ஆற்றல் நுகர்வைக் குறைப்பது முன்கூட்டியே கணக்கிடும் (inference) செலவைக் குறைப்பதற்கும், புதிய உடல்-அடிப்படையிலான செயற்கை நுண்ணறிவு (physical AI) பயன்பாடுகளை சாத்தியமாக்குவதற்கும் முக்கியமானது.
தரவு மையங்களின் முன்னெடுத்துச் செல்லும் வளர்ச்சியும், அவற்றின் ஆற்றல் நுகர்வும், மேலும் பெரிய அளவிலான செயற்கை நுண்ணறிவு முன்கூட்டியே கணக்கிடும் செலவும் – இவை அனைத்தும் தலைப்புச் செய்திகளில் ஆதிக்கம் செலுத்துகின்றன. இருப்பினும், இவை இரண்டுக்கும் இடையேயான நேரடி இணைப்பு குறைவாகவே புரிந்துகொள்ளப்படுகிறது – ஆற்றல் நுகர்வைக் குறைப்பது செயற்கை நுண்ணறிவு செலவைக் குறைக்கிறது. ஏனெனில், இரண்டுமே செயற்கை நுண்ணறிவு அமைப்புகளின் திறனை அதிகபட்ச திறனுடன் புத்திசாலித்தனமாகப் பயன்படுத்துவதை தேவையாகக் கொள்கின்றன; ஆனால் இன்றைய நிலையில் இது பெரும்பாலும் நடைமுறையில் இல்லை.
ஆற்றல் சிக்கனம் என்பது தரவு மையங்களை உருவாக்கும் நிறுவனங்களுக்கு மட்டுமல்ல, செயற்கை நுண்ணறிவு முன்கூட்டியே கணக்கிடும் செயல்பாடுகளைப் பயன்படுத்தும் அனைத்து நிறுவனங்களுக்கும் ஒரு உத்திரவாத முன்னுரிமையாக இருக்க வேண்டும். குறைந்த ஆற்றல் நுகர்வுடன் புத்திசாலித்தனமான செயற்கை நுண்ணறிவு பயன்பாடுகள் நிறுவனங்களின் நிதியியல் வருவாயை மேம்படுத்தும். மேலும், ஆற்றல் சிக்கனத்தில் முன்னோடித்தன்மை காட்டும் நிறுவனங்கள், செயற்கை நுண்ணறிவு அடுத்த எல்லையான ‘உடல்-அடிப்படையிலான செயற்கை நுண்ணறிவு’ (physical AI) துறையில் விரிவாக்கத்தை மேற்கொள்ளும்போது வருவாய் அதிகரிப்பையும் பெறும். இங்கு செயற்கை நுண்ணறிவு கணினி திரையிலிருந்து வெளியே வந்து, உண்மையான உலகில் செயல்படும். ஒரு ரோபோட், டிரோன் அல்லது உடலில் அணியும் சாதனம் போன்றவை பெரும்பாலும் கட்டுறா மின்கலனில் இயங்குவதால், ஆற்றல் சிக்கனம் ஒரு கட்டாயமான தேவை – ஐச்சியாக இருக்க முடியாது!
இந்த சவால்கள் ஒவ்வொன்றும் வாய்ப்புகளாக மாறலாம்.
செயற்கை நுண்ணறிவு பயிற்சி கணினியியல் (AI training compute) ஆண்டுக்கு 4–5 மடங்கு வளர்ச்சியை எதிர்பார்க்கப்படுகிறது; சமீபத்திய பெரிய மொழி மாதிரிகள் (LLMs) 5–50 டிரில்லியன் அளவிலான அளவுருக்களை (parameters) பயன்படுத்துவதாக அறிவிக்கப்பட்டுள்ளன. பெரிய அளவிலான செயற்கை நுண்ணறிவு முன்கூட்டியே கணக்கிடும் வளர்ச்சி இதை மிக அதிகமாக வலுப்படுத்தி, பிரம்மாண்டமான ஆற்றல் தேவையை உருவாக்குகிறது. அமெரிக்காவில், தரவு மையங்களின் ஆற்றல் நுகர்வு கடந்த பத்து ஆண்டுகளில் மூன்று மடங்கு அதிகரித்துள்ளது; மேலும் பெரும்பாலான மதிப்பீடுகளின்படி, அடுத்த 5 ஆண்டுகளில் மீண்டும் மூன்று மடங்கு அதிகரிக்கும்! சர்வதேச ஆற்றல் முகமை (IEA) தரவுகளின்படி, உலகளவில் 2025-இல் தரவு மையங்கள் சுமார் 460 டெராவாட்-மணி (TWh) மின்சாரத்தை நுகர்ந்தன; இது 2030-இல் 945 TWh ஆக இரண்டு மடங்குக்கு மேல் அதிகரிக்கும். ஒப்பீட்டுக்காக, இது இன்றைய ஜப்பான் முழுவதும் பயன்படுத்தும் மின்சாரத்தை விட அதிகம்!
உலகளவிலான ஆற்றல் உள்கட்டமைப்பு இத்தகைய அளவிலான தேவையை ஏற்றுக்கொள்ள வடிவமைக்கப்படவில்லை. உலகம் முழுவதும் உள்ள சமூகங்கள், மின்சார வலையமைப்பு மற்றும் நீர் விநியோகத்தின் மீதான இந்த அழுத்தத்தை எதிர்த்து நிற்கின்றன; விலைகள் உயர்வதும், பற்றாக்குறை ஏற்படுவதும் இதன் விளைவுகள். கருணை ஆற்றல் (nuclear energy) பாரம்பரிய மின்வலையை நிரப்ப உதவலாம்; ஆனால் அது தொலைதூர நம்பிக்கையாகவே உள்ளது – குறைந்தபட்சம் பத்து ஆண்டுகள் கழித்துதான் அது சாத்தியமாகும். இந்த சவாலை புறக்கணிக்க முடியாது; இது செயற்கை நுண்ணறிவின் எதிர்காலத்திற்கு ஒரு பெரும் தடையாக மாறலாம். இதனால்தான், இன்று செயற்கை நுண்ணறிவுக்கான உலகளாவிய உத்திரவாத நாணயம் ‘ஆற்றல்’ ஆகிவிட்டது; செயற்கை நுண்ணறிவு வணிக பரிவர்த்தனைகள் இனி மெகாஃப்ளாப்ஸ் (Megaflops) அல்ல, கிகாவாட்ஸ் (Gigawatts) அடிப்படையில் அறிவிக்கப்படுகின்றன.
செயற்கை நுண்ணறிவு அமைப்பு உள்கட்டமைப்பில் முதலீடு அசாதாரண வேகத்தில் அதிகரித்து வருகிறது: 2020-இல் முன்னணி நிறுவனங்கள் தரவு மையங்களுக்காக சுமார் 100 பில்லியன் டாலர் முதலீடு செய்தன; இது 2026-இல் சுமார் 1 டிரில்லியன் டாலராக பத்து மடங்கு அதிகரிக்கும்! உலகளாவிய முதலீடுகள் இதைவிட மிக அதிகம். ஆனால் இலவச உணவு எதுவும் இல்லை: அனைவரும் செலவை ஏற்றுக்கொள்ள வேண்டும்! செயற்கை நுண்ணறிவு பயன்பாட்டாளர்கள் இப்போது முன்கூட்டியே கணக்கிடும் செயல்பாடுகளில் அதிகமாக செயற்கை நுண்ணறிவைப் பயன்படுத்துவதால் செலவு அழுத்தத்தை உணர்கின்றனர்; பெரிய நிறுவனங்கள் கூட தங்கள் ஆண்டு செயற்கை நுண்ணறிவு பட்ஜெட்டை சில மாதங்களிலேயே முழுமையாக செலவழித்துவிட்டதாக அறிவிக்கப்பட்டுள்ளது. மேலும், தற்போது செயற்கை நுண்ணறிவு பயன்பாடுகளில் சிறிய பகுதியே நிதியியல் மதிப்பை உருவாக்கி, எதிர்பார்க்கப்படும் முதலீட்டு விளைவு (ROI) ஐ வழங்குகின்றன. இதற்கு ஒரு காரணம், அடிப்படை செயற்கை நுண்ணறிவு திறன்கள் இன்று அடிப்படை தேவையாக (table stakes) மாறிவிட்டன: நிறுவனங்கள் விலையுயர்ந்த செயற்கை நுண்ணறிவு கருவிகளில் முதலீடு செய்கின்றன, அவை ஒரு தயாரிப்பு அல்லது சேவையை மேம்படுத்தலாம்; ஆனால் போட்டியாளர்களும் அதே செயல்பாட்டைச் செய்கின்றனர்; எனவே விலை மேலும் உயர்த்துவதற்கான வாய்ப்பு இல்லை.
செயற்கை நுண்ணறிவு ‘டோக்கன்கள்’ (tokens) இன்று பணிச்சுமை மற்றும் செலவை அளவிடும் அடிப்படை அலகாக மாறிவிட்டன; செயற்கை நுண்ணறிவு வழங்குநர்கள் பெரும்பாலும் இன்புட் மற்றும் ஔட்புட் டோக்கன்களின் இலட்சக்கணக்கான அளவில் கட்டணம் வசூலிக்கின்றனர். அமெரிக்காவில் தினசரி டோக்கன் நுகர்வு இன்று 200 டிரில்லியன் அலகுகள்/நாள் (TUs/day) ஆக உள்ளது; இது 2030-இல் 2250 TUs/day ஆக பத்து மடங்கு அதிகரிக்கும் என மதிப்பிடப்பட்டுள்ளது. டோக்கன் விலைகள் குறைந்து வருகின்றன; ஆனால் டோக்கன் பயன்பாட்டின் வேகத்தை சமாளிக்க அவை போதுமான அளவில் விரைவாகக் குறைவதில்லை; எனவே செயற்கை நுண்ணறிவு செலவுகள் தற்போதைய பாதையில் தொடர்ந்து கடுமையாக உயரும். இதனால்தான், நிதியியல் இயக்குநர்கள் (CFOs) மற்றும் நிதித்துறை அதிகாரிகள் அலாரம் மணியை அடித்து, செயற்கை நுண்ணறிவு பட்ஜெட்டை கட்டுப்பாட்டிற்குள் கொண்டுவரத் தொடங்கியுள்ளனர்.
செயற்கை நுண்ணறிவு தரவு பகுப்பாய்விலிருந்து உருவாக்கும் செயற்கை நுண்ணறிவு (generative AI) வரை வளர்ந்து, இப்போது கணினி திரையிலிருந்து வெளியே வந்து, உடல்-அடிப்படையிலான உலகிற்குள் நுழையும் அடுத்த எல்லையைக் கடந்து வருகிறது. ‘உடல்-அடிப்படையிலான செயற்கை நுண்ணறிவு’ (Physical AI) – ரோபோட்கள், டிரோன்கள் அல்லது மருத்துவ உடலில் அணியும் சாதனங்கள் போன்ற நுண்ணறிவு அமைப்புகள் – மென்பொருள் நுண்ணறிவை இயந்திர, மின்சார மற்றும் ஒளியியல் அமைப்புகளுடன் (சென்சார்கள், ஆக்ட்யூவேட்டர்கள், கேமராக்கள், ரேடார், LIDAR போன்றவை) ஒன்றிணைத்தலை தேவையாகக் கொள்கின்றன. உடல்-அடிப்படையிலான செயற்கை நுண்ணறிவு அமைப்புகள் தன்னிறைவு கொண்டவையாக இருக்க வேண்டும்; ஏனெனில் அவை தரவு மையத்துடனான தகவல் தொடர்பை நம்ப முடியாது – அது தாமதத்தையும், பாதுகாப்பு அபாயங்களையும் ஏற்படுத்தும். எனவே, அவை உடல்-அடிப்படையிலான உலகில் தொடர்ச்சியாக உணர, சிந்தி, செயல்பட உண்மை நேர முடிவெடுப்புக்கான ‘ஓரத்தில் நுண்ணறிவு’ (edge intelligence) ஐக் கொண்டிருக்க வேண்டும். இந்தச் செயல்பாடுகள் ஒவ்வொன்றும் ஆற்றலை நுகர்கின்றன; மேலும் ஒரு தன்னிறைவு அலகு பெரும்பாலும் கட்டுறா மின்கலனில் இயங்கும். ஆற்றல் சிக்கனத்தில் புதிய முன்னேற்றங்கள் இல்லாவிட்டால், இந்த உடல்-அடிப்படையிலான செயற்கை நுண்ணறிவு அமைப்புகள் மின்சார ஆதாரங்களுடன் இணைக்கப்பட வேண்டியிருக்கும் அல்லது குறைந்த பயனுள்ள குறுகிய செயல்பாட்டு நேரத்தில் இயங்க வேண்டியிருக்கும்.
புதுமை என்பது இந்த சவால்களை வாய்ப்புகளாக மாற்றும் ‘ஜாது விளக்கு’. தொழில்நுட்பத் துறை புதுமையில் சிறந்தது; ஆனால் கவனம் ‘எப்போதும் பெரியது’ என்பதிலிருந்து ‘புத்திசாலித்தனமானதும் சிக்கனமானதும்’ என்பதிற்கு மாற வேண்டும். மேலும், தனித்தனியான தீர்வுகள் (point solutions) இனி போதாது – அடிப்படையிலான சிக்கன மேம்பாடு என்பது முழு செயற்கை நுண்ணறிவு அடுக்கு (AI stack) முழுவதையும் அமைப்பு மட்டத்தில் (system-level) மேம்படுத்துவதை தேவையாகக் கொள்கிறது.
செப்டம்பர் 9-இல், SEMI-ன் ஸ்மார்ட் டேட்டா-AI முயற்சியுடன் எங்கள் கூட்டணி பங்குதாரரான சான் ஜோசே நகர நிர்வாகத்துடன் இணைந்து நடத்தப்படும் ஆழமான விழிப்புணர்வு பயிற்சிப் பயிற்சியில் பங்கேற்கவும். இதில், எதிர்கால செயற்கை நுண்ணறிவு கணினியியலுக்கான ஆற்றல், செலவு மற்றும் செயல்திறன் ஆகியவற்றின் வளைவை மாற்றும் வழிகளை ஆராய்வோம். எதிர்கால பொருள்கள், சாதனங்கள் மற்றும் அமைப்புகளுக்கான பெரிய படத்தைப் பார்க்க செயற்கை நுண்ணறிவு சுழற்சியின் முழு வளர்ச்சிப் பாதையிலும் உள்ள முன்னணி தொழில் வல்லுநர்களை நாம் ஒன்றிணைக்கிறோம்; ஒளியியல் (photonics), வன்பொருள்-மென்பொருள் ஒருங்கிணைந்த மேம்பாடு (hardware-software co-optimization), சிப்-டு-கிரிட் (chip-to-grid) மேம்பாடு போன்ற துறைகளில் ஆழமான ஆய்வுகளை நாம் மேற்கொள்வோம். இது மற்றொரு செயற்கை நுண்ணறிவு மாநாடு அல்ல – இது செயற்கை நுண்ணறிவு அடுக்கு முழுவதையும் இணைத்து, நடைமுறை தீர்வுகளை ஆராயும் ஒரு பயிற்சிப் பயிற்சியாகும்; இது உங்கள் வணிக உத்தியை வலுப்படுத்தும். நீங்கள் முன்னணி புதுமைகளைப் பற்றி கற்றுக்கொள்வீர்கள், வல்லுநர்களுடன் தொடர்புகொள்வீர்கள், மேலும் பொருத்தமான கூட்டு முயற்சிகளை ஆராய்வீர்கள்.