Stopa vody 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 školení, tak během běžného použití. Rostoucí závislost na těchto systémech vyvolala významné obavy o jejich environmentální dopad.

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

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

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 zabránilo selhání hardwaru a udržení optimální výkonnosti, musí být teplo účinně odstraněno. Většina datových center používá evaporativní chlazení pro tento účel. Tyto systémy silně závisí na sladkovodní vodě. Velká část vody se odpaří během chlazení a nemůže být znovu použita. V důsledku toho vede tento proces k vysokým úrovním odběru a spotřeby vody.

Výzkumníci nedávno začali měřit vodní dopad školení AI. Studie z roku 2023 týmu na UC Riverside a UT Arlington odhadla, že školení 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 pokročilé AI.

Spotřeba vody pokračuje i po dokončení školení. Inferencia, proces odpovědi na uživatelské dotazy, také běží na robustních počítačových 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 inferenci dále roste v důsledku širokého přijetí nástrojů AI, jako jsou virtuální asistenti, chatboti a vyhledávače.

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

Tato rostoucí poptávka po vodě zdůrazňuje váženou obavu. Nyní je naléhavě zapotřebí lepších chladicích systémů, udržitelné infrastruktury a transparentního reportování o spotřebě vody. Bez akce by pokračující šíření AI mohlo vyvinout ještě větší tlak na zdroje sladkovodní vody. To je zvláště riskantní pro místa, která již čelí suchu nebo klimatickému stresu.

Infrastruktura a chladicí technologie

AI modely fungují na high-performance 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 přes povrchy, aby absorbovala teplo. Velká část této vody se odpaří 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 chladicí kapalina a přímé chlazení čipu. Tyto techniky využívají tepelně vodivé kapaliny nebo uzavřené chladicí systémy k odstranění tepla z procesorů. Ačkoli jsou účinnější, stále zahrnují nepřímou spotřebu vody. To se děje během nastavení systému nebo prostřednictvím generace elektřiny, zejména v regionech, kde se elektřina 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 omezenými vodními zdroji 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, vytvářejí tak kompromis mezi úsporami vody a emisemi uhlíku.

Každá součást infrastruktury AI, od odstranění tepla na úrovni čipu až po plné chlazení zařízení a generaci elektřiny, přidává k celkové stopě vody. Rostoucí poptávka po AI vyžaduje zlepšení chlazení a energetických systémů. Bez lepší efektivity bude tlak na vodní zdroje pokračovat.

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 ke zvýšenému použití evaporativních chladicích metod, při kterých se voda ztrácí jako pára a nemůže být znovu použita. V důsledku toho tato centra spotřebují podstatně více vody než ta v chladnějších regionech, jako je Skandinávie. Vlhkost také hraje důležitou roli. V suchém klimatu je odpařování účinnější, což zlepšuje chladicí výkon, ale také zvyšuje spotřebu vody.

Zdroj a dostupnost vody jsou také kritické. Datová centra v oblastech s omezenými vodními zdroji často závisí na městských vodních zdrojích, které mohou být již pod tlakem. To může vést ke konkurenci s místními potřebami, jako je přístup k pitné vodě nebo zemědělským zdrojům. Známým příkladem je datové centrum Google v The Dalles, Oregon. Spotřeba vody zařízení vyvolala veřejnou obavu, zejména protože oblast zažívala suché podmínky v době.

Navíc může školení velkých AI modelů vést ke krátkodobým špičkám v poptávce po vodě. Tyto špičky nemusí trvat dlouho, ale mohou stále ovlivnit místní vodní systémy. Bez řádného plánování a předpovědi to může vést k dočasnému nerovnováhu 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 konkrétní místní faktory, jako je teplota, vodní zásobení 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 transparentní mezery

Velké AI společnosti jsou stále více vědomi svého environmentálního dopadu a slibují zlepšit své postupy při správě vody. Google, Microsoft a Meta oznámily 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 obnovit 120 % spotřebované vody. Publikuje roční zprávy o udržitelnosti, které zahrnují jak spotřebu, tak i obnovu vody. Microsoft přijal adiabatické chladicí systémy, které snižují odpařování a mohou snížit spotřebu vody až o 90 % ve srovnání s tradičními chladicími věžemi. Meta se zavázala obnovit 200 % spotřebované vody v oblastech s vysokým stresem a 100 % spotřebované vody v oblastech se středním stresem, zaměřuje své úsilí na místa, kde je vodní nedostatek nejzávažnější. Některá datová centra také začala používat systémy pro opětovné použití na místě nebo sběr dešťové vody, aby doplnila své zásobení.

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

Snížení vodní stopy AI: Jednoduché kroky a kolektivní akce

Snížení vodní stopy AI vyžaduje kombinaci efektivní technologie, pečlivého plánování a sdílené odpovědnosti. Z technického hlediska je navrhování menších a efektivnějších AI modelů důležitým krokem. Metody, jako je ořezávání modelu, kvantizace a destilace, pomáhají snížit velikost modelu a výpočetní zátěž. To snižuje spotřebu energie a snižuje spotřebu vody potřebnou pro chlazení během školení i provozu.

Volba správného času pro školení také záleží. Běh náročných úloh během chladnějších období může snížit spotřebu vody ztracené odpařením. Umístění datových center také hraje roli. Budování zařízení v oblastech s udržitelnými vodními zdroji nebo poblíž obnovitelných zdrojů energie, jako je vítr a slunce, může snížit nepřímou spotřebu vody spojenou s termoelektrárnami. Pokroky v algoritmech AI, jako je využití řídké pozornosti nebo efektivnějších návrhů modelů spolu s vylepšeným hardwarem, pomáhají snížit celkový environmentální dopad.

Řešení vodní stopy AI vyžaduje kolektivní úsilí, které přesahuje technologické společnosti. Vládám hraje klíčovou roli při stanovení pravidel, která vyžadují transparentní reportování spotřeby vody a podporují konzistentní standardy hodnocení. Můžou také učinit udržitelné zdroje vody podmínkou pro schválení nových datových center. Environmentální skupiny podporují toto úsilí monitorováním tvrzení, propagací silnějších politik a udržováním odvětví zodpovědného. 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. Volbou platforem, které reportují environmentální data a zavazují se k udržitelnosti, posílají jasnou zprávu o tom, co je důležité. Vývojáři a výzkumníci musí zohledňovat 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, že i jednoduché dotazy AI skrývají skryté environmentální náklady. Když se toto stane všeobecně známým, povzbuzuje uživatele, aby vyžadovali lepší postupy, a motivuje společnosti, aby jednaly zodpovědně. Současně rychlá expanze velkých AI modelů pokračuje ve zvyšování tlaku na již omezené zdroje sladkovodní vody. To činí nezbytným zacházet se spotřebou vody jako klíčovou součástí celkového environmentálního dopadu AI. Dosáhnutí skutečné změny bude vyžadovat kolektivní úsilí od tvůrců politik, vývojářů, společností a koncových uživatelů. Pokud učiníme hospodaření s vodou jádrem toho, jak je AI navrhován a nasazen, můžeme chránit vitální zdroje, zatímco stále využíváme výhody inteligentních systémů.

Závěrečné stanovisko

Snížení vodní stopy AI již není sekundární otázkou. Je to zásadní součást vývoje udržitelných technologií. Školení a běh velkých modelů ovlivňuje zásobení sladkovodní vody, zejména v regionech, které již čelí klimatickému stresu.

Aby se tomu zabránilo, potřebujeme inteligentnější modely, lepší hardware a zodpovědné plánování datových center. Nicméně, skutečný pokrok závisí na více než jen technologii. Vládám, společnostem, výzkumníkům a uživatelům hraje každému roli. Jasná politika, transparentní reportování a veřejné povědomí mohou pomoci vést k lepšímu rozhodování. Zahrnutím vodního dopadu do našich počátečních úvah o AI můžeme zabránit dlouhodobému poškození vitálních zdrojů.