„OpenAI“ vadovas Samas Altmanas yra pasiūlęs provokuojančią mintį – kalbant apie dirbtinio intelekto energijos sąnaudas, dažnai pamirštama, kiek iš tiesų kainuoja pats žmogaus intelektas. Toks palyginimas skamba netikėtai: ar mūsų protas iš tikrųjų yra brangesnis, nei pažangiausi algoritmai? Kiek iš tiesų kainuoja mąstymas?
Mokslinė literatūra rodo, kad suaugusio žmogaus smegenys ramybės būsenoje sunaudoja apie 20 proc. visos organizmo energijos, nors jų masė sudaro vos 2–2,5 proc. kūno masės. Vaikystėje ir vystymosi laikotarpiu smegenų energijos poreikis gali būti dar didesnis, nes tuo metu intensyviai formuojasi neuroniniai tinklai ir aktyviai kuriasi sinapsės.
„Didelis energijos poreikis rodo, kad smegenų veikla metaboliškai yra labai brangi. Vis dėlto evoliuciniu požiūriu tai turi aiškią prasmę – smegenys suteikia organizmui adaptacinį pranašumą, todėl natūrali atranka palaikė jų vystymąsi, nepaisydama didelių energijos sąnaudų“, – aiškina Kauno technologijos universiteto Matematikos ir gamtos mokslų fakulteto (KTU MGMF) neuromokslininkė dr. Karolina Armonaitė.
Atliekant sudėtingas kognityvines užduotis, energijos suvartojimas padidėja tik nežymiai, palyginti su ramybės būsena. Pasak KTU mokslininkės, taip yra todėl, kad kognityvinių užduočių metu labiau kinta energijos pasiskirstymas skirtinguose smegenų regionuose, o ne bendras jos suvartojimas.
„Nepaisant didelio energijos suvartojimo, smegenys yra labai efektyvi informacijos apdorojimo sistema. Tyrimai rodo, kad žmogaus smegenys naudoja apie 20 W galios, t. y. panašiai kaip nedidelė elektros lemputė. Toks efektyvumas yra viena iš priežasčių, kodėl dirbtinio intelekto (DI) tyrimuose dažnai siekiama imituoti smegenų veikimo principus, tikintis pasiekti didelį informacijos apdorojimo pajėgumą esant santykinai mažoms energijos sąnaudoms“, – pastebi ji.
„Labas“ ir „ačiū“ gali didinti energijos sąnaudas
K. Armonaitės teigimu, žmogaus smegenys sunaudoja apie 20 W galios, o moderniems DI modeliams veikti gali reikėti gerokai daugiau energijos vienam skaičiavimui atlikti. Nors tokie modeliai gali atlikti užduotis, kurių žmogus nesugebėtų, energijos požiūriu jie vis dar yra gana neefektyvūs.
„OpenAI“ vadovas Samas Altmanas yra juokais pastebėjęs, kad nereikėtų sakyti „labas“ ar „ačiū“ „ChatGPT“, nes tai padidina energijos sąnaudas. Vis dėlto vienai užklausai reikalingas energijos kiekis yra gana nedidelis – viena sąveika gali sunaudoti apie 0,3 Wh. Tai prilygsta energijai, reikalingai kelioms „Google“ paieškoms, arba mažiau nei vienai sekundei veikiančio elektrinio virdulio sąnaudoms“, – dalijasi ji.
Tačiau, pasak KTU mokslininkės, svarbu suvokti mastą. Didelės DI paslaugos kasdien apdoroja šimtus milijonų ar net milijardus užklausų. Jei per dieną sugeneruojama apie milijardą užklausų, bendras energijos poreikis gali siekti maždaug 300 MWh – tai prilygsta elektros kiekiui, kurį per parą sunaudoja keliolika tūkstančių namų ūkių.
Be to, skaičiavimai sudaro tik dalį visų energijos sąnaudų. Duomenų centrams taip pat reikia aušinimo sistemų, tinklo įrangos, duomenų saugojimo infrastruktūros ir rezervinių sistemų, užtikrinančių patikimą paslaugų veikimą.
Palyginimas, kuris neveikia
Kalbėdamas apie DI energijos sąnaudas, „OpenAI“ vadovas S. Altmanas yra pastebėjęs, kad daug energijos reikia ir žmogaus mokymuisi. Anot jo, norint tapti protingam, prireikia maždaug 20 gyvenimo metų ir visos per tą laiką su maistu gaunamos energijos.
Vis dėlto, kaip pažymi K. Armonaitė, toks palyginimas iki galo neatspindi realybės. „Žmogaus suvartojama energija nėra skirta vien mokymuisi – ji naudojama sąmoningumui palaikyti, jutiminiams signalams apdoroti, judesiams planuoti ir įgyvendinti, homeostazei palaikyti bei daugeliui kitų biologinių funkcijų. Be to, žmonės geba prisitaikyti prie aplinkos be papildomo treniravimo ar milžiniškų duomenų kiekių, kurie dažnai reikalingi DI sistemoms“, – teigia ji.
Taip pat svarbu pažymėti, kad dauguma DI modelių yra skirti gana specifinėms užduotims. Pavyzdžiui, kompiuterinės regos modeliai gali segmentuoti ar klasifikuoti vaizdus, o didieji kalbos modeliai, tokie kaip „ChatGPT“, generuoja atsakymus natūralia kalba. Nors skirtingos funkcijos vis dažniau integruojamos į bendras sistemas, žmogaus ir DI energijos sąnaudų tiesiogiai lyginti negalima, nes šiuo atveju energija naudojama iš esmės skirtingiems procesams.
Kodėl DI mokymasis tėra metafora?
KTU mokslininkė pasakoja, kad DI algoritmai turi tam tikrų paviršutiniškų panašumų su biologinėmis smegenimis, tačiau šie procesai reikšmingai skiriasi. Žmogaus smegenyse mokymasis yra nuolatinis ir itin efektyvus procesas, vykstantis per sinapsių plastiškumą, neuronų tinklų reorganizaciją ir neuromoduliatorių, tokių kaip dopaminas ar serotoninas, veikimą.
Šie procesai yra energetiškai labai efektyvūs, nes vyksta lokaliai ir dažniausiai apima tik nedidelę dalį neuronų. Smegenys evoliuciškai susiformavo taip, kad galėtų mokytis sunaudodamos kuo mažiau energijos.
„DI modeliai mokomi visiškai kitaip. Dideli neuroniniai tinklai treniruojami naudojant milžiniškus duomenų kiekius, turinčius milijardus ar net trilijonus parametrų, ir didelės galios skaičiavimo klasterius. Tai yra didelio masto matematiniai skaičiavimai, taikomi tekstų ar vaizdų duomenų rinkiniams“, – sako ji.
K. Armonaitė papildo, kad skiriasi ir pats mokymosi pobūdis. Žmogus gali mokytis iš palyginti nedidelio patirties kiekio ir pritaikyti turimas žinias naujose situacijose, o DI sistemoms dažnai reikia labai didelių duomenų kiekių. Be to, žmogaus mokymasis glaudžiai susijęs su kūnu, emocijomis ir patirtimi – tai aspektai, kurių dabartiniai DI modeliai neturi.
„Todėl, nors kartais sakoma, kad DI mokosi, tai veikiau yra metafora. Šie procesai skiriasi nuo to, kaip mokosi žmogaus smegenys“, – pažymi ji.
Neuromokslas įkvepia kurti efektyvesnį DI
KTU mokslininkės teigimu, neuromokslas yra svarbus įkvėpimo šaltinis kuriant naujas DI technologijas. Vienas iš pavyzdžių – vadinamasis neuromorfinis skaičiavimas: tai algoritmai ir aparatinė įranga, siekiantys imituoti biologinių neuronų veikimo principus, pavyzdžiui, impulsinį signalų perdavimą ir lokalius mokymosi mechanizmus.
Tokios sistemos gali būti gerokai taupesnės energijos požiūriu, nes skaičiavimai vyksta tik tada, kai perduodamas signalas, o ne nuolat, kaip daugelyje dabartinių DI modelių.
Be to, neuromokslas gali padėti geriau suprasti, kaip smegenys mokosi iš labai nedidelio duomenų kiekio, kaip geba greitai prisitaikyti prie naujų situacijų ir kaip skirtingos jų dalys bendradarbiauja spręsdamos sudėtingas užduotis. Jei šiuos principus pavyktų pritaikyti DI algoritmuose, ateityje būtų galima kurti modelius, kuriems reikėtų mažiau duomenų, skaičiavimų ir energijos.
„Kartais kyla klausimas, ar tokios technologijos galėtų sukurti humanoidus, panašius į žmones. Manau, nebūtinai – veikiau tai būtų bandymas simuliuoti kai kuriuos sąmonės ar pažinimo aspektus. Be to, vis dar nėra tiksliai žinoma, kas yra sąmonė – galbūt ji pasireiškia įvairiomis formomis“, – pastebi K. Armonaitė.
