Το Παράδοξο του Jevons στην Εποχή της Τεχνητής Νοημοσύνης.
Δοκιμιογραφεί ο Δρ. Κωνσταντίνος Απ. Καραγιάννης*.
Το 1865, ο οικονομολόγος William Stanley Jevons παρατήρησε κάτι που φαινόταν εντελώς αντιφατικό: καθώς οι ατμομηχανές γίνονταν πιο αποδοτικές στη χρήση του άνθρακα, η συνολική κατανάλωση άνθρακα στην Αγγλία δεν μειωνόταν, αλλά αυξανόταν ραγδαία. Η λογική του ήταν απλή αλλά αμείλικτη: η βελτίωση της απόδοσης μείωνε το κόστος χρήσης του πόρου, καθιστώντας τον ελκυστικό για νέες, ευρύτερες εφαρμογές. Σήμερα, εκατόν εξήντα χρόνια αργότερα, το φάντασμα του Jevons πλανιέται πάνω από τα κέντρα δεδομένων της Silicon Valley, βρίσκοντας το τέλειο πεδίο εφαρμογής στην Τεχνητή Νοημοσύνη (AI).
Στον
κόσμο της μηχανικής μάθησης, επικρατεί ένας αγώνας δρόμου για τη δημιουργία πιο
«ελαφριών» και αποδοτικών μοντέλων. Ερευνητές και μηχανικοί πανηγυρίζουν (δικαίως)
όταν ένας αλγόριθμος καταφέρνει να εκτελέσει την ίδια εργασία με τις μισές
παραμέτρους ή απαιτώντας 30% λιγότερη ενέργεια. Η κοινή λογική υπαγορεύει ότι
αυτή η πρόοδος θα έπρεπε να μειώσει το περιβαλλοντικό και ενεργειακό αποτύπωμα
της τεχνολογίας. Ωστόσο, το Παράδοξο
του Jevons μας προειδοποιεί ότι η πραγματικότητα είναι πολύ πιο σύνθετη.
Ο
Μηχανισμός της «Ανακρουστικής» Κατανάλωσης
Στην
Τεχνητή Νοημοσύνη, ο πόρος δεν είναι ο άνθρακας, αλλά η υπολογιστική ισχύς (“token”). Καθώς τα μοντέλα AI γίνονται πιο αποδοτικά και το
κόστος ανά “token” ή ανά ερώτημα μειώνεται, η τεχνολογία παύει να αποτελεί ένα
ακριβό εργαλείο για εξειδικευμένες χρήσεις. Αντίθετα, γίνεται πανταχού παρούσα.
Σκεφτείτε
τα Μεγάλα Γλωσσικά Μοντέλα (LLMs). Πριν από λίγα χρόνια, η εκτέλεση ενός σύνθετου
μοντέλου απαιτούσε υπερυπολογιστές. Σήμερα, χάρη σε τεχνικές όπως το quantization
και το model distillation, ισχυρά μοντέλα μπορούν να τρέξουν σε ένα καλό
laptop ή ακόμα και σε ένα smartphone. Αυτή η αποδοτικότητα δεν οδήγησε στο να
κλείσουμε τους διακομιστές. Αντιθέτως, οδήγησε στην ενσωμάτωση της AI σε
επεξεργαστές κειμένου, προγράμματα περιήγησης, αυτοκίνητα και σε «έξυπνες»
οικιακές συσκευές.
Το
αποτέλεσμα είναι η εκθετική αύξηση της ζήτησης. Όταν η δημιουργία μιας ψηφιακής
εικόνας ή η σύνοψη ενός κειμένου κοστίζει κλάσματα του λεπτού, οι χρήστες
τείνουν να χρησιμοποιούν αυτές τις υπηρεσίες αλόγιστα. Η όποια εξοικονόμηση
ενέργειας από την αυξημένη αποδοτικότητα του αλγορίθμου εξανεμίζεται εξαιτίας
του πολλαπλασιασμού του αριθμού των χρηστών και των περιπτώσεων χρήσης.
Η
Παγίδα των Κέντρων Δεδομένων
Το
παράδοξο γίνεται ιδιαίτερα αισθητό στο υλικό. Οι κατασκευαστές microchip, όπως η NVIDIA, παράγουν GPUs που είναι χιλιάδες
φορές πιο αποδοτικές ανά Watt σε σχέση με μια δεκαετία πριν. Παρ' όλα αυτά, η παγκόσμια κατανάλωση
ενέργειας από τα κέντρα δεδομένων προβλέπεται να διπλασιαστεί τα επόμενα
χρόνια.
Γιατί
συμβαίνει αυτό; Επειδή η αυξημένη αποδοτικότητα των GPUs επιτρέπει την
εκπαίδευση ακόμα μεγαλύτερων μοντέλων, τα οποία προηγουμένως θα ήταν οικονομικά
ασύμφορα. Δημιουργείται ουσιαστικά ένας φαύλος κύκλος, κατά τον οποίον αρχικά η τεχνολογία γίνεται πιο αποδοτική, ακολούθως το λειτουργικό κόστος μειώνεται, ενώ στη συνέχεια ανοίγει ο δρόμος για πιο φιλόδοξα, πιο ενεργοβόρα
μοντέλα τα οποία θα τύχουν μαζικής υιοθέτησης & εφαρμογής.
Αποδοτικότητα
με Επίγνωση
Το
Παράδοξο του Jevons δεν σημαίνει ότι πρέπει να σταματήσουμε να επιδιώκουμε την
αποδοτικότητα. Η βελτιστοποίηση του κώδικα και του υλικού είναι απαραίτητη. Μας
υπενθυμίζει ωστόσο, ότι η τεχνολογική
βελτίωση δεν εγγυάται από μόνη της τη διατήρηση των πόρων.
Στην
εποχή της Τεχνητής Νοημοσύνης, η ενεργειακή βιωσιμότητα δεν θα έρθει μόνο μέσα
από καλύτερους αλγορίθμους, αλλά μέσα από τη συνειδητή χρήση και τη στρατηγική
διαχείριση της ζήτησης. Χωρίς αυτές τις δικλείδες, κινδυνεύουμε για άλλη μια φορά να παρασυρθούμε στον φαύλο κύκλο που διέκρινε ο Jevons, καταναλώνοντας ολοένα και περισσότερη ενέργεια, παραδόξως επειδή ανακαλύψαμε νέους τρόπους για την εξοικονόμησή της.