MIT تكشف عن EnergAIzer: طريقة سريعة لتقدير استهلاك الذكاء الاصطناعي للطاقة في مراكز البيانات

بات الذكاء الاصطناعي نهمًا للكهرباء إلى درجة أن تقدير استهلاكه للطاقة أصبح مهمة هندسية قائمة بذاتها. وقد اقترح باحثون من MIT ومختبر MIT-IBM Watson AI Lab طريقة تحمل اسم EnergAIzer، تتنبأ في بضع ثوانٍ بكمية الطاقة التي سيستهلكها حمل ذكاء اصطناعي محدد على معالج أو مسرّع بعينه. وبالنسبة لمراكز البيانات، يتيح ذلك اتخاذ القرارات قبل تشغيل النموذج، لا بعد إنفاق كهرباء زائدة.

لم تعد المشكلة نظرية. فبحسب تقديرات مختبر Lawrence Berkeley National Laboratory، قد تستهلك مراكز البيانات بحلول عام 2028 ما يصل إلى 12% من إجمالي الكهرباء في الولايات المتحدة، ويرتبط جزء ملحوظ من هذا النمو بتطور الذكاء الاصطناعي. ويضطر المشغّلون إلى توزيع موارد GPU المحدودة بين تدريب النماذج والاستدلال (inference) ومعالجة البيانات الأولية، ومن الصعب معرفة الكلفة الطاقية لكل سيناريو مسبقًا.

تقسّم الطرق التقليدية عادةً الحمل إلى عدد كبير من العمليات المنفصلة، وتحاكي عمل الوحدات الداخلية في GPU مرحلةً بعد مرحلة. وقد يستغرق هذا النهج ساعات أو حتى أيامًا، وهو غير مناسب للقرارات الهندسية السريعة.

يعتمد EnergAIzer على نموذج أخف. فقد لاحظ فريق MIT أن أحمال الذكاء الاصطناعي كثيرًا ما تتضمن أنماطًا حسابية متكررة، خصوصًا بعد أن يكون المطوّرون قد حسّنوا الشيفرة لـGPU: فوزّعوا الحسابات على التوازي، ووزّعوا البيانات توزيعًا سليمًا، وضبطوا نقل كتل الذاكرة. وبدلًا من المحاكاة التفصيلية الكاملة، يستفيد النظام من هذه البنى المنتظمة لتقدير ملف استهلاك الطاقة بسرعة. والفكرة أن يأخذ النظام قدرًا أقل من المعلومات منخفضة المستوى، لكنه يستخرج منها بيانات كافية لتنبؤ موثوق.

ولم يكتفِ الباحثون بتقدير تقريبي. فقد أخذوا في الحسبان أن لكل عملية تشغيل كلفة طاقية ثابتة لتحضير البرنامج وتهيئته، تليها نفقات إضافية لمعالجة كل كتلة من البيانات. وهناك أيضًا عوامل مرتبطة بالعتاد: تذبذبات في عمل الأجهزة، وتعارضات عند الوصول إلى الذاكرة، وعدم الاستخدام الكامل لعرض النطاق الترددي. ولتعويض هذه التأثيرات، جمع الفريق قياسات حقيقية من وحدات GPU وأضاف معاملات تصحيحية. ونتيجة لذلك حافظت الطريقة على سرعتها العالية، لكنها صارت أدق بوضوح من النماذج التقريبية البسيطة.

عمليًا، يستطيع المستخدم تزويد EnergAIzer بمعاملات حمله: أي نموذج يريد تشغيله، وكم طلبًا مُدخلًا يلزم معالجته، وما طول هذه الطلبات. وفي المقابل يقدّم النظام تقديرًا لاستهلاك الطاقة في ثوانٍ. ويمكن كذلك تغيير تهيئة GPU أو تردد التشغيل ومراقبة تأثير ذلك على إجمالي استهلاك الطاقة.

وفي الاختبارات على أحمال ذكاء اصطناعي حقيقية ووحدات GPU حقيقية، بلغ متوسط الخطأ نحو 8%، وهو مستوى يماثل الطرق التقليدية التي تتطلب وقتًا أطول بكثير. ويشير المؤلفون أيضًا إلى أن الطريقة يمكن تطبيقها على تهيئات المسرّعات المستقبلية، شريطة ألا تتغير البنية العتادية تغيرًا جذريًا.

وقُدّم العمل في 27 أبريل 2026، كما تُعرض النتائج في IEEE International Symposium on Performance Analysis of Systems and Software. ومن بين المؤلفين باحثة ما بعد الدكتوراه في MIT كيونغ مي لي (Kyungmi Lee)، وطالب الدراسات العليا Zhiye Song، وباحثون من IBM Research، والمؤلف الأول المسؤول (senior author) أنانتا شاندراكاسان (Anantha Chandrakasan)، رئيس الشؤون الأكاديمية (Provost) في MIT.

وتتمثل الخطوة التالية في اختبار EnergAIzer على أحدث تهيئات GPU، وتوسيع نطاقه ليشمل السيناريوهات التي يعالج فيها عدة مسرّعات الحمل الواحد معًا. وهذا مهم لأن أحمال الذكاء الاصطناعي الكبيرة تُوزَّع بشكل متزايد بين عدة وحدات GPU.

والخلاصة الرئيسية بسيطة: كفاءة الطاقة في الذكاء الاصطناعي لا تتوقف على الرقائق الجديدة فحسب، بل على القدرة على قياس كلفة الحوسبة بسرعة قبل التشغيل. فإذا استغرق تقدير الطاقة ثوانيَ لا أيامًا، أمكن دمجه في العمل اليومي لمراكز البيانات، وفرق تدريب النماذج، ومطوّري الخوارزميات. عندها يتحول استهلاك الطاقة من مؤشر يُقاس بعد الواقعة في تقرير، إلى معيار فعلي لاختيار البنية المعمارية وضبط المسرّعات وتخطيط الحوسبة.