最近推出的ChatGPT标志着计算史上的一个新时代，复杂的新型人工智能(AI)模型的迅速扩展，推动了计算机功能的界限。对于一些人来说，这为激动人心的新进展打开了大门，这些进展也预示着更美好的未来。对于另一些人来说，警钟已经敲响，从失业到恶意人工智能对人类生存的威胁，人们对一切都感到担忧。进一步的担忧集中在基于人工智能的经济的基础设施上，例如新的能源密集型计算方法对环境的影响。虽然评估新兴的人工智能计算模型是谨慎的，但分析必须检查相关的权衡，以确定与人工智能计算革命相关的成本和收益。
计算机时代始于20世纪50年代推出的大型计算机，直到20世纪80年代，大型计算机一直是企业的主流。台式电脑随后推出了更小、更便宜、更易于使用的新一代个人电脑。这些新型计算机迅速流行起来，在商业和个人使用的新市场都占据了主导地位。21世纪初，互联网和云计算为企业和个人提供了一种新的方式，通过在线存储、在线应用等方式获得额外的计算能力。当今的人工智能革命建立在加速计算的基础上——随着人工智能、机器学习和实时数据分析的快速发展，计算机技术的最新进展正在推动下一代计算能力的发展。
加速计算依赖于被称为加速器的专用硬件来加速某些任务的执行。图形处理单元(GPU)等专用硬件与传统中央处理单元(CPU)协同工作。GPU在图形处理方面非常高效，在机器学习和其他应用中已经变得至关重要。一系列GPU可以并行使用，大大提高计算能力。GPU与服务器、路由器和数据存储一起安置在庞大的数据中心中，为传统计算机所无法企及的计算能力打开了大门。
ChatGPT旋风式的引入向公众展示了人工智能的新世界和加速计算的力量。然而，这只是人工智能能力的一个暗示，因为计算能力的提高几乎对经济的每个行业都有影响。例如，为药物发现开发的新模型可以减少识别新药所需的成本和时间，还可以创造更个性化的治疗方法。同样，金融领域由人工智能驱动的变革正在改变银行业、股票交易和保险业。人工智能可以提高天气模型的准确性，以改善公共安全，并对农作物产量做出更准确的预测。人工智能的力量也有助于解决重大的政策问题，例如，通过开发更精确的气候模型。
然而，计算能力的进步并非没有代价。其是能源密集型的，大型数据中心拥有必要的网络基础设施和计算能力。但数据中心对电网提出了新的要求，随着人工智能被更广泛地采用，这些要求将会增加。数据中心可以是容纳GPU和训练和运行人工智能模型所需的其他硬件的大型建筑。位于芝加哥的350 East Cermak数据中心占地超过100万平方英尺，相当于23个足球场大小，而内华达州的Citadel数据中心占地720万平方英尺，有望成为世界上最大的数据中心。为这些关键数据中心供电并不是一个小问题。据估计，数据中心消耗了全国电力的3%。这已经成为一些人的目标，因为其对环境的影响以及给电网管理带来的挑战。人工智能的快速采用可能会对电网提出更高的要求，使这些问题成为一个重要的政策问题。
这些问题促使人们呼吁暂停或减缓人工智能的发展。但考虑到全球对人工智能和加速计算的推动，这种选择是不可行的。其他国家正在追求自己的人工智能模式，虽然美国继续排名第一，但中国排名第二，并且在自己的人工智能领域取得了重大进展。与此同时，开源人工智能建模正在取得长足的进步，为数据中心和人工智能创造了额外的需求。如果美国要保持全球领先地位，并且计算能力市场要具有竞争力，那么对数据中心的需求将继续增长，政策制定者必须确保以最有效的方式满足电力需求。
此外，与运行大型人工智能模型的数据中心相比，更分散的计算活动本身就更环保，但这一点并不明显。要达到相同的输出水平和质量，需要在更长的时间内进行更多基于CPU的计算。能够极大改善社会福利的更快的药物发现，和更好的气候模型将被推迟，甚至不可行，从而产生明显的社会危害。事实上，通过新的人工智能驱动计算，可以改善或挽救大量生命，而减缓或限制人工智能的使用将对社会产生重大影响。
人工智能提高了生产力，从而促进了经济增长。因此，在检验其优点时，正确的计算是在没有其的情况下实现相同水平的增长和产出的成本：在更加分布式的基于CPU的世界中，提供相同的效益需要多少成本，以及需要多长时间?这是必须评估的相关权衡，并且必须承认暂停人工智能的成本。
下一步
随着人工智能越来越融入经济活动，解决电网的需求是政策制定者必须解决的挑战。同样，人工智能可以对管理电网产生积极影响，并创建一个更智能、更高效的电网。即使没有人工智能和数据中心不断增长的需求，网格管理也一直是一个挑战。但研究人员表示，重要的是要关注如何利用人工智能来改善电网管理和降低能耗。
接下来有几个重要的步骤：
首先，确定人工智能如何通过为人工智能驱动的能源存储系统创造更好的机会、更好地管理电网上的可再生负荷，以及在发电厂更清洁地发电，来增强电网管理。其次，利用人工智能消除工厂和其他建筑的能源浪费以及改善交通管理，从而减少制造业和交通运输等关键部门的能源消耗。最后，优化人工智能，降低深度学习模型的能耗。一项研究表明，经过优化的模型可以将训练人工智能模型所需的能量减少75%。
加速计算和人工智能的兴起为未来带来了巨大的希望，在经济增长和社会福利方面带来了巨大的社会效益。实现这些成果需要一个谨慎的政策框架，可以解决为人工智能模型提供计算能力的数据中心的能源需求问题。政策制定者需要帮助实现人工智能的潜在效益，并找到解决这一重要经济部门不断增长的能源需求的方法，而不是暂停。
