آیا برق رشد هوش مصنوعی را محدود میکند؟ SMR، زمینگرمایی و هزینه مدلها
برق هوش مصنوعی، قراردادهای گوگل، هزینه آموزش مدل و سهام انرژی؛ پژوهشی با نمودار، منابع و تفکیک اندازهگیری از برآورد.
هوش مصنوعی یک زنجیره تأمین فیزیکی دارد. هر مدل جدید به تراشه، داده، خنکسازی و برق نیاز دارد. بنابراین یک پرسش منطقی مطرح میشود: آیا سیستم برق میتواند رشد هوش مصنوعی را محدود کند؟
شواهد نشان میدهند که برق میتواند توسعه زیرساخت را محدود کند. اما ثابت نمیکنند که کمبود برق همین حالا باعث کاهش عمومی سرعت بهبود توانایی مدلها شده است. در این پژوهش سه موضوع را جدا بررسی میکنیم: کیفیت مدل، مصرف برق مراکز داده و بازده سهام شرکتهای انرژی. اینها به هم مرتبطاند، ولی یک چیز را اندازه نمیگیرند.
تاریخ بررسی: ۳۰ سپتامبر ۲۰۲۶. داده سهام تا پایان معاملات ۲۹ سپتامبر است. تصویر جلد با هوش مصنوعی ساخته شده و یک تأسیسات خیالی را نشان میدهد؛ سند تصویری یک پروژه واقعی نیست.
تقاضا جهانی است، اما گلوگاه محلی
آژانس بینالمللی انرژی در گزارش ۲۰۲۶ مصرف برق مراکز داده در سال ۲۰۲۵ را ۴۸۵ تراواتساعت برآورد میکند. پیشبینی مرکزی آن برای ۲۰۳۰ ۹۵۰ تراواتساعت است. این ارقام همه مراکز داده را شامل میشوند، نه فقط هوش مصنوعی. عدد سال ۲۰۳۰ یک پیشبینی است، نه مصرفی که تاکنون رخ داده باشد. گزارش IEA
مسئله عملی، رساندن برق کافی و قابل اتکا به یک محل مشخص در زمان مناسب است. ممکن است یک کشور ظرفیت تولید برق داشته باشد، اما منطقه انتخابشده ظرفیت انتقال، پست برق یا اتصال سریع به شبکه نداشته باشد. IEA در ارزیابی ۲۰۲۵ برآورد کرد که محدودیت شبکه میتواند حدود ۲۰ درصد ظرفیت برنامهریزیشده مراکز داده جهان تا ۲۰۳۰ را به تأخیر بیندازد. تحلیل محدودیت شبکه
این محدودیت میتواند هزینه را افزایش دهد یا راهاندازی را عقب بیندازد. برای اثبات اثر آن بر کیفیت مدلها، به ارزیابیهای قابل مقایسه و شواهدی نیاز داریم که محدودیت برق مشخصی را به اجرا نشدن آموزش مشخصی وصل کنند. رشد مصرف برق بهتنهایی پاسخ این پرسش را نمیدهد. توانایی مدل، سرعت ساخت مرکز داده و میزان استفاده کاربران باید جداگانه سنجیده شوند.
آیا پارامتر بیشتر یعنی برق آموزش بیشتر؟
برای آموزش ترنسفورمرهای متراکم، یک تقریب رایج این است: محاسبات ≈ ۶ × تعداد پارامترها × توکنهای آموزش. هم اندازه مدل و هم مقدار داده اهمیت دارند. این رابطه هزینه محاسباتی را تقریب میزند؛ برق را مستقیماً اندازه نمیگیرد. پژوهش هافمن و همکاران
متا ساعتهای GPU مدلهای Llama 3.1 و یک رقم توان سختافزار برابر با ۷۰۰ وات را منتشر کرده است. با ضرب ساعتها در ۰٫۷ کیلووات ثابت، یک شاخص تقریبی انرژی بر پایه TDP به دست میآوریم که محاسبهاش قابل تکرار است:
| مدل | ساعت GPU اعلامشده | شاخص انرژی محاسبهشده |
|---|---|---|
| Llama 3.1 8B | ۱٫۴۶ میلیون | ۱٫۰۲۲ گیگاواتساعت |
| Llama 3.1 70B | ۷٫۰۰ میلیون | ۴٫۹۰۰ گیگاواتساعت |
| Llama 3.1 405B | ۳۰٫۸۴ میلیون | ۲۱٫۵۸۸ گیگاواتساعت |
ورودیها: کارت مدل متا. محاسبه: ARXAN.
همبستگی پیرسون برای مقادیر اصلی ۰٫۹۹۹۵ است؛ اما فقط سه مدل داریم. برای لگاریتم مقادیر، همبستگی ۰٫۹۹۹۰ است. رابطه در این خانواده کوچک قوی است، ولی سه مشاهده مرتبط نمیتوانند یک قانون عمومی انرژی یا رابطه علت و معلولی را ثابت کنند. همبستگی نزدیک به یک، محدودیت اندازه نمونه را برطرف نمیکند.
مصرف واقعی با میزان استفاده و کارایی سختافزار تغییر میکند. پردازنده مرکزی، شبکه و خنکسازی هم برق مصرف میکنند. بنابراین این شاخص، صورتحساب برق کل تأسیسات نیست و نباید آن را حد بالا یا پایین دقیق مصرف مرکز معرفی کرد. مقایسه صادقانه باید همیشه مرز اندازهگیری و فرض توان ثابت را مشخص کند.
اجرای مدل، مسئله متفاوتی دارد
آموزش مدل را میسازد؛ استنتاج بارها آن را اجرا میکند. پس از استقرار، تعداد درخواستها، طول ورودی و خروجی، اندازه دسته و ظرفیت بیکار اهمیت پیدا میکنند. یک مدل ثابت با دو الگوی استفاده متفاوت، میتواند مصرف متفاوتی داشته باشد.
گوگل در پژوهش ۲۰۲۵ برای درخواست متنی میانه در Gemini Apps، انرژی ۰٫۲۴ واتساعت گزارش کرد. میانه یک محصول در یک دوره مشخص، ثابت عمومی هر درخواست نیست. همچنین میانگین نیست که بتوان با ضرب آن در تعداد درخواستها، مصرف کل را دقیق محاسبه کرد. پژوهش اندازهگیری گوگل
پژوهشهای استنتاج نیز نشان میدهند که تعداد پارامتر بهتنهایی کافی نیست: معماری و بار کاری، رابطه اندازه مدل و انرژی را تغییر میدهند. From Prompts to Power
معیار مناسب، ژول برای هر وظیفه کاملشده با کیفیت قابل مقایسه است. باید سختافزار، دقت عددی، اندازه دسته و تعداد توکنها ثبت شوند. همچنین باید بدانیم اندازهگیری فقط GPU، کل سرور یا تأسیسات را پوشش میدهد. اگر برق مرکز از مصرف تجهیزات و ضریب PUE برآورد میشود، فرض باید مشخص باشد و خنکسازی دو بار شمرده نشود.
کارایی بهتر میتواند همزمان با افزایش مصرف کل رخ دهد. درخواست ارزانتر ممکن است استفاده بیشتر، پاسخهای طولانیتر و کارهای خودکار بیشتری ایجاد کند. پس کاهش انرژی یک درخواست، الزاماً به معنی کاهش انرژی کل سرویس نیست.
قراردادهای گوگل: ظرفیت آینده و برق تحویلشده
راکتورهای کوچک مدولار یا SMR و انرژی زمینگرمایی میتوانند برق قابل اتکا فراهم کنند. اما زمانبندی قراردادها و ریسک توسعه یکسان نیست.
| پروژه | ظرفیت اعلامشده | وضعیت بیانشده در اطلاعیه |
|---|---|---|
| Google–Kairos | تا ۵۰۰ مگاوات | نخستین پروژه هدفگذاریشده برای ۲۰۳۰؛ توسعه بیشتر تا ۲۰۳۵ |
| Google–Fervo | ۳۹۶ مگاوات | قرارداد خرید برق سپتامبر ۲۰۲۶؛ تحویل مورد انتظار در ۲۰۲۸ |
| Google/NV Energy–Ormat | تا ۱۵۰ مگاوات | اطلاعیه فوریه ۲۰۲۶؛ پروژههای ۲۰۲۸ تا ۲۰۳۰، مشروط به تأیید |
منابع: گوگل و Kairos، قرارداد Fervo، اطلاعیه Ormat.
Fervo همچنین در ۲۴ سپتامبر ۲۰۲۶ نخستین تحویل برق Cape Station به شبکه را اعلام کرد. این نقطه عطف به معنی فعال بودن تمام ظرفیت قرارداد گوگل نیست. اعلام نخستین برق
مگاوات واحد توان است؛ انرژی سالانه به ساعات کار و تولید واقعی وابسته است. نمیتوان این قراردادها را جمع کرد و سهم بازار ساخت، چون سالها، شروط و محدوده پروژههای آنها متفاوتاند. ظرفیت قراردادی، تولید عملیاتی و سهم بازار باید جدا گزارش شوند.
در بازار سهام چه اتفاقی افتاد؟
برای جدا کردن داستان برق از بازار، SMR، OKLO، ORA و FRVO را با SPY، یک نماینده بازار گسترده سهام آمریکا، مقایسه کردم. بازه مشترک ۱۵ مه تا ۲۹ سپتامبر ۲۰۲۶ است؛ پس از عرضه اولیه Fervo، با ۹۴ مشاهده مشترک قیمت پایانی. اطلاعات عرضه اولیه
| نماد | تغییر قیمت تعدیلشده | بیشترین افت از اوج قیمت پایانی در بازه |
|---|---|---|
| NuScale / SMR | −۳۰٫۹۰٪ | −۴۵٫۵۹٪ |
| Oklo / OKLO | −۴۰٫۳۹٪ | −۵۱٫۵۲٪ |
| Ormat / ORA | −۳۰٫۴۶٪ | −۳۷٫۶۶٪ |
| Fervo / FRVO | −۶۶٫۵۱٪ | −۶۷٫۶۵٪ |
| SPY | +۳٫۹۱٪ | −۴٫۴۹٪ |
منبع: داده تاریخی Yahoo Finance؛ محاسبه از نسخه آرشیوشده داده روزانه. تعدیلهای ارائهدهنده استفاده شدهاند؛ هزینه معامله و مالیات لحاظ نشده است. این مجموعه منتخب است، نه تمام صنعت انرژی. تغییر بازه زمانی ممکن است نتیجه مقایسه را تغییر دهد.
همبستگی بازده روزانه SMR و OKLO برابر ۰٫۸۵ و برای ORA و FRVO برابر ۰٫۴۷ بود. این روابط توصیفی بین اوراق بهادارند. همبستگی با مصرف برق هوش مصنوعی را اندازه نمیگیرند و علت حرکت قیمت را ثابت نمیکنند. ارزشگذاری، تأمین مالی، رقیقشدن سهام و اجرای پروژه هم میتوانند اثر داشته باشند.
نتیجه پژوهش
برق قابل اتکا، محدودیتی برای توسعه زیرساخت هوش مصنوعی است. شواهد موجود ثابت نمیکنند که این عامل باعث کند شدن عمومی بهبود توانایی مدلها شده است.
تفکیک مالی هم مهم است: رشد تقاضا میتواند برای تأمینکنندگان فرصت ایجاد کند، در حالی که سهامداران زیان میکنند. باید برق تحویلشده، نقاط عطف پروژه و نتیجه مالی را جدا دنبال کرد. برای خود هوش مصنوعی، هدف مفید انرژی لازم برای انجام یک کار ارزشمند با کیفیت مورد نیاز است.
