اختراق DeepSeek وتأثيره على استهلاك الطاقة في الذكاء الاصطناعي

لقد أحدثت الشركة الناشئة الصينية DeepSeek ضجة في صناعات الذكاء الاصطناعي والطاقة مع روبوت الدردشة الأخير لديها، R1. تم تطوير النموذج باستخدام حوالي 2000 شريحة Nvidia فقط - وهو عدد أقل بكثير مما هو مطلوب عادة لتدريب نماذج الذكاء الاصطناعي المماثلة. تتحدى هذه الخطوة الافتراضات حول الطاقة وقوة الحوسبة اللازمة لتطوير الذكاء الاصطناعي، مما يشير إلى نهج أكثر كفاءة محتمل لتدريب النماذج المتقدمة.  

ردود فعل السوق ومخاوف قطاع الطاقة

أحدثت هذه الكشف صدمة في سوق الأسهم، مما أثر بشكل خاص على شركات الطاقة التي استثمرت بشكل كبير في تشغيل مراكز البيانات المدفوعة بالذكاء الاصطناعي. استجاب المستثمرون بسحب استثماراتهم من الشركات الكبرى في مجال الطاقة، مما أدى إلى انخفاض حاد في أسعار الأسهم. شهدت شركة كونستليشن إنرجي، التي تخطط لتوسيع البنية التحتية للطاقة لتلبية طلب الذكاء الاصطناعي، انخفاضًا كبيرًا بأكثر من 20 في المئة.  

بينما من المتوقع أن يستمر الاتجاه الأوسع نحو الكهربة، وتوسع مراكز البيانات، والاستثمارات التكنولوجية المحلية في دفع الطلب على الطاقة، فإن التحول المفاجئ في توقعات السوق سلط الضوء على عدم اليقين المحيط بالاحتياجات المستقبلية للطاقة.  

الطلب المتزايد على الطاقة من الذكاء الاصطناعي

تعتبر مراكز البيانات المدفوعة بالذكاء الاصطناعي بالفعل مستهلكًا رئيسيًا للطاقة، حيث تمثل حوالي واحد في المئة من استخدام الكهرباء العالمي. تتوقع وكالة الطاقة الدولية (IEA) أن هذا الطلب قد يتضاعف بحلول العام المقبل، ليصل إلى مستويات قابلة للمقارنة مع إجمالي استهلاك اليابان السنوي من الكهرباء. في الولايات المتحدة، استخدمت مراكز البيانات حوالي 4.4 في المئة من كهرباء البلاد في عام 2023، وهو رقم قد يرتفع إلى 12 في المئة بحلول عام 2028.  

لتلبية هذه الاحتياجات المتزايدة، قامت شركات التكنولوجيا الكبرى مثل أمازون وجوجل ومايكروسوفت بتأمين مصادر الطاقة النووية، بما في ذلك المفاعلات الصغيرة المودولية. كما استثمرت ميتا أيضًا في الطاقة المتجددة واستكشفت خيارات الطاقة النووية. على الرغم من هذه الجهود، لا تزال معظم مراكز البيانات تعتمد على الشبكات الكهربائية التقليدية التي تعتمد بشكل كبير على الوقود الأحفوري.  

مفارقة الكفاءة

يقدم نموذج R1 من DeepSeek فرصة لتقليل استهلاك الطاقة من خلال جعل نماذج الذكاء الاصطناعي أكثر كفاءة. ومع ذلك، تشير التاريخ إلى أن زيادة الكفاءة غالبًا ما تؤدي إلى زيادة الاستهلاك الكلي - وهو ظاهرة تعرف باسم مفارقة جيفونس. مع زيادة كفاءة نماذج الذكاء الاصطناعي في استهلاك الطاقة، قد تتوسع إمكانية الوصول إليها واستخدامها بشكل كبير، مما يؤدي في النهاية إلى زيادة الطلب بدلاً من تقليله.  

تستخدم DeepSeek نهج "سلسلة التفكير" في الاستدلال، والذي يتطلب طاقة أكبر من النماذج التقليدية لأنه يعالج عدة خطوات لكل استعلام. في السابق، كان يُعتبر هذا الأسلوب مكلفًا للغاية، لكن مكاسب الكفاءة في DeepSeek قد تجعل منه أكثر انتشارًا، مما يؤثر بشكل أكبر على اتجاهات استهلاك الطاقة في الذكاء الاصطناعي.  

التداعيات المستقبلية

بدلاً من تقليل حجم واستهلاك الطاقة لنماذج الذكاء الاصطناعي ببساطة، يمكن أن تمكن تقدمات DeepSeek من تطوير أنظمة ذكاء اصطناعي أكثر قوة دون زيادة استهلاك الطاقة. يمكن أن يوفر هذا خارطة طريق لشركات التكنولوجيا الأمريكية التي تسعى إلى تحسين الكفاءة الحاسوبية مع دفع حدود قدرات الذكاء الاصطناعي.  

بينما تقدم تقنية DeepSeek نظرة على مستقبل أكثر كفاءة في استخدام الطاقة للذكاء الاصطناعي، فإن تأثيرها على المدى الطويل سيعتمد على كيفية اختيار الصناعة للاستفادة من هذه الابتكارات - إما لتقليل التكاليف أو لدفع حدود أداء الذكاء الاصطناعي.