Talvella suorassa sähkölämmityksessä tapahtuu väistämätön asia: sähköstä tulee lämpöä. Se palaa vastuksessa, lattialangassa ja patterissa, eikä matkalla tapahdu yhtään mitään mielenkiintoista. Kun tätä on katsellut muutaman talven, alkaa väkisin kysyä: entä jos sähkö ehtisi tehdä muutaman matriisikertolaskun ennen kuin se muuttuu lämmöksi?

Ajatus kuulostaa hullulta, mutta pohja on kunnossa. GPU on pohjimmiltaan kallis sähköpatteri, joka on opetettu laskemaan matriiseja. Jos asunto on joka tapauksessa lämmitettävä, sama sähkökuorma voi tuottaa lämpöä ja laskea yhtä aikaa. Se ei tee lämmöstä ilmaista – GPU on vastukseen verrattuna kallis ja monimutkainen tapa tuottaa sama lämpö – mutta se tekee lämmityksestä koneoppimisen sivutuotteen. Tai laskennasta lämmityksen sivutuotteen. Riippuu siitä, kumpi on se juttu, jonka haluat maksavan sähkölaskun.

Kaksi ongelmaa, yksi äänekäs laatikko

Asunto tarvitsee lämpöä. Kielimalli tarvitsee GPU:ta. GPU voi hoitaa molemmat. Kyse ei ole ilmaisesta lämmöstä, mutta kun lämpö on joka tapauksessa pakko tuottaa, sama sähkökuorma voi tehdä kaksi asiaa kerralla.

Käytännössä tämä tarkoittaa, että olohuoneeseen ilmestyy laatikko, joka muistuttaa palvelinsalia ja kuulostaa sellaiselta. Tuuletinkohina muodostaa oman akustisen palomuurinsa: naapurin valitus ei enää erotu, eikä omaatuntoakaan tarvitse kuunnella. Pieni hinta siitä, että kodin lämmitys tekee myös jotain hyödyllistä.

Pullonkaula: sulake, ei laskentateho

Kotidatakeskuksen todellinen vihollinen löytyy sähköliittymästä: 16 ampeerin pääsulake. Se on koko kodin sähkön yhteinen putki. Jos talo vetää sen täyteen, muu arki alkaa kilpailla tekoälyn kanssa.

Ratkaisu on kuitenkin olemassa, ja se on kaunis: kun pyykinpesukone kytkee lämmitysvastuksensa, järjestelmä ei sammuta tekoälyä. Se kvantisoi sen – eli laskee tarkkuutta, jolla mallin luvut esitetään. Vähemmän bittejä tarkoittaa karkeampaa mutta kevyempää laskentaa, ja siksi vähemmän sähköä. Mallin luvut pyöristetään 16 bitistä 8 bittiin, sitten tarvittaessa 4 bittiin ja äärimmäisessä tapauksessa 2 bittiin – teknisesti mahdollista, mutta laatu kärsii niin, että lopputulos on lähinnä rukous. Kun pesukone on lopettanut, malli palautetaan täyteen tarkkuuteen. Pyykinpesukone ei siis kilpaile GPU:n kanssa sähköstä – se päättää, kuinka älykäs GPU saa olla.

Talvella tämä toimii erityisen hyvin. Laskenta tuottaa lämpöä juuri silloin, kun lämpöä tarvitaan, ja sähkön hinta on öisin usein alhaisempi. Pakkasella kone voi laskea kovaa ja lämmittää; aamuyöllä talo on lämmin ja laskentaa voi hellittää.

Kesä on toinen juttu. Jos järjestelmään ei ole rakennettu minkäänlaista vuodenaikatietoisuutta, se on helvetillinen: ulkona 30 astetta, sisällä 35, ja kone jatkaa laskemista, koska se ei tajua, että nyt ei tarvitsisi. Silloin ihminen jäähdyttää asuntoa, jotta kone voi lämmittää asuntoa, jotta kone voi jatkaa laskemista. Se ei ole enää energiankäyttöä, vaan infrastruktuurinen maailmankatsomus.

Ilmalämpöpumppu, joka ei osaa ajaa kielimalleja

Ilmalämpöpumppu on energiatehokkaampi tapa lämmittää, koska se siirtää ulkoilman lämpöä sisään eikä keksi sitä vastuksella. Sillä on kuitenkin yksi kohtalokas heikkous: se ei osaa ajaa paikallista kielimallia. Siinä kohtaa optimointifunktio vaihtuu.

Hetkinen: tämä on jo tehty

Kirjoitin koko ajatuksen puhtaana absurdismina. Sitten huomasin, ettei idea ole edes uusi. Julkisuudessa on kuvattu palvelinratkaisuja, joissa laskenta on rakennettu osaksi lämmitystä: palvelimia on upotettu lämmityskattiloihin, vedenlämmittimiin ja rakennusten lämmitysjärjestelmiin. Ranskalainen Qarnot on upottanut palvelimia boileriratkaisuihin, ja brittiläinen Heata puolestaan myy laitteita, joissa palvelin lämmittää käyttövesivaraajaa. Joissakin malleissa yritys jopa maksaa sähkön itse, koska sen liiketoiminta on laskentatehossa, ei lämmössä.

Suomessakin yli megawatin datakeskuksilla on hukkalämmön hyödyntämiseen liittyvä velvoite, mutta se ei ole ehdoton kaukolämpöpakko: jos talteenotto ei ole teknisesti tai taloudellisesti järkevää, siitä voi vapautua. Suunta on kuitenkin selvä: laskennan tuottamaa lämpöä ei saa enää pitää pelkkänä jätteenä.

Valmiissa ratkaisuissa on kuitenkin yksi aukko. Niillä ajetaan usein jonkun muun laskentaa tai jonkun muun koodia, ja data liikkuu pois kotoa. Heata tosin maksaa laitteen käyttämän sähkön itse ja kompensoi talouden lämmityskuluja – mutta sekin ajaa silti ulkopuolisten kuormia. Omaa dataa, omia malleja ja omaa lämpöä yhdistävää kotiratkaisua saa etsiä. Tässä kohdassa absurdi ajatus muuttuu tuotekonseptiksi.

HomeNode: lämmitä koti, aja malli

Entä jos tällainen laite suunniteltaisiin nimenomaan kodin omaksi? Kutsutaan konseptia vaikka HomeNodeksi. Se olisi kodin laskenta- ja lämmitysyksikkö: lämmitin, joka ajaa tekoälyä, tai tekoälypalvelin, joka lämmittää kotia. Lämpöä voisi ohjata joko huoneilmaan tai vesikiertoon, mutta tärkein osa olisi ohjausjärjestelmä. Se seuraisi rakennuksen sähkökuormaa, sähkön hintaa, sisälämpötilaa ja laskentatarpeita ja päättäisi, milloin lasketaan, kuinka isolla tarkkuudella ja kuinka paljon lämpöä samalla tuotetaan.

Kylmä talo tarkoittaisi enemmän laskentaa, lämmin talo vähemmän, ja pyykinpesukoneen käynnistys pudottaisi tarkkuutta. Kesällä laskenta siirtyisi viileämpiin tunteihin tai tarvittaessa pilveen. Koti ei lähetä dataa datakeskukseen; koti on datakeskus.

Onko tämä järkevää? Ei aivan. Rehellisyyden nimissä on sanottava, ettei HomeNode yritä huijata termodynamiikkaa. GPU tuottaa samalla sähköteholla suunnilleen yhtä paljon lämpöä kuin vastus – sähkö muuttuu lopulta lämmöksi, olipa se kulkenut kumman läpi tahansa. Hyöty ei ole lämmön ilmaisuudessa, vaan siinä että lämmön tuottamisen matkalla ehditään laskea ja että laskenta voidaan ajoittaa sinne, missä lämpöä tarvitaan. Lisäksi data ja mallit pysyvät kotona.

Jos sähkövastus muuttaa sähkön joka tapauksessa lämmöksi, kysymys on yksinkertainen: miksi lämmitysvastus ei saisi tehdä matkalla muutamaa matriisikertolaskua?

Lämmitä koti. Aja malli. Säilytä data.