Vodní stopa AI: Náklady na udržitelnost velkých jazykových modelů

Umělá inteligence (AI) se rychle rozšiřuje napříč odvětvími, podporovaná velkými jazykovými modely (LLM), jako je GPT-4, Claude a Gemini. Tyto modely vyžadují rozsáhlou výpočetní sílu, a to jak během tréninku, tak během běžného použití. Rostoucí závislost na těchto systémech vyvolala významné obavy o jejich environmentálním dopadu.

Velká pozornost byla věnována spotřebě energie AI a emisím uhlíku. Nicméně, diskuse často přehlíží spotřebu vody. Velké množství vody se používá k chlazení datových center. Voda se také spotřebuje nepřímo při výrobě energie a počítačového hardwaru.

Rostoucí globální poptávka po službách AI zvyšuje tlak na již omezené zdroje sladké vody. Tento trend představuje výzvy pro udržitelnost, zejména v oblastech, které zažívají vodní stres a klimatická rizika. Jasný přehled o vodní stopě AI je nezbytný. Podporuje informovaná rozhodnutí pro odpovědný rozvoj a dlouhodobý environmentální plán.

Jak AI modely spotřebují vodu

Běh velkých AI systémů vyžaduje nepřetržitou výpočetní činnost v datových centrech, která zpracovává miliardy operací. Tento proces generuje významné množství tepla. Aby se předešlo hardwarovému selhání a udržela se optimální výkonnost, musí být teplo účinně odstraněno. Většina datových center používá evaporativní chladicí systémy pro tento účel. Tyto systémy silně závisí na sladké vodě. Velká část vody se vypařuje během chlazení a nemůže být znovu použita. V důsledku toho vede tento proces k vysokým hladinám odběru a spotřeby vody.

Výzkumníci nedávno začali měřit vodní dopad tréninku AI. Studie z roku 2023 týmu UC Riverside a UT Arlington odhadla, že trénink jediného velkého modelu spotřebuje více než 700 000 litrů čisté vody. To je přibližně množství potřebné k výrobě 370 automobilů BMW. To ukazuje, kolik vody se spotřebuje během raných fází vývoje pokročilého AI.

Spotřeba vody pokračuje i po dokončení tréninku. Inferencing, proces odpovědi na uživatelské dotazy, také běží na robustních výpočetních systémech. Tyto systémy fungují nepřetržitě v mnoha různých částech světa. Každá jednotlivá uživatelská žádost přidává k výpočetní zátěži. Také zvyšuje požadavky na chlazení. Celková spotřeba vody pro inferencing pokračuje ve růstu kvůli širokému přijetí nástrojů AI, jako jsou virtuální asistenti, chatboti a vyhledávače.

V celosvětovém měřítku se odhaduje, že datová centra spotřebují více než 560 miliard litrů vody ročně, především pro chlazení. Tento počet se očekává, že se prudce zvýší do roku 2030. Důvodem je rostoucí poptávka po službách AI. Kromě přímé spotřeby AI také způsobuje nepřímou spotřebu vody. To se děje během výroby elektřiny, zejména v regionech, které spoléhají na uhlí nebo jadernou energii. Tyto zdroje energie vyžadují významné množství vody pro své operace.

Tato rostoucí poptávka po vodě zdůrazňuje váženou obavu. Nyní existuje naléhavá potřeba lepších chladicích systémů, udržitelné infrastruktury a transparentního reportování o spotřebě vody. Bez akce by mohlo pokračující šíření AI ještě více zatížit zdroje sladké vody. To je zvláště riskantní pro místa, která již zažívají sucho nebo klimatický stres.

Infrastruktura a chladicí technologie

AI modely fungují na vysokovýkonných čipech instalovaných v cloudových datových centrech. Tato centra vyžadují specializované chladicí systémy pro řízení tepla generovaného nepřetržitou výpočetní činností. Nejběžněji používanou metodou je evaporativní chlazení, při kterém se voda rozprašuje do vzduchu nebo na povrchy, aby absorbovala teplo. Velká část této vody se vypařuje a nemůže být znovu použita, což vede k vysokým sazbám odběru vody.

Aby se tato otázka řešila, některá datová centra přijímají alternativní chladicí metody, jako je chlazení kapalnou imerzí a přímé chlazení na čip. Tyto techniky využívají tepelně vodivé kapaliny nebo uzavřené chladicí systémy pro odstranění tepla z procesorů. Ačkoli jsou účinnější, stále zahrnují nepřímou spotřebu vody. To se děje během nastavení systému nebo prostřednictvím generování elektřiny, zejména v regionech, kde se energie vyrábí z uhlí nebo jaderných zdrojů, které vyžadují velké množství vody pro výrobu páry a chlazení.

Chladicí strategie se také liší v závislosti na klimatu a umístění. V oblastech s omezenou dostupností vody se operátoři datových center odchylují od evaporativního chlazení a místo toho používají vzduchové nebo uzavřené systémy, aby snížili spotřebu vody. Nicméně, tyto alternativy často vyžadují více energie, což vytváří kompromis mezi úsporou vody a emisemi uhlíku.

Každá součást AI infrastruktury, od odstranění tepla na úrovni čipu až po chlazení celé budovy a generování elektřiny, přidává k celkové vodní stopě. Rostoucí poptávka po AI vyžaduje zlepšení chladicích a energetických systémů. Bez lepší efektivity bude tlak na vodní zdroje pokračovat ve růstu.

Geografické a environmentální vlivy na spotřebu vody datových center

Spotřeba vody datových center je silně ovlivněna jejich geografickým umístěním a místními environmentálními podmínkami. V oblastech s vysokými teplotami, jako je Arizona nebo Texas, musí chladicí systémy pracovat tvrději, aby udržely servery na stabilní provozní teplotě. To vede k zvýšenému použití evaporativního chlazení, při kterém se voda ztrácí jako pára a nemůže být znovu použita. V důsledku toho spotřebují tato centra mnohem více vody než ta, která se nachází v chladnějších regionech, jako je Skandinávie. Vlhkost také hraje důležitou roli. V suchém klimatu je vypařování účinnější, což zlepšuje výkon chlazení, ale také zvyšuje spotřebu vody.

Zdroj a dostupnost vody jsou také kritické. Datová centra v oblastech s omezenou dostupností vody často závisí na městských zásobách vody, které mohou být již pod tlakem. To může vést k soutěži s místními potřebami, jako je přístup k pitné vodě nebo zemědělským zdrojům. Známým příkladem je datové centrum Google (GOOGL ) v The Dalles, Oregon. Spotřeba vody tohoto zařízení vyvolala veřejnou obavu, zejména protože oblast zažívala sucha v době, kdy se o tom jednalo.

Kromě toho může trénink velkých AI modelů vést k náhlým špičkám v poptávce po vodě. Tyto špičky nemusí trvat dlouho, ale mohou stále ovlivnit místní vodní systémy. Bez řádného plánování a předpovědi může to vést k dočasnému nesouladu ve vodním zásobení, včetně nižších úrovní řek nebo nadměrného odběru podzemní vody. Takové změny mohou poškodit místní ekosystémy a snížit biodiverzitu.

Aby se tyto výzvy řešily, plánování infrastruktury související s AI musí zohledňovat specifické místní faktory, jako je teplota, zásobení vodou a právní limity na spotřebu. Udržitelná implementace vyžaduje jasnou politiku a pečlivé vyvážení mezi technologickým růstem a environmentální ochranou. To zahrnuje spolupráci s místními komunitami, pochopení regionálních vodních práv a výběr vhodných chladicích systémů, které využívají vodu zodpovědně.

Podnikové závazky a mezery v transparentnosti

Velké AI společnosti se stávají stále více vědomými svého environmentálního dopadu a zavázaly se zlepšit své postupy při správě vody. Google, Microsoft (MSFT ) a Meta každá ohlásila plány stát se vodně pozitivními do roku 2030. To znamená, že se snaží obnovit více vody, než spotřebují, napříč svými globálními operacemi. Jejich úsilí zahrnuje obnovu vodních toků, sběr dešťové vody, recyklaci šedé vody a podporu místních projektů na ochranu přírody.

Google plánuje doplnit 120 % vody, kterou spotřebuje. Publikuje roční zprávy o udržitelnosti, které zahrnují jak spotřebu, tak i údaje o obnově. Microsoft přijal adiabatické chladicí systémy, které snižují vypařování a mohou snížit spotřebu vody až o 90 % ve srovnání s tradičními chladicími věžemi. Meta se zavázala obnovit 200 % vody spotřebované v oblastech s vysokým stresem a 100 % vody spotřebované v oblastech se středním stresem, zaměřujících se na své úsilí tam, kde je vodní nedostatek nejzávažnější. Některá datová centra začala také využívat systémy pro opětovné použití na místě nebo sběr dešťové vody, aby doplnila svou zásobu.

Tyto závazky jsou relevantní, protože trénink a nasazení LLM vyžadují výkonná datová centra. Tyto operace spotřebují velké množství elektřiny a generují významné množství tepla, což zvyšuje poptávku po vodě náročném chlazení. Jak se služby AI rozšiřují globálně, zejména ty, které zahrnují LLM, jejich environmentální stopa roste také. Zodpovědná spotřeba vody se stává kritickou součástí udržitelného rozvoje AI.

Snížení vodní stopy AI: Jednoduchá opatření a kolektivní akce

Snížení vodní stopy AI vyžaduje kombinaci efektivní technologie, uvážlivého plánování a sdílené odpovědnosti. Z technického hlediska je navrhování menších a efektivnějších AI modelů důležitým krokem. Metody, jako je ořezávání modelů, kvantizace a destilace, pomáhají snižovat velikost modelu a výpočetní zátěž. To snižuje spotřebu energie a snižuje množství vody potřebné pro chlazení během tréninku i během použití.

Výběr správného času pro trénink také záleží. Běh náročných úloh během chladnějších období může snížit spotřebu vody ztracené vypařováním. Umístění datových center také hraje roli. Stavba zařízení v oblastech s udržitelnými vodními zdroji nebo poblíž obnovitelných zdrojů energie, jako je vítr a slunce, může snížit nepřímou spotřebu vody spojenou s termální energií. Pokroky v algoritmech AI, jako je využití řídké pozornosti nebo efektivnějších návrhů modelů spolu s vylepšeným hardwarovým vybavením, pomáhají snižovat celkový environmentální dopad.

Řešení vodní stopy AI vyžaduje kolektivní úsilí, které sahá za hranice technologických firem. Vláda hraje klíčovou roli při stanovení pravidel, která vyžadují transparentní reportování spotřeby vody a podporují konzistentní standardy hodnocení. Mohou také učinit udržitelné zdroje vody podmínkou pro schválení nových datových center. Environmentální skupiny podporují toto úsilí monitorováním tvrzení, propagací silnějších politik a udržováním odvětví zodpovědných. Místní úřady by měly přezkoumat plány infrastruktury s ohledem na vodní zdroje, zejména v oblastech, které již zažívají stres.

Jednotliví uživatelé také formují směr AI. Vybráním platforem, které reportují environmentální data a zavazují se k udržitelnosti, posílají jasnou zprávu o tom, co je důležité. Vývojáři a výzkumníci musí zohlednit spotřebu vody při hodnocení systémů AI. Současně mohou univerzity a výzkumná centra vytvořit nástroje pro měření a snížení spotřeby vody přesněji.

Aby se dosáhlo skutečného pokroku, musíme se také soustředit na povědomí a informovaná rozhodnutí. Mnoho lidí si není vědomo toho, že i jednoduché dotazy AI mají skryté environmentální náklady. Když se toto stane všeobecně známým, podporuje uživatele, aby vyžadovali lepší postupy, a motivuje firmy, aby jednaly zodpovědně. Současně rychlá expanze velkých modelů AI pokračuje ve zvyšování tlaku na již omezené zdroje sladké vody. To činí nezbytným zacházet se spotřebou vody jako s klíčovou součástí celkového environmentálního dopadu AI. Dosáhnutí skutečné změny bude vyžadovat kolektivní úsilí od politiků, vývojářů, firem a koncových uživatelů. Pokud učiníme správu vody základní součástí toho, jak je AI navrhována a nasazována, můžeme chránit životně důležité zdroje, zatímco stále využíváme výhod inteligentních systémů.

Závěrečné shrnutí

Snížení vodní stopy AI již není sekundární otázkou. Je to zásadní součást rozvoje udržitelných technologií. Trénink a běh velkých modelů má dopad na zdroje sladké vody, zejména v regionech, které již zažívají klimatický stres.

Aby se tomu zabránilo, potřebujeme inteligentnější modely, lepší hardwarové vybavení a zodpovědné plánování datových center. Ale skutečný pokrok závisí na více než jen technologii. Vláda, firmy, výzkumníci a uživatelé všichni hrají roli. Jasná politika, transparentní reportování a veřejné povědomí mohou pomoci vést k lepšímu rozhodování. Zahrnutím vodního dopadu do našich úvodních myšlenek o AI můžeme předejít dlouhodobému poškození životně důležitých zdrojů.