專家專欄

A A A

生成式AI在龐大應用潛力下的能源消耗

許湘琴 組長

財團法人中技社


自從2022年底ChatGPT問世以來,以大型語言模型為核心的生成式AI大幅改善人機介面,使人類能輕鬆運用此工具完成過往難以實現的任務。例如,不會畫畫的人只需下達指令即可生成想要的圖片,不懂樂理的人也能快速作出一首曲子。不僅如此,藉由更有效率的演算法,生成式AI已在各產業應用中展現出巨大的潛力。國際知名研究機構也預測生成式AI(Gen AI)在各產業應用將帶來龐大的經濟效益。例如,Gartner預估,製造業在2024年有40%的企業將開始應用Gen AI,而到2027年,30%的企業將藉此提升產品開發效率;Precedence Research的報告指出,2024年全球Gen AI客戶服務市場規模為4.8億美元,預計到2034年將增至45億美元,年均複合成長率達25.11%。此外,麥肯錫估計,Gen AI在欺詐檢測、交易預測和風險因素建模中的應用,每年可創造2,000~3,400億美元的經濟價值。然而,在這些應用背後,隱藏一個問題,也就是需要多少電力來支撐電腦長期運行?

談到Gen AI系統的電力消耗,主要集中於訓練階段的大量計算需求及推理階段的大規模使用。在訓練階段,電力消耗來自處理與優化模型參數所需的大量計算需求,包括使用高效能GPU (如NVIDIA A100 )或TPU 進行大規模矩陣運算,以及存儲數據與模型權重所需的記憶體(如HBM 或DRAM ),這些硬體運作本身都會消耗大量電力。根據長期評估人工智慧模型產生碳排放量研究的Sasha Luccioni 博士,在2022年與研究夥伴發表的研究結果,以訓練一個含有1,750億個參數的GPT-3大語言模型,進行初步推算,需耗費約 1,300 MWh 電能,相當於台灣325個家戶一年的用電量 ,而這個耗電量是傳統搜尋引擎的30倍,如訓練更先進的 GPT-4 ,預計消耗高達50 倍的電力。

而另一部分是推理階段,電力消耗主要發生於用戶輸入指令後,系統生成輸出的過程。即便是使用相同的大語言模型,但針對不同類型的生成任務,其所需電力也各有差異,所以在2024年,Sasha Luccioni 進一步與研究夥伴發表另一篇論文,此篇論文是針對 30個數據集的88 個模型,分析10種不同任務,測試執行1,000次推理的平均能耗及其標準差,如表一所示,可以看出圖像和文本的分類任務能源消耗最低,每1,000次推理耗能約0.002至0.007 kWh,而生成類任務(如文本生成和摘要)耗能平均超過10倍(約0.05 kWh),而多模態任務(如圖像描述和圖像生成)的能耗則最高(每1,000次推理約0.06至2.9 kWh)。

或許大家初步看起來,覺得單次推理的能耗都很小,但由於用戶規模龐大,累計起來的耗電量也相當驚人。以今(2024)年8月 Chat-GPT的有效用戶數已突破2億來做計算基礎,當每個用戶每天請Chat-GPT生成一次文本內容,就會耗能9.4萬MWh,如再產生一張圖像,則又會消耗581.4萬MWh,也就是說,單就Chat-GPT的2億用戶,只要每天藉由Chat-GPT生成一段文本內容和產生一張圖像,耗電量就會高達590萬MWh,相當於台灣59萬個家戶一年的用電量,非常可觀。而隨著Gen AI技術越發成熟落地應用,不管是在訓練或是推理過程的用電需求確實不容小覷,且隨著應用普及頻繁使用下,對電力的消耗只會有增無減。

加以,科技巨頭如微軟、Google、Meta、AWS等,為搶佔Gen AI市場最上層商機,紛紛興建AI資料中心,促使全球資料中心快速成長,已從2015年3,600座至今日8,000座以上,透過MIC的彙整,如圖一所示,在Gen AI的助長下,全球資料中心的用電需求大增,根據國際能源總署(IEA)提及,儘管資料中心目前占全球耗電量1~1.3%,然隨著全球算力需求增加,資料中心用電規模也將在2026年達0.6-1兆度,占全球2%電力使用量,2030年可能達全球耗電量4%。所以如何解決AI驚人耗電量是首要任務,且若沒有足夠潔淨能源的供應,讓AI所產生的碳排放量受到控制的話,在還沒有享受到AI帶來便利生活前,就得先付出極大的環境污染代價。

而為了讓資料中心朝永續方向發展,國際雲端服務大廠除了積極對內提升資料中心機房能效,對外更多元採購綠色能源或參與開發,如2023年太陽能、風能的前十大買家,就包含了AWS、微軟、Meta、Google,也紛紛布局氫能、地熱、核電、生質能等乾淨能源,更進一步簽署「氣候中和資料中心公約 (Climate Neutral Data Centre Pact, CNDC)」,自我規範於2030年實現100%無碳電力承諾。

資料中心是Gen AI的核心之一,更是AI時代下的重要資產,而綠色永續發展是必要條件,如何在AI與永續發展之間取得平衡,成為不可迴避的挑戰,希望大家在享受AI應用帶來的便利生活下,也不要再為環境帶來災難性破壞。

 

1不同任務的每 1,000 次推理能源消耗的平均值及標準差。

                                                                                                                            推理能源消耗 (千瓦時, kWh)

  任務

平均值

標準差

  文本分類 (text classification)

0.0

0.0

  萃取式問答 (extractive QA)

0.003

0.001

  遮罩語言模型 (masked language modeling)

0.003

0.001

  標記分類 (token classification)

0.004

0.002

  圖像分類 (image classification)

0.007

0.001

  物件偵測 (object detection)

0.038

0.02

  文本生成 (text generation)

0.047

0.03

  摘要生成 (summarization)

0.049

0.01

  圖像描述 (image captioning)

0.063

0.02

  圖像生成 (image generation)

2.907

3.31

 

資料來源:Power Hungry Processing: Watts Driving the Cost of AI Deployment? ALEXANDRA SASHA LUCCIONI and YACINE JERNITE, Hugging Face, Canada/USA; EMMA STRUBELL, Carnegie Mellon University, Allen Institute for AI, USA(https://arxiv.org/pdf/2311.16863)

 

圖一、全球資料中心用電趨勢

Reference

  1. Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model Alexandra Sasha Luccioni, Hugging Face; Sylvain Viguier, Graphcore; Anne-Laure Ligozat, LISN & ENSIIE, Journal of Machine Learning Research 24 (2023) 1-15(https://www.jmlr.org/papers/volume24/23-0069/23-0069.pdf)
  2. Power Hungry Processing: Watts Driving the Cost of AI Deployment? ALEXANDRA SASHA LUCCIONI and YACINE JERNITE, Hugging Face, Canada/USA; EMMA STRUBELL, Carnegie Mellon University, Allen Institute for AI, USA(https://arxiv.org/pdf/2311.16863)
  3. 生成式 AI 如何加速企業創新轉型?https://www.cio.com.tw/how-can-generated-ai-accelerate-enterprise-innovation-transformation/
  4. IEA, World Energy Outlook 2024 (https://iea.blob.core.windows.net/assets/02b65de2-1939-47ee-8e8a-4f62c38c44b0/WorldEnergyOutlook2024.pdf)