توسعه‌دهندگان هوش مصنوعی، دیتاسنترهای شخصی را به خانه‌هایشان می‌آورند

درحالی‌که شرکت‌های بزرگ فناوری میلیاردها دلار برای ساخت دیتاسنتر هزینه می‌کنند، برخی مدیران و توسعه‌دهندگان هوش مصنوعی مسیر متفاوتی را انتخاب کرده‌اند: آن‌ها کامپیوترهای قدرتمند را به زیرزمین، گاراژ و اتاق کار خانه‌هایشان می‌آورند تا مدل‌های هوش مصنوعی را بدون وابستگی دائمی به سرویس‌های ابری اجرا کنند.

به گزارش The Information، این افراد می‌خواهند هزینه استفاده از سرویس‌های ابری را کاهش دهند و کنترل بیشتری بر مدل‌ها، داده‌ها و ابزارهای خود داشته باشند. اما اجرای هوش مصنوعی در خانه همیشه ارزان و بی‌دردسر نیست؛ زیرا دستگاه‌های قدرتمند، برق زیادی مصرف می‌کنند و گرمای قابل‌توجهی تولید می‌کنند.

وقتی اتاق کار به سرورخانه تبدیل می‌شود

یکی از نمونه‌های این روند، گری فلیک، مدیر سابق مایکروسافت و بنیان‌گذار یک استارتاپ است که سیستمی مجهز به هفت پردازنده گرافیکی انویدیا در زیرزمین خانه‌اش راه‌اندازی کرده است. او با انتخاب قطعات ارزان‌تر، هزینه ساخت کامپیوتر را به کمتر از ۶ هزار دلار رساند؛ اما برای ارتقای برق ساختمان و نصب سیستم تهویه و سرمایش، حدود ۱۰ تا ۲۰ هزار دلار دیگر هزینه کرد.

نمونه دیگر، هیتن شاه، مدیرعامل شرکت نرم‌افزاری Crazy Egg است که مجموعه‌ای متشکل از ۱۸ کامپیوتر، از جمله ۱۴ دستگاه Mac Mini و Mac Studio، در خانه‌اش دارد. اجرای این تجهیزات گرمای اتاق کار او را به حدود ۲۹ درجه سانتی‌گراد رسانده و نیاز به نصب سیستم تهویه مطبوع را ایجاد کرده است.

این نمونه‌ها نشان می‌دهند که هزینه واقعی چنین سیستمی فقط به قیمت خرید سخت‌افزار محدود نمی‌شود. مصرف برق، سروصدای فن‌ها و خنک‌کردن دستگاه‌ها هم بخشی از هزینه استفاده از هوش مصنوعی در خانه هستند.

چرا اجرای محلی هوش مصنوعی جذاب شده است؟

در سرویس‌های ابری، کاربران برای دسترسی به مدل‌ها به زیرساخت شرکت‌های دیگر وابسته‌اند و معمولا بر اساس میزان استفاده هزینه می‌پردازند. در مقابل، اجرای محلی به آن‌ها اجازه می‌دهد مدل‌های سازگار را روی دستگاه‌های خودشان اجرا کنند و کنترل بیشتری بر نحوه استفاده از آن‌ها داشته باشند.

این روش می‌تواند برای توسعه‌دهندگانی که دائماً مدل‌ها را آزمایش می‌کنند یا حجم زیادی از درخواست‌ها را پردازش می‌کنند، جذاب باشد. اجرای محلی همچنین می‌تواند نیاز به ارسال داده‌ها به سرویس‌های خارجی را کاهش دهد؛ هرچند حفظ حریم خصوصی به نحوه پیکربندی و امنیت سیستم هم بستگی دارد.

بااین‌حال، خرید سخت‌افزار قدرتمند برای همه به‌صرفه نیست. اگر استفاده از هوش مصنوعی محدود باشد، پرداخت هزینه یک سرویس ابری ممکن است ارزان‌تر از خرید کامپیوتر، مصرف برق و نگهداری آن تمام شود. همچنین اجرای مدل‌های بسیار بزرگ همچنان به منابع پردازشی قابل‌توجهی نیاز دارد که لزوماً در یک سیستم خانگی فراهم نیست.

در نتیجه، دیتاسنترهای خانگی قرار نیست جایگزین زیرساخت‌های عظیم شرکت‌های فناوری شوند؛ اما با گسترش مدل‌های قابل‌اجرا روی سخت‌افزار شخصی، راه تازه‌ای پیش روی توسعه‌دهندگان قرار گرفته است. راهی که کنترل بیشتری به آن‌ها می‌دهد، اما هزینه این استقلال را از قبض سرویس ابری به سخت‌افزار، برق و خنک‌سازی منتقل می‌کند.