هوش مصنوعی چقدر آب مصرف می‌کند؟

شرط می‌بندم همه چیز را از «هوش مصنوعی هر چند سوال یک بطری آب می‌نوشد» تا «اساساً چند قطره است» شنیده‌اید. حقیقت ظریف‌تر است. میزان مصرف آب هوش مصنوعی بسته به محل اجرا، مدت زمان درخواست شما و نحوه خنک‌سازی سرورهای یک مرکز داده، بسیار متغیر است. بنابراین بله، این عدد اصلی وجود دارد، اما در انبوهی از ابهامات قرار دارد.

در ادامه، اعداد و ارقام واضح و آماده برای تصمیم‌گیری را بررسی می‌کنم، توضیح می‌دهم که چرا تخمین‌ها با هم اختلاف دارند، و نشان می‌دهم که چگونه سازندگان و کاربران روزمره می‌توانند بدون تبدیل شدن به راهبان پایداری، هزینه‌های آب را کاهش دهند.

مقالاتی که شاید بعد از این مطلب دوست داشته باشید بخوانید:

🔗 مجموعه داده هوش مصنوعی چیست؟
توضیح می‌دهد که چگونه مجموعه داده‌ها، آموزش یادگیری ماشین و توسعه مدل را ممکن می‌سازند.

🔗 چگونه هوش مصنوعی روندها را پیش‌بینی می‌کند
نشان می‌دهد که چگونه هوش مصنوعی الگوها را برای پیش‌بینی تغییرات و نتایج آینده تجزیه و تحلیل می‌کند.

🔗 چگونه عملکرد هوش مصنوعی را اندازه‌گیری کنیم
معیارهای ضروری برای ارزیابی دقت، سرعت و قابلیت اطمینان را تجزیه و تحلیل می‌کند.

🔗 چگونه با هوش مصنوعی صحبت کنیم
راهبردهای مؤثرِ ترغیب را برای بهبود وضوح، نتایج و ثبات راهنمایی می‌کند.

هوش مصنوعی چقدر آب مصرف می‌کند؟ اعداد سریعی که واقعاً می‌توانید از آنها استفاده کنید 📏

• برای هر درخواست، محدوده معمول امروزی: از زیر میلی‌لیتر برای یک درخواست متنی متوسط ​​در یک سیستم اصلی، تا ده‌ها میلی‌لیتر برای یک پاسخ طولانی‌تر و با محاسبات بالاتر در سیستم دیگر. به عنوان مثال، حسابداری تولید گوگل، یک درخواست متنی متوسط ​​حدود 0.26 میلی‌لیتر (با احتساب سربار کامل سرویس) را گزارش می‌دهد [1]. ارزیابی چرخه عمر میسترال، یک پاسخ دستیار 400 توکنی را حدود 45 میلی‌لیتر (استنباط حاشیه‌ای) تعیین می‌کند [2]. زمینه و مدل اهمیت زیادی دارند.

• آموزش یک مدل در مقیاس مرزی: می‌تواند به میلیون‌ها لیتر آب ، عمدتاً از خنک‌کننده‌ها و آب موجود در تولید برق، منجر شود. یک تحلیل دانشگاهی که به طور گسترده به آن استناد می‌شود، تخمین زده است که حدود ۵.۴ میلیون لیتر برای آموزش یک مدل کلاس GPT، از جمله حدود ۷۰۰۰۰۰ لیتر مصرف شده در محل برای خنک‌کننده، مورد نیاز است - و برای برنامه‌ریزی هوشمند جهت کاهش شدت آب استدلال کرده است [3].

• مراکز داده به طور کلی: سایت‌های بزرگ به طور متوسط ​​صدها هزار گالن در روز

بیایید صادق باشیم: این ارقام در ابتدا متناقض به نظر می‌رسند. در واقع، متناقض هستند و دلایل خوبی هم برای آن وجود دارد.

معیارهای مصرف آب هوش مصنوعی ✅

یک پاسخ خوب به «هوش مصنوعی چقدر آب مصرف می‌کند؟» باید چند مورد را بررسی کند:

1. وضوح مرز
   آیا فقط شامل خنک‌کننده در محل یا خارج از محل که توسط نیروگاه‌ها برای تولید برق استفاده می‌شود را نیز شامل می‌شود؟ بهترین روش، برداشت آب را در مقابل مصرف آب و محدوده‌های 1-2-3 را در نظر می‌گیرد، مشابه حسابداری کربن [3].

2. حساسیت به مکان،
   میزان آب به ازای هر کیلووات ساعت بسته به منطقه و ترکیب شبکه متفاوت است، بنابراین یک منبع تغذیه یکسان می‌تواند بسته به محل ارائه آن، تأثیرات متفاوتی بر آب داشته باشد - دلیل کلیدی که در مقالات علمی، برنامه‌ریزی مبتنی بر زمان و مکان [3].

3. واقع‌گرایی حجم کار
   آیا این عدد نشان‌دهنده‌ی میانگین درخواست‌های تولید ، شامل ظرفیت بلااستفاده و سربار مرکز داده است، یا فقط شتاب‌دهنده در اوج مصرف؟ گوگل برای استنتاج، بر محاسبه‌ی کل سیستم (بی‌کار، CPU/DRAM و سربار مرکز داده) تأکید دارد، نه فقط محاسبات TPU [1].

4. فناوری خنک‌کننده
   خنک‌کننده تبخیری، خنک‌کننده مایع حلقه بسته، خنک‌کننده هوا و رویکردهای نوظهور مستقیم به تراشه ، شدت مصرف آب را به طرز چشمگیری تغییر می‌دهند. مایکروسافت در حال ارائه طرح‌هایی است که برای حذف استفاده از آب خنک‌کننده برای برخی از سایت‌های نسل بعدی در نظر گرفته شده‌اند [4].

5. زمان روز و فصل
   گرما، رطوبت و شرایط شبکه، اثربخشی مصرف آب در زندگی واقعی تغییر می‌دهند؛ یک مطالعه تأثیرگذار پیشنهاد می‌کند که کارهای اصلی را در زمان و مکانی که شدت مصرف آب کمتر است، برنامه‌ریزی کنید [3].

توضیح برداشت آب در مقابل مصرف آب 💡

• برداشت = برداشت آب از رودخانه‌ها، دریاچه‌ها یا سفره‌های آب زیرزمینی (مقداری از آن بازگردانده می‌شود).

• مصرف = آبی که به دلیل تبخیر یا ترکیب شدن در فرآیندها/محصولات، برگشت داده نمی‌شود

برج‌های خنک‌کننده در درجه اول مصرف می‌کنند . تولید برق می‌تواند را مصرف کند (گاهی اوقات بخشی از آن را مصرف می‌کند)، بسته به نوع کارخانه و روش خنک‌کننده. یک برچسب معتبر AI-water number که گزارش می‌دهد [3].

جایی که آب در هوش مصنوعی می‌رود: سه سطل 🪣

1. محدوده ۱ - خنک‌سازی در محل
   بخش قابل مشاهده: آب تبخیر شده در خود مرکز داده. گزینه‌های طراحی مانند تبخیر در مقابل هوا یا مایع حلقه بسته، مبنای کار را تعیین می‌کنند [5].

2. حوزه 2 - تولید برق
   هر کیلووات ساعت می‌تواند یک برچسب آب پنهان داشته باشد؛ ترکیب و محل قرارگیری آن، سیگنال لیتر بر کیلووات ساعت را که حجم کار شما به ارث می‌برد، تعیین می‌کند [3].

3. محدوده 3 - زنجیره تأمین.
   تولید تراشه در ساخت به آب فوق خالص متکی است. شما آن را در معیار "به ازای هر درخواست" نخواهید دید، مگر اینکه مرز آن به صراحت شامل اثرات تجسم یافته باشد (مثلاً یک LCA کامل) [2][3].

ارائه دهندگان بر اساس اعداد، با نکات ظریف 🧮

• گوگل جمینی
  روش سرویس‌دهی کامل (شامل سربار بلااستفاده و سربار تأسیسات) را پیشنهاد می‌دهد. متن میانه حدود 0.26 میلی‌لیتر آب را در کنار حدود 0.24 وات ساعت انرژی نشان می‌دهد؛ ارقام نشان‌دهنده ترافیک تولید و مرزهای جامع هستند [1].

• چرخه عمر Mistral Large 2
  یک LCA مستقل و نادر (با ADEME/Carbone 4) حدود 281000 متر مکعب برای آموزش + استفاده اولیه و حاشیه استنتاج حدود 45 میلی‌لیتر برای پاسخ دستیار 400 توکنی

• جاه‌طلبی مایکروسافت برای خنک‌سازی بدون نیاز به آب
  مراکز داده نسل بعدی به گونه‌ای طراحی شده‌اند که برای خنک‌سازی ، هیچ آبی مصرف نکنند و بر رویکردهای مستقیم به تراشه تکیه دارند؛ استفاده‌های مدیریتی هنوز به مقداری آب نیاز دارند [4].

• 
  اپراتورهای بزرگ در مقیاس عمومی مراکز داده، به‌طور متوسط ​​روزانه صدها هزار گالن در سایت‌های مختلف مصرف می‌شود؛ آب‌وهوا و طراحی، این اعداد را بالا یا پایین می‌برند [5].

• مبنای آکادمیک اولیه،
  تحلیل بنیادی «هوش مصنوعی تشنه» میلیون‌ها لیتر را برای آموزش مدل‌های کلاس GPT تخمین زد، و اینکه 10 تا 50 پاسخ متوسط ​​​​می‌تواند تقریباً معادل یک 500 میلی‌لیتری - که به شدت به زمان/مکان اجرا بستگی دارد [3].

چرا تخمین‌ها اینقدر با هم اختلاف دارند 🤷

• مرزهای مختلف
  برخی از ارقام فقط سرمایش در محل ؛ برخی دیگر آب برق را ؛ LCAها ممکن است تولید تراشه را . سیب، پرتقال و سالاد میوه [2][3].

• حجم‌های کاری مختلف
  یک اعلان متنی کوتاه، یک اجرای طولانی چندوجهی/کد ​​نیست؛ دسته بندی، همزمانی و تأخیر، میزان استفاده را تغییر می‌دهند [1][2].

• آب و هوا و شبکه‌های مختلف
  سرمایش تبخیری در یک منطقه گرم و خشک ≠ سرمایش هوا/مایع در یک منطقه سرد و مرطوب. شدت آب شبکه به طور گسترده متفاوت است [3].

• روش‌های فروشندگان
  گوگل یک روش خدمت‌رسانی در سطح سیستم منتشر کرد؛ میسترال یک LCA رسمی منتشر کرد. دیگران تخمین‌های امتیازی را با روش‌های پراکنده ارائه می‌دهند. ادعای پرسروصدای «یک پانزدهم قاشق چایخوری» برای هر درخواست، تیتر خبرها شد - اما بدون جزئیات مرزی، قابل مقایسه نیست [1][3].

• هدفی در حال تغییر
  . سیستم خنک‌کننده به سرعت در حال تکامل است. مایکروسافت در حال آزمایش سیستم خنک‌کننده بدون آب در برخی سایت‌ها است؛ اجرای این سیستم‌ها باعث کاهش آب در محل می‌شود، حتی اگر برق بالادستی هنوز سیگنال آب داشته باشد [4].

کاری که امروز می‌توانید برای کاهش ردپای آب هوش مصنوعی انجام دهید 🌱

1. مدل را با اندازه مناسب تنظیم کنید
   مدل‌های کوچک‌تر و تنظیم‌شده برای وظایف، اغلب با دقت مطابقت دارند، در حالی که محاسبات کمتری را مصرف می‌کنند. ارزیابی میسترال بر همبستگی قوی بین اندازه و ردپا تأکید می‌کند - و اعداد استنتاج حاشیه‌ای را منتشر می‌کند تا بتوانید در مورد بده‌بستان‌ها استدلال کنید [2].

2. مناطقی را انتخاب کنید که از نظر آب و هوایی هوشیار باشند.
   مناطقی با آب و هوای خنک‌تر، سیستم خنک‌کننده کارآمد و شبکه‌هایی با شدت آب کمتر به ازای هر کیلووات ساعت را ترجیح دهید؛ کار «هوش مصنوعی تشنه» نشان می‌دهد که مبتنی بر زمان و مکان مفید است [3].

3. جابجایی حجم کار در زمان.
   آموزش/استنتاج دسته‌ای سنگین را برای ساعات کم‌مصرف آب (شب‌های خنک‌تر، شرایط مطلوب شبکه) برنامه‌ریزی کنید [3].

4. از فروشنده خود معیارهای شفافی در مورد
   تقاضای آب به ازای هر وعده ، تعاریف مرزی و اینکه آیا اعداد شامل ظرفیت بلااستفاده و سربار تأسیسات می‌شوند یا خیر، بپرسید. گروه‌های سیاست‌گذار برای افشای اجباری فشار می‌آورند تا مقایسه‌های دقیق امکان‌پذیر شود [3].

5. فناوری خنک‌کننده اهمیت دارد
   اگر سخت‌افزار را اداره می‌کنید، خنک‌کننده حلقه بسته/مستقیم به تراشه را ؛ اگر از فضای ابری استفاده می‌کنید، مناطق/ارائه‌دهندگانی را ترجیح دهید که روی طرح‌های نور آبی [4][5].

6. از آب خاکستری و گزینه‌های استفاده مجدد استفاده کنید.
   بسیاری از دانشگاه‌ها می‌توانند منابع غیر آشامیدنی را جایگزین کنند یا در حلقه‌ها بازیافت کنند؛ اپراتورهای بزرگ، متعادل کردن منابع آب و گزینه‌های خنک‌کننده را برای به حداقل رساندن تأثیر خالص توصیف می‌کنند [5].

یک مثال سریع برای واقعی‌تر کردن موضوع (نه یک قانون جهانی): انتقال یک پروژه آموزشی شبانه از یک منطقه گرم و خشک در اواسط تابستان به یک منطقه خنک‌تر و مرطوب‌تر در بهار - و اجرای آن در ساعات غیر اوج و خنک‌تر - می‌تواند هم میزان مصرف آب در محل خارج از محل (شبکه) را تغییر دهد. این نوع برنامه‌ریزی عملی و کم‌دردسر می‌تواند منجر به موفقیت شود [3].

جدول مقایسه: انتخاب‌های سریع برای کاهش هزینه‌های آب توسط هوش مصنوعی 🧰

(قیمت از نظر طراحی بسیار پایین است - پیاده‌سازی‌ها متفاوت است.)

نگاهی عمیق: صدای طبل سیاستگذاری بلندتر می‌شود 🥁

نهادهای مهندسی خواستار افشای اجباری انرژی و آب مراکز داده هستند تا خریداران و جوامع بتوانند هزینه‌ها و مزایا را قضاوت کنند. توصیه‌ها شامل تعاریف محدوده، گزارش‌دهی در سطح سایت و راهنمای مکان‌یابی است - زیرا بدون معیارهای قابل مقایسه و آگاه از مکان، ما در تاریکی بحث می‌کنیم [3].

نگاهی عمیق: همه مراکز داده به یک شکل آب مصرف نمی‌کنند 🚰

یک افسانه‌ی قدیمی وجود دارد که «خنک‌کننده‌ی هوا از آب استفاده نمی‌کند». اما کاملاً درست نیست. سیستم‌های سنگین هوا اغلب به برق بیشتری که در بسیاری از مناطق، آب پنهان را از شبکه‌ی برق حمل می‌کند؛ برعکس، خنک‌کننده‌ی آب می‌تواند برق و انتشار گازهای گلخانه‌ای را به قیمت آب در محل کاهش دهد. اپراتورهای بزرگ صراحتاً این بده‌بستان‌ها را در هر محل متعادل می‌کنند [1][5].

بررسی عمیق: بررسی سریع ادعاهای ویروسی 🧪

ممکن است جملات جسورانه‌ای دیده باشید که می‌گویند یک سوال معادل «یک بطری آب» است، یا از طرف دیگر، «فقط چند قطره». حالت بهتر: فروتنی در برابر ریاضی . امروزه، پایه‌های کتاب معتبر برای یک سوال تولید متوسط ​​با سربار کامل سرو، حدود 0.26 میلی‌لیتر حدود 45 میلی‌لیتر (استنباط حاشیه‌ای) هستند [2]. ادعای رایج «یک پانزدهم قاشق چایخوری» فاقد مرز/روش عمومی است. با آن مانند پیش‌بینی آب و هوا بدون شهر رفتار کنید [1][3].

سوالات متداول کوتاه: هوش مصنوعی چقدر آب مصرف می‌کند؟ دوباره، به زبان ساده 🗣️

• خب، در جلسه چه باید بگویم؟
  بسته به مدل، طول و محل اجرا، قطره تا چند جرعه متغیر است آموزش به اندازه استخر طول می‌کشد ، نه گودال آب.» سپس یک یا دو مثال از موارد بالا را ذکر کنید.

• آیا هوش مصنوعی منحصراً بد است؟
  متمرکز است : تراشه‌های پرقدرت که در کنار هم قرار گرفته‌اند، بارهای خنک‌کننده بزرگی ایجاد می‌کنند. اما مراکز داده همچنین جایی هستند که بهترین فناوری‌های با راندمان بالا معمولاً ابتدا در آنجا قرار می‌گیرند [1][4].

• چه می‌شود اگر همه چیز را به خنک‌کننده هوا منتقل کنیم؟
  ممکن است در محل را اما خارج از محل را از طریق برق افزایش دهید. اپراتورهای ماهر هر دو را می‌سنجند [1][5].

• در مورد فناوری‌های آینده چطور؟
  طرح‌هایی که از خنک کردن با آب در مقیاس بزرگ اجتناب می‌کنند، می‌توانند برای Scope 1 یک تغییر اساسی ایجاد کنند. برخی از اپراتورها به این سمت در حال حرکت هستند؛ برق بالادستی هنوز سیگنال آب را تا زمانی که شبکه‌ها تغییر کنند، حمل می‌کند [4].

سخنان پایانی - خیلی طولانی بود، من آن را نخواندم 🌊

• برای هر سوال: بسته به مدل، طول سوال و محل اجرا، از زیر میلی‌لیتر تا ده‌ها میلی‌لیتر را در نظر بگیرید میانگین سوال حدود 0.26 میلی‌لیتر در یک دسته اصلی؛ حدود 45 میلی‌لیتر برای یک پاسخ 400 توکنی در دسته دیگر [1][2].

• آموزش: میلیون‌ها لیتر برای مدل‌های مرزی، که برنامه‌ریزی، مکان‌یابی و فناوری خنک‌سازی را حیاتی می‌کند [3].

• چه باید کرد: مدل‌های با اندازه مناسب، انتخاب مناطق کم‌آب، انتقال کارهای سنگین به ساعات خنک‌تر، ترجیح دادن فروشندگانی که طرح‌های کم‌آب ارائه می‌دهند، و درخواست مرزهای شفاف [1][3][4][5].

استعاره‌ای کمی ناقص برای پایان: هوش مصنوعی یک ارکستر تشنه است - ملودی از محاسبات است، اما طبل‌ها خنک‌کننده و شبکه‌ای از آب هستند. گروه را کوک کنید، و مخاطب همچنان موسیقی را بدون خاموش شدن آب‌پاش‌ها دریافت می‌کند. 🎻💦

منابع

1. وبلاگ گوگل کلود - هوش مصنوعی گوگل چقدر انرژی مصرف می‌کند؟ ما محاسبه کردیم (روش‌شناسی + میانگین تقریبی ۰.۲۶ میلی‌لیتر لینک
   (مقاله فنی PDF: اندازه‌گیری تأثیر زیست‌محیطی ارائه هوش مصنوعی در مقیاس گوگل .) لینک

2. هوش مصنوعی Mistral - سهم ما در استاندارد جهانی محیط زیست برای هوش مصنوعی (LCA با ADEME/Carbone 4؛ حدود ۲۸۱۰۰۰ متر مکعب + استفاده اولیه؛ حدود ۴۵ میلی‌لیتر به ازای هر ۴۰۰ توکنی ، استنتاج حاشیه‌ای). لینک

3. لی و همکاران - کاهش «تشنگی» هوش مصنوعی: کشف و پرداختن به ردپای مخفی آب در مدل‌های هوش مصنوعی (آموزش میلیون‌ها لیتر ، آگاهانه از نظر زمان و مکان ، برداشت در مقابل مصرف). لینک

4. مایکروسافت - مراکز داده نسل بعدی برای خنک‌سازی، هیچ آبی مصرف نمی‌کنند (طرح‌های مستقیم روی تراشه که خنک‌سازی بدون آب را در برخی سایت‌ها هدف قرار می‌دهند). لینک

5. مراکز داده گوگل - عملکرد پایدار (تبادل نظر در مورد خنک‌سازی سایت به سایت؛ گزارش‌دهی و استفاده مجدد، شامل آب بازیافتی/آب خاکستری؛ میزان استفاده معمول روزانه در سطح سایت به ترتیب اهمیت). لینک

جدیدترین هوش مصنوعی را در فروشگاه رسمی دستیار هوش مصنوعی پیدا کنید

درباره ما