تصور کنید یک برنامهنویس در تیمی کوچک باشد که حالا به جای نوشتن تکتک خطوط کد، هزاران دستیار دیجیتال را مدیریت میکند که شبانهروز در حال کار هستند. این تغییر مدل کاری، فشار بیسابقهای بر شبکه برق جهان وارد کرده است.
به گزارش Wired در ۱۳ سپتامبر ۲۰۲۶، سیلیکون ولی در حال جذب میلیاردها دلار بدهی است تا برخی از بزرگترین نیروگاههای جهان را بسازد. دلیل این فشار، ظهور عاملهای هوش مصنوعی (AI Agents) است؛ سیستمهایی که برخلاف چتباتها، میتوانند برای ساعتها به طور خودمختار روی یک هدف کار کنند و دهها بار به خودشان دستور بدهند تا یک وبسایت، منوها و مجموعهدادههای لازم را کامل کنند. این رفتار خودمختار است که باعث شده غولهای فناوری برای تأمین برق، به دنبال ساخت نیروگاههای عظیم باشند. این تحول در واقع بخشی از روند گستردهتری است که در آن عاملهای هوش مصنوعی تمرکز صنعت را از تولید محتوا به اجرای هدف تغییر دادهاند.
برای سالها، ما هوش مصنوعی را به شکل یک چتبات میشناختیم: کاربر سوال میپرسد و مدل سریع جواب میدهد. این تعامل از نظر انرژی ارزان است زیرا یک رویداد گسسته و کوتاه است. اما حالا صنعت به سمت سیستمهای عاملمحور حرکت میکند. این سیستمها بر پایه مدل زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن کتابها جواب میدهد — طراحی شدهاند تا بدون راهنمایی مداوم انسان، تصمیمات پیچیده بگیرند و وظایف را اجرا کنند.
همانطور که در تحلیلهای قبلی ما دربارهی زیرساختهای مدلهای زبانی اشاره کردیم، این گذار ریاضیات مصرف انرژی را تغییر میدهد. در حالی که یک پرسوجوی چتبات یک اتفاق لحظهای است، یک گردشکار عاملمحور یک فرآیند مستمر است. به همین دلیل، نیاز به محاسبات (Compute) برای خودمختاری، بسیار بیشتر از بازیابی ساده اطلاعات است و این تغییر، محرک اصلی هجوم فعلی برای ساخت مراکز دادههای عظیم است.
گذار به هوش مصنوعی عاملمحور
به نقل از مکسول زف، نویسنده خبرنامه Model Behavior، تفاوت اصلی عاملها در این است که میتوانند بر اساس یک درخواست واحد کاربر، صدها پرامپت کوچک تولید کنند. سیستم به جای یک پرسش و پاسخ ساده، برای رسیدن به هدف مدام روی خروجیهای خود بازبینی و تکرار میکند تا هدف نهایی محقق شود.
این تکامل یعنی هوش مصنوعی دیگر فقط ابزاری برای پیدا کردن دستور پخت غذا یا برنامهریزی سفر نیست، بلکه در حال تبدیل شدن به یک نیروی کار است. هدف نهایی، حرکت از «تعامل ساده» به «اجرای کامل و خودمختار» است که مستقیماً به ساخت مراکز داده عظیم منجر شده است، زیرا اجرای خودمختار نیازمند توان پردازشی بسیار بالاتری است. برای درک بهتر این سازوکار، میتوان به ساختار remote-agent و نحوه مدیریت دسترسیهای آن به سیستم اشاره کرد که امنیت این اتوماسیونها را تضمین میکند.
بهای استقلال دیجیتال
بر اساس بررسیهای اخیر، شدت مصرف منابع در این سیستمها تکاندهنده است و مثالهای عینی این موضوع را نشان میدهند:
- OpenAI اخیراً گروهی متشکل از ۱۰ هزار عامل را به کار گرفت که ۲.۷ میلیون پیام با هم رد و بدل کردند تا یک مسئله پیچیده ریاضی را حل کنند. هرچند ریاضیدانان در مورد صحت جواب اختلاف نظر دارند، اما هزینه انرژی این عملیات احتمالاً دهها میلیون دلار بوده است و قدرت پردازشی عظیمی را بلعیده است.
- Meta عامل شخصی Muse را برای میلیاردها کاربر عرضه کرد. برخلاف ابزارهای قبلی، Muse برای هر کاربر یک «کامپیوتر اختصاصی در ابر» نگه میدارد تا حتی وقتی کاربر آفلاین است، مدل به کارش ادامه دهد. متا همچنین قصد دارد Muse را تا پایان سال جاری با عینکهای هوش مصنوعی خود ادغام کند تا دسترسی به این عاملها همیشگی شود.
این عاملها به گونهای عمل میکنند که از کاربر جدا شدهاند. بوریس گامازایچیکوف، مدیرعامل Sustainable AI، اشاره میکند که رشد هوش مصنوعی دیگر مانند استریم کردن نتفلیکس یا راندن ماشین نیست که محدود به تعداد افرادی باشد که از سرویس استفاده میکنند.
در آیندهای که رهبران هوش مصنوعی تصور میکنند، یک شرکت «تکشاخ» ممکن است تنها یک کارمند انسانی داشته باشد که توسط هزاران عامل پسزمینه پشتیبانی میشود. در این حالت، مصرف برق نه با تعداد کاربران فعال، بلکه با پیچیدگی وظایفی که به عاملها محول میشود، مقیاسبندی خواهد شد.
شکاف شفافیت و محیط زیست
دادههای قابلاعتمادی درباره ردپای محیطزیستی این عاملها وجود ندارد. شرکتهای خصوصی در افشای این معیارها سختگیر بودهاند. سام آلتمن، مدیرعامل OpenAI، پیشتر سعی کرد مصرف انرژی را با مقایسه یک پرسوجوی ChatGPT با مقدار آب مورد نیاز برای یک عدد بادام (حدود ۳۸ هزار پرسوجو به ازای یک بادام) توجیه کند.
آلتمن استدلال کرد افرادی که در هر بار دوازده عدد بادام میخورند، معمولاً احساس نمیکنند که از نظر مصرف آب کاری «هولناک» انجام میدهند. اما وقتی با عاملهایی روبرو هستیم که یک روز کامل را به کدنویسی خودمختار میگذرانند و از عاملهای «کمککننده» موازی استفاده میکنند، این مقایسههای ساده دیگر معنا ندارند و منسوخ میشوند.
زیک هاوسفادر، دانشمند اقلیم، برای پر کردن این خلأ دادهای، محاسباتی انجام داده است. او دریافت که استفاده روزانه او از ابزارهای عاملمحور در Claude ممکن است بیش از دو یخچال انرژی مصرف کند. او تأکید میکند که اگرچه این مقدار در مقایسه با یک پرواز هواپیما کوچک است، اما در بحران اقلیمی فعلی، یک منبع جدید از انتشار گازهای گلخانهای را ایجاد میکند.
هاوسفادر اشاره میکند که اگرچه مصرف شخصی او «عددی پایاندهنده به جهان» نیست، اما در زمانی رخ میدهد که دمای جهانی به شدت در حال افزایش است و اهداف کاهش انتشار کربن از مسیر خود خارج شدهاند. یافتههای او نشان میدهد که تأثیر واقعی بسیار بزرگتر از معیارهای «کسری از یک بادام» است که آلتمن به آنها استناد میکرد.
مسابقه انرژی و زیرساختها
برای تأمین این نیاز، شرکتها به جای راهکارهای سبز بلندمدت، به سراغ انرژیهای سریع رفتهاند تا نیاز فوری خود را برطرف کنند. برای مثال، پروژه Hyperion متعلق به Meta در لوئیزیانا، توسط ۱۰ نیروگاه گاز طبیعی تغذیه خواهد شد.
برخی توسعهدهندگان رآکتورهای هستهای کوچک (SMR) را به عنوان جایگزینی بدون کربن پیشنهاد دادهاند، اما این فناوری هنوز در آمریکا تجاری نشده است. در حال حاضر هیچ SMRی به صورت تجاری در این کشور فعال نیست و با وجود دههها توسعه، تنها یک مدل برای فروش مجوز گرفته است.
تلاشهایی برای شتاب بخشیدن به این فناوری وجود دارد:
- دولت ترامپ در تلاش است تا به این صنعت کمک کند تا سریعتر به بلوغ برسد.
- یک پروژه آزمایشی توسط وزارت انرژی برای ۱۱ استارتاپ ایجاد شد تا امسال به یک نقطه عطف کلیدی برسند.
- اگرچه تعداد کمی از این استارتاپها موفق به رسیدن به آن نقطه عطف شدهاند، اما هنوز مسیر طولانی برای عرضه محصولات به بازار در پیش دارند.
بنابراین، سازندگان مراکز داده ترجیح میدهند همین حالا توربینهای گازی نصب کنند تا منتظر یک «اتوپیا هستهای» بمانند. به باور بوریس گامازایچیکوف، فناوریهایی که امروز در این مراکز آموزش میبینند، تا سه تا پنج سال دیگر کاملاً محقق میشوند و شباهتی به یک پنجره چت ساده نخواهند داشت.
این تغییر یعنی بحران انرژی فقط درباره تعداد کاربران بیشتر نیست، بلکه درباره ماهیت کار است. ما از دنیای «جستوجو» به دنیای «اجرا» میرویم؛ جایی که هوش مصنوعی فقط نمیگوید چطور کاری را انجام دهید، بلکه آن را برای شما انجام میدهد و در این مسیر مگاواتها برق میسوزاند.
در اواخر این ماه، منتظر تحقیقات جدید Sustainable AI باشید که وعده داده است محاسبات دقیقتری از ردپای محیطزیستی عاملهای مدلهای بسته ارائه دهد.
گام بعدی شما
- اگر از ابزارهای Agentic استفاده میکنید، سعی کنید تعداد گامهای تکرار (Iteration) را محدود کنید تا هزینه استنتاج کاهش یابد.
- گزارشهای Sustainable AI در اواخر این ماه را دنبال کنید تا تخمینهای دقیقتری از ردپای کربنی مدلهای بسته به دست آورید.
- بررسی کنید که آیا برای وظایف ساده، همچنان از مدلهای بزرگ استفاده میکنید یا میتوانید به مدلهای کوچکتر و بهینهتر کوچ کنید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو