該不該限制科技巨頭用電？
作者 |?梁程敏
編輯 | 李帥飛? 王亞峰
近日，“限電令”席卷全國(guó)多個(gè)省份，在引發(fā)廣泛關(guān)注的同時(shí)，也讓民眾產(chǎn)生了諸多不解。
在00后的世界里，電和空氣與水一樣，理應(yīng)取之不盡，用之不竭。
“不解”背后，還有很多的“不知”。
在人們眼里，電力的消耗似乎主要來自生活用電和鋼鐵等傳統(tǒng)第二產(chǎn)業(yè)，可全然不知的是，代表“更輕、更快、更綠色”的科技領(lǐng)域，正在成為電力消耗的主角。
以芯片制造企業(yè)臺(tái)積電為例，其一年共耗電143.3億度，相當(dāng)于深圳市1344萬常住居民一年的用電量。
同時(shí)有一個(gè)令人震驚的數(shù)字是，全球比特幣挖礦年耗電量約為1348.9億度，超過瑞典整個(gè)國(guó)家的用電總和，經(jīng)換算后，可在全球國(guó)家耗電量中排名27位。
此外，各大互聯(lián)網(wǎng)巨頭的數(shù)據(jù)中心，也是名副其實(shí)的 “電老虎”。
科技縱使為社會(huì)帶來了高效和便利，但在很多看不到的地方，存在著巨大的電力浪費(fèi)。
1
“吃掉”三峽大壩和葛洲壩的數(shù)據(jù)中心
近年來，隨著云計(jì)算、人工智能、大數(shù)據(jù)、物聯(lián)網(wǎng)和移動(dòng)互聯(lián)網(wǎng)的深入發(fā)展，數(shù)據(jù)中心一方面步入快速發(fā)展階段。
但是，另一方面，數(shù)據(jù)中心又面臨能耗過高的問題。
華為負(fù)責(zé)研究可持續(xù)信息和通信技術(shù)安德斯·安德雷曾表示，數(shù)據(jù)中心目前消耗了全球約2%的電力，到2030年可能上升到8%。
從國(guó)內(nèi)看，全國(guó)數(shù)據(jù)中心的耗電量已連續(xù)8年超過12%的速度增長(zhǎng)。2017年，國(guó)內(nèi)數(shù)據(jù)中心總耗電量達(dá)到1200-1300億千瓦時(shí)，這個(gè)數(shù)字超過三峽大壩和葛洲壩電廠發(fā)電量之和（約1000億千瓦時(shí)）。預(yù)計(jì)2025年高達(dá)3842.2億千瓦時(shí)。
在巨大耗電量的背后，還有著令人難以置信的浪費(fèi)。
麥肯錫咨詢公司透露，數(shù)據(jù)中心的耗電量?jī)H有6%~12%是被用于網(wǎng)站計(jì)算的，其余均在維持服務(wù)器工作狀態(tài)時(shí)被無謂消耗。隨著互聯(lián)網(wǎng)高速發(fā)展，這種耗電情況近年來持續(xù)走高。
同時(shí)，“過度散熱”也是數(shù)據(jù)中心耗電巨大的重要原因。研究機(jī)構(gòu)Uptime Institute曾對(duì)美國(guó)19個(gè)數(shù)據(jù)中心進(jìn)行研究發(fā)現(xiàn)，數(shù)據(jù)中心的過度冷卻差不多達(dá)到實(shí)際所需要的2倍。
此外，由于可再生能源的利用率低下，數(shù)據(jù)中心運(yùn)轉(zhuǎn)只能不斷加大使用原始驅(qū)動(dòng)力——電力，耗電量自然只增不減。
居高不下的耗電量、溫室氣體的排放、大量的水資源消耗和設(shè)備報(bào)廢后的環(huán)境污染……數(shù)據(jù)中心數(shù)量與規(guī)模的快速增長(zhǎng)已經(jīng)為資源與環(huán)境帶來巨大挑戰(zhàn)，綠色數(shù)據(jù)中心的建設(shè)迫在眉睫。
2
目前的節(jié)電手段——有效，但有限
面對(duì)數(shù)據(jù)中心的耗電局面，科技巨頭們各自支招。
以騰訊為例，騰訊在貴州的貴安新區(qū)新建了一座數(shù)據(jù)中心——騰訊貴安七星數(shù)據(jù)中心，坐落于兩座山的山體中。
騰訊貴州數(shù)據(jù)中心
該數(shù)據(jù)中心的設(shè)計(jì)規(guī)劃為：山洞外冷空氣從主洞口進(jìn)入，經(jīng)過制冷模塊與IT設(shè)備熱回風(fēng)進(jìn)行間接換熱后，利用熱氣流自然向上的煙囪效應(yīng)把熱風(fēng)從豎井排出。這樣既可以充分利用外部自然冷源，又避免了外界空氣對(duì)設(shè)備的影響，提升了可再生能源的利用率。
此外，騰訊還利用余熱回收技術(shù)，減少數(shù)據(jù)中心的能源消耗。
以騰訊天津數(shù)據(jù)中心為例，騰訊將數(shù)據(jù)中心的余熱通過熱泵機(jī)組進(jìn)行升溫，實(shí)現(xiàn)了綠色清潔的辦公樓采暖。僅一期余熱回收項(xiàng)目，每年即可減少能耗標(biāo)煤達(dá)525噸，相當(dāng)于減少1310噸二氧化碳排放量，等效于種植7.2萬棵樹。
騰訊天津數(shù)據(jù)中心
再看阿里。
早在2016年，阿里云就推出了一款“涼得快”服務(wù)器。服務(wù)器被浸泡在一種特殊的絕緣冷卻液里，運(yùn)算產(chǎn)生熱量可被冷卻液直接吸收進(jìn)入外循環(huán)冷卻，全程用于散熱的能耗幾乎為零——這是一種高效的散熱方式：浸沒式液冷。
同年，阿里巴巴就在“風(fēng)電之都”張北打造了兩座綠色數(shù)據(jù)中心，采用了阿里云自主研發(fā)的飛天操作系統(tǒng)，可以將單集群上萬臺(tái)服務(wù)器連接成一臺(tái)“超級(jí)計(jì)算機(jī)”，用一半的電就能創(chuàng)造同等計(jì)算能力。
另外，阿里利用張北氣溫低、空氣干凈的優(yōu)勢(shì)，采用“新風(fēng)自然冷技術(shù)”和“水側(cè)自然冷技術(shù)”，用自然冷源為服務(wù)器降溫，全年大約只有15天的時(shí)間需要開啟傳統(tǒng)壓縮機(jī)空調(diào)，僅制冷能耗就可以降低59％。
數(shù)據(jù)中心新風(fēng)自然冷系統(tǒng)
當(dāng)然，我國(guó)科技巨頭致力于“節(jié)能”，外國(guó)科技巨頭也如是。
比如，F(xiàn)acebook將數(shù)據(jù)中心建在北極圈內(nèi)，當(dāng)?shù)貧鉁亟咏阆?0度，外界的冷空氣被泵進(jìn)中心大樓內(nèi)，服務(wù)器產(chǎn)生的大量熱空氣和進(jìn)來的冷空氣循環(huán)交換，形成自然冷卻的過程。
又比如，微軟將數(shù)據(jù)中心沉落海底。眾所周知，世界上深海海水一直很冷，它可以為微軟的數(shù)據(jù)中心提供隨時(shí)且免費(fèi)的高效冷卻方式。
細(xì)心觀察不難發(fā)現(xiàn)：科技巨頭的種種措施都是為了利用自然冷源給數(shù)據(jù)中心提供更高的能效，減少制冷方面能耗的損失。
雖然科技巨頭們加大利用自然冷源等思路是正確的，但是目前也只能降低一小部分的消耗。
如果在這個(gè)基礎(chǔ)上，數(shù)據(jù)中心要“節(jié)能更大化”該何去何從？
3
“節(jié)能更大化”路在何方？
針對(duì)這個(gè)問題，浪潮數(shù)據(jù)中心業(yè)務(wù)技術(shù)負(fù)責(zé)人告訴雷鋒網(wǎng)：“主流的節(jié)能方法是“配電環(huán)節(jié)”和“制冷環(huán)節(jié)”，但是由于配電環(huán)節(jié)已經(jīng)相當(dāng)成熟，提升空間有限。因此，節(jié)能的可操作性空間是在“制冷環(huán)節(jié)”。
以浪潮&LHAASO（高海拔宇宙觀測(cè)站）合作為例，建立在LHAASO觀測(cè)基地的稻城海子山數(shù)據(jù)中心海拔4410m，是全球最高的數(shù)據(jù)中心之一。與標(biāo)準(zhǔn)大氣壓相比，4410m海拔處，空氣密度是原密度的60%，常規(guī)風(fēng)冷方式冷卻效率降低40%。低效率的風(fēng)冷會(huì)造成芯片局部熱點(diǎn)，導(dǎo)致芯片降頻或者死機(jī)。
為此，浪潮采用冷板式液冷技術(shù)，通過液體冷卻方式對(duì)芯片降溫，使芯片低于臨界安全溫度10~20℃安全穩(wěn)定運(yùn)行，不受海拔作用影響，提高能源利用率。
無論是騰訊在山里建數(shù)據(jù)中心，亦或是阿里的浸沒式液冷，其實(shí)跟LHAASO的案例是一樣的道理。雖然技術(shù)原理可能有區(qū)別，但究本質(zhì)都是利用自然冷源，提升能源利用率，減少用電消耗。
浪潮數(shù)據(jù)中心業(yè)務(wù)技術(shù)負(fù)責(zé)人進(jìn)一步補(bǔ)充道："節(jié)能最大化，根本上需要技術(shù)的不斷迭代，節(jié)能技術(shù)要逐步解決運(yùn)維復(fù)雜、操作復(fù)雜的問題，走向“好用”、“易用”，從而降低數(shù)據(jù)中心的能源使用率。"
除了技術(shù)迭代，數(shù)據(jù)中心從東部沿海向西部?jī)?nèi)陸遷移也是“節(jié)能更大化”另一條好路。
前些年，大部分企業(yè)都是在業(yè)務(wù)豐富的東部地區(qū)建立數(shù)據(jù)中心。隨著東部數(shù)據(jù)中心變得飽和，加上數(shù)據(jù)中心的建設(shè)審批變得更加嚴(yán)格，現(xiàn)在很多企業(yè)都會(huì)將部分?jǐn)?shù)據(jù)中心建設(shè)在西部，利用西部地區(qū)的太陽能發(fā)電，這也能提高可再生能源的利用率。
浪潮數(shù)據(jù)中心業(yè)務(wù)技術(shù)負(fù)責(zé)人還告訴雷鋒網(wǎng)：
當(dāng)然，生態(tài)很關(guān)鍵。只有幾家科技巨頭發(fā)力節(jié)能，致力于碳中和作用是相對(duì)微小的。要打通行業(yè)上下游，整個(gè)產(chǎn)業(yè)鏈一起努力才能加速節(jié)能最大化。”
4
生而畸形的AI，跳不出
耗電的死胡同
盡管科技巨頭不斷通過一些物理和工程手段去降低數(shù)據(jù)中心等平臺(tái)的能耗，但從另外一方面來講，企業(yè)所采用的部分技術(shù)，生而不具備綠色基因。
如當(dāng)前人工智能的核心驅(qū)動(dòng)技術(shù)深度學(xué)習(xí)，天生需要強(qiáng)大算力和強(qiáng)大功耗支撐，而且模型訓(xùn)練方法異常的粗暴。
現(xiàn)階段的AI，并不具備類似人類智慧一樣舉一反三和推理的能力，它的部分智能建立在“暴力計(jì)算”的基礎(chǔ)之上。深度學(xué)習(xí)的研究?jī)?nèi)容很簡(jiǎn)單，就是羅列大量的數(shù)字進(jìn)行運(yùn)算。但這種方法無需通過顛覆性模式創(chuàng)新來實(shí)現(xiàn)，只需要提高算力，也就是堆芯片量即可。
2012年6月，谷歌利用16000塊芯片，讓AI觀看數(shù)百萬段YouTube視頻來識(shí)別出貓，即便如此仍錯(cuò)誤百出，還不如人類眼睛的一瞥高效。
此外，2016年AlphaGo擊敗圍棋冠軍李世石的人機(jī)大戰(zhàn)中，AlphaGo每局棋需消耗約100萬瓦的電能，相當(dāng)于一天約100戶家庭的供電量。相比之下，人腦消耗的功率僅20瓦，只有AlphaGo的5萬分之一。
真正公平的人機(jī)對(duì)戰(zhàn)，應(yīng)該在能耗等客觀條件對(duì)等的情況，進(jìn)行比拼，否則便跟背著火箭筒的五菱宏光跑贏法拉利超跑無異。
縱使機(jī)器超越了人，但顯然很低效，也不綠色。
不僅僅是過往發(fā)生的事件反映了人工智能耗能巨大的問題，外國(guó)最新的論文結(jié)果也折射出相同的問題：平均一個(gè) AI 大模型訓(xùn)練產(chǎn)生的能耗 = 五輛汽車一生排放的碳總量。
這篇新論文是馬薩諸塞大學(xué)阿默斯特校區(qū)的研究人員公布的，以常見的幾種大型 AI 模型的訓(xùn)練周期為例，發(fā)現(xiàn)該過程可排放超過 626000 磅二氧化碳，幾乎是普通汽車壽命周期排放量的五倍（其中包括汽車本身的制造過程）。
對(duì)此結(jié)果，很多AI研究人員感到震驚。
西班牙拉科魯尼亞大學(xué)的一位計(jì)算機(jī)科學(xué)家曾表示：“雖然我們中的很多人對(duì)此（能耗）有一個(gè)抽象的、模糊的概念，但這些數(shù)字表明事實(shí)比我們想象得要嚴(yán)重。我或者是其他 AI 研究人員可能都沒想過這對(duì)環(huán)境的影響如此之大?！?/span>
以自然語言處理為例，研究人員研究了該領(lǐng)域中性能取得最大進(jìn)步的四種模型：Transformer、ELMo、BERT 和 GPT-2。研究人員在單個(gè) GPU 上訓(xùn)練了至少一天，以測(cè)量其功耗。然后，使用模型原始論文中列出的幾項(xiàng)指標(biāo)來計(jì)算整個(gè)過程消耗的總能量。
結(jié)果顯示，訓(xùn)練的計(jì)算環(huán)境成本與模型大小成正比，然后在使用附加的調(diào)整步驟以提高模型的最終精度時(shí)呈爆炸式增長(zhǎng)，尤其是調(diào)整神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)以盡可能完成詳盡的試驗(yàn)，并優(yōu)化模型的過程，相關(guān)成本非常高，幾乎沒有性能收益。
以BERT模型為例，其碳足跡約為 1400 磅二氧化碳，這與一個(gè)人來回坐飛機(jī)穿越美洲的排放量相當(dāng)。
那么，為什么AI模型會(huì)如此耗電？
因?yàn)榕c人類的學(xué)習(xí)方式相比，AI 的訓(xùn)練效率非常低下。
現(xiàn)代 AI 使用人工神經(jīng)網(wǎng)絡(luò)，這是模擬人腦神經(jīng)元的數(shù)學(xué)計(jì)算。每?jī)蓚€(gè)相鄰神經(jīng)元的連接強(qiáng)度都是神經(jīng)網(wǎng)絡(luò)上的一個(gè)參數(shù)，名叫權(quán)重。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練則需要從隨機(jī)權(quán)重開始，一遍遍地運(yùn)行和調(diào)整參數(shù)，直到輸出與正確答案一致為止。
常見的一種訓(xùn)練語言神經(jīng)網(wǎng)絡(luò)的方法是，從維基百科和新聞媒體網(wǎng)站下載大量文本，然后把一些詞語遮擋起來，并要求 AI 猜測(cè)被遮擋起來的詞語。剛開始的時(shí)候，AI 會(huì)全部搞錯(cuò)，但是，經(jīng)過不斷地調(diào)整后，AI 會(huì)逐漸學(xué)習(xí)數(shù)據(jù)中的模式，最終整個(gè)神經(jīng)網(wǎng)絡(luò)都會(huì)變得非常準(zhǔn)確。
前文提到的 “BERT 模型”——基于變換器的雙向編碼器表示技術(shù)（Bidirectional Encoder Representations from Transformers，簡(jiǎn)稱 BERT），這是一項(xiàng)由 Google 提出的自然語言處理（NLP）的預(yù)訓(xùn)練技術(shù)。
該模型使用了來自維基百科和其他文章的 33 億個(gè)單詞，而且在整個(gè)訓(xùn)練期間，BERT 讀取了該數(shù)據(jù)集 40 次。相比之下，一個(gè) 5 歲的孩子學(xué)說話只需要聽到 4500 萬個(gè)單詞，比 BERT 少3000倍。
之所以有以上這些強(qiáng)烈的對(duì)比是因?yàn)椋?/span>
在開發(fā)模型期間，上述訓(xùn)練過程需要反復(fù)多次。因?yàn)檠芯咳藛T需要將神經(jīng)網(wǎng)絡(luò)調(diào)整到最優(yōu)，即確定神經(jīng)元的個(gè)數(shù)、神經(jīng)元之間的連接數(shù)以及各個(gè)權(quán)重。他們需要反復(fù)嘗試很多組合，才能提高神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確度。然而，人類的大腦不需要尋找最佳結(jié)構(gòu)，經(jīng)過幾億年的進(jìn)化，人類大腦已具備這種結(jié)構(gòu)。
正是基于這樣的背后復(fù)雜因素，開發(fā)先進(jìn)的AI模型，才會(huì)在數(shù)據(jù)中心產(chǎn)生大量的電能消耗和碳排放。
5
科技巨頭節(jié)電的“工程”與“理論”使命
科技巨頭的耗電問題，已成為社會(huì)各界人士探討的重要話題，同時(shí)也讓當(dāng)事企業(yè)面臨不少監(jiān)管和輿論的挑戰(zhàn)。
此時(shí)的科技巨頭們，在承擔(dān)社會(huì)責(zé)任的同時(shí)，也應(yīng)承擔(dān)起工程和理論兩端的技術(shù)使命，其一是通過已有的IT工程方法，進(jìn)一步降低數(shù)據(jù)中心的能耗浪費(fèi)。其二在理論層，研究出更低功耗的芯片，并推動(dòng)具備推理能力的AI基礎(chǔ)研究的發(fā)展，讓技術(shù)更精益、更高效。
技術(shù)的向善，一種善是賦能，讓社會(huì)和生活更加美好。而另一種善，是進(jìn)化，讓技術(shù)本身變得更加綠色。
本文由雷鋒網(wǎng)原創(chuàng)，作者：梁程敏。申請(qǐng)授權(quán)請(qǐng)回復(fù)“轉(zhuǎn)載”，未經(jīng)授權(quán)不得轉(zhuǎn)載。
那些用推薦引擎改變世界的人
AI 人才越來越不值錢了嗎？
解決中國(guó)“卡脖子”問題：研究求解器的少數(shù)者