1. Chi phí năng lượng của AI ở quy mô lớn

Trí tuệ nhân tạo (Artificial Intelligence – AI) đã trở thành một trụ cột công nghệ trong nhiều lĩnh vực ứng dụng then chốt, từ hệ thống giao thông thông minh, bản sao kỹ thuật số (digital twin) cho tới hạ tầng đô thị và công nghiệp thông minh. Mức độ phổ cập của AI đã tăng tốc nhanh chóng; theo một báo cáo gần đây của Microsoft, xấp xỉ một phần sáu dân số toàn cầu hiện đang sử dụng các công cụ AI tạo sinh, phản ánh tốc độ thâm nhập đáng kể của một công nghệ vẫn đang ở giai đoạn phát triển sớm.

Sự tăng trưởng nhanh này kéo theo chi phí đáng kể. Việc huấn luyện các mô hình quy mô lớn như ChatGPT-4 (tháng 3/2023) và Gemini (tháng 12/2023) đòi hỏi hàng trăm triệu đô la tiền đầu tư. Ước tính của Epoch AI cho thấy chi phí phần cứng và năng lượng cho lần huấn luyện cuối cùng củacác mô hình tiên phong đã tăng xấp xỉ 2,4 lần mỗi năm kể từ 2016 [2].Để đáp ứng điều này, các tập đoàn công nghệ đã và đang đầu tư mạnh vào hạ tầng quy mô lớn, bao gồm các trung tâm dữ liệu đa gigawatt hoặc các nguồn năng lượng hạt nhân chuyên dụng, với tổng mức đầu tư toàn cầu lên tới hàng trăm tỷ đô la [3].

Bên cạnh nhu cầu năng lượng gia tăng, các phương pháp huấn luyện AI hiện tại còn cho thấy sự lãng phí hệ thống. Các kiến trúc huấn luyện truyền thống phụ thuộc vào hạ tầng máy chủ hoạt động liên tục và được cung ứng dư thừa nhằm đáp ứng đủ các kịch bản tải khác nhau. Mặc dù năng lượng tái tạo đã được tích hợp một phần, các trung tâm dữ liệu hiện vẫn phụ thuộc đáng kể vào nguồn năng lượng có phát thải carbon cao. Một nghiên cứu tiền công bố của Trường Y tế Công cộng Harvard T.H. Chan chỉ ra cường độ carbon của các trung tâm dữ liệu có thể cao hơn trung bình toàn nước Mỹ tới 48% [5].

Những yếu tố trên cho thấy bất cập giữa hạ tầng tính toán hiện tại và đặc điểm hoạt động của AI, từ đó làm gia tăng dấu chân carbon, chi phí vận hành và năng lượng nhàn rỗi.

2. Điện toán serverless như một đòn bẩy cho phát triển bền vững

Các hạn chế của mô hình hạ tầng truyền thống đặt ra yêu cầu phải tái tư duy cách thức cung cấp và quản lý tài nguyên tính toán cho AI. Thay vì tiếp tục mở rộng các hệ thống tiêu thụ nhiều năng lượng để đáp ứng nhu cầu ngày càng tăng, nâng cao hiệu quả sử dụng tài nguyên tính toán được xem là một hướng tiếp cận trực tiếp trong việc giảm tiêu thụ năng lượng của AI ở quy mô lớn. Đây chính là trọng tâm của dự án “Điện toán Serverless Xanh cho Huấn luyện AI Hiệu quả Tài nguyên” đang được triển khai tại Trung tâm Trí tuệ Môi trường (CEI), Trường Đại học VinUni.

Dự án tập trung nghiên cứu việc ứng dụng quản lý tài nguyên động nhằm điều chỉnh công suất tính toán phù hợp với các đặc trưng thời gian và không gian của khối lượng công việc huấn luyện AI. Trái ngược với mô hình hạ tầng cố định luôn hoạt động, điện toán serverless cho phép các tác vụ chỉ được thực thi khi cần thiết, với tài nguyên được phân bổ theo yêu cầu và tự động mở rộng hoặc thu hẹp theo cường độ tải. Cơ chế này giúp giảm đáng kể tình trạng cấp nguồn dư thừa kéo dài, đồng thời vẫn đảm bảo khả năng mở rộng và độ tin cậy cần thiết cho việc huấn luyện các mô hình lớn.

Dự án được xây dựng quanh một nhóm mục tiêu nghiên cứu rõ ràng:

• Phát triển kiến trúc huấn luyện AI serverless có hiệu suất cao, giảm thiểu chi phí tính toán.
  
• Giảm tiêu thụ năng lượng và nâng cao hiệu quả sử dụng tài nguyên thông qua cơ chế mở rộng động.
  
• Hạ thấp chi phí vận hành, giúp chi phí huấn luyện AI phù hợp hơn cho các startup, nhóm nghiên cứu và doanh nghiệp.
  
• Thúc đẩy các thực hành AI bền vững, phù hợp với các nỗ lực toàn cầu nhằm giảm phát thải carbon và lãng phí năng lượng.
  

3. Từ kiến trúc hệ thống đến ứng dụng thực tiễn

Để đánh giá tác động thực tế, dự án tập trung vào các lĩnh vực ứng dụng đề cao tính bền vững và khả năng mở rộng. Các trường hợp sử dụng này minh họa cách tiếp cận tính toán serverless có thể chuyển hóa đổi mới kiến trúc thành những lợi ích môi trường và hệ thống có thể đo lường được.

Nền tảng bản sao kỹ thuật số(Digital Twin): Với công nghệ digital twin đòi hỏi thu thập dữ liệu liên tục và phân tích trong thời gian thực, kiến trúc serverless cho phép triển khai các phương án với độ trễ thấp và khả năng mở rộng linh hoạt trên phạm vi địa lý rộng. Việc phân bổ tài nguyên theo nhu cầu thực tế giúp giảm đáng kể mức tiêu thụ năng lượng nhàn rỗi.

Cơ chế cung cấp theo yêu cầu này cho phép các mô hình thích ứng hiệu quả với khối lượng công việc biến động trong khi vẫn duy trì hiệu suất, tạo điều kiện thuận lợi cho việc phát triển quy mô thành phố theo cách tiết kiệm năng lượng và bền vững hơn về môi trường.

Sạc xe điện bền vững: Bên cạnh đó, dự án cũng xem xét ứng dụng trong các hệ thống sạc xe điện (EV), nơi hiệu quả tính toán có ảnh hưởng trực tiếp tới hiệu suất vận hành tổng thể. Việc tích hợp các khung serverless cho phép tối ưu hóa lịch trình sạc và xả pin dựa trên nhu cầu thời gian thực và tải lưới điện, qua đó giảm áp lực giờ cao điểm, cải thiện hiệu quả sử dụng tài nguyên và hạn chế sự phụ thuộc vào năng lượng hóa thạch.

4. Hướng tới AI có trách nhiệm với môi trường

Trong bối cảnh AI tiếp tục mở rộng ở quy mô toàn cầu, các quyết định về kiến trúc hạ tầng ngày càng mang ý nghĩa chiến lược đối với phát triển bền vững. Dự án Green Serverless Computing cho thấy rằng đổi mới ở cấp độ kiến trúc, kết hợp với nghiên cứu hệ thống và kiểm chứng thực nghiệm, có thể giảm đáng kể tác động môi trường của quá trình huấn luyện AI.

Thông qua việc gắn kết các phương pháp tính toán tiên tiến với các mục tiêu bền vững cấp bách, sáng kiến này thể hiện cam kết của VinUniversity trong việc chuyển hóa nghiên cứu học thuật thành tác động xã hội và môi trường có ý nghĩa, hướng tới một tương lai số không chỉ thông minh hơn mà còn xanh và có trách nhiệm hơn.