Vodni otisak umjetne inteligencije: Troškovi održivosti velikih jezičnih modela

Umjetna inteligencija (AI) brzo se širi u svim industrijama, uz podršku Veliki jezični modeli (LLM) kao što GPT-4, Claude i Gemini. Ovi modeli zahtijevaju veliku računalnu snagu, kako tijekom obuke, tako i tijekom redovite upotrebe. Rastuće oslanjanje na takve sustave izazvalo je značajnu zabrinutost zbog njihovog utjecaja na okoliš.

Mnogo je pažnje posvećeno Potrošnja energije umjetne inteligencije i emisije ugljika. Međutim, rasprava često zanemaruje potrošnju vode. Velike količine vode koriste se za hlađenje podatkovnih centara. Voda se također neizravno troši u proizvodnji energije i računalne opreme.

Rastuća globalna potražnja za uslugama umjetne inteligencije povećava pritisak na već ograničene resurse slatke vode. Ovaj trend predstavlja izazove za održivost, posebno u područjima koja se suočavaju s vodnim stresom i rizicima povezanim s klimom. Potrebno je jasno razumijevanje vodnog otiska umjetne inteligencije. To podržava informirane odluke za odgovoran razvoj i dugoročno planiranje zaštite okoliša.

Kako AI modeli troše vodu

Pokretanje velikih AI sustava zahtijeva neprekidno računanje u podatkovnim centrima koji obrađuju milijarde operacija. Ovaj proces generira značajnu količinu topline. Kako bi se spriječio kvar hardvera i održale optimalne performanse, toplina se mora učinkovito ukloniti. Većina podatkovnih centara u tu svrhu koristi evaporativne sustave hlađenja. Ti sustavi uvelike ovise o slatkoj vodi. Veliki dio vode isparava tijekom hlađenja i ne može se ponovno upotrijebiti. Kao rezultat toga, proces dovodi do visokih razina crpljenja i potrošnje vode.

Istraživači su nedavno počeli mjeriti utjecaj obuke umjetne inteligencije na vodu. Studija iz 2023. koju su proveli timovi na UC Riverside i UT Arlington Procijenjeno je da je za obuku jednog velikog modela potrošeno više od 700,000 370 litara čiste vode. To je otprilike količina potrebna za proizvodnju XNUMX BMW automobila. To pokazuje koliko se vode koristi tijekom ranih faza razvoja napredne umjetne inteligencije.

Potrošnja vode nastavlja se čak i nakon završetka obuke. Inferencija, proces odgovaranja na korisničke upite, također se izvodi na robusnim računalnim sustavima. Ti sustavi rade non-stop u mnogim različitim dijelovima svijeta. Svaki pojedinačni korisnički zahtjev povećava računalno opterećenje. Također povećava zahtjeve za hlađenjem. Ukupna količina vode koja se koristi za inferenciju nastavlja rasti zbog široko rasprostranjenog usvajanja alata umjetne inteligencije, kao što su virtualni asistenti, chatbotovi i tražilice.

Procjenjuje se da podatkovni centri diljem svijeta troše više od 560 milijarde litara vode godišnje, prvenstveno za hlađenje. Očekuje se da će se taj broj naglo povećati do 2030. Značajan razlog je rastuća potražnja za uslugama temeljenim na umjetnoj inteligenciji. Osim izravne upotrebe, umjetna inteligencija uzrokuje i neizravnu potrošnju vode. To se događa tijekom proizvodnje električne energije, posebno u regijama koje se oslanjaju na ugljen ili nuklearnu energiju. Ovi izvori energije zahtijevaju značajne količine vode za svoje djelovanje.

Ova rastuća potražnja za vodom naglašava ozbiljnu zabrinutost. Sada postoji hitna potreba za boljim sustavima hlađenja, održivom infrastrukturom i transparentnim izvještavanjem o korištenju vode. Bez djelovanja, kontinuirano širenje umjetne inteligencije moglo bi još više opteretiti zalihe slatke vode. To je posebno rizično za mjesta koja se već suočavaju sa sušom ili klimatskim stresom.

Infrastrukturne i rashladne tehnologije

AI modeli rade na visokoučinkovitim čipovima instaliranim u podatkovnim centrima u oblaku. Ti centri zahtijevaju specijalizirane sustave hlađenja za upravljanje toplinom proizvedenom kontinuiranim računanjem. Najčešće korištena metoda je evaporativno hlađenje, u kojem se voda raspršuje u zrak ili po površinama kako bi apsorbirala toplinu. Značajan dio te vode isparava i ne može se ponovno upotrijebiti, što rezultira visokim stopama povlačenja vode.

Kako bi riješili ovaj problem, neki podatkovni centri usvajaju alternativne metode hlađenja kao što su hlađenje uranjanjem u tekućinu i hlađenje izravno na čipOve tehnike koriste toplinski vodljive tekućine ili zatvorene sustave rashladne tekućine za uklanjanje topline iz procesora. Iako su učinkovitije, i dalje uključuju neizravnu upotrebu vode. To se događa tijekom postavljanja sustava ili kroz proizvodnju električne energije, posebno u regijama gdje se energija proizvodi iz ugljena ili nuklearnih izvora, a oboje zahtijeva velike količine vode za proizvodnju pare i hlađenje.

Strategije hlađenja također se razlikuju ovisno o klimi i lokaciji. U područjima koja se suočavaju s nestašicom vode, operateri podatkovnih centara prelaze s isparavajućeg hlađenja na sustave na bazi zraka ili zatvorene petlje kako bi smanjili potrošnju vode. Međutim, te alternative često zahtijevaju više energije, stvarajući kompromis između uštede vode i emisija ugljika.

Svaka komponenta AI infrastrukture, od odvodnje topline na razini čipa do hlađenja i proizvodnje električne energije u cijelom postrojenju, doprinosi ukupnom vodnom otisku. Rastuća potražnja za AI zahtijeva poboljšanja sustava hlađenja i napajanja. Bez bolje učinkovitosti, pritisak na vodne resurse nastavit će rasti.

Geografski i okolišni utjecaji na potrošnju vode u podatkovnim centrima

Potrošnja vode u podatkovnim centrima snažno je utjecana njihovim geografskim položajem i lokalnim uvjetima okoline. U područjima s visokim temperaturama, poput Arizone ili Teksasa, sustavi hlađenja moraju raditi jače kako bi serveri ostali na stabilnoj radnoj temperaturi. To dovodi do povećane upotrebe metoda isparavanja, gdje se voda gubi kao para i ne može se ponovno upotrijebiti. Kao rezultat toga, ovi centri troše znatno više vode od onih u hladnijim regijama, poput Skandinavije. Vlažnost također igra važnu ulogu. U suhim klimama isparavanje je učinkovitije, što poboljšava performanse hlađenja, ali i povećava potrošnju vode.

Izvor i dostupnost vode također su ključni. Podatkovni centri u regijama s nedostatkom vode često ovise o općinskim vodovodima, koji možda već jesu pod pritiskom. To može dovesti do konkurencije s lokalnim potrebama, kao što je pristup pitkoj vodi ili poljoprivrednim resursima. Poznati primjer je Googleov podatkovni centar u The Dallesu u Oregonu. Potrošnja vode u postrojenju izazvala je zabrinutost javnosti, posebno zato što je područje u to vrijeme bilo pogođeno sušom.

Osim toga, obuka velikih AI modela može dovesti do naglih porasta potražnje za vodom. Ti porasti možda neće dugo trajati, ali i dalje mogu utjecati na lokalne vodne sustave. Bez pravilnog planiranja i predviđanja, to može rezultirati privremenom neravnotežom u opskrbi vodom, uključujući niže razine rijeka ili prekomjerno crpljenje podzemnih voda. Takve promjene mogu naštetiti lokalnim ekosustavima i smanjiti bioraznolikost.

Kako bi se riješili ovi izazovi, planiranje infrastrukture povezane s umjetnom inteligencijom mora uzeti u obzir specifične lokalne čimbenike poput temperature, opskrbe vodom i zakonskih ograničenja korištenja. Održiva primjena zahtijeva jasne politike i pažljivu ravnotežu između tehnološkog rasta i zaštite okoliša. To uključuje suradnju s lokalnim zajednicama, razumijevanje regionalnih prava na vodu i odabir prikladnih sustava hlađenja koji odgovorno koriste vodu.

Korporativne obveze i nedostaci u transparentnosti

Velike tvrtke za umjetnu inteligenciju postaju sve svjesnije svog utjecaja na okoliš i obvezale su se poboljšati svoje prakse upravljanja vodama. Google, Microsoft i Meta najavili su planove da do 2030. postanu vodeći računa o vodi. To znači da im je cilj obnoviti više vode nego što je troše u svojim globalnim operacijama. Njihovi napori uključuju obnovu slivova, sakupljanje kišnice, recikliranje sive vode i podršku lokalnim projektima očuvanja.

Google planira nadopuniti 120% vode troši. Objavljuje godišnja izvješća o održivosti koja uključuju podatke o korištenju i oporavku. MicrosoftUsvojio je adijabatske sustave hlađenja koji smanjuju isparavanje i mogu smanjiti potrošnju vode do 90% u usporedbi s tradicionalnim rashladnim tornjevima. Meta obećao je obnoviti 200% vode korištene u područjima visokog stresa i 100% vode korištene u zonama srednjeg stresa, usmjeravajući svoje napore tamo gdje je nestašica vode najveća. Neki podatkovni centri također su počeli koristiti sustave za ponovnu upotrebu na licu mjesta ili prikupljanje kišnice kako bi nadopunili svoju opskrbu.

Ove su obveze relevantne jer obuka i implementacija LLM-ova zahtijevaju snažne podatkovne centre. Ove operacije troše velike količine električne energije i generiraju značajnu toplinu, čime se povećava potražnja za hlađenjem koje intenzivno koristi vodu. Kako se usluge umjetne inteligencije šire globalno, posebno one koje uključuju LLM-ove, raste i njihov utjecaj na okoliš. Odgovorno korištenje vode postaje ključni dio održivog razvoja umjetne inteligencije.

Smanjenje vodnog otiska umjetne inteligencije: Jednostavni koraci i kolektivna akcija

Smanjenje vodnog otiska umjetne inteligencije zahtijeva kombinaciju učinkovite tehnologije, promišljenog planiranja i zajedničke odgovornosti. S tehničke strane, dizajniranje manjih i učinkovitijih modela umjetne inteligencije važan je korak. Metode poput obrezivanja modela, kvantizacijai destilacija pomažu u smanjenju veličine modela i računalnog opterećenja. To smanjuje potrošnju energije i smanjuje količinu vode potrebnu za hlađenje tijekom obuke i korištenja.

Odabir pravog vremena za obuku također je važan. Izvođenje intenzivnih opterećenja tijekom hladnijih razdoblja može smanjiti gubitak vode isparavanjem. Lokacija podatkovnih centara također igra ulogu. Izgradnja objekata u područjima s održivim vodnim resursima ili u blizini obnovljivih izvora energije, poput vjetra i sunca, može smanjiti neizravnu potrošnju vode povezanu s proizvodnjom toplinske energije. Napredak u algoritmima umjetne inteligencije, poput korištenja rijetke pažnje ili učinkovitijih dizajna modela uz poboljšani hardver, pomaže u smanjenju ukupnog utjecaja na okoliš.

Rješavanje problema vodnog otiska umjetne inteligencije zahtijeva zajednički napor koji se proteže izvan tehnoloških tvrtki. Vlade igraju ključnu ulogu u uspostavljanju pravila koja zahtijevaju transparentno izvještavanje o korištenju vode i promicanje dosljednih standarda procjene. Također mogu postaviti održivo nabavljanje vode kao uvjet za odobravanje novih podatkovnih centara. Ekološke skupine podržavaju ovaj napor praćenjem tvrdnji, promicanjem snažnijih politika i održavanjem odgovornosti industrije. Lokalne vlasti trebale bi preispitati planove infrastrukture imajući na umu vodne resurse, posebno u područjima koja već doživljavaju stres.

Pojedinačni korisnici također oblikuju smjer umjetne inteligencije. Odabirom platformi koje izvještavaju o podacima o okolišu i obvezuju se na održivost, šalju jasnu poruku o tome što je važno. Programeri i istraživači moraju uzeti u obzir potrošnju vode prilikom procjene sustava umjetne inteligencije. Istovremeno, sveučilišta i istraživački centri mogu stvoriti alate za preciznije mjerenje i smanjenje potrošnje vode.

Kako bismo postigli stvarni napredak, moramo se usredotočiti i na osvješćivanje i informirane izbore. Mnogi ljudi nisu svjesni da čak i jednostavni upiti umjetne inteligencije uzrokuju skrivene troškove za okoliš. Kada to postane široko poznato, potiče korisnike da zahtijevaju bolje prakse i motivira tvrtke da djeluju odgovorno. Istodobno, brzo širenje velikih modela umjetne inteligencije nastavlja povećavati pritisak na već ograničene zalihe slatke vode. Zbog toga je bitno tretirati korištenje vode kao ključni dio ukupnog utjecaja umjetne inteligencije na okoliš. Postizanje značajnih promjena zahtijevat će kolektivni napor kreatora politika, programera, tvrtki i krajnjih korisnika. Ako upravljanje vodom učinimo ključnim dijelom načina na koji se umjetna inteligencija dizajnira i primjenjuje, možemo zaštititi vitalne resurse, a istovremeno uživati ​​u prednostima inteligentnih sustava.

Bottom Line

Smanjenje vodnog otiska umjetne inteligencije više nije sekundarno pitanje. To je ključna komponenta u razvoju održivih tehnologija. Obuka i pokretanje velikih modela negativno utječu na zalihe slatke vode, posebno u regijama koje se već suočavaju s klimatskim stresom.

Kako bismo se pozabavili ovim problemom, potrebni su nam pametniji modeli, bolji hardver i odgovorno planiranje podatkovnih centara. Ali pravi napredak ovisi o više od same tehnologije. Vlade, tvrtke, istraživači i korisnici igraju svoju ulogu. Jasne politike, transparentno izvještavanje i javna svijest mogu pomoći u donošenju boljih odluka. Uključivanjem utjecaja na vodu u naša početna razmišljanja o umjetnoj inteligenciji možemo spriječiti dugoročnu štetu za vitalne resurse.