AI sin vannavtrykk: Bærekraftskostnadene ved store språkmodeller

Kunstig intelligens (AI) utvider seg raskt over industrier, støttet av store språkmodeller (LLM) som GPT-4, Claude og Gemini. Disse modellene krever omfattende beregningskraft, både under trening og under vanlig bruk. Den økende avhengigheten av slike systemer har ført til betydelige bekymringer om deres miljøpåvirkning.

Mye oppmerksomhet har vært rettet mot AI sin energiforbruk og karbonutslipp. Likevel har diskusjonen ofte oversett vannforbruket. Store mengder vann brukes til å kjøle datacenter. Vann forbrukes også indirekte i produksjonen av kraft og beregningsmaskiner.

Den økende globale etterspørselen etter AI-tjenester øker presset på allerede begrensede ferskvannsressurser. Dette mønsteret stiller bærekraftsutfordringer, særlig i områder som erfaringer vannstress og klimarelaterte risikoer. En tydelig forståelse av AI sitt vannavtrykk er nødvendig. Det støtter informerte beslutninger for ansvarlig utvikling og langtids miljøplanlegging.

Hvordan AI-modeller forbruker vann

Kjøring av store AI-systemer krever kontinuerlig beregning i datacenter 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 datacenter bruker fordampningskjølingssystemer til dette formålet. Disse systemene er avhengige av ferskvann. En stor del av vannet fordampes under kjøling og kan ikke gjenbrukes. Som følge av dette fører prosessen til høye nivåer av vannuttak og forbruk.

Forskere har nylig startet å måle vannpåvirkningen av AI-trening. En studie fra 2023 av teamene ved UC Riverside og UT Arlington estimerte at trening av en enkelt stor modell forbrukte mer enn 700 000 liter rent vann. Det er omtrent mengden som trengs for å produsere 370 BMW-biler. Dette viser hvor mye vann som brukes under de tidlige utviklingsstadiene av avansert AI.

Vannforbruk fortsetter også etter at treningen er fullført. Inferens, prosessen med å svare på brukerforespørsler, kjører også på robuste beregningsmaskiner. Disse maskinene opererer døgnet rundt i mange forskjellige deler av verden. Hver enkelt brukerforespørsel legger til beregningsarbeidet. Det øker også kjølekravene. Det totale vannet som brukes til inferens fortsetter å vokse på grunn av den omfattende tilpasningen av AI-verktøy, som virtuelle assistenter, chatbåter og søkemotorer.

Verden over estimeres datacenter å forbruke mer enn 560 milliarder liter vann årlig, primært for kjøling. Dette tallet forventes å øke skarpt innen 2030. En betydelig årsak er den økende etterspørselen etter AI-drevne tjenester. I tillegg til direkte bruk, forårsaker AI også indirekte vannforbruk. Dette skjer under elektrisitetsproduksjon, særlig i regioner som er avhengige av kull eller kjernekraft. Disse energikildene krever betydelige mengder vann for deres operasjoner.

Denne økende etterspørselen etter vann understreker en alvorlig bekymring. Det er nå en urgent behov for bedre kjølingssystemer, bærekraftig infrastruktur og gjennomsiktig rapportering om vannforbruk. Uten handling kan den fortsatte spredningen av AI kunne legge enda mer press på ferskvannsforsyningene. Dette er særlig risikabelt for steder som allerede erfaringer tørke eller klimarelaterte stress.

Infrastruktur og kjølingsteknologier

AI-modeller opererer på høytytende chip som er installert i skydatacenter. Disse sentrene krever spesialiserte kjølingssystemer for å håndtere varmen som produseres av kontinuerlig beregning. Den mest brukte metoden er fordampningskjøling, hvor vann sprutes inn i luften eller over overflater for å absorbere varme. En betydelig del av dette vannet fordampes og kan ikke gjenbrukes, noe som resulterer i høye vannutakssatser.

For å løse dette problemet, har noen datacenter startet å bruke alternative kjølingmetoder som væskeimmersionskjøling og direkte-til-chip-kjøling. Disse teknikkene bruker termisk ledende væsker eller lukkede kjølesystemer for å fjerne varme fra prosessorer. Selv om de er mer effektive, involverer de likevel indirekte vannforbruk. Dette skjer under systemoppsett eller gjennom elektrisitetsgenerering, særlig i regioner hvor kraft produseres fra kull eller kjernekraft, som begge krever store mengder vann for dampproduksjon og kjøling.

Kjølestrategier varierer også avhengig av klima og plassering. I områder som erfaringer vannmangel, har datacenteroperatører begynt å gå bort fra fordampningskjøling og i stedet bruke luftbaserte eller lukkede systemer for å redusere vannforbruk. Likevel krever disse alternativene ofte mer energi, noe som skaper en avveining mellom vannbesparelse og karbonutslipp.

Hver komponent av AI-infrastruktur, fra chip-nivå varmeavledning til fullstendig kjøling og elektrisitetsgenerering, bidrar til det totale vannavtrykket. Den økende etterspørselen etter AI nødvendiggjør forbedringer av kjøle- og kraftsystemer. Uten bedre effektivitet vil presset på vannressursene fortsatt øke.

Geografiske og miljømessige påvirkninger på datacenters vannforbruk

Vannforbruket i datacenter er sterkt påvirket av deres geografiske plassering og lokale miljøforhold. I områder med høye temperaturer, som Arizona eller Texas, må kjølingssystemene jobbe harder for å holde servere på en stabil driftstemperatur. Dette fører til økt bruk av fordampningskjøling, hvor vann går tapt som damp og ikke kan gjenbrukes. Som følge av dette forbruker disse sentrene betydelig mer vann enn de i kjøligere regioner, som Skandinavia. Fuktighet spiller også en viktig rolle. I tørre klima er fordampning mer effektiv, noe som forbedrer kjøleprestasjonen, men også øker vannforbruket.

Vannkilden og tilgjengeligheten er også kritisk. Datacenter i vannfattige regioner er ofte avhengige av kommunale vannforsyninger, som allerede kan være under stress. Dette kan føre til konkurranse med lokale behov, som tilgang til drikkevann eller landbruksressurser. Et velkjent eksempel er Googles datacenter i The Dalles, Oregon. Anleggets vannforbruk vakte offentlig bekymring, særlig siden området erfaringer tørkeforhold på det tidspunktet.

I tillegg kan treningen av store AI-modeller føre til plutselige økninger i vannetterspørsel. Disse økningene kan ikke vare lenge, men de kan likevel påvirke lokale vannsystemer. Uten ordentlig planlegging og prognostisering kan dette føre til en midlertidig ubalanse i vannforsyningen, inkludert lavere elvevannivåer eller overutnyttelse av grunnvann. Slike endringer kan skade lokale økosystemer og redusere biodiversitet.

For å møte disse utfordringene, må AI-relatert infrastrukturplanlegging ta hensyn til spesifikke lokale faktorer som temperatur, vannforsyning og lovmessige begrensninger på bruk. Bærekraftig utvikling krever tydelige politikker og en forsiktig balanse mellom teknologisk vekst og miljøbeskyttelse. Dette inkluderer samarbeid med lokale samfunn, forståelse av regionale vannrettigheter og valg av egnet kjølingssystemer som utnytter vann ansvarlig.

Bedriftsforpliktninger og gjennomsiktighetsgap

Store AI-selskaper blir stadig mer bevisst på sin miljøpåvirkning og har lovet å forbedre sine vannhåndteringsteknikker. Google (GOOGL ), Microsoft (MSFT ) og Meta har hver announcert planer om å bli vann-positiv innen 2030. Dette betyr at de har som mål å gjenopprette mer vann enn de forbruker over sine globale operasjoner. Deres innsats inkluderer vassdragsgjenoppretting, regnvannssamling, gråvannsgjenvinning og støtte til lokale bevaringsprosjekter.

Google planlegger å gjenopprette 120% av vannet det forbruker. Det publiserer årlige bærekraftsrapporter som inkluderer både forbruk og gjenopprettingsdata. Microsoft har adoptert adiabatisk kjølingssystemer, som reduserer fordampning og kan kutte vannforbruk med opptil 90% sammenlignet med tradisjonelle kjøletårn. Meta har lovet å gjenopprette 200% av vannet som brukes i høy-stressområder og 100% av vannet som brukes i medium-stressområder, med fokus på områder hvor vannmangel er mest alvorlig. Noen datacenter har også startet å bruke på-sted-gjenbrukssystemer eller regnvannssamling for å supplere sin vannforsyning.

Disse forpliktelsene er relevante fordi treningen og utrullingen av LLM-modeller krever kraftfulle datacenter. Disse operasjonene forbruker store mengder elektrisitet og genererer betydelig varme, noe som øker etterspørselen etter vannintensive kjølingssystemer. Ettersom AI-tjenestene utvides globalt, særlig de som involverer LLM-modeller, øker deres miljøpåvirkning også. Ansvarlig vannhåndtering blir en kritisk del av bærekraftig AI-utvikling.

Redusering av AI sitt vannavtrykk: Enkle skritt og kollektiv handling

Redusere AI sitt vannavtrykk krever en kombinasjon av effektiv teknologi, omtenksom planlegging og delt ansvar. På den tekniske siden er det viktig å designe mindre og mer effektive AI-modeller. Metoder som modelltrimming, kvantisering og destillasjon hjelper til å redusere modellstørrelsen og beregningsbelastningen. Dette reduserer energiforbruket og senker vannmengden som kreves for kjøling under både trening og bruk.

Valg av riktig tid for trening er også viktig. Kjøring av intense arbeidsbyrder under kjøligere perioder kan redusere vannforbruket som følge av fordampning. Plasseringen av datacenter spiller også en rolle. Bygging av fasiliteter i områder med bærekraftige vannressurser eller nær fornybare energikilder, som vind og sol, kan redusere det indirekte vannforbruket som er forbundet med termisk kraftproduksjon. Fremgang i AI-algoritmer, som bruk av sparse oppmerksomhet eller mer effektive modell-design, samt forbedret maskinvare, hjelper til å redusere den totale miljøpåvirkningen.

Møting av AI sitt vannavtrykk krever en kollektiv innsats som går utover teknologiselskaper. Regjeringer spiller en nøkkelrolle i å etablere regler som krever gjennomsiktig rapportering om vannforbruk og fremmer konsistente vurderingsstandarder. De kan også gjøre bærekraftig vannkilde en betingelse for å godkjenne nye datacenter. Miljøgrupper støtter denne innsatsen ved å overvåke krav, fremme sterkere politikker og holde industrien ansvarlig. Lokale myndigheter bør gjennomgå infrastrukturplaner med vannressurser i mente, særlig i områder som allerede erfaringer stress.

Enkelte brukere former også retningen av AI. Ved å velge plattformer som rapporterer miljødata og forplikter seg til bærekraft, sender de en tydelig melding om hva som betyr noe. Utviklere og forskere må vurdere vannforbruk når de vurderer AI-systemer. Samtidig kan universiteter og forskningssentra skape verktøy for å måle og redusere vannforbruk mer nøyaktig.

For å gjøre virkelig fremgang, må vi også fokusere på bevissthet og informerte valg. Mange mennesker er ikke klar over at selv enkle AI-spørringer medfører skjulte miljøkostnader. Når dette blir allment kjent, oppmuntrer det brukerne til å kreve bedre praksis og motiverer selskaper til å handle ansvarlig. Samtidig fortsetter den raske utviklingen av store AI-modeller å øke presset på allerede begrensede ferskvannsressurser. Dette gjør det essensielt å behandle vannforbruk som en nøkkelkomponent i AI sitt totale miljøpåvirkning. Å oppnå meningsfull endring vil kreve en kollektiv innsats fra politikere, utviklere, selskaper og sluttbrukere. Hvis vi gjør vannhåndtering til en integrert del av hvordan AI utvikles og utrulles, kan vi beskytte livsviktige ressurser samtidig som vi nyter godt av intelligente systemer.

Bunnpunktet

Redusere AI sitt vannavtrykk er ikke lenger et sekundært spørsmål. Det er en kritisk komponent i utviklingen av bærekraftige teknologier. Trening og kjøring av store modeller tar hardt på ferskvannsressursene, særlig i regioner som allerede erfaringer klimastress.

For å møte dette, trenger vi smartere modeller, bedre maskinvare og ansvarlig datacenterplanlegging. Men virkelig fremgang avhenger av mer enn bare teknologi. Regjeringer, selskaper, forskere og brukere spiller alle en rolle. Tydelige politikker, gjennomsiktig rapportering og offentlig bevissthet kan hjelpe til å drive bedre beslutninger. Ved å inkorporere vannpåvirkning i vår initialtenkning om AI, kan vi forhindre langtids skade på livsviktige ressurser.