A Berkeley kutatói szerint kisebb AI-modellek válthatják ki az adatközpontokat

Az adatközpontok energia- és vízigénye egyre nagyobb figyelmet kap

A mesterséges intelligencia gyors terjedése jelentős keresletet teremt az adatközpontok iránt. Emiatt olyan ötletek is felmerültek, mint a létesítmények világűrbe vagy az óceán fenekére telepítése, illetve kaliforniai vásárterek és a San Franciscó-i Cow Palace szerverközponttá alakítása.

A UC Berkeley három kutatója szerint azonban az AI-t nem feltétlenül nagyobb méretű modellekkel kell fejleszteni. Carl Boettiger és Fernando Pérez Berkeley-professzorok, valamint Cassie Buhler, a CU Boulder posztdoktori kutatója a Nature folyóiratban megjelent kommentárban érvelnek a hatékonyabb megközelítés mellett. A Berkeley News az írást 2026. augusztus 11-én ismertette.

Boettiger szerint az adatközpontok a bolygó teljes energiafelhasználásához képest nem képviselnek kiemelkedő részt, például a légkondicionálásnál kisebb terhelést jelentenek. Ugyanakkor ezek a létesítmények a valaha létrehozott legkoncentráltabb energiaigények közé tartoznak, és a helyi közösségekben megemelhetik az áram árát. Az adatközpontok nagy mennyiségű vizet is fogyasztanak.

A vállalatokat a verseny hajtja nagyobb modellek felé

Boettiger szerint az AI-fejlesztés jelenleg gazdasági verseny is. A vállalatok nem akarnak olyan modellt kínálni, amely akár egy évvel lemarad a piac élvonalától, ezért nagyobb rendszereket építenek, amelyek energiaigényes infrastruktúrán futnak.

A nagyobb modell ugyanakkor sok esetben gyorsabb válaszokat is lehetővé tesz. A kutató példaként azt hozta fel, hogy egy felhasználó nem feltétlenül várna 30 percet egy kód megírására, ha azt egy másik szolgáltató 30 másodperc alatt elkészíti. Fernando Pérez szerint a központosított modellek üzemeltetése azt is lehetővé teszi a cégeknek, hogy egy helyen gyűjtsék a felhasználók adatait, majd ezeket a rendszerek továbbfejlesztésére használják.

A nyílt modellek felzárkóztak

A Berkeley szakértői szerint a nyílt modellek korábban elsősorban kutatási érdekességnek számítottak. Kezdetben nagy, több grafikus processzort tartalmazó szerverekre volt szükség a futtatásukhoz, teljesítményük pedig jelentősen elmaradt a nagy vállalati modellekétől.

A helyzet a kutatók szerint 2023-ban változott, amikor a Facebook Llama nyílt forráskódú modellje kiszivárgott. A közösség két hét alatt laptopon is futtathatóvá tette. Újabb fordulópontot jelentett 2025 januárjában a DeepSeek megjelenése, amely a forrás szerint jóval kevesebb energiával lett betanítva, és rövid időre a Wall Streeten is riadalmat keltett.

Boettiger úgy látja, hogy a nyílt modellek a feladattól és a mérési módszertől függően nagyjából hat hónappal maradnak el a legfejlettebb modellektől. Közben a futtatásukhoz szükséges erőforrások mérete folyamatosan csökken.

A kutatók szerint a hétköznapi feladatokhoz kisebb modellek is elegendők lehetnek

Boettiger szerint a technológia egy átmeneti ponthoz érkezett: a legfejlettebb modellektől körülbelül hat hónappal lemaradó rendszerek már hasznos munkára képesek, újabb hat hónap múlva pedig közönséges hardveren is futhatnak. A Berkeley kutatója szerint a laptopgyártók ezért kezdenek új NVIDIA RTX Spark chipeket szállítani, amelyekkel egyes feladatokat adatközpontok igénybevétele nélkül lehet majd végrehajtani.

Pérez úgy véli, hogy a legnagyobb modellek sok valós feladathoz túlméretezettek. A kisebb rendszerek használata a kutatók szerint csökkentheti a környezeti terhelést, miközben a tudósok és a nyilvánosság saját igényeikhez alakítható eszközökhöz juthatnak.

Pérez a tudományos kutatás szempontjából azt is fontosnak tartja, hogy a kutatók ellenőrizhessék, szétszerelhessék és átalakíthassák az általuk használt eszközöket. Szerinte ezt nehezíti, ha a teljes eszközkészletet egyetlen vállalat biztosítja, és a használat előfizetéshez kötődik.