Ślad wodny AI: koszt zrównoważoności dużych modeli językowych

Sztuczna inteligencja (AI) rozwija się dynamicznie w różnych branżach, wspierana przez duże modele językowe (LLM) takie jak GPT-4, Claude i Gemini. Te modele wymagają ogromnej mocy obliczeniowej, zarówno podczas szkolenia, jak i podczas regularnego użytkowania. Rosnąca zależność od takich systemów wywołała znaczne obawy dotyczące ich wpływu na środowisko.

Większość uwagi poświęcono zużyciu energii przez AI i emisjom dwutlenku węgla. Jednak często pomija się zużycie wody. Duże ilości wody są wykorzystywane do chłodzenia centrów danych. Woda jest również zużywana pośrednio w produkcji energii i sprzętu komputerowego.

Rosnący globalny popyt na usługi AI zwiększa presję na już ograniczone zasoby słodkiej wody. Tendencja ta stwarza wyzwania związane z zrównoważonością, zwłaszcza w regionach doświadczających stresu wodnego i ryzyka związanego z klimatem. Potrzebne jest jasne zrozumienie śladu wodnego AI. Wspiera to podejmowanie świadomych decyzji dotyczących odpowiedzialnego rozwoju i długoterminowego planowania środowiskowego.

Jak modele AI zużywają wodę

Uruchamianie dużych systemów AI wymaga nieprzerwanych obliczeń w centrach danych, które obsługują miliardy operacji. Proces ten generuje znaczną ilość ciepła. Aby zapobiec awariom sprzętu i utrzymać optymalną wydajność, ciepło musi być skutecznie usuwane. Większość centrów danych wykorzystuje systemy chłodzenia parowego do tego celu. Te systemy opierają się silnie na słodkiej wodzie. Duża część wody paruje podczas chłodzenia i nie może być ponownie wykorzystana. W efekcie proces ten prowadzi do wysokich poziomów poboru i zużycia wody.

Badacze rozpoczęli niedawno pomiar wpływu szkolenia AI na wodę. Badanie z 2023 r. przeprowadzone przez zespoły z UC Riverside i UT Arlington oszacowało, że szkolenie jednego dużego modelu zużyło ponad 700 000 litrów czystej wody. To jest tyle, ile potrzeba do wyprodukowania 370 samochodów BMW. Pokazuje to, ile wody jest zużywanej podczas wczesnych etapów rozwoju zaawansowanej AI.

Zużycie wody trwa również po zakończeniu szkolenia. Inferencja, proces odpowiedzi na żądania użytkowników, również działa na potężnych systemach komputerowych. Te systemy działają przez całą dobę w wielu różnych częściach świata. Każde pojedyncze żądanie użytkownika dodaje do obciążenia obliczeniowego. Zwiększa również zapotrzebowanie na chłodzenie. Całkowita ilość wody zużywanej do inferencji nadal rośnie z powodu powszechnego stosowania narzędzi AI, takich jak asystenci wirtualni, czatboty i wyszukiwarki.

Na całym świecie centra danych są szacowane jako zużywające ponad 560 miliardów litrów wody rocznie, głównie do chłodzenia. Liczba ta ma wzrosnąć znacznie do 2030 r. Jednym z powodów jest rosnący popyt na usługi oparte na AI. Oprócz bezpośredniego zużycia AI powoduje również pośrednie zużycie wody. Zjawisko to występuje podczas produkcji energii elektrycznej, zwłaszcza w regionach, które polegają na węglu lub energii jądrowej. Te źródła energii wymagają znacznych ilości wody do swoich operacji.

Rosnący popyt na wodę podkreśla poważne obawy. Istnieje teraz pilna potrzeba lepszych systemów chłodzenia, zrównoważonej infrastruktury i przejrzystego raportowania zużycia wody. Bez działań dalszy rozwój AI może wywierać jeszcze większą presję na zasoby słodkiej wody. Jest to szczególnie ryzykowne w miejscach, które już doświadczają suszy lub stresu związanego z klimatem.

Infrastruktura i technologie chłodzenia

Modele AI działają na wysokowydajnych układach scalonych zainstalowanych w chmurowych centrach danych. Te centra wymagają specjalistycznych systemów chłodzenia, aby zarządzać ciepłem wytwarzanym przez ciągłe obliczenia. Najczęściej stosowaną metodą jest chłodzenie parowe, w którym woda jest rozpylana w powietrzu lub na powierzchniach, aby pochłonąć ciepło. Znaczna część tej wody paruje i nie może być ponownie wykorzystana, co skutkuje wysokimi wskaźnikami poboru wody.

Aby rozwiązać ten problem, niektóre centra danych przyjmują alternatywne metody chłodzenia, takie jak chłodzenie przez zanurzenie w cieczy i chłodzenie bezpośrednio do układu. Te techniki wykorzystują ciecze przewodzące ciepło lub zamknięte systemy chłodzące, aby usunąć ciepło z procesorów. Chociaż są one bardziej efektywne, nadal wiążą się z pośrednim zużyciem wody. Zjawisko to występuje podczas konfiguracji systemu lub poprzez generowanie energii, zwłaszcza w regionach, gdzie energia jest wytwarzana z węgla lub źródeł jądrowych, które wymagają dużej ilości wody do produkcji pary i chłodzenia.

Strategie chłodzenia różnią się w zależności od klimatu i lokalizacji. W obszarach, w których występuje niedobór wody, operatorzy centrów danych przechodzą od chłodzenia parowego do systemów opartych na powietrzu lub zamkniętych pętlach, aby zmniejszyć zużycie wody. Alternatywy te często wymagają jednak więcej energii, tworząc kompromis między oszczędnością wody a emisjami dwutlenku węgla.

Każdy komponent infrastruktury AI, od usuwania ciepła na poziomie układu scalonego po pełne systemy chłodzenia i generowania energii, dodaje do ogólnego śladu wodnego. Rosnący popyt na AI wymaga ulepszeń systemów chłodzenia i zasilania. Bez lepszej efektywności presja na zasoby wodne będzie nadal rosła.

Geograficzne i środowiskowe wpływy na zużycie wody w centrach danych

Zużycie wody przez centra danych jest silnie uzależnione od ich położenia geograficznego i warunków środowiskowych. W obszarach o wysokich temperaturach, takich jak Arizona lub Teksas, systemy chłodzenia muszą pracować ciężej, aby utrzymać serwery w stabilnej temperaturze roboczej. Prowadzi to do zwiększonego wykorzystania metod chłodzenia parowego, gdzie woda tracona jest jako para i nie może być ponownie wykorzystana. W efekcie te centra zużywają znacznie więcej wody niż te w chłodniejszych regionach, takich jak Skandynawia. Wilgotność odgrywa również ważną rolę. W suchym klimacie parowanie jest bardziej efektywne, co poprawia wydajność chłodzenia, ale również zwiększa zużycie wody.

Źródło i dostępność wody są również kluczowe. Centra danych w regionach z ograniczonymi zasobami wodnymi często zależą od miejskich zaopatrzenia w wodę, które może już być napięte. Może to prowadzić do konfliktu z lokalnymi potrzebami, takimi jak dostęp do wody pitnej lub zasobów rolniczych. Znanym przykładem jest centrum danych Google w The Dalles, Oregon. Zużycie wody przez tę placówkę wywołało publiczne zaniepokojenie, zwłaszcza że obszar ten doświadczał warunków suszy w tym czasie.

Ponadto szkolenie dużych modeli AI może prowadzić do nagłych skoków w popycie na wodę. Skoki te mogą nie trwać długo, ale mogą nadal wpływać na lokalne systemy wodne. Bez odpowiedniego planowania i prognozowania może to skutkować tymczasową nierównowagą w zaopatrzeniu w wodę, w tym obniżonym poziomem rzek lub nadmiernym poborem wody gruntowej. Takie zmiany mogą szkodzić lokalnym ekosystemom i zmniejszać różnorodność biologiczną.

Aby rozwiązać te wyzwania, planowanie infrastruktury związanej z AI musi uwzględniać specyficzne lokalne czynniki, takie jak temperatura, zaopatrzenie w wodę i limity prawne dotyczące zużycia. Wdrożenie zrównoważone wymaga jasnych polityk i starannej równowagi między rozwojem technologicznym a ochroną środowiska. Obejmuje to współpracę z lokalnymi społecznościami, zrozumienie regionalnych praw wodnych i wybór odpowiednich systemów chłodzenia, które wykorzystują wodę w sposób odpowiedzialny.

Zobowiązania korporacyjne i luki w przejrzystości

Duże firmy AI są coraz bardziej świadome swojego wpływu na środowisko i zobowiązały się do poprawy praktyk zarządzania wodą. Google, Microsoft i Meta każda ogłosiły plany, aby stać się pozytywnymi dla wody do 2030 r. Oznacza to, że zamierzają odzyskać więcej wody, niż ją zużywają, we wszystkich swoich działaniach na całym świecie. Ich wysiłki obejmują odtworzenie zlewni, zbieranie deszczówki, recykling szarej wody i wsparcie lokalnych projektów konserwatorskich.

Google planuje uzupełnić 120% wody, którą zużywa. Publikuje coroczne raporty zrównoważoności, które obejmują zarówno dane o zużyciu, jak i odzysku wody. Microsoft przyjął systemy chłodzenia adiabatycznego, które redukują parowanie i mogą obniżyć zużycie wody o 90% w porównaniu z tradycyjnymi wieżami chłodniczymi. Meta zobowiązała się do odzyskania 200% wody zużywanej w obszarach o wysokim stresie wodnym i 100% wody zużywanej w obszarach o średnim stresie, koncentrując swoje wysiłki tam, gdzie niedobór wody jest najbardziej dotkliwy. Niektóre centra danych zaczęły również wykorzystywać systemy ponownego użycia na miejscu lub zbieranie deszczówki, aby uzupełnić swoje zaopatrzenie w wodę.

Te zobowiązania są istotne, ponieważ szkolenie i wdrożenie LLM wymagają potężnych centrów danych. Te operacje zużywają duże ilości energii i generują znaczne ilości ciepła, zwiększając zapotrzebowanie na wodochłonne systemy chłodzenia. Wraz z globalnym rozwojem usług AI, zwłaszcza tych związanych z LLM, ich ślad środowiskowy również rośnie. Odpowiedzialne zużycie wody staje się kluczową częścią zrównoważonego rozwoju AI.

Obniżanie śladu wodnego AI: proste kroki i wspólne działanie

Redukcja śladu wodnego AI wymaga połączenia efektywnej technologii, przemyślanego planowania i wspólnej odpowiedzialności. Po stronie technicznej projektowanie mniejszych i bardziej efektywnych modeli AI jest istotnym krokiem. Metody takie jak cięcie modelu, kwantyzacja i destylacja pomagają zmniejszyć rozmiar modelu i obciążenie obliczeniowe. Zmniejsza to zużycie energii i obniża ilość wody wymaganej do chłodzenia podczas szkolenia i użytkowania.

Wybór odpowiedniego czasu szkolenia również ma znaczenie. Uruchamianie obciążeń intensywnych podczas chłodniejszych okresów może zmniejszyć ilość wody traconej przez parowanie. Lokalizacja centrów danych odgrywa również rolę. Budowanie obiektów w obszarach z zrównoważonymi zasobami wodnymi lub w pobliżu źródeł energii odnawialnej, takich jak wiatr i słońce, może zmniejszyć pośrednie zużycie wody związane z generacją energii cieplnej. Postępy w algorytmach AI, takich jak wykorzystanie uwagi rzadkiej lub bardziej efektywnych projektów modeli wraz z udoskonalonym sprzętem, pomagają zmniejszyć ogólny wpływ na środowisko.

Rozwiązanie problemu śladu wodnego AI wymaga wspólnych wysiłków, które wykraczają poza firmy technologiczne. Rządy odgrywają kluczową rolę w ustanawianiu przepisów, które wymagają przejrzystego raportowania zużycia wody i promują spójne standardy oceny. Mogą one również uczynić zrównoważone zaopatrzenie w wodę warunkiem zatwierdzenia nowych centrów danych. Grupy ekologiczne wspierają te wysiłki, monitorując twierdzenia, promując silniejsze polityki i utrzymując branżę odpowiedzialną. Władze lokalne powinny przeglądać plany infrastrukturalne z uwzględnieniem zasobów wodnych, zwłaszcza w obszarach już doświadczających stresu.

Indywidualni użytkownicy również kształtują kierunek rozwoju AI. Wybierając platformy, które raportują dane środowiskowe i zobowiązują się do zrównoważoności, wysyłają wyraźny sygnał o tym, co jest istotne. Deweloperzy i badacze muszą uwzględniać zużycie wody przy ocenie systemów AI. Jednocześnie uniwersytety i ośrodki badawcze mogą tworzyć narzędzia do pomiaru i redukcji zużycia wody w sposób bardziej precyzyjny.

Aby osiągnąć prawdziwy postęp, musimy również skoncentrować się na świadomości i poinformowanych wyborach. Wiele osób nie jest świadomych, że nawet proste zapytania AI powodują ukryte koszty środowiskowe. Gdy staje się to powszechnie znane, zachęca użytkowników do żądania lepszych praktyk i motywuje firmy do odpowiedzialnych działań. Jednocześnie szybki rozwój dużych modeli AI nadal zwiększa presję na już ograniczone zasoby słodkiej wody. To sprawia, że jest niezwykle ważne, aby traktować zużycie wody jako kluczową część ogólnego wpływu AI na środowisko. Osiągnięcie znaczących zmian wymaga wspólnych wysiłków ze strony decydentów, deweloperów, firm i użytkowników końcowych. Jeśli uczynimy gospodarowanie wodą integralną częścią projektowania i wdrażania AI, możemy chronić zasoby witalne, korzystając jednocześnie z korzyści inteligentnych systemów.

Podsumowanie

Obniżanie śladu wodnego AI nie jest już kwestią drugorzędną. Jest to kluczowy komponent w rozwoju zrównoważonych technologii. Szkolenie i uruchamianie dużych modeli ma wpływ na zasoby słodkiej wody, zwłaszcza w regionach już doświadczających stresu klimatycznego.

Aby rozwiązać ten problem, potrzebujemy inteligentniejszych modeli, lepszego sprzętu i odpowiedzialnego planowania centrów danych. Ale prawdziwy postęp zależy od więcej niż tylko technologii. Rządy, firmy, badacze i użytkownicy wszystkie odgrywają rolę. Jasne polityki, przejrzyste raportowanie i świadomość publiczna mogą pomóc w podejmowaniu lepszych decyzji. Włączając wpływ wody do naszego myślenia o AI, możemy zapobiec długoterminowemu szkodzeniu zasobom witalnym.