AI thường xuất hiện trước mắt người dùng như một cửa sổ trò chuyện, một nút tạo ảnh hoặc một tính năng được tích hợp vào ứng dụng quen thuộc. Giao diện đơn giản ấy có thể khiến chúng ta quên rằng phía sau mỗi yêu cầu là một chuỗi hoạt động tính toán diễn ra trên các máy chủ chuyên dụng. Những máy chủ này cần điện để xử lý dữ liệu, cần hệ thống lưu trữ để giữ mô hình và cần giải pháp làm mát để hoạt động ổn định. Vì vậy, câu hỏi AI dùng bao nhiêu năng lượng không chỉ thuộc về các kỹ sư trung tâm dữ liệu. Đây còn là vấn đề liên quan đến chi phí, thiết kế sản phẩm, thói quen sử dụng và trách nhiệm môi trường.
Không thể đưa ra một con số duy nhất áp dụng cho mọi lần tương tác với AI. Mức tiêu thụ phụ thuộc vào loại mô hình, độ dài yêu cầu, độ phức tạp của tác vụ, phần cứng, cách trung tâm dữ liệu vận hành và việc hệ thống có phải truy xuất thêm dữ liệu hay không. Một câu hỏi ngắn được xử lý bởi mô hình nhỏ sẽ khác đáng kể so với việc tạo một hình ảnh chi tiết, phân tích một tập tin dài hoặc sinh một đoạn video. Hiểu đúng sự khác biệt này giúp cuộc thảo luận tránh hai thái cực: xem AI như một công cụ gần như không có chi phí vật lý, hoặc cho rằng mọi thao tác AI đều gây tác động giống nhau.
Năng lượng được sử dụng ở những khâu nào?
Trước hết là giai đoạn huấn luyện mô hình. Trong quá trình này, hệ thống xử lý lượng lớn dữ liệu thông qua nhiều vòng tính toán để điều chỉnh các tham số bên trong. Huấn luyện một mô hình quy mô lớn có thể cần nhiều máy tính chuyên dụng hoạt động trong thời gian dài. Tuy nhiên, không nên đồng nhất năng lượng dành cho huấn luyện với năng lượng của từng câu trả lời sau đó. Huấn luyện là khoản đầu tư ban đầu, còn việc mô hình tiếp nhận yêu cầu và tạo kết quả được gọi là suy luận. Một hệ thống được sử dụng rộng rãi có thể phát sinh phần tiêu thụ đáng kể từ hoạt động suy luận lặp đi lặp lại.
Khâu thứ hai là suy luận, tức quá trình AI xử lý yêu cầu cụ thể của người dùng. Khi người dùng nhập một câu hỏi, hệ thống phải phân tích nội dung, tính toán xác suất cho các phần tử tiếp theo hoặc xử lý những dạng dữ liệu phù hợp với tác vụ. Với văn bản, độ dài đầu vào và đầu ra có thể ảnh hưởng đến lượng tính toán. Với hình ảnh, âm thanh và video, quá trình tạo hoặc phân tích thường đòi hỏi nhiều bước xử lý hơn. Điều đó không có nghĩa một định dạng luôn luôn tiêu tốn nhiều hơn trong mọi tình huống, nhưng nó cho thấy bản chất của tác vụ là yếu tố cần được xem xét thay vì chỉ nhìn vào tên công cụ.
Năng lượng cũng được dùng cho các hoạt động ít được nhìn thấy hơn như lưu trữ mô hình, truyền dữ liệu, sao lưu, giám sát hệ thống và duy trì khả năng sẵn sàng. Trung tâm dữ liệu còn cần làm mát các thiết bị sinh nhiệt trong quá trình vận hành. Tùy thiết kế, việc làm mát có thể liên quan đến không khí, chất lỏng hoặc những giải pháp kết hợp. Vì vậy, đánh giá tác động của AI không nên chỉ tính điện trực tiếp của bộ xử lý mà bỏ qua các phần còn lại của hạ tầng.
Vì sao các con số trên mạng thường khó so sánh?
Người đọc có thể bắt gặp nhiều ước tính rất khác nhau về năng lượng cho một truy vấn AI. Sự chênh lệch không nhất thiết cho thấy một bên cố tình đưa thông tin sai. Các phép tính có thể dựa trên những giả định khác nhau: mô hình nào được dùng, yêu cầu dài bao nhiêu, câu trả lời có bao nhiêu nội dung, máy chủ sử dụng loại phần cứng nào và trung tâm dữ liệu có hiệu quả đến đâu. Nếu một phép tính chỉ xét bộ xử lý nhưng phép tính khác bao gồm cả làm mát và truyền tải, kết quả đương nhiên không thể đặt cạnh nhau như những số liệu cùng điều kiện.
Thời điểm đo cũng quan trọng. Phần cứng mới có thể xử lý nhiều phép tính hơn với cùng lượng điện, trong khi phần mềm được tối ưu có thể giảm thời gian chạy. Ngược lại, khi nhu cầu tăng nhanh, nhà cung cấp có thể phải mở rộng hạ tầng hoặc duy trì công suất dự phòng. Một mô hình được thiết kế để trả lời nhanh cũng có thể được triển khai khác với mô hình ưu tiên chất lượng cao. Vì thế, một con số đơn lẻ chỉ có ý nghĩa khi đi kèm phạm vi, phương pháp và điều kiện đo lường rõ ràng.
Người dùng cũng cần phân biệt năng lượng tiêu thụ với phát thải. Điện năng có thể được cung cấp từ những nguồn khác nhau, và cường độ phát thải phụ thuộc vào cơ cấu năng lượng cũng như thời điểm sử dụng. Ngoài điện, việc xây dựng phần cứng, sản xuất máy chủ, sử dụng nước cho một số hệ thống làm mát và thay thế thiết bị cũng đặt ra những câu hỏi về tài nguyên. Không phải tác động nào cũng có thể quy đổi đơn giản thành một chỉ số duy nhất.
Hiệu quả không chỉ là làm mô hình lớn hơn
Một quan niệm phổ biến là muốn AI tốt hơn thì phải dùng mô hình ngày càng lớn. Quy mô có thể giúp hệ thống xử lý nhiều loại nhiệm vụ, nhưng hiệu quả thực tế còn phụ thuộc vào cách mô hình được thiết kế và triển khai. Với những việc đơn giản như phân loại yêu cầu, tóm tắt văn bản ngắn hoặc trả lời theo mẫu, một mô hình nhỏ có thể phù hợp hơn. Dùng mô hình lớn cho mọi tác vụ vừa làm tăng chi phí, vừa có thể khiến hệ thống chậm và khó kiểm soát.
Các nhà phát triển có thể cải thiện hiệu quả bằng nhiều hướng: nén mô hình, tối ưu phần mềm, sử dụng bộ xử lý phù hợp, lưu lại kết quả của những yêu cầu lặp lại và phân tuyến tác vụ đến mô hình có năng lực vừa đủ. Trong doanh nghiệp, việc chuẩn hóa đầu vào cũng có ích. Một yêu cầu rõ ràng, có phạm vi cụ thể thường giúp giảm số vòng trao đổi và hạn chế việc phải tạo lại kết quả nhiều lần. Đây là điểm mà thiết kế sản phẩm và hành vi người dùng gặp nhau.
Tuy vậy, tối ưu năng lượng không nên biến thành cuộc đua giảm mọi phép tính bằng mọi giá. Một mô hình nhỏ hơn nhưng thường xuyên trả lời sai có thể khiến nhân viên phải kiểm tra, sửa chữa và chạy lại công việc. Nếu kết quả kém làm phát sinh nhiều bước bổ sung, lợi ích trên lý thuyết có thể bị giảm. Mục tiêu hợp lý là đạt mức chất lượng phù hợp với nhiệm vụ bằng lượng tài nguyên cần thiết, chứ không đơn giản là chọn phương án tiêu thụ ít nhất.
Người dùng có thể làm gì?
Cá nhân không thể quyết định cách một trung tâm dữ liệu tạo điện hoặc làm mát máy chủ, nhưng vẫn có thể sử dụng AI có chủ đích hơn. Trước khi gửi yêu cầu, hãy xác định mình cần câu trả lời ngắn, bản phân tích chi tiết, hình ảnh hay một quy trình nhiều bước. Không phải câu hỏi nào cũng cần mô hình mạnh nhất. Nếu công cụ cho phép lựa chọn chế độ hoặc mô hình, người dùng có thể bắt đầu bằng phương án nhẹ hơn và chỉ chuyển sang lựa chọn cao hơn khi thật sự cần.
Việc mô tả yêu cầu rõ ràng cũng giúp giảm những lần thử không cần thiết. Nên nêu mục tiêu, bối cảnh, giới hạn độ dài và định dạng mong muốn ngay từ đầu. Khi kết quả đã đạt yêu cầu, không cần tiếp tục tạo lại chỉ để thay đổi những chi tiết không quan trọng. Đối với hình ảnh và video, việc xác định trước kích thước, thời lượng và số lượng phiên bản có thể hạn chế quá trình sinh thử nhiều lần.
Trong công việc, tổ chức nên xây dựng nguyên tắc sử dụng thay vì chỉ khuyến khích mọi người dùng AI càng nhiều càng tốt. Quy tắc có thể đề cập đến việc chọn công cụ theo mức độ phức tạp, lưu trữ kết quả, bảo vệ dữ liệu và kiểm tra chất lượng. Một bảng theo dõi đơn giản về loại tác vụ, thời gian xử lý và số lần chạy lại cũng giúp doanh nghiệp nhận ra nơi đang lãng phí tài nguyên. Khi đánh giá một giải pháp AI, chi phí điện và hạ tầng nên được xem cùng với chi phí bản quyền, bảo mật, nhân sự và tác động của sai sót.
Trách nhiệm thuộc về cả hệ sinh thái
Không nên chuyển toàn bộ trách nhiệm môi trường sang người dùng cuối. Nhà cung cấp AI có vai trò lớn trong việc công bố phương pháp đo, cải thiện hiệu suất phần cứng, thiết kế trung tâm dữ liệu phù hợp và cung cấp lựa chọn tiết kiệm tài nguyên. Những thông tin minh bạch hơn về mô hình, điều kiện vận hành và phạm vi tính toán sẽ giúp khách hàng đưa ra quyết định có cơ sở. Nếu chỉ công bố một con số quảng bá mà không giải thích cách đo, người dùng khó đánh giá sự khác biệt giữa các dịch vụ.
Doanh nghiệp triển khai AI cũng cần tính đến toàn bộ vòng đời của hệ thống. Một dự án không chỉ bắt đầu khi mô hình được bật lên và kết thúc khi người dùng nhận câu trả lời. Dữ liệu cần được chuẩn bị, mô hình cần được cập nhật, máy chủ cần được bảo trì và thiết bị cuối cùng sẽ phải được thay thế. Cách tiếp cận vòng đời giúp tổ chức tránh những quyết định ngắn hạn, chẳng hạn chọn một giải pháp có vẻ rẻ ở bước đầu nhưng gây nhiều chi phí vận hành về sau.
Cơ quan quản lý và cộng đồng nghiên cứu có thể đóng góp bằng các tiêu chuẩn báo cáo rõ ràng hơn. Khi các nhà cung cấp sử dụng thuật ngữ và phương pháp tương thích, việc so sánh hiệu quả sẽ đáng tin cậy hơn. Đây cũng là điều kiện để các cuộc thảo luận về AI chuyển từ những khẩu hiệu chung sang câu hỏi cụ thể: hệ thống nào phù hợp với nhiệm vụ nào, cần bao nhiêu tài nguyên và lợi ích có tương xứng với chi phí hay không.
Sử dụng AI có trách nhiệm bắt đầu từ việc hiểu đúng
AI không phải một dịch vụ vô hình nằm ngoài thế giới vật chất. Mỗi mô hình đều cần máy tính, điện, dữ liệu, hạ tầng và con người để vận hành. Tuy nhiên, việc nhận thức về chi phí năng lượng cũng không nên dẫn đến kết luận đơn giản rằng mọi sử dụng AI đều có hại hoặc phải loại bỏ công nghệ này. AI có thể hỗ trợ nhiều công việc có giá trị, nhưng hiệu quả của nó cần được cân nhắc cùng mức tài nguyên, độ tin cậy và mục đích sử dụng.
Cách tiếp cận thực tế là dùng đúng công cụ cho đúng việc, hạn chế những lần chạy không cần thiết, yêu cầu nhà cung cấp minh bạch hơn và đánh giá tác động trên toàn bộ vòng đời. Khi người dùng, doanh nghiệp và nhà phát triển cùng quan tâm đến hiệu quả, AI sẽ không chỉ được đo bằng khả năng tạo ra câu trả lời nhanh hay hình ảnh đẹp. Nó còn được đánh giá bằng việc tạo ra giá trị thực với lượng tài nguyên hợp lý. Đó là nền tảng để công nghệ phát triển bền vững hơn thay vì chỉ mở rộng về quy mô.
