تصور کنید یک شرکت فناوری میلیاردها دلار برای خرید تراشههای جدید هزینه کرده است، اما حالا متوجه میشود که هیچ راهی برای وصل کردن این ماشینها به برق شهر ندارد. این تضاد میان سرعت خیرهکننده نرمافزار و کندی لاکپشتی زیرساختهای سختافزاری، در حال تبدیل شدن به بزرگترین گلوگاه عصر هوش مصنوعی است. صنعت هوش مصنوعی در بازههای زمانی چندماهه مقیاس میپذیرد، اما شبکههای برق در بازههای زمانی چنددهه تغییر میکنند. این عدم تطابق بنیادی در زمانبندی، یک تنگنای فیزیکی ایجاد میکند که میتواند موج بعدی گسترش هوش مصنوعی را متوقف کند.
ویکیات چودری (Vikhyat Chaudhry)، مدیر فنی (CTO)، مدیر عملیاتی (COO) و همبنیانگذار شرکت Buzz Solutions، استدلال میکند که الکتریسیته در حال تبدیل شدن به منبع استراتژیک این دوران است؛ درست همان نقشی که نفت در قرن گذشته ایفا میکرد و معادلات قدرت جهانی را تغییر داد.
چودری پیشینه فنی عمیقی در این تحلیل دارد. او شرکت Buzz Solutions را در سال ۲۰۱۷ بنیانگذاری کرد، آن هم پس از کسب تخصص گسترده در علوم داده، یادگیری ماشین، سیستمهای جاسوسی (Embedded Systems)، بینایی ماشین و فناوریهای خودران. سوابق شغلی او شامل نقشهای کلیدی مانند دانشمند داده در شرکت سیسکو (Cisco) و توسعه سیستمهای پیشرفته مبتنی بر سنسور در شرکت Altitude Co است. او همچنین در دانشگاه استنفورد روی پهپادهای خودران، سنجش سرعت باد و کاربردهای بینایی ماشین برای مزارع بادی تحقیق کرده است. پیش از آن، در سازمان تحقیق و توسعه دفاعی هند (DRDO)، او روی پیشبینی رانش زمین با استفاده از نرمافزارهای سنجش از دور و شبیهسازیهای پیچیده کار کرده بود که به او بنیادی قوی در زمینه تحلیل ریسکهای زیرساختی و تحلیلهای جغرافیایی (Geospatial Analysis) بخشید.
سالهاست که بحثهای ما حول محور توانمندی مدلها، معماری ترانسفورمرها و قدرت محاسباتی میچرخد. اما اکنون واقعیت از تقاضاهای انتزاعی به اعداد عینی و عظیم فشار بر شبکه برق تغییر کرده است. مراکز داده اکنون درخواستهایی برای تامین برق دارند که با نیازهای انرژی یک شهر کوچک برابری میکند، در حالی که زمانبندی این درخواستها کاملاً با واقعیتهای ساخت زیرساخت در تضاد است. طبق مصاحبه اخیر او با unite.ai، این شکاف میان جاهطلبیهای هوش مصنوعی و واقعیت فیزیکی — یا به عبارتی تفاوت میان «دو ساعت» نرمافزار و سختافزار — داستان اصلی بحران انرژی فعلی است. همین درک باعث شد چودری کتاب «تامین انرژی هوش مصنوعی: چرا آینده هوش مصنوعی به شبکه برق وابسته است» را بنویسد، زیرا او متوجه خلأ بزرگی در ادبیات موجود شد که مدلهای هوش مصنوعی را به الکترونهای مورد نیاز برای تغذیه آنها مرتبط کند. این چالشهای عملیاتی در استقرار زیرساختها، یادآور بحرانهای مشابهی است که استارتاپ June برای مقابله با «بدهی استقرار» در سازمانهای بزرگ به دنبال حل آنهاست.
گلوگاههای فیزیکی
به نقل از چودری، چندین گره پیچیده وجود دارد که با سرمایه یا نرمافزار بهتنهایی حل نمیشوند. او اشاره میکند که در حالی که ساخت یک نیروگاه یا مرکز داده را میتوان در یک بیانیه خبری اعلام کرد، اما اجزای فیزیکی آن را نمیتوان با همان سرعت پیش برد:
- زمان تحویل سختافزار: ترانسفورماتورهای بزرگ برق قطعاتی حیاتی هستند که زمان تحویل آنها گاهی به سالها میرسد. بسیاری از این تجهیزات بهصورت داخلی تولید نمیشوند و این موضوع یک دیوار سخت در زنجیره تامین ایجاد کرده است.
- صفهای اتصال: در بسیاری از مناطق، فرآیند اتصال به شبکه (Interconnection) یک صف چندساله است، صرفاً برای اینکه یک پروژه مورد بررسی قرار گیرد و تایید شود.
- فرسایش نیروی کار: صنعت برق با کمبود شدید نیروی متخصص مواجه است. متخصصانی که میدانند چگونه این تجهیزات پیچیده را بسازند و نگهداری کنند، سریعتر از جایگزینهایشان بازنشسته میشوند و این خلأ مهارتی یک ریسک عملیاتی است.
- ظرفیت انتقال: مشکل اصلی لزوماً تولید الکتریسیته نیست، بلکه انتقال آن است. کریدورهای انتقال برق و فرآیند اتصال در حال حاضر تنگترین گرههای سیستم هستند و مانع از رسیدن برق تولید شده به مراکز مصرف میشوند.
ریسک «بارهای شبحوار»
برخلاف صنایع سنتی مثل کارخانههای فولاد، ذوب آلومینیوم یا تولید اتومبیل که در طول دههها همراه با شبکه رشد کردند و اجازه دادند شبکه بهتدریج با آنها تطبیق یابد، مراکز دادهٔ هوش مصنوعی بهصورت بارهای عظیم و متمرکز، یکباره روی شبکه مینشینند. این وضعیت ریسکی به نام «بارهای شبحوار» (Phantom Loads) ایجاد میکند.
سه عامل این ریسک را بهطور منحصربهفرد تشدید میکند: اول، سرعت و تمرکز شدید تقاضا در یک نقطه جغرافیایی؛ دوم، پروفایل بار که میتواند بهسرعت و با شدت بالا برود (Ramp up) و تجهیزات را متفاوت از یک فرآیند کارخانهای ثابت تحت فشار قرار دهد؛ و سوم، ماهیت گمانهزنانه درخواستها. توسعهدهندگان اغلب بهطور همزمان در چندین منطقه درخواست اتصال میدهند تا ببینند کجا سریعتر برق میگیرند. برخی از این درخواستها واقعی و دارای بودجه هستند، در حالی که برخی دیگر صرفاً جایگیرهایی (Placeholders) برای رزرو جایگاه در صف هستند تا در صورت لزوم از آن استفاده کنند.
اگر شرکتهای برق هر درخواست را واقعی فرض کنند و زیرساختهای گرانقیمت تولید و انتقال بسازند، اما پروژه هرگز اجرا نشود، هزینههای عظیمی هدر میرود و داراییها «راند شده» (Stranded Assets) میشوند. بهدلیل ساختار تاریخی نرخها، این هزینهها معمولاً بین تمام مشتریان پخش میشود. این یعنی خانوادهها و بازنشستگان در نهایت هزینه زیرساختهای بلااستفاده برای ثروتمندترین شرکتهای جهان را پرداخت میکنند.
برای مقابله با این وضعیت، چودری پیشنهاد میکند که گمانهزنی گران و تعهد ارزان شود. این شامل دریافت سپردههای قابلتوجه مالی، تعهدات مرحلهبندی شده متصل به نقاط عطف ساختوساز، و شرایط قراردادی است که ریسک را بهجای مردم، بر عهده توسعهدهنده قرار دهد. او استدلال میکند نهادی که درخواست برق میدهد باید ریسک عدم نیاز به آن برق را بپذیرد، نه اینکه این ریسک بهطور خاموش بر دوش عموم مردم بیفتد.
تامین مالی و عدالت
چودری معتقد است سیاستهای دهه آینده بر سر این موضوع خواهد بود که چه کسی هزینه ارتقای شبکه را میدهد. او استدلال میکند که هزینه باید تا حد امکان بر عهده همان باری باشد که باعث ایجاد آن شده است. اگر یک مرکز داده (Hyperscaler) نیاز به پست برق جدید و ارتقای خطوط انتقال دارد، پیشفرض باید این باشد که خود آن مرکز هزینه آنچه را که تحریک کرده است، بپردازد.
برای جلوگیری از پرداخت هزینه توسط خانوارها، او ابزارهای زیر را پیشنهاد میدهد:
- تعرفههای بار زیاد: تعرفههایی که بهطور خاص برای این دسته از مشتریان صنعتی عظیم طراحی شدهاند تا هزینههای واقعی را پرداخت کنند.
- قراردادهای حداقل خرید (Minimum-take): برای اطمینان از اینکه یک مرکز داده نمیتواند زیرساختها را بسازد و سپس پروژه را رها کند بدون اینکه هزینه آن را بپردازد.
- تعهدات بلندمدت: تطبیق تعهد مالی با طول عمر داراییهای فیزیکی ساخته شده تا بازگشت سرمایه تضمین شود.
او هشدار میدهد که این موارد باید پیش از ریختن بتون اجرا شوند. وقتی هزینهها وارد پایه نرخها (Rate Base) شوند، بازپسگیری آنها بسیار سخت است و این موضوع میتواند اعتماد عمومی به شرکتهای برق و صنعت هوش مصنوعی را بهشدت از بین ببرد.
ترکیب انرژی و انعطافپذیری شبکه
تامین نیاز ۲۴ ساعته هوش مصنوعی نیازمند یک استراتژی لایهای است و نه یک راهکار واحد یا «گلوله نقرهای». چودری اشاره میکند که شرکتهای برقی مانند Dominion، Ameren، AEP، NYPA و Southern در حال افزایش سهم انرژی خورشیدی خود برای پاسخ به تقاضای مراکز داده هستند. او ترکیبی از موارد زیر را پیشنهاد میکند:
- تجدیدپذیرها و ذخیرهسازها: اینها سریعترین راه برای استقرار هستند. خورشیدی بههمراه باتری در زمانبندیهای منطقیتری نسبت به سایر زیرساختها ساخته میشوند.
- گاز طبیعی: بهعنوان یک پل ضروری عمل میکند چون قابل اعزام (Dispatchable) است و در حال حاضر برای پر کردن شکاف پایداری و تامین برق در زمان نبود خورشید در دسترس است.
- هستهای: نیروگاههای قدیمی که در آستانه بازنشستگی بودند، بهدلیل قراردادهای بلندمدت مراکز داده برای خرید خروجی آنها، دوباره زنده شدهاند و عمرشان تمدید شده است.
- SMRها و زمینگرمایی: رآکتورهای کوچک مدولار (SMR) و انرژی زمینگرمایی بازیهای بلندمدت هیجانانگیزی هستند، اما احتمالاً تا اواخر دهه جاری اثرگذار خواهند بود و راهکاری برای سال ۲۰۲۷ نیستند.
همچنین مراکز داده میتوانند بهعنوان داراییهای انعطافپذیر شبکه عمل کنند. چودری بین استنتاج (Inference) — که مربوط به پرسوجوهای زنده مدل است، به تأخیر حساس است و صلب است — و آموزش (Training) — که شامل بارهای کاری عظیم و دستهای است — تفاوت میگذارد. آموزش مدلها بسیار انعطافپذیرتر است و میتوان آنها را به ساعاتی منتقل کرد که شبکه برق مازاد انرژی پاک دارد.
با لایهبندی باتریها، ذخیرهسازهای حرارتی و تولید برق در محل، مراکز داده میتوانند از بلوکهای صلب تقاضا به منابعی تبدیل شوند که مازاد خورشیدی روز را جذب کرده و در ساعات پیک از انرژی ذخیره شده استفاده کنند. با این حال، این امر نیازمند طراحی مشوقها و ساختار نرخهایی است که اپراتورها را برای همکاری با شبکه پاداش دهد.
هوش مصنوعی بهعنوان راهکار بحران برق
بهطور طنزآمیزی، همان صنعتی که شبکه را تحت فشار قرار داده، ابزار اصلاح آن را فراهم میکند. Buzz Solutions با پلتفرم PowerAI به شرکتهای انرژی کمک میکند تا زیرساختهای انتقال، توزیع، پستها و تولید برق را بازرسی و ایمن کنند. این پلتفرم تصاویر پهپادها، هلیکوپترها، هواپیماهای بالثابت و بازرسیهای زمینی را تحلیل میکند تا دادههای بصری را به تشخیصهای فنی تبدیل کند.
با استفاده از بینایی ماشین (Computer Vision)، قطعات معیوب مثل عایقهای ترکخورده، ترانسفورماتورهای داغشده یا قلابهای زنگزده قبل از وقوع حادثه شناسایی میشوند. این کار باعث کاهش کار دستی، کاهش احتمال خرابی تجهیزات و جلوگیری از فجایعی مثل آتشسوزیهای جنگلی و خاموشیهای ناشی از طوفان میشود. این یافتهها سپس در سیستمهای اطلاعات جغرافیایی (GIS)، مدیریت داراییها و جریانهای کاری سفارشات تعمیرات ادغام میشوند.
علاوه بر نگهداری، هوش مصنوعی در زمینههای زیر سودآور است:
- پیشبینی بار: پیشبینی دقیق تقاضا برای جلوگیری از برنامهریزی کورکورانه و بهینهسازی تولید.
- بهینهسازی انتقال: استخراج ظرفیت بیشتر از سیمهای موجود از طریق مدیریت هوشمند جریان.
- مدیریت پوشش گیاهی: استفاده از هوش مصنوعی برای تبدیل فرآیندهای کند و دستی هرس درختان به فرآیندهایی سریع و کارآمد برای افزایش تابآوری شبکه.
- بازیابی خاموشی: بهبود آگاهی موقعیتی برای بازگرداندن سریعتر برق به مناطق آسیبدیده.
چودری کارهای «غیرجذاب» — یعنی دیدن بهتر شبکه و پیشبینی رفتار آن — را حوزههایی میداند که هوش مصنوعی در آنها زودتر از همه هزینههای خود را بازمیگرداند. دوقلوهای دیجیتال و کنترلهای کاملاً خودکار شبکه بهدلیل نگرانیهای مربوط به اعتماد و ایمنی، در افقهای دورتر قرار دارند.
نظارت انسانی و امنیت
چودری تاکید میکند که قضاوت انسانی در تصمیمات حیاتی اجباری باشد. در حالی که هوش مصنوعی در ادراک و توصیه فوقالعاده است، اما یک متخصص باید مسئول تصمیماتی باشد که اشتباه در آنها میتواند برق یک بیمارستان را قطع کند یا باعث خاموشی زنجیرهای در یک منطقه شود. او رویکرد «انسان در حلقه» (Human-in-the-loop) را توصیه میکند که در آن متخصصان روی پیشبینیهایی که زیر یک آستانه اطمینان خاص هستند، بازخورد دهند.
همزمان با خودکار شدن شبکه، آسیبپذیریهای نرمافزاری افزایش مییابد. او هشدار میدهد که حمله سایبری به یک سیستم کنترل خودکار، دیگر یک نشت داده نیست، بلکه یک اتفاق فیزیکی است که میتواند منجر به تخریب تجهیزات شود. برای مقابله، او سه گام پیشنهاد میدهد:
۱. حلقههای انسانی واقعی: انسانها باید قدرت واقعی برای لغو تصمیمات حیاتی داشته باشند، نه اینکه صرفاً بهعنوان مهر تایید عمل کنند.
۲. تفسیرپذیری: اپراتورها باید بفهمند چرا مدل یک تصمیم گرفته است؛ جمله «هوش مصنوعی تصمیم گرفت» در زمان خاموشی پذیرفته نیست.
۳. امنیت از روز اول: سیستمهای خودکار باید از همان ابتدا بهعنوان ریسکهای امنیتی شناخته شوند و سطح حمله گستردهتر آنها در نظر گرفته شود. این ضرورت امنیت در لایههای زیرساختی، با رویکرد استارتاپهای جدیدی چون Glow که بر امنیت پیشرفته هوش مصنوعی تمرکز کردهاند همسو است.
شرکت Buzz Solutions پیش از این دستورالعملهای امنیت سایبری و حاکمیت هوش مصنوعی را منتشر کرده تا به صنعت در استقرار امن این سیستمها کمک کند. او اشاره میکند که شرکتهای برق اکنون در حال تشکیل شوراهای حاکمیت داده و هوش مصنوعی برای مدیریت این ریسکها هستند. در این راستا، بحث بر سر این است که چگونه حاکمیت بللحظه میتواند پیششرط مقیاسپذیری سیستمهای خودکار و عاملهای هوشمند در محیطهای حساس باشد.
چشمانداز سال ۲۰۳۱
تا سال ۲۰۳۱، برندگان مسابقه هوش مصنوعی مناطقی نخواهند بود که بیشترین استعداد یا بهترین تراشهها را دارند، بلکه مناطقی هستند که ظرفیت شبکه برق را بهعنوان یک دارایی رقابتی دیدهاند. موفقیت نیازمند سادهسازی مجوزها و اصلاح فرآیندهای اتصال است، بدون اینکه ایمنی فدا شود. مناطقی که در سرمایهگذاری روی انتقال برق پیش از رسیدن تقاضا شکست بخورند، شاهد جابهجایی پروژهها به مکانهایی خواهند بود که میتوانند الکترونها را تامین کنند.
در نهایت، این محدودیت یک مشکل تکنولوژیک نیست، بلکه یک مشکل هماهنگی است. رهبران فناوری، تامینکنندگان انرژی و رگولاتورها باید «دو ساعت» متفاوت سرعت هوش مصنوعی و واقعیت زیرساختی را با هم هماهنگ کنند تا اعتماد مردم به قیمت برق از بین نرود. یک استراتژی موفق شامل استفاده از هوش مصنوعی برای بهرهوری بیشتر از شبکه فعلی در حین ساخت شبکه بعدی، تضمین تخصیص عادلانه هزینهها و آموزش نسل بعدی تکنسینهای خطوط و مهندسان است.
گام بعدی شما
- اگر در حوزه زیرساخت یا سرمایهگذاری فناوری هستید، بهجای تمرکز صرف بر GPU، تحلیلهای ظرفیت برق منطقه (Grid Capacity) را به اولویت اول تبدیل کنید.
- بررسی کنید که آیا مدلهای شما قابلیت جابهجایی زمانی (Temporal Shifting) برای آموزش در ساعات کمبار شبکه را دارند یا خیر.
- در مورد استقرار مدلها، استراتژیهای انرژی ترکیبی (خورشیدی + باتری) جایگزین تکیه بر شبکه سراسری کنید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو