AIs vannavtrykk: Bærekraftskostnaden ved store språkmodeller

Artificial Intelligence (AI) vokser raskt på tvers av bransjer, støttet av Store språkmodeller (LLMs) slik som GPT-4, Claude og Gemini. Disse modellene krever omfattende beregningskraft, både under trening og ved regelmessig bruk. Den økende avhengigheten av slike systemer har reist betydelig bekymring for deres miljøpåvirkning.

Mye oppmerksomhet har blitt viet til AIs energiforbruk og karbonutslipp. Diskusjonen overser imidlertid ofte vannforbruket. Store mengder vann brukes til å kjøle ned datasentre. Vann forbrukes også indirekte i produksjonen av strøm og datautstyr.

Den økende globale etterspørselen etter AI-tjenester øker presset på allerede begrensede ferskvannsressurser. Denne trenden skaper bærekraftsutfordringer, spesielt i områder som opplever vannstress og klimarelaterte risikoer. En klar forståelse av AIs vannavtrykk er nødvendig. Det støtter informerte beslutninger for ansvarlig utvikling og langsiktig miljøplanlegging.

Hvordan AI-modeller forbruker vann

Å kjøre storskala AI-systemer krever kontinuerlig databehandling i datasentre som håndterer milliarder av operasjoner. Denne prosessen genererer en betydelig mengde varme. For å forhindre maskinvarefeil og opprettholde optimal ytelse, må varmen fjernes effektivt. De fleste datasentre bruker fordampningskjølesystemer til dette formålet. Disse systemene er sterkt avhengige av ferskvann. En stor del av vannet fordamper under kjøling og kan ikke gjenbrukes. Som et resultat fører prosessen til høye nivåer av vannuttak og -forbruk.

Forskere har nylig begynt å måle vannpåvirkningen av AI-trening. En studie fra 2023 utført av team ved UC Riverside og UT Arlington anslo at trening av én stor modell forbrukte mer enn 700,000 370 liter rent vann. Det er omtrent mengden som trengs for å produsere XNUMX BMW-biler. Dette viser hvor mye vann som brukes i de tidlige utviklingsstadiene av avansert AI.

Vannforbruket fortsetter selv etter at opplæringen er fullført. Inferens, prosessen med å svare på brukerforespørsler, kjører også på robuste datasystemer. Disse systemene opererer døgnet rundt i mange forskjellige deler av verden. Hver eneste brukerforespørsel øker arbeidsmengden på databehandlingen. Det øker også kjølebehovet. Den totale vannmengden som brukes til inferens fortsetter å vokse på grunn av den utbredte bruken av AI-verktøy, som virtuelle assistenter, chatboter og søkemotorer.

På verdensbasis anslås det at datasentre bruker mer enn 560 milliarder liter vann årlig, hovedsakelig til kjøling. Dette tallet forventes å øke kraftig innen 2030. En viktig årsak er den økende etterspørselen etter AI-drevne tjenester. I tillegg til direkte bruk forårsaker AI også indirekte vannforbruk. Dette skjer under strømproduksjon, spesielt i regioner som er avhengige av kull- eller kjernekraft. Disse energikildene krever betydelige mengder vann til driften.

Denne økende etterspørselen etter vann understreker en alvorlig bekymring. Det er nå et presserende behov for bedre kjølesystemer, bærekraftig infrastruktur og transparent rapportering om vannforbruk. Uten tiltak kan den fortsatte spredningen av AI legge enda mer press på ferskvannsforsyningen. Dette er spesielt risikabelt for steder som allerede står overfor tørke eller klimarelatert stress.

Infrastruktur og kjøleteknologier

AI-modeller opererer på høytytende brikker installert i skybaserte datasentre. Disse sentrene krever spesialiserte kjølesystemer for å håndtere varmen som produseres av kontinuerlig beregning. Den mest brukte metoden er fordampningskjøling, der vann sprayes ut i luften eller over overflater for å absorbere varme. En betydelig del av dette vannet fordamper og kan ikke gjenbrukes, noe som resulterer i høye vannuttaksrater.

For å løse dette problemet, tar noen datasentre i bruk alternative kjølemetoder som væskenedsenkingskjøling og direkte-til-brikke-kjølingDisse teknikkene bruker termisk ledende væsker eller lukkede kjølesystemer for å fjerne varme fra prosessorer. Selv om de er mer effektive, involverer de fortsatt indirekte vannforbruk. Dette skjer under systemoppsettet eller gjennom strømproduksjon, spesielt i regioner der kraft produseres fra kull eller kjernekraft, som begge krever store mengder vann til dampproduksjon og kjøling.

Kjølestrategier varierer også avhengig av klima og beliggenhet. I områder med vannmangel går datasenteroperatører bort fra fordampningskjøling og bruker i stedet luftbaserte eller lukkede sløyfesystemer for å redusere vannforbruket. Disse alternativene krever imidlertid ofte mer energi, noe som skaper en avveining mellom vannbesparelser og karbonutslipp.

Alle komponenter i AI-infrastrukturen, fra varmefjerning på brikkenivå til kjøling og strømproduksjon i hele anlegget, bidrar til det totale vannavtrykket. Den økende etterspørselen etter AI nødvendiggjør forbedringer av kjøle- og kraftsystemer. Uten bedre effektivitet vil presset på vannressursene fortsette å øke.

Geografisk og miljømessig påvirkning på vannforbruket i datasentre

Vannforbruket til datasentre påvirkes sterkt av deres geografiske plassering og lokale miljøforhold. I områder med høye temperaturer, som Arizona eller Texas, må kjølesystemer jobbe hardere for å holde serverne ved en stabil driftstemperatur. Dette fører til økt bruk av fordampende kjølemetoder, der vann går tapt som damp og ikke kan gjenbrukes. Som et resultat forbruker disse sentrene betydelig mer vann enn de i kjøligere regioner, som Skandinavia. Fuktighet spiller også en viktig rolle. I tørt klima er fordampning mer effektiv, noe som forbedrer kjøleytelsen, men også øker vannforbruket.

Kilden og tilgjengeligheten av vann er også kritisk. Datasentre i vannknappe områder er ofte avhengige av kommunale vannforsyninger, som allerede kan være under press. Dette kan føre til konkurranse med lokale behov, som tilgang til drikkevann eller landbruksressurser. Et velkjent eksempel er Googles datasenter i The Dalles, Oregon. Anleggets vannforbruk skapte offentlig bekymring, spesielt siden området opplevde tørkeforhold på den tiden.

I tillegg kan trening av store AI-modeller føre til plutselige økninger i vannbehovet. Disse økningene varer kanskje ikke lenge, men de kan fortsatt påvirke lokale vannsystemer. Uten skikkelig planlegging og prognoser kan dette føre til en midlertidig ubalanse i vannforsyningen, inkludert lavere elvenivåer eller overdreven grunnvannsutvinning. Slike endringer kan skade lokale økosystemer og redusere biologisk mangfold.

For å møte disse utfordringene må planlegging av KI-relatert infrastruktur ta hensyn til spesifikke lokale faktorer som temperatur, vannforsyning og juridiske begrensninger for bruk. Bærekraftig utrulling krever klare retningslinjer og en nøye balanse mellom teknologisk vekst og miljøvern. Dette inkluderer samarbeid med lokalsamfunn, forståelse av regionale vannrettigheter og valg av passende kjølesystemer som bruker vann ansvarlig.

Bedriftsforpliktelser og åpenhetshull

Store AI-selskaper blir stadig mer bevisste på sin miljøpåvirkning og har lovet å forbedre sine vannforvaltningspraksiser. Google, Microsoft og Meta har alle annonsert planer om å bli vannpositive innen 2030. Dette betyr at de har som mål å gjenopprette mer vann enn de forbruker på tvers av sin globale virksomhet. Innsatsen deres inkluderer restaurering av vannskille, regnvannshøsting, resirkulering av gråvann og støtte til lokale bevaringsprosjekter.

Google planlegger å fylle på 120 % av vannet den forbruker. Den publiserer årlige bærekraftsrapporter som inkluderer både bruks- og gjenvinningstall. Microsoft har tatt i bruk adiabatiske kjølesystemer, som reduserer fordampning og kan kutte vannforbruket med opptil 90 % sammenlignet med tradisjonelle kjøletårn. Meta har lovet å gjenopprette 200 % av vannet som brukes i områder med høy belastning og 100 % av vannet som brukes i områder med middels belastning, og fokusere innsatsen der vannmangelen er mest alvorlig. Noen datasentre har også begynt å bruke gjenbrukssystemer på stedet eller regnvannsoppsamling for å supplere forsyningen.

Disse forpliktelsene er relevante fordi opplæring og utplassering av LLM-er krever kraftige datasentre. Disse operasjonene forbruker store mengder strøm og genererer betydelig varme, noe som øker etterspørselen etter vannintensiv kjøling. Etter hvert som AI-tjenester utvides globalt, spesielt de som involverer LLM-er, øker også deres miljøavtrykk. Ansvarlig vannbruk blir en kritisk del av bærekraftig AI-utvikling.

Redusere vannavtrykket til kunstig intelligens: Enkle trinn og kollektiv handling

Å redusere vannavtrykket fra AI krever en kombinasjon av effektiv teknologi, gjennomtenkt planlegging og delt ansvar. På den tekniske siden er det å designe mindre og mer effektive AI-modeller et viktig skritt. Metoder som modellbeskjæring, kvantiseringog destillasjon bidra til å redusere modellstørrelse og beregningsbelastning. Dette reduserer energiforbruket og reduserer vannbehovet til kjøling under både trening og bruk.

Å velge riktig tidspunkt for opplæring er også viktig. Å kjøre intensiv arbeidsbelastning i kjøligere perioder kan redusere vanntap gjennom fordampning. Plasseringen av datasentre spiller også en rolle. Å bygge anlegg i områder med bærekraftige vannressurser eller i nærheten av fornybare energikilder, som vind og sol, kan redusere det indirekte vannforbruket knyttet til termisk kraftproduksjon. Fremskritt innen AI-algoritmer, som å bruke sparsom oppmerksomhet eller mer effektive modelldesign sammen med forbedret maskinvare, bidrar til å redusere den totale miljøpåvirkningen.

Å håndtere vannavtrykket til kunstig intelligens krever en samarbeidsinnsats som strekker seg utover teknologiselskaper. Myndigheter spiller en nøkkelrolle i å etablere regler som krever transparent rapportering av vannforbruk og fremmer konsistente vurderingsstandarder. De kan også gjøre bærekraftig vannforsyning til en betingelse for godkjenning av nye datasentre. Miljøgrupper støtter denne innsatsen ved å overvåke krav, fremme sterkere retningslinjer og holde industrien ansvarlig. Lokale myndigheter bør gjennomgå infrastrukturplaner med tanke på vannressurser, spesielt i områder som allerede opplever stress.

Individuelle brukere former også retningen til AI. Ved å velge plattformer som rapporterer miljødata og forplikter seg til bærekraft, sender de et klart budskap om hva som er viktig. Utviklere og forskere må vurdere vannforbruket når de evaluerer AI-systemer. Samtidig kan universiteter og forskningssentre lage verktøy for å måle og redusere vannforbruket mer nøyaktig.

For å gjøre reelle fremskritt, må vi også fokusere på bevissthet og informerte valg. Mange er ikke klar over at selv enkle AI-spørsmål medfører skjulte miljøkostnader. Når dette blir allment kjent, oppfordrer det brukere til å kreve bedre praksis og motiverer bedrifter til å handle ansvarlig. Samtidig fortsetter den raske utvidelsen av store AI-modeller å øke presset på allerede begrensede ferskvannsforsyninger. Dette gjør det viktig å behandle vannforbruk som en sentral del av AIs samlede miljøpåvirkning. Å oppnå meningsfull endring vil kreve en kollektiv innsats fra beslutningstakere, utviklere, bedrifter og sluttbrukere. Hvis vi gjør vannforvaltning til en sentral del av hvordan AI utformes og distribueres, kan vi beskytte viktige ressurser samtidig som vi høster fordelene med intelligente systemer.

Bunnlinjen

Å redusere vannavtrykket fra kunstig intelligens er ikke lenger et sekundært problem. Det er en avgjørende komponent i utviklingen av bærekraftig teknologi. Opplæring og drift av store modeller går hardt utover ferskvannsforsyningen, spesielt i regioner som allerede står overfor klimastress.

For å håndtere dette trenger vi smartere modeller, bedre maskinvare og ansvarlig datasenterplanlegging. Men reell fremgang avhenger av mer enn bare teknologi. Myndigheter, selskaper, forskere og brukere spiller alle en rolle. Tydelige retningslinjer, transparent rapportering og offentlig bevissthet kan bidra til å ta bedre beslutninger. Ved å innlemme vannets påvirkning i vår innledende tenkning om AI, kan vi forhindre langsiktig skade på viktige ressurser.