AI’s vandaftryk: Den bæredygtighedsmæssige omkostning af store sprogmodeller

Kunstig intelligens (AI) udvider sig hurtigt over brancher, understøttet af store sprogmodeller (LLM) som GPT-4, Claude og Gemini. Disse modeller kræver omfattende beregningskraft, både under træning og under almindelig brug. Den øgede afhængighed af disse systemer har rejst betydelige bekymringer om deres miljømæssige påvirkning.

Meget opmærksomhed er blevet rettet mod AI’s energiforbrug og kuldioxidudledning. Imidlertid overses ofte dens vandforbrug i diskussionen. Store mængder vand bruges til at køle datacentre. Vand bruges også indirekte i produktionen af kraft og beregningshardware.

Den stigende globale efterspørgsel efter AI-tjenester øger presset på allerede begrænsede ferskvandresourcer. Dette mønster stiller bæredygtighedsudfordringer, særligt i områder, der oplever vandstress og klima-relaterede risici. En klar forståelse af AI’s vandaftryk er nødvendig. Det understøtter informerede beslutninger om ansvarlig udvikling og langsigtede miljøplaner.

Hvordan AI-modeller forbruger vand

Kørsel af store AI-systemer kræver nonstop-beregning i datacentre, der håndterer milliarder af operationer. Dette processen genererer en betydelig mængde varme. For at forhindre hardwarefejl og opretholde optimal ydeevne, skal varmen fjernes effektivt. De fleste datacentre bruger evaporative kølingssystemer til dette formål. Disse systemer afhænger kraftigt af ferskvand. En stor del af vandet fordampes under kølingen og kan ikke genbruges. Dette fører til høje niveauer af vandtræk og -forbrug.

Forskere har nyligt begyndt at måle vandpåvirkningen af AI-træning. En studie fra 2023 af hold på UC Riverside og UT Arlington estimerede, at træning af en enkelt stor model forbrugte mere end 700.000 liter rent vand. Dette svarer til den mængde, der er nødvendig for at producere 370 BMW-biler. Dette viser, hvor meget vand der bruges under de tidlige udviklingsfaser af avanceret AI.

Vandforbrug fortsætter, selv efter træningen er afsluttet. Inference, processen med at reagere på brugerforespørgsler, kører også på robuste beregningsystemer. Disse systemer opererer døgnet rundt i mange forskellige dele af verden. Hver enkelt brugerforespørgsel tilføjer til beregningsarbejdet. Det øger også kølingskravene. Det totale vandforbrug til inference fortsætter med at vokse på grund af den udbredte anvendelse af AI-værktøjer, såsom virtuelle assistenter, chatbots og søgemaskiner.

Verden over forbruger datacentre mere end 560 milliarder liter vand årligt, primært til køling. Dette tal forventes at stige skarpt inden 2030. En væsentlig årsag er den stigende efterspørgsel efter AI-drevne tjenester. Ud over direkte brug forårsager AI også indirekte vandforbrug. Dette sker under elektricitetsproduktion, særligt i regioner, der afhænger af kul eller atomkraft. Disse energikilder kræver betydelige mængder vand til deres operationer.

Dette øgede behov for vand fremhæver en alvorlig bekymring. Der er nu en presserende behov for bedre kølingssystemer, bæredygtig infrastruktur og gennemsigtig rapportering om vandforbrug. Uden handling kan den fortsatte udbredelse af AI føre til endnu mere pres på ferskvandresourcerne. Dette er særligt risikabelt for steder, der allerede oplever tørke eller klima-relateret stress.

Infrastruktur og kølingsteknologier

AI-modeller kører på højtydende chip installeret i cloud-datacentre. Disse centre kræver specialiserede kølingssystemer til at håndtere den varme, der produceres af kontinuerlig beregning. Den mest anvendte metode er evaporativ køling, hvor vand sprøjtes ind i luften eller over overflader for at absorbere varme. En betydelig del af dette vand fordampes og kan ikke genbruges, hvilket resulterer i høje vandtrækniveauer.

For at løse dette problem er nogle datacentre begyndt at anvende alternative kølingmetoder som liquid immersion cooling og direct-to-chip cooling. Disse teknologier bruger termisk ledende væsker eller lukkede kølesystemer til at fjerne varme fra processorer. Selvom de er mere effektive, involverer de stadig indirekte vandforbrug. Dette sker under systemopsætning eller gennem elektricitetsgenerering, særligt i regioner, hvor kraft produceres fra kul eller atomkraft, som begge kræver store mængder vand til dampproduktion og køling.

Kølingsstrategier varierer også afhængigt af klima og beliggenhed. I områder med vandmangel skifter datacenter-operatører væk fra evaporativ køling og bruger i stedet luftbaserede eller lukkede systemer til at reducere vandforbrug. Imidlertid kræver disse alternativer ofte mere energi, hvilket skaber en balance mellem vandbesparelse og kuldioxidudledning.

Hver komponent i AI-infrastrukturen, fra chip-niveau varmeafledning til fuld-facilitetskøling og elektricitetsgenerering, bidrager til det samlede vandaftryk. Den stigende efterspørgsel efter AI nødvendiggør forbedringer af køling og kraftsystemer. Uden bedre effektivitet vil presset på vandresourcerne fortsætte med at stige.

Geografiske og miljømæssige påvirkninger på datacenters vandforbrug

Datacenters vandforbrug påvirkes kraftigt af deres geografiske beliggenhed og lokale miljøforhold. I områder med høje temperaturer, såsom Arizona eller Texas, må kølingssystemer arbejde hårdere for at holde servere på en stabil driftstemperatur. Dette fører til øget brug af evaporativ køling, hvor vand tabes som damp og ikke kan genbruges. Som følge heraf forbruger disse centre betydeligt mere vand end dem i køligere regioner, såsom Skandinavien. Fugtighed spiller også en vigtig rol. I tørre klimaer er fordampning mere effektiv, hvilket forbedrer kølingsydeevnen, men også øger vandforbrug.

Vandets kilde og tilgængelighed er også kritiske. Datacentre i vandfattige regioner afhænger ofte af kommunale vandforsyninger, som allerede kan være under pres. Dette kan føre til konkurrence med lokale behov, såsom adgang til drikkevand eller landbrugsressourcer. Et velkendt eksempel er Googles datacenter i The Dalles, Oregon. Centerets vandforbrug rejste offentlig bekymring, særligt da området oplevede tørkeforhold på det tidspunkt.

Derudover kan træningen af store AI-modeller føre til pludselige stigninger i vandforbrug. Disse stigninger kan ikke vare længe, men de kan stadig påvirke lokale vandsystemer. Uden ordentlig planlægning og prognose kan dette føre til en midlertidig ubalance i vandforsyningen, herunder lavere flodeniveauer eller overdreven grundvandsudtag. Sådanne ændringer kan skade lokale økosystemer og reducere biodiversitet.

For at løse disse udfordringer skal AI-relateret infrastrukturplanlægning tage højde for specifikke lokale faktorer som temperatur, vandforsyning og lovmæssige begrænsninger for brug. Bæredygtig udrulning kræver klare politikker og en omhyggelig balance mellem teknologisk vækst og miljøbeskyttelse. Dette inkluderer samarbejde med lokale samfund, forståelse af regionale vandrettigheder og valg af passende kølingssystemer, der udnytter vand ansvarligt.

Virksomhedens forpligtelser og gennemsigtigheds Huller

Store AI-virksomheder bliver mere og mere bevidste om deres miljømæssige påvirkning og har lovet at forbedre deres vandstyringspraksis. Google (GOOGL ), Microsoft (MSFT ) og Meta har hver især annonceret planer om at blive vand-positivt inden 2030. Dette betyder, at de sigter mod at genskabe mere vand, end de forbruger, på tværs af deres globale operationer. Deres indsats omfatter vandskabsrestaurering, regnvandssamling, gråvandsgenbrug og støtte til lokale bevaringsprojekter.

Google planlægger at genskabe 120% af det vand, det forbruger. Det offentliggør årlige bæredygtighedsrapporter, der inkluderer både forbrug og genskabningsdata. Microsoft har adopteret adiabatiske kølingssystemer, der reducerer fordampning og kan skære vandforbrug ned med op til 90% i forhold til traditionelle køletårne. Meta har lovet at genskabe 200% af det vand, der bruges i høj-stress områder, og 100% af det vand, der bruges i medium-stress zoner, med fokus på områder, hvor vandmangel er mest alvorligt. Nogle datacentre har også begyndt at bruge lokale genbrugsanlæg eller regnvandssamling til at supplere deres forsyning.

Disse forpligtelser er relevante, fordi træning og udrulning af LLM kræver kraftfulde datacentre. Disse operationer forbruger store mængder elektricitet og genererer betydelig varme, hvilket øger behovet for vandintensiv køling. Da AI-tjenester udvides globalt, særligt de, der involverer LLM, vokser deres miljømæssige fodaftryk også. Ansvarligt vandforbrug bliver en kritisk del af bæredygtig AI-udvikling.

Reducer AI’s vandaftryk: Enkle skridt og kollektiv handling

Reduktion af AI’s vandaftryk kræver en kombination af effektiv teknologi, omhyggelig planlægning og fælles ansvar. På den tekniske side er design af mindre og mere effektive AI-modeller et vigtigt skridt. Metoder som model-pruning, quantisering og destillation hjælper med at reducere modelstørrelse og beregningsbelastning. Dette reducerer energiforbrug og sænker det vand, der kræves til køling under både træning og brug.

Valget af det rette tidspunkt for træning er også vigtigt. Kørsel af intensive arbejdsbyrder under køligere perioder kan reducere vandtab gennem fordampning. Beliggenheden af datacentre spiller også en rol. Bygning af faciliteter i områder med bæredygtige vandressourcer eller nær ved fornybar energikilder, såsom vind og sol, kan reducere det indirekte vandforbrug, der er forbundet med termisk kraftproduktion. Fremgang i AI-algoritmer, såsom brug af sparse opmærksomhed eller mere effektive modeldesigns sammen med forbedret hardware, hjælper med at reducere den samlede miljømæssige påvirkning.

Løsning af AI’s vandaftryk kræver en fælles indsats, der går ud over teknologivirksomheder. Regeringer spiller en nøglerolle i at etablere regler, der kræver gennemsigtig rapportering om vandforbrug og fremmer konsistente vurderingsstandarder. De kan også gøre bæredygtig vandhåndtering til en betingelse for godkendelse af nye datacentre. Miljøgrupper støtter denne indsats ved at overvåge krav, fremme stærkere politikker og holde industrien ansvarlig. Lokale myndigheder bør gennemgå infrastrukturplaner med vandressourcer i mente, særligt i områder, der allerede oplever stress.

Enkelte brugere former også retningen af AI. Ved at vælge platforme, der rapporterer om miljødata og forpligter sig til bæredygtighed, sender de en tydelig besked om, hvad der betyder noget. Udviklere og forskere må overveje vandforbrug, når de vurderer AI-systemer. Samtidig kan universiteter og forskningscentre skabe værktøjer til at måle og reducere vandforbrug mere præcist.

For at opnå reel fremgang må vi også fokusere på opmærksomhed og informerede valg. Mange mennesker er ikke bekendt med, at selv simple AI-forespørgsler medfører skjulte miljømæssige omkostninger. Når dette bliver bredt kendt, opmuntres brugere til at kræve bedre praksis og motiverer virksomheder til at handle ansvarligt. Samtidig fortsætter den hurtige udvidelse af store AI-modeller med at øge presset på allerede begrænsede ferskvandresourcer. Dette gør det essentielt at behandle vandforbrug som en nøglekomponent i AI’s samlede miljømæssige påvirkning. Opnåelse af meningsfuld ændring vil kræve en fælles indsats fra politikere, udviklere, virksomheder og slutbrugere. Hvis vi gør vandhåndtering til en kerndel af, hvordan AI designes og udrulles, kan vi beskytte vitalt ressourcer, mens vi stadig nyder fordelene ved intelligente systemer.

Det afgørende punkt

Reducer AI’s vandaftryk er ikke længere et sekundært spørgsmål. Det er en afgørende komponent i udviklingen af bæredygtige teknologier. Træning og kørsel af store modeller tager hårdt på ferskvandresourcer, særligt i regioner, der allerede oplever klimastress.

For at løse dette problem har vi brug for smartere modeller, bedre hardware og ansvarlig datacenterplanlægning. Men reel fremgang afhænger af mere end bare teknologi. Regeringer, virksomheder, forskere og brugere spiller alle en rolle. Klare politikker, gennemsigtig rapportering og offentlig opmærksomhed kan hjælpe med at træffe bedre beslutninger. Ved at inkorporere vandpåvirkning i vores initialt tænkning om AI kan vi forhindre langsigtede skader på vitalt ressourcer.