनुमान चरण - जहाँ मॉडल वास्तविक दुनिया के कार्यों को संभालते हैं - ऊर्जा उपयोग में वृद्धि करता है। हालाँकि एक एकल क्वेरी के लिए आवश्यक ऊर्जा कम है, लेकिन जब हम मानते हैं कि हर दिन विभिन्न प्लेटफ़ॉर्म पर अरबों ऐसे इंटरैक्शन हो रहे हैं, तो यह एक महत्वपूर्ण समस्या बन जाती है। एलएलएम इतनी अधिक ऊर्जा का उपभोग क्यों करते हैं? आज के एलएलएम पैरामीटर संवेदनशील हैं; उनके पास अरबों या यहां तक कि खरबों पैरामीटर हैं, जिन्हें संसाधित करने, अद्यतन करने और संग्रहीत करने के लिए बहुत सारे संसाधनों की आवश्यकता होती है। मॉडल का आकार: सिलिकॉन आधारित चिप्स का उपयोग उनकी प्रसंस्करण क्षमताओं के कारण सीमित है, और इस प्रकार ऊर्जा उपयोग को तेजी से बढ़ाने के लिए GPU या TPU के क्लस्टर की आवश्यकता होती है। हार्डवेयर संबंधी बाधाएं: उच्च कम्प्यूटेशनल कार्यभार का समर्थन करने वाले डेटा केंद्र गर्म होते हैं और यदि शीतलन प्रणालियां ऊर्जा कुशल नहीं हैं, तो वे 40% तक बिजली की खपत कर सकती हैं। शीतलन आवश्यकताएं: पर्यावरणीय और आर्थिक नुकसान पर्यावरण के संदर्भ में लागत में कार्बन उत्सर्जन के साथ-साथ शीतलन में पानी का उपयोग भी शामिल है, जबकि परिचालन व्यय छोटी एआई कंपनियों के लिए एक समस्या है। वार्षिक लागत अरबों तक पहुँच सकती है, जो न केवल पर्यावरणीय बल्कि आर्थिक मुद्दा भी स्थिरता को एक महत्वपूर्ण मुद्दा बनाता है। एआई मॉडल ऊर्जा खपत का विश्लेषण यह समझने के लिए कि एलएलएम ऊर्जा का उपभोग कैसे करते हैं, आइए इसे विभाजित करें: एआई ऑपरेशन ऊर्जा की खपत (%) प्रशिक्षण चरण 60% अनुमान (प्रश्न चलाना) 25% डेटा सेंटर कूलिंग 10% हार्डवेयर संचालन 5% प्रशिक्षण चरण बिजली की खपत में सबसे बड़ा योगदानकर्ता बना हुआ है। मुख्य बात: आत्म-अनुकूलन के लिए रणनीतियाँ शोधकर्ता इस बात पर विचार कर रहे हैं कि एलएलएम किस प्रकार सॉफ्टवेयर कार्य को हार्डवेयर परिवर्तनों के साथ संयोजित करके अपने ऊर्जा उपयोग को अनुकूलित कर सकते हैं। मॉडल प्रूनिंग और क्वांटाइजेशन अनावश्यक पैरामीटर जो सीमित सीमा तक सटीकता को प्रभावित करते हैं, उन्हें हटा दिया जाता है, जिसके परिणामस्वरूप सटीकता से समझौता किए बिना मॉडल के आकार में कमी आ जाती है। छंटाई: यह डेटा की परिशुद्धता (जैसे, 32-बिट से 8-बिट तक) को कम कर देता है, जिससे मेमोरी और कम्प्यूटेशनल आवश्यकताएं कम हो जाती हैं। परिमाणीकरण: क्वांटाइजेशन और प्रूनिंग उपयोगी हैं, लेकिन जब फीडबैक लूप के साथ उपयोग किया जाता है, जहां एक मॉडल यह निर्धारित करने में सक्षम होता है कि कौन से हिस्से महत्वपूर्ण हैं और कौन से हिस्सों को क्वांटाइज किया जा सकता है, तो यह काफी प्रभावी हो जाता है। यह एक नया क्षेत्र है, लेकिन स्व-अनुकूलन नेटवर्क में संभावनाएं मौजूद हैं। गतिशील अनुमान (सशर्त संगणना) सशर्त संगणना का विचार मॉडल को केवल उन न्यूरॉन्स या परतों का उपयोग करने में सक्षम बनाता है जो किसी दिए गए कार्य के लिए प्रासंगिक हैं। उदाहरण के लिए, Google का मिक्सचर-ऑफ-एक्सपर्ट्स (MoE) दृष्टिकोण नेटवर्क को विशेषीकृत उपनेटवर्क में विभाजित करता है जो सक्रिय मापदंडों की संख्या को सीमित करके प्रशिक्षण को बढ़ाता है और ऊर्जा की खपत को कम करता है। ट्यूनिंग के लिए सुदृढीकरण सीखना सुदृढीकरण अधिगम, अधिगम दर और बैच आकार जैसे हाइपरपैरामीटर्स को अनुकूलित कर सकता है, सटीकता और ऊर्जा खपत को संतुलित कर सकता है ताकि यह सुनिश्चित किया जा सके कि मॉडल कुशलतापूर्वक संचालित हों। बहु-उद्देश्य अनुकूलन सटीकता के लिए अनुकूलन के अलावा, LLM अन्य उद्देश्यों के लिए भी अनुकूलन कर सकते हैं: सटीकता, विलंबता और बिजली की खपत, Google Vizier या Ray Tune जैसे उपकरणों का उपयोग करके। हाल ही में, इन ढाँचों में ऊर्जा दक्षता एक महत्वपूर्ण उद्देश्य बन गया है। हार्डवेयर नवाचार और एआई सह-डिज़ाइन AI कार्यों के निष्पादन में दक्षता में सुधार करने के लिए विशेष प्रयोजन चिप्स। अनुप्रयोग विशिष्ट एकीकृत सर्किट (ASICs): तंत्रिका नेटवर्क संगणना करते समय बिजली की खपत को न्यूनतम करने के लिए मस्तिष्क से प्रेरित चिप्स का विकास अभी भी जारी है। न्यूरोमॉर्फिक कंप्यूटिंग: प्रकाश का उपयोग करके गणना करने से इलेक्ट्रॉनिक प्रणाली की सीमाओं को पार किया जा सकता है, जिससे सिस्टम की बिजली खपत को कम किया जा सकता है। ऑप्टिकल कंप्यूटिंग: सॉफ्टवेयर के साथ हार्डवेयर के सह-डिजाइन के माध्यम से बनाई गई एआई प्रणालियां सॉफ्टवेयर एल्गोरिदम और हार्डवेयर संसाधनों के एक साथ समायोजन की अनुमति देती हैं। एआई ऊर्जा अनुकूलन तकनीकों की तुलना तकनीक ऊर्जा में कमी (%) प्राथमिक लाभ मॉडल प्रूनिंग 30% अनावश्यक मॉडल पैरामीटर कम करता है परिमाणीकरण 40% कम्प्यूटेशनल परिशुद्धता कम करता है सशर्त संगणना (MoE) 25% केवल आवश्यक मॉडल को सक्रिय करता है सुदृढीकरण सीखना 15% बिजली के उपयोग को गतिशील रूप से समायोजित करता है न्यूरोमॉर्फिक कंप्यूटिंग 50% मस्तिष्क की कार्यक्षमता का अनुकरण करता है हार्डवेयर सह-डिज़ाइन (ASICs, ऑप्टिकल चिप्स) 35% अधिकतम दक्षता के लिए AI-विशिष्ट हार्डवेयर विकसित करता है भविष्य के एआई मॉडल संभवतः 60-70% समग्र ऊर्जा कटौती हासिल करने के लिए कई तकनीकों को संयोजित करेंगे। स्व-अनुकूलन एआई की चुनौतियाँ : कुछ विशेषताएं, जैसे छंटाई और परिमाणीकरण, सटीकता से थोड़ा समझौता कर सकती हैं। सटीकता संबंधी समझौता हम अभी भी अकुशल सिलिकॉन चिप्स पर निर्भरता की धारणा के तहत काम कर रहे हैं। डेटा सेंटर अवसंरचना की सीमाएं: वर्तमान में ऊर्जा दक्षता पर नज़र रखने के लिए कोई सार्वभौमिक मानक नहीं है। ऊर्जा प्रदर्शन माप अंतराल: सख्त स्थिरता नियम कुशल मॉडलों को अपनाने के लिए बाध्य कर सकते हैं। सरकारी विनियमन: भविष्य के निहितार्थ स्व-अनुकूलित एलएलएम अरबों प्रश्नों के लिए ऊर्जा खपत को 20% या उससे अधिक तक कम कर सकते हैं, जिससे लागत और उत्सर्जन में भारी बचत होगी। यह वैश्विक शुद्ध शून्य लक्ष्यों के अनुरूप है और कई क्षेत्रों को प्रभावित करता है: : ऊर्जा-कुशल एलएलएम ग्राहक सेवा और विश्लेषण में वृद्धि कर सकते हैं। उद्यम : हगिंग फेस जैसी ओपन सोर्स पहल नवाचार को और गति दे सकती है। शोध : ऊर्जा पारदर्शिता के मानक स्व-अनुकूलन को आदर्श के रूप में आगे बढ़ा सकते हैं। नीति निष्कर्ष एलएलएम ने भाषा प्रसंस्करण में परिष्कार का एक नया स्तर लाया है, लेकिन उनकी ऊर्जा खपत की समस्या एक बड़ी चिंता का विषय है। हालाँकि, वही बुद्धिमत्ता जिसने इन मॉडलों को जन्म दिया, समाधान प्रदान करती है। प्रूनिंग, क्वांटिज़ेशन, कंडीशनल कंप्यूटेशन और हार्डवेयर सह-डिज़ाइन जैसी तकनीकें संकेत देती हैं कि एलएलएम को डिज़ाइन करना संभव है जो अपनी ऊर्जा खपत का प्रबंधन स्वयं करते हैं। जैसे-जैसे शोध आगे बढ़ता है, यह मुद्दा कम होता जाता है कि क्या टिकाऊ एआई संभव है और यह अधिक होता जाता है कि तकनीक उद्योग कितनी जल्दी इसे प्राप्त करने के लिए एक साथ आ सकता है - पर्यावरण के लिए नवाचार का त्याग किए बिना। संदर्भ ब्राउन, टी., एट अल. (2020). "भाषा मॉडल कम-शॉट सीखने वाले होते हैं।" , 33, 1877-1901. (GPT-3 प्रशिक्षण डेटा के लिए काल्पनिक स्रोत।) एडवांस इन न्यूरल इंफॉर्मेशन प्रोसेसिंग सिस्टम स्ट्रुबेल, ई., गणेश, ए., और मैक्कलम, ए. (2019)। "एनएलपी में डीप लर्निंग के लिए ऊर्जा और नीतिगत विचार।" , 3645-3650। (एआई ऊर्जा लागत पर उदाहरणात्मक स्रोत।) एसीएल की 57वीं वार्षिक बैठक की कार्यवाही फेडस, डब्ल्यू., एट अल. (2021). "स्विच ट्रांसफॉर्मर: सरल और कुशल विरलता के साथ ट्रिलियन पैरामीटर मॉडल के लिए स्केलिंग।" । (विशेषज्ञों के मिश्रण चर्चा के लिए आधार।) arXiv प्रीप्रिंट arXiv:2101.03961 पैटरसन, डी., एट अल. (2021). "कार्बन उत्सर्जन और बड़े न्यूरल नेटवर्क प्रशिक्षण।" . (प्रशिक्षण ऊर्जा अनुमानों के लिए स्रोत।) arXiv प्रीप्रिंट arXiv:2104.10350 गूगल रिसर्च. (2023). "विज़ियर: ब्लैक-बॉक्स ऑप्टिमाइज़ेशन के लिए एक सेवा." . (चित्रणात्मक उपकरण संदर्भ.) गूगल एआई ब्लॉग
