قدمت MIT أداة EnergAIzer — طريقة سريعة لتقييم استهلاك الطاقة للذكاء الاصطناعي في مراكز البيانات

أصبح الذكاء الاصطناعي جائعاً جداً للكهرباء بحيث أن تقييم استهلاكه للطاقة يتحول إلى مهمة هندسية منفصلة. اقترح باحثون من معهد ماساتشوستس للتكنولوجيا (MIT) ومختبر MIT-IBM Watson AI أداة EnergAIzer — طريقة تتنبأ في ثوانٍ بكمية الطاقة التي ستستهلكها حمل عمل ذكاء اصطناعي محدد على معالج أو معجل مختار. بالنسبة لمراكز البيانات، يوفر هذا الفرصة لاتخاذ القرارات قبل تشغيل النموذج، بدلاً من بعد هدر الكهرباء غير الضروري.

المشكلة لم تعد نظرية. وفقاً لتقديرات مختبر Lawrence Berkeley الوطني، بحلول عام 2028 قد تستهلك مراكز البيانات ما يصل إلى 12% من كل الكهرباء في الولايات المتحدة، وجزء كبير من هذا النمو مرتبط بتطور الذكاء الاصطناعي. يضطر المشغلون إلى تقسيم موارد معالجات الرسومات المحدودة بين تدريب النماذج والاستدلال ومعالجة البيانات المسبقة، لكن من الصعب فهم تكلفة الطاقة مسبقاً لكل سيناريو.

تقسم الطرق الكلاسيكية عادة حمل العمل إلى عمليات منفصلة متعددة وتحاكي تدريجياً عمل وحدات معالج الرسومات الداخلية. قد يستغرق هذا النهج ساعات أو حتى أياماً، وهو غير مناسب للقرارات الهندسية السريعة. يتم بناء EnergAIzer على نموذج أخف.

لاحظ فريق MIT أن أحمال عمل الذكاء الاصطناعي غالباً ما تحتوي على أنماط حسابية متكررة، خاصة عندما قام المطورون بتحسين الكود بالفعل لمعالج الرسومات: قاموا بموازاة العمليات الحسابية وتوزيع البيانات بشكل صحيح وتكوين عمليات نقل كتل الذاكرة. بدلاً من محاكاة تفصيلية كاملة، يستخدم النظام هذه الهياكل المنتظمة لتقييم سريع لملف الاستهلاك الطاقي. الفكرة هي أخذ معلومات أقل من المستوى المنخفض، ولكن استخراج بيانات كافية منها للتنبؤ الموثوق.

في الوقت نفسه، لم يقتصر الباحثون على التقدير التقريبي. أخذوا في الاعتبار أن كل تشغيل لديه تكلفة طاقة ثابتة لتحضير البرنامج وتكوينه، وبعد ذلك هناك نفقات إضافية لمعالجة كل كتلة بيانات. هناك أيضاً عوامل أجهزة: التذبذبات في تشغيل الأجهزة، والنزاعات في الوصول إلى الذاكرة، والاستخدام غير الكامل لعرض النطاق الترددي.

لتعويض هذه التأثيرات، جمع الفريق قياسات حقيقية من معالج الرسومات وأضاف معاملات تصحيحية. نتيجة لذلك، احتفظت الطريقة بسرعة عالية لكنها أصبحت أكثر دقة بملحوظ من نماذج التقريب البسيطة. في الممارسة العملية، يمكن للمستخدم تمرير معاملات حمل عمله إلى EnergAIzer: أي نموذج يريد تشغيله، وكم عدد طلبات الإدخال التي تحتاج إلى معالجة، وما هو طول هذه الطلبات.

رداً على ذلك، يوفر النظام تقديراً لاستهلاك الطاقة في ثوانٍ. بالإضافة إلى ذلك، يمكن تغيير تكوين معالج الرسومات أو تردد التشغيل ورؤية كيف يؤثر ذلك على استهلاك الطاقة النهائي. في الاختبارات على أحمال عمل ذكاء اصطناعي حقيقية ومعالجات رسومات حقيقية، كان متوسط الخطأ حوالي 8% — وهذا قابل للمقارنة مع النهج التقليدية التي تتطلب وقتاً أطول بكثير.

يلاحظ المؤلفون أيضاً أن الطريقة يمكن تطبيقها على تكوينات معجل واعدة، إذا لم تتغير البنية الحتية للأجهزة بشكل جذري. تم عرض العمل في 27 أبريل 2026، والنتائج تُعرض أيضاً في ندوة IEEE الدولية لتحليل الأداء للأنظمة والبرامج. من بين المؤلفين باحثة ما بعد الدكتوراه من MIT كيونغمي لي، وطالب الدراسات العليا Zhiye Song، وباحثون من IBM Research، والمؤلف الرئيسي Anantha Chandrakasan، نائب مدير MIT.

الخطوة التالية هي اختبار EnergAIzer على أحدث تكوينات معالج الرسومات وتوسيع نطاقه على السيناريوهات حيث تتم معالجة حمل عمل واحد بشكل مشترك بواسطة عدة معجلات. هذا مهم لأن أحمال عمل الذكاء الاصطناعي الكبيرة يتم توزيعها بشكل متزايد عبر معالجات رسومات متعددة. الاستنتاج الرئيسي بسيط: تعتمد كفاءة الطاقة للذكاء الاصطناعي ليس فقط على شرائح جديدة، بل أيضاً على القدرة على قياس تكلفة العمليات الحسابية بسرعة قبل تشغيلها.

إذا استغرق تقييم الطاقة ثوانٍ بدلاً من أيام، فيمكن دمجه في عمل مراكز البيانات والفرق التي تدرب النماذج ومطوري الخوارزميات العادي. عندئذٍ يصبح استهلاك الطاقة ليس مقياساً لاحقاً من تقرير، بل معاملاً حقيقياً لاختيار البنية الحتية وضبط المعجلات وتخطيط العمليات الحسابية.