"AI ஒவ்வொரு சில கேள்விகளுக்கும் ஒரு பாட்டில் தண்ணீர் குடிக்கிறது" முதல் "அடிப்படையில் அது ஒரு சில துளிகள்" வரை அனைத்தையும் நீங்கள் கேள்விப்பட்டிருப்பீர்கள் என்று நான் பந்தயம் கட்டுகிறேன். உண்மை மிகவும் நுணுக்கமானது. AI இன் நீர் தடம் அது எங்கு இயங்குகிறது, உங்கள் ப்ராம்ட் எவ்வளவு நேரம் உள்ளது மற்றும் ஒரு தரவு மையம் அதன் சேவையகங்களை எவ்வாறு குளிர்விக்கிறது என்பதைப் பொறுத்து பரவலாக மாறுகிறது. ஆம், தலைப்பு எண் உள்ளது, ஆனால் அது எச்சரிக்கைகளின் புதருக்குள் வாழ்கிறது.
கீழே நான் தெளிவான, முடிவெடுக்கத் தயாரான எண்களைத் தொகுக்கிறேன், மதிப்பீடுகள் ஏன் வேறுபடுகின்றன என்பதை விளக்குகிறேன், மேலும் கட்டுமானத் தொழிலாளர்கள் மற்றும் அன்றாட பயனர்கள் நிலைத்தன்மை துறவிகளாக மாறாமல் நீர் தாவலை எவ்வாறு சுருக்கலாம் என்பதைக் காட்டுகிறேன்.
இதற்குப் பிறகு நீங்கள் படிக்க விரும்பக்கூடிய கட்டுரைகள்:
🔗 AI தரவுத்தொகுப்பு என்றால் என்ன?
தரவுத்தொகுப்புகள் இயந்திர கற்றல் பயிற்சி மற்றும் மாதிரி மேம்பாட்டை எவ்வாறு செயல்படுத்துகின்றன என்பதை விளக்குகிறது.
🔗 போக்குகளை AI எவ்வாறு கணிக்கிறது
மாற்றங்கள் மற்றும் எதிர்கால விளைவுகளை முன்னறிவிப்பதற்காக AI எவ்வாறு வடிவங்களை பகுப்பாய்வு செய்கிறது என்பதைக் காட்டுகிறது.
🔗 AI செயல்திறனை எவ்வாறு அளவிடுவது
துல்லியம், வேகம் மற்றும் நம்பகத்தன்மையை மதிப்பிடுவதற்கான அத்தியாவசிய அளவீடுகளை உடைக்கிறது.
🔗 AI உடன் எப்படி பேசுவது
தெளிவு, முடிவுகள் மற்றும் நிலைத்தன்மையை மேம்படுத்த பயனுள்ள தூண்டுதல் உத்திகளை வழிநடத்துகிறது.
AI எவ்வளவு தண்ணீரைப் பயன்படுத்துகிறது? நீங்கள் உண்மையில் பயன்படுத்தக்கூடிய விரைவு எண்கள் 📏
-
ஒவ்வொரு கட்டளைக்கும், இன்றைய பொதுவான அளவு வரம்பு: ஒரு முக்கிய அமைப்பில் உள்ள சராசரி உரை கட்டளைக்கு ஒரு மில்லி லிட்டருக்கும் குறைவான அளவிலிருந்து , மற்றொரு அமைப்பில் உள்ள நீண்ட, அதிக கணக்கீட்டுத் திறன் கொண்ட பதிலுக்குப் பல பத்து மில்லி லிட்டர் வரை இருக்கும் . உதாரணமாக, கூகிளின் உற்பத்தி கணக்கியல் அறிக்கையின்படி, ஒரு சராசரி உரை கட்டளைக்கு ~0.26 மில்லி லிட்டர் (முழுமையான சேவைக்கான கூடுதல் செலவு உட்பட) [1]. மிஸ்ட்ரலின் வாழ்க்கைச் சுழற்சி மதிப்பீடு, 400-டோக்கன் கொண்ட ஒரு உதவியாளர் பதிலுக்கு ~45 மில்லி லிட்டர் என மதிப்பிடுகிறது (குறைந்தபட்ச அனுமானம்) [2]. சூழலும் மாதிரியும் மிகவும் முக்கியமானவை.
-
எல்லை அளவிலான மாதிரியைப் பயிற்றுவித்தல்: மில்லியன் கணக்கான லிட்டர்களாக ஓடக்கூடியது , பெரும்பாலும் குளிரூட்டல் மற்றும் மின்சார உற்பத்தியில் பதிக்கப்பட்ட நீரிலிருந்து. பரவலாக மேற்கோள் காட்டப்பட்ட கல்வி பகுப்பாய்வு, GPT-வகுப்பு மாதிரியைப் பயிற்றுவிக்க ~5.4 மில்லியன் லிட்டர்கள் என மதிப்பிடப்பட்டுள்ளது, இதில் குளிரூட்டலுக்காக தளத்தில் நுகரப்படும் ~700,000 லிட்டர்கள் அடங்கும் - மேலும் நீர் தீவிரத்தைக் குறைக்க ஸ்மார்ட் திட்டமிடலுக்கு வாதிட்டது [3].
-
பொதுவாக தரவு மையங்கள்: பெரிய தளங்கள் ஒரு நாளைக்கு லட்சக்கணக்கான கேலன்களை , சில வளாகங்களில் காலநிலை மற்றும் வடிவமைப்பைப் பொறுத்து அதிக உச்சங்கள் உள்ளன [5].
நேர்மையாகச் சொல்லப் போனால்: அந்த புள்ளிவிவரங்கள் முதலில் சீரற்றதாகத் தோன்றுகின்றன. அவை அப்படியே இருக்கின்றன. அதற்கு நல்ல காரணங்களும் உள்ளன.
AI நீர் பயன்பாட்டு அளவீடுகள் ✅
AI எவ்வளவு தண்ணீரைப் பயன்படுத்துகிறது என்பதற்கான நல்ல பதில் சில பெட்டிகளை சரிபார்க்க வேண்டும்:
-
எல்லை தெளிவு இது மின் உற்பத்தி நிலையங்களால் மின்சாரம் தயாரிக்கப் பயன்படுத்தப்படும் ஆன்-சைட் குளிரூட்டும் நீரை மட்டும் உள்ளடக்குகிறதா , அல்லது ஆஃப்-சைட் நீரையும் உள்ளடக்குகிறதா? சிறந்த நடைமுறை நீர் திரும்பப் பெறுதல் vs நீர் நுகர்வு மற்றும் கார்பன் கணக்கியலைப் போலவே 1-2-3 நோக்கங்களை வேறுபடுத்துகிறது [3].
-
இருப்பிட உணர்திறன்:
ஒரு kWh-க்கான நீரின் அளவு பிராந்தியம் மற்றும் கட்டமைப்பு கலவையைப் பொறுத்து மாறுபடும், எனவே ஒரே மாதிரியான அறிவிப்பு அது வழங்கப்படும் இடத்தைப் பொறுத்து வெவ்வேறு நீர் தாக்கங்களைக் கொண்டிருக்கலாம் - இதுவே நேரம் மற்றும் இடம் சார்ந்த திட்டமிடலை [3]. -
பணிச்சுமை யதார்த்தம் இந்த எண் சராசரி உற்பத்தி தூண்டுதல்களைப் பிரதிபலிக்கிறதா , இதில் செயலற்ற திறன் மற்றும் தரவு மைய மேல்நிலை ஆகியவை அடங்கும், அல்லது உச்சத்தில் உள்ள முடுக்கி மட்டும்தானா? கூகிள் TPU கணிதத்தை மட்டுமல்லாமல், அனுமானத்திற்காக முழு-அமைப்பு கணக்கியலை (செயலற்ற, CPUகள்/DRAM மற்றும் தரவு-மைய மேல்நிலை) வலியுறுத்துகிறது [1].
-
குளிரூட்டும் தொழில்நுட்பம் ஆவியாதல் குளிர்வித்தல், மூடிய-லூப் திரவ குளிர்வித்தல், காற்று குளிர்வித்தல் மற்றும் வளர்ந்து வரும் நேரடி-க்கு-சிப் அணுகுமுறைகள் நீர் தீவிரத்தை வியத்தகு முறையில் மாற்றுகின்றன. மைக்ரோசாப்ட் சில அடுத்த தலைமுறை தளங்களுக்கு குளிரூட்டும் நீர் பயன்பாட்டை நீக்கும் நோக்கில் வடிவமைப்புகளை வெளியிடுகிறது [4].
-
நாளின் நேரம் மற்றும் பருவம்
வெப்பம், ஈரப்பதம் மற்றும் மின் கட்டமைப்பு நிலைமைகள் நீர் பயன்பாட்டு செயல்திறனை ; ஒரு செல்வாக்குமிக்க ஆய்வு, நீர் தீவிரம் குறைவாக இருக்கும்போது மற்றும் எங்கு முக்கிய வேலைகளை திட்டமிட பரிந்துரைக்கிறது [3].
நீர் எடுப்பு vs நீர் நுகர்வு, விளக்கப்பட்டது 💡
-
திரும்பப் பெறுதல் = ஆறுகள், ஏரிகள் அல்லது நீர்நிலைகளிலிருந்து எடுக்கப்பட்ட நீர் (சில திரும்பப் பெறப்பட்டது).
-
நுகர்வு = நீர் ஆவியாகிவிடுவதால் அல்லது செயல்முறைகள்/தயாரிப்புகளில் இணைக்கப்படுவதால் திரும்பப் பெறப்படவில்லை .
குளிரூட்டும் கோபுரங்கள் முதன்மையாக ஆவியாதல் மூலம் தண்ணீரை உட்கொள்கின்றன . மின் உற்பத்தி , ஆலை மற்றும் குளிரூட்டும் முறையைப் பொறுத்து, அதிக அளவிலான தண்ணீரை எடுக்கலாம் (சில நேரங்களில் அதன் ஒரு பகுதியை உட்கொள்ளும்). ஒரு நம்பகமான AI-நீர் எண் அது எதை அறிக்கையிடுகிறது என்பதைக் குறிக்கிறது [3]
AI-யில் தண்ணீர் எங்கே செல்கிறது: மூன்று வாளிகள் 🪣
-
நோக்கம் 1 - தளத்தில் குளிரூட்டல்
காணக்கூடிய பகுதி: தரவு மையத்திலேயே நீர் ஆவியாகிறது. ஆவியாதல் vs காற்று அல்லது மூடிய-லூப் திரவம் அடிப்படையை அமைக்கின்றன [5]. -
நோக்கம் 2 - மின்சார உற்பத்தி
ஒவ்வொரு kWh மின்சாரமும் ஒரு மறைக்கப்பட்ட நீர் குறிச்சொல்லைக் கொண்டு செல்ல முடியும்; கலவை மற்றும் இடம் உங்கள் பணிச்சுமை பெறும் லிட்டர்-க்கு-kWh சமிக்ஞையை தீர்மானிக்கிறது [3]. -
நோக்கம் 3 - விநியோகச் சங்கிலி
சிப் உற்பத்தி, அதன் உருவாக்கத்தில் அதிதூய நீரைச் சார்ந்துள்ளது. எல்லை வெளிப்படையாக உள்ளடக்கப்பட்டுள்ள தாக்கங்களை (எ.கா., ஒரு முழுமையான LCA) [2][3] உள்ளடக்கியிருந்தாலன்றி, அதை நீங்கள் ஒரு “ஒரு ப்ராம்ப்ட்” அளவீட்டில் காண முடியாது.
எண்களின் அடிப்படையில் வழங்குநர்கள், நுணுக்கங்களுடன் 🧮
-
கூகிள் ஜெமினி
முழு-அடுக்கு சேவை முறையை (செயலற்ற மற்றும் வசதி மேல்நிலை உட்பட) பரிந்துரைக்கிறது. சராசரி உரை அறிவிப்பு ~0.26 மில்லி தண்ணீருடன் ~0.24 Wh ஆற்றலையும் கொண்டுள்ளது; புள்ளிவிவரங்கள் உற்பத்தி போக்குவரத்தையும் விரிவான எல்லைகளையும் பிரதிபலிக்கின்றன [1]. -
மிஸ்ட்ரல் லார்ஜ் 2 வாழ்க்கைச் சுழற்சி ஒரு அரிய சுயாதீன LCA (ADEME/Carbone 4 உடன்) பயிற்சி + ஆரம்ப பயன்பாட்டிற்கு ~281,000 மீ³ மற்றும் 400-டோக்கன் உதவியாளர் பதிலுக்கு அனுமான விளிம்பு ~45 மிலி [2] ஆகியவற்றை வெளிப்படுத்துகிறது.
-
மைக்ரோசாப்டின் பூஜ்ஜிய-நீர் குளிரூட்டும் லட்சியம் அடுத்த தலைமுறை தரவு மையங்கள் குளிரூட்டலுக்கு பூஜ்ஜிய நீரைப் பயன்படுத்தும் வகையில் வடிவமைக்கப்பட்டுள்ளன , இது நேரடி-சிப் அணுகுமுறைகளைச் சார்ந்துள்ளது; நிர்வாக பயன்பாடுகளுக்கு இன்னும் சிறிது நீர் தேவைப்படுகிறது [4].
-
பொதுவான தரவு மைய அளவுகோல் முக்கிய ஆபரேட்டர்கள் தனிப்பட்ட தளங்களில் சராசரியாக ஒரு நாளைக்கு லட்சக்கணக்கான கேலன்கள் என்று பகிரங்கமாக தெரிவிக்கின்றனர்; காலநிலை மற்றும் வடிவமைப்பு எண்களை மேலே அல்லது கீழே தள்ளுகின்றன [5].
-
முந்தைய கல்வி அடிப்படை "தாகமுள்ள AI" பகுப்பாய்வு GPT-வகுப்பு மாதிரிகளுக்குப் பயிற்சி அளிக்க மில்லியன் கணக்கான லிட்டர்கள் தேவைப்படும் என்றும், 10-50 நடுத்தர பதில்கள் தோராயமாக 500 மில்லி பாட்டிலுக்கு சமமாக இருக்கும் என்றும் மதிப்பிட்டது - அவை எப்போது/எங்கு இயங்குகின்றன என்பதைப் பொறுத்து [3].
மதிப்பீடுகள் ஏன் இவ்வளவு வேறுபடுகின்றன 🤷
-
வெவ்வேறு எல்லைகள் சில புள்ளிவிவரங்கள் தளத்தில் குளிரூட்டலை மட்டுமே கணக்கிடுகின்றன ; மற்றவை மின்சாரத்தின் நீரைச் சேர்க்கின்றன; LCAகள் சிப் உற்பத்தியைச் சேர்க்கலாம் . ஆப்பிள்கள், ஆரஞ்சுகள் மற்றும் பழக்கலவை [2][3].
-
வெவ்வேறு பணிச்சுமைகள்
ஒரு குறுகிய உரைத் தூண்டுதல் என்பது ஒரு நீண்ட பலவகை/குறியீடு இயக்கம் அல்ல; தொகுத்தல், ஒருங்கமைவு மற்றும் தாமத இலக்குகள் பயன்பாட்டை மாற்றுகின்றன [1][2]. -
வெவ்வேறு காலநிலைகள் மற்றும் கட்டங்கள்
வெப்பமான, வறண்ட பகுதியில் ஆவியாதல் குளிர்வித்தல் ≠ குளிர்ந்த, ஈரமான பகுதியில் காற்று/திரவ குளிர்வித்தல். கட்ட நீர் தீவிரம் பரவலாக மாறுபடும் [3]. -
விற்பனையாளர் வழிமுறைகள்
கூகிள் ஒரு அமைப்பு-தழுவிய சேவை முறையை வெளியிட்டது; மிஸ்ட்ரல் ஒரு முறையான LCA ஐ வெளியிட்டது. மற்றவை ஸ்பார்ஸ் முறைகளுடன் புள்ளி மதிப்பீடுகளை வழங்குகின்றன. ஒரு உயர்-நிலை "ஒரு தேக்கரண்டியில் பதினைந்தில் ஒரு பங்கு" என்ற கூற்று தலைப்புச் செய்திகளில் இடம்பிடித்தது - ஆனால் எல்லை விவரம் இல்லாமல், அதை ஒப்பிட முடியாது [1][3]. -
நகரும் இலக்கு
குளிர்விப்பு வேகமாக உருவாகி வருகிறது. மைக்ரோசாப்ட் நீர் இல்லாத குளிர்விப்பை ; மேல்நிலை மின்சாரம் இன்னும் நீர் சமிக்ஞையைக் கொண்டு சென்றாலும், இவற்றை அறிமுகப்படுத்துவது தளத்திற்குள் தண்ணீரைக் குறைக்கும் [4].
AI இன் நீர் தடயத்தைக் குறைக்க இன்று நீங்கள் என்ன செய்ய முடியும் 🌱
-
மாதிரியை சரியான அளவில் அமைக்கவும்.
சிறிய, பணிக்கு ஏற்றவாறு சரிசெய்யப்பட்ட மாதிரிகள் குறைவான கணக்கீட்டைப் பயன்படுத்தும் அதே வேளையில் துல்லியத்தை அடிக்கடி பொருத்துகின்றன. மிஸ்ட்ரலின் மதிப்பீடு வலுவான அளவு-தட தொடர்புகளைக் கோடிட்டுக் காட்டுகிறது - மேலும் நீங்கள் பரிமாற்றங்களைப் பற்றி பகுத்தறியும் வகையில் விளிம்புநிலை அனுமான எண்களை வெளியிடுகிறது [2]. -
நீர் சிக்கனப் பகுதிகளைத் தேர்ந்தெடுக்கவும்.
குளிர்ந்த காலநிலை, திறமையான குளிரூட்டல் மற்றும் ஒரு kWh-க்கு குறைந்த நீர் அடர்த்தி கொண்ட கட்டங்கள் உள்ள பகுதிகளை விரும்புங்கள்; "தாகமுள்ள AI" பணி, நேரம் மற்றும் இடம் சார்ந்த திட்டமிடல் உதவுவதைக் காட்டுகிறது [3]. -
பணிச்சுமைகளை நேரத்திற்கு மாற்றவும்
நீர்-திறனுள்ள நேரங்களுக்கு (குளிரான இரவுகள், சாதகமான கட்ட நிலைமைகள்) பயிற்சி/கனமான தொகுதி அனுமானத்தை திட்டமிடுங்கள் [3]. -
வெளிப்படையான அளவீடுகளுக்கு உங்கள் விற்பனையாளரிடம் கேளுங்கள். உடனடி நீர் தேவை , எல்லை வரையறைகள் மற்றும் எண்களில் செயலற்ற திறன் மற்றும் வசதி மேல்நிலை ஆகியவை உள்ளதா. ஆப்பிள்-டு-ஆப்பிள் ஒப்பீடுகளை சாத்தியமாக்குவதற்கு கொள்கை குழுக்கள் கட்டாய வெளிப்படுத்தலை வலியுறுத்துகின்றன [3].
-
குளிரூட்டும் தொழில்நுட்பம் முக்கியமானது.
நீங்கள் வன்பொருளை இயக்கினால், மூடிய-சுற்று/சிப்பிற்கு நேரடி குளிரூட்டலை; நீங்கள் கிளவுடில் இருந்தால், நீர்-குறைந்த வடிவமைப்புகளில் [4][5]. -
சாம்பல் நீர் மற்றும் மறுபயன்பாட்டு விருப்பங்களைப் பயன்படுத்தவும்
பல வளாகங்கள் குடிக்க முடியாத ஆதாரங்களை மாற்றலாம் அல்லது சுழல்களுக்குள் மறுசுழற்சி செய்யலாம்; பெரிய ஆபரேட்டர்கள் நிகர தாக்கத்தைக் குறைக்க நீர் ஆதாரங்களை சமநிலைப்படுத்துதல் மற்றும் குளிரூட்டும் தேர்வுகளை விவரிக்கின்றனர் [5].
இதை நிஜமாக்குவதற்கான ஒரு விரைவான உதாரணம் (இது ஒரு உலகளாவிய விதி அல்ல): கோடையின் நடுவில் ஒரு வெப்பமான, வறண்ட பகுதியிலிருந்து வசந்த காலத்தில் ஒரு குளிர்ச்சியான, அதிக ஈரப்பதமான பகுதிக்கு இரவு நேரப் பயிற்சிப் பணியை மாற்றுவது - மற்றும் அதை உச்ச நேரம் அல்லாத, குளிர்ச்சியான நேரங்களில் இயக்குவது - தளத்தில் உள்ள நீர் பயன்பாடு மற்றும் தளத்திற்கு வெளியே (கிரிட்) நீர் தீவிரம் ஆகிய இரண்டையும் மாற்றும். இது போன்ற நடைமுறை, குறைந்த சிக்கல் கொண்ட வெற்றியை திட்டமிடல் திறக்க முடியும் [3].
ஒப்பீட்டு அட்டவணை: AI இன் நீர் கட்டணத்தைக் குறைப்பதற்கான விரைவான தேர்வுகள் 🧰
| கருவி | பார்வையாளர்கள் | விலை | அது ஏன் வேலை செய்கிறது? |
|---|---|---|---|
| சிறிய, பணி-சரிசெய்யப்பட்ட மாதிரிகள் | ML குழுக்கள், தயாரிப்பு முன்னணியாளர்கள் | குறைந்த–நடுத்தர | டோக்கனுக்கு குறைவான கணக்கீடு = குறைவான குளிர்ச்சி + மின்சாரம் நீர்; LCA-பாணி அறிக்கையிடலில் நிரூபிக்கப்பட்டுள்ளது [2]. |
| நீர்/kWh அடிப்படையில் பிராந்தியத் தேர்வு | கிளவுட் ஆர்கிடெக்ட்கள், கொள்முதல் | நடுத்தரம் | குறைந்த நீர் தீவிரம் கொண்ட குளிரான காலநிலை மற்றும் கட்டங்களுக்கு மாறுங்கள்; தேவையை அறிந்த ரூட்டிங் உடன் இணைக்கவும் [3]. |
| நாளின் நேர பயிற்சி சாளரங்கள் | MLOps, திட்டமிடுபவர்கள் | குறைந்த | குளிரான இரவுகள் + சிறந்த மின் கட்டமைப்பு நிலைமைகள் பயனுள்ள நீர் தீவிரத்தை குறைக்கின்றன [3]. |
| நேரடி-க்கு-சிப்/மூடிய-லூப் குளிர்வித்தல் | தரவு மைய செயல்பாடுகள் | நடுத்தர-உயர் | சாத்தியமான இடங்களில் ஆவியாக்கும் கோபுரங்களைத் தவிர்க்கிறது, தள நுகர்வைக் குறைக்கிறது [4]. |
| உடனடி நீளம் & தொகுதி கட்டுப்பாடுகள் | பயன்பாட்டு டெவலப்பர்கள் | குறைந்த | ரன்அவே டோக்கன்களை மூடு, புத்திசாலித்தனமாக தொகு, கேச் முடிவுகள்; குறைவான மில்லி விநாடிகள், குறைவான மில்லிலிட்டர்கள் [1][2]. |
| விற்பனையாளர் வெளிப்படைத்தன்மை சரிபார்ப்புப் பட்டியல் | CTOக்கள், நிலைத்தன்மை வழிவகுக்கிறது | இலவசம் | எல்லை தெளிவை (ஆன்-சைட் vs ஆஃப்-சைட்) மற்றும் ஆப்பிள்-டு-ஆப்பிள் அறிக்கையிடலை கட்டாயப்படுத்துகிறது [3]. |
| சாம்பல் நீர் அல்லது மீட்டெடுக்கப்பட்ட ஆதாரங்கள் | வசதிகள், நகராட்சிகள் | நடுத்தரம் | குடிக்கத் தகுதியற்ற தண்ணீரை மாற்றுவது குடிக்கக்கூடிய பொருட்களில் உள்ள அழுத்தத்தைக் குறைக்கிறது [5]. |
| வெப்ப-மறுபயன்பாட்டு கூட்டாண்மைகள் | ஆபரேட்டர்கள், உள்ளாட்சி மன்றங்கள் | நடுத்தரம் | சிறந்த வெப்ப செயல்திறன் மறைமுகமாக குளிர்விக்கும் தேவையைக் குறைத்து உள்ளூர் நல்லெண்ணத்தை உருவாக்குகிறது [5]. |
(“விலை” வடிவமைப்பால் மிருதுவாக உள்ளது - பயன்படுத்தல்கள் மாறுபடும்.)
ஆழமாகப் பேசுங்கள்: கொள்கை முரசு சத்தமாக ஒலிக்கிறது 🥁
வாங்குபவர்களும் சமூகங்களும் செலவுகள் மற்றும் நன்மைகளை மதிப்பிடக்கூடிய வகையில், தரவு மைய ஆற்றல் மற்றும் நீர் குறித்த கட்டாய வெளிப்படுத்தலுக்கு பொறியியல் அமைப்புகள் அழைப்பு விடுக்கின்றன . பரிந்துரைகளில் நோக்கம் வரையறைகள், தள அளவிலான அறிக்கை மற்றும் இடத் தேர்வு வழிகாட்டுதல் ஆகியவை அடங்கும் - ஏனெனில் ஒப்பிடக்கூடிய, இருப்பிடத்தை அறிந்த அளவீடுகள் இல்லாமல், நாம் இருட்டில் விவாதித்துக் கொண்டிருக்கிறோம் [3].
ஆழமான ஆய்வு: தரவு மையங்கள் அனைத்தும் ஒரே மாதிரியாகப் பயன்படுத்தப்படுவதில்லை 🚰
"காற்று குளிர்விப்பு தண்ணீரைப் பயன்படுத்துவதில்லை" என்ற ஒரு கட்டுக்கதை தொடர்ந்து நிலவுகிறது. அது முற்றிலும் உண்மையல்ல. காற்றை அதிகம் பயன்படுத்தும் அமைப்புகளுக்கு பெரும்பாலும் அதிக மின்சாரம் தேவைப்படுகிறது , இது பல பிராந்தியங்களில் மின் கட்டத்திலிருந்து மறைக்கப்பட்ட தண்ணீரைக் கொண்டுவருகிறது; இதற்கு நேர்மாறாக, நீர் குளிர்விப்பு, அந்தந்த இடத்தில் கிடைக்கும் தண்ணீரைப் பயன்படுத்தும் செலவில் மின்சாரத்தையும் வெளியேற்றப்படும் புகையையும் குறைக்க முடியும். பெரிய நிறுவனங்கள் இந்த சமநிலைகளை ஒவ்வொரு தளத்திற்கும் வெளிப்படையாக சமன் செய்கின்றன [1][5].
வைரல் கூற்றுக்கள் குறித்த ஒரு விரைவான உண்மைச் சரிபார்ப்பு: ஆழமான ஆய்வு 🧪
ஒரு ஒற்றைத் தூண்டுதல் "ஒரு தண்ணீர் பாட்டிலுக்கு" சமம் என்றோ, அல்லது மறுபுறம், "சில துளிகள் மட்டுமே" என்றோ கூறும் துணிச்சலான கூற்றுகளை நீங்கள் பார்த்திருக்கலாம். சிறந்த அணுகுமுறை: கணிதத்துடன் கூடிய பணிவு . இன்றைய நம்பகமான எல்லைகள், முழு பரிமாறும் மேல்நிலைச் செலவுடன் கூடிய ஒரு சராசரி உற்பத்தித் தூண்டுதலுக்கு ~0.26 மிலி [1] மற்றும் 400-டோக்கன் உதவியாளர் பதிலுக்கு (விளிம்புநிலை அனுமானம்) ~45 மிலி [2] ஆகும். பரவலாகப் பகிரப்படும் "ஒரு தேக்கரண்டியில் பதினைந்தில் ஒரு பங்கு" என்ற கூற்றுக்கு ஒரு பொதுவான எல்லை/முறை இல்லை; அதை நகரம் இல்லாத வானிலை முன்னறிவிப்பைப் போலக் கருதுங்கள் [1][3].
மினி-கேள்விகள்: AI எவ்வளவு தண்ணீரைப் பயன்படுத்துகிறது? மீண்டும், எளிய தமிழில் 🗣️
-
அப்படியானால், ஒரு கூட்டத்தில் நான் என்ன சொல்ல வேண்டும்? “ மாதிரி, நீளம் மற்றும் அது செயல்படும் இடத்தைப் பொறுத்து, ஒவ்வொரு கட்டளைக்கும் இது சில துளிகள் முதல் சில மிடறுகள் வரை மாறுபடும். பயிற்சிக்குத் தேங்கிய நீர் அல்ல, பெரிய குளங்களே தேவை.” பிறகு, மேலே உள்ளவற்றில் ஒன்று அல்லது இரண்டு உதாரணங்களைக் குறிப்பிடவும்.
-
செயற்கை நுண்ணறிவு தனித்துவமான முறையில் மோசமானதா?
அது தனித்துவமான முறையில் செறிவூட்டப்பட்டுள்ளது: அதிக சக்தி வாய்ந்த சிப்புகள் ஒன்றாக இணைக்கப்பட்டு பெரிய குளிரூட்டும் சுமைகளை உருவாக்குகின்றன. ஆனால் தரவு மையங்களில்தான் சிறந்த செயல்திறன் தொழில்நுட்பம் முதலில் நிலைபெறுகிறது [1][4]. -
எல்லாவற்றையும் காற்று குளிரூட்டலுக்கு மாற்றினால் என்ன செய்வது? நீங்கள் தளத்தில் தண்ணீரைக் குறைக்கலாம் , ஆனால் மின்சாரம் மூலம் தளத்திற்கு வெளியே தண்ணீரை அதிகரிக்கலாம். அதிநவீன ஆபரேட்டர்கள் இரண்டையும் எடைபோடுகிறார்கள் [1][5].
-
எதிர்கால தொழில்நுட்பத்தைப் பற்றி என்ன? அளவில் தண்ணீரை குளிர்விப்பதைத் தவிர்க்கும் வடிவமைப்புகள் ஸ்கோப் 1 க்கு ஒரு பெரிய மாற்றமாக இருக்கும். சில ஆபரேட்டர்கள் இந்த வழியில் நகர்கின்றனர்; கட்டங்கள் மாறும் வரை மேல்நோக்கிய மின்சாரம் இன்னும் நீர் சமிக்ஞையைக் கொண்டுள்ளது [4].
இறுதி குறிப்புகள் - மிக நீளமாக உள்ளது, நான் அதைப் படிக்கவில்லை 🌊
-
ஒரு ப்ராம்ட்டுக்கு: மாதிரி, ப்ராம்ட் நீளம் மற்றும் அது இயங்கும் இடத்தைப் பொறுத்து, துணை மில்லிலிட்டர் முதல் பத்து மில்லிலிட்டர்கள் வரை என்று நினைக்கிறேன் . ஒரு பெரிய அடுக்கில் சராசரி ப்ராம்ட் ~0.26 மிலி ; மற்றொரு [1][2] இல் 400-டோக்கன் பதிலுக்கு ~45 மிலி .
-
பயிற்சி: எல்லைப்புற மாதிரிகளுக்கு மில்லியன் கணக்கான லிட்டர்கள் , திட்டமிடல், இடத் தேர்வு மற்றும் குளிரூட்டும் தொழில்நுட்பத்தை முக்கியமானதாக ஆக்குகிறது [3]
-
என்ன செய்ய வேண்டும்: சரியான அளவிலான மாதிரிகள், நீர் வாரியான பகுதிகளைத் தேர்வுசெய்க, கனமான வேலைகளை குளிரான நேரங்களுக்கு மாற்றவும், நீர்-ஒளி வடிவமைப்புகளை நிரூபிக்கும் விற்பனையாளர்களை விரும்பவும், வெளிப்படையான எல்லைகளைக் கோரவும் [1][3][4][5].
முடிவுக்கு சற்று குறைபாடுள்ள உருவகம்: AI ஒரு தாகமுள்ள இசைக்குழு - மெல்லிசை கம்ப்யூட், ஆனால் டிரம்ஸ் குளிர்வித்து தண்ணீரை இணைக்கிறது. இசைக்குழுவை டியூன் செய்யுங்கள், பார்வையாளர்கள் இன்னும் தெளிப்பான்கள் அணைக்கப்படாமல் இசையைப் பெறுகிறார்கள். 🎻💦
குறிப்புகள்
-
கூகிள் கிளவுட் வலைப்பதிவு - கூகிளின் செயற்கை நுண்ணறிவு எவ்வளவு ஆற்றலைப் பயன்படுத்துகிறது? நாங்கள் கணக்கிட்டோம் (முறையியல் + ~0.26 மிலி சராசரி உடனடிச் செலவு, முழுச் சேவைக்கான மேல்நிலைச் செலவு). இணைப்பு
(தொழில்நுட்ப ஆய்வறிக்கை PDF: கூகிள் அளவில் செயற்கை நுண்ணறிவை வழங்குவதால் ஏற்படும் சுற்றுச்சூழல் தாக்கத்தை அளவிடுதல்.) இணைப்பு -
மிஸ்ட்ரல் ஏஐ - செயற்கை நுண்ணறிவுக்கான உலகளாவிய சுற்றுச்சூழல் தரநிலைக்கு எங்கள் பங்களிப்பு (ADEME/Carbone 4 உடனான LCA; ~281,000 மீ³ பயிற்சி + ஆரம்பகால பயன்பாடு; 400-டோக்கன் பதிலுக்கு ~45 மிலி , விளிம்புநிலை அனுமானம்). இணைப்பு
-
லி மற்றும் பலர் - செயற்கை நுண்ணறிவின் “அதிகத் தேவையைக்” குறைத்தல்: செயற்கை நுண்ணறிவு மாதிரிகளின் இரகசிய நீர் தடத்தைக் கண்டறிந்து தீர்வு காணுதல் ( மில்லியன் கணக்கான லிட்டர்களுக்குப், நேரம் மற்றும் இடத்திற்கு ஏற்ற திட்டமிடல், பயன்பாட்டிற்கு எதிரான பயன்பாடு). இணைப்பு
-
மைக்ரோசாப்ட் - அடுத்த தலைமுறை தரவு மையங்கள் குளிரூட்டலுக்கு பூஜ்ஜிய தண்ணீரைப் பயன்படுத்துகின்றன (சில தளங்களில் நீர் இல்லாத குளிரூட்டலை இலக்காகக் கொண்ட நேரடி-க்கு-சிப் வடிவமைப்புகள்). இணைப்பு
-
கூகிள் தரவு மையங்கள் - நிலையான முறையில் இயங்குகின்றன (தளம் வாரியாக குளிர்விக்கும் பரிமாற்றங்கள்; அறிக்கையிடல் மற்றும் மறுபயன்பாடு, மீட்டெடுக்கப்பட்ட/சாம்பல் நீர் உட்பட; வழக்கமான தினசரி தள அளவிலான பயன்பாட்டு ஆர்டர்கள் அளவு). இணைப்பு