Водный след ИИ: экологическая стоимость крупномасштабных языковых моделей

Искусственный интеллект (ИИ) расширяется быстро во всех отраслях, поддерживаемый крупномасштабными языковыми моделями (LLM), такими как GPT-4, Claude и Gemini. Эти модели требуют обширной вычислительной мощности, как во время обучения, так и во время регулярного использования. Растущая зависимость от таких систем вызвала значительные опасения по поводу их воздействия на окружающую среду.

Много внимания было уделено потреблению энергии ИИ и выбросам углекислого газа. Однако обсуждение часто упускает из виду его потребление воды. Большое количество воды используется для охлаждения центров обработки данных. Вода также потребляется косвенно при производстве электроэнергии и вычислительного оборудования.

Растущий глобальный спрос на услуги ИИ увеличивает давление на уже ограниченные ресурсы пресной воды. Эта тенденция представляет собой проблемы устойчивости, особенно в районах, испытывающих водный стресс и климатические риски. Ясное понимание водного следа ИИ необходимо. Оно поддерживает обоснованные решения для ответственного развития и долгосрочного экологического планирования.

Как модели ИИ потребляют воду

Запуск крупномасштабных систем ИИ требует непрерывных вычислений в центрах обработки данных, которые обрабатывают миллиарды операций. Этот процесс генерирует значительное количество тепла. Чтобы предотвратить отказ оборудования и поддерживать оптимальную производительность, тепло должно быть эффективно удалено. Большинство центров обработки данных используют системы охлаждения с испарением для этой цели. Эти системы сильно зависят от пресной воды. Большая часть воды испаряется во время охлаждения и не может быть повторно использована. В результате этот процесс приводит к высоким уровням извлечения и потребления воды.

Исследователи недавно начали измерять водное воздействие обучения ИИ. Исследование 2023 года командами UC Riverside и UT Arlington оценило, что обучение одной крупной модели потребовало более 700 000 литров чистой воды. Это примерно равно количеству воды, необходимому для производства 370 автомобилей BMW. Это показывает, сколько воды используется на ранних этапах разработки передовых ИИ.

Потребление воды продолжается даже после завершения обучения. Инференция, процесс ответа на запросы пользователей, также работает на мощных вычислительных системах. Эти системы работают круглосуточно в многих разных частях мира. Каждый отдельный запрос пользователя добавляет к вычислительной нагрузке. Он также увеличивает требования к охлаждению. Общее количество воды, используемой для инференции, продолжает расти из-за широкого внедрения инструментов ИИ, таких как виртуальные помощники, чат-боты и поисковые системы.

Во всем мире центры обработки данных, как ожидается, потребляют более 560 миллиардов литров воды в год, в основном для охлаждения. Это число ожидается резко увеличится к 2030 году. Значительной причиной является растущий спрос на услуги, основанные на ИИ. Помимо прямого использования, ИИ также вызывает косвенное потребление воды. Это происходит во время производства электроэнергии, особенно в регионах, которые полагаются на уголь или ядерную энергию. Эти источники энергии требуют значительных количеств воды для своих операций.

Это растущее потребление воды подчеркивает серьезную проблему. Теперь есть срочная необходимость в лучших системах охлаждения, устойчивой инфраструктуре и прозрачном отчете о потреблении воды. Без действий продолжающееся распространение ИИ может оказать еще большее давление на ресурсы пресной воды. Это особенно рискованно для мест, которые уже испытывают засуху или климатический стресс.

Инфраструктура и технологии охлаждения

Модели ИИ работают на высокопроизводительных чипах, установленных в облачных центрах обработки данных. Эти центры требуют специализированных систем охлаждения для управления теплом, генерируемым непрерывными вычислениями. Наиболее широко используемый метод – это охлаждение с испарением, при котором вода распыляется в воздух или на поверхности для поглощения тепла. Значительная часть этой воды испаряется и не может быть повторно использована, что приводит к высоким скоростям извлечения воды.

Чтобы решить эту проблему, некоторые центры обработки данных принимают альтернативные методы охлаждения, такие как охлаждение с погружением в жидкость и прямое охлаждение чипов. Эти методы используют теплопроводные жидкости или замкнутые системы охлаждения для удаления тепла из процессоров. Хотя они более эффективны, они все равно предполагают косвенное потребление воды. Это происходит во время настройки системы или через генерацию электроэнергии, особенно в регионах, где электроэнергия производится из угля или ядерных источников, которые требуют больших количеств воды для производства пара и охлаждения.

Стратегии охлаждения также варьируются в зависимости от климата и местоположения. В районах, испытывающих нехватку воды, операторы центров обработки данных отходят от охлаждения с испарением и вместо этого используют воздушные или замкнутые системы для уменьшения потребления воды. Однако эти альтернативы часто требуют больше энергии, что создает компромисс между экономией воды и выбросами углекислого газа.

Каждый компонент инфраструктуры ИИ, от удаления тепла на уровне чипа до полного охлаждения центра обработки данных и генерации электроэнергии, добавляет к общему водному следу. Растущий спрос на ИИ требует улучшений систем охлаждения и энергоснабжения. Без лучшей эффективности давление на водные ресурсы будет продолжать расти.

Географические и экологические факторы, влияющие на потребление воды центрами обработки данных

Потребление воды центрами обработки данных сильно зависит от их географического местоположения и местных экологических условий. В районах с высокими температурами, таких как Аризона или Техас, системы охлаждения должны работать усерднее, чтобы поддерживать стабильную температуру работы серверов. Это приводит к увеличению использования методов охлаждения с испарением, при которых вода теряется в виде пара и не может быть повторно использована. В результате эти центры потребляют значительно больше воды, чем те, что находятся в более прохладных регионах, таких как Скандинавия. Влажность также играет важную роль. В сухом климате испарение более эффективно, что улучшает производительность охлаждения, но также увеличивает потребление воды.

Источник и доступность воды также имеют решающее значение. Центры обработки данных в районах, испытывающих нехватку воды, часто полагаются на муниципальные водоснабжения, которые могут уже быть под давлением. Это может привести к конкуренции с местными потребностями, такими как доступ к питьевой воде или сельскохозяйственным ресурсам. Известным примером является центр обработки данных Google в Даллесе, штат Орегон. Потребление воды этим объектом вызвало общественную обеспокоенность, особенно поскольку этот район испытывал засуху в то время.

Кроме того, обучение крупных моделей ИИ может привести к внезапным скачкам в потреблении воды. Эти скачки могут быть кратковременными, но они все равно могут повлиять на местные системы водоснабжения. Без надлежащего планирования и прогнозирования это может привести к временной дисбалансировке в водоснабжении, включая более низкие уровни рек или чрезмерное извлечение грунтовых вод. Такие изменения могут нанести вред местным экосистемам и уменьшить биоразнообразие.

Чтобы решить эти проблемы, планирование инфраструктуры ИИ должно учитывать конкретные местные факторы, такие как температура, водоснабжение и юридические ограничения на использование. Устойчивая эксплуатация требует ясных политик и тщательного баланса между технологическим ростом и экологической защитой. Это включает в себя сотрудничество с местными сообществами, понимание региональных прав на воду и выбор подходящих систем охлаждения, которые используют воду ответственно.

Корпоративные обязательства и пробелы прозрачности

Крупные компании ИИ все больше осознают свое воздействие на окружающую среду и обязались улучшить свои практики управления водой. Google, Microsoft и Meta каждый объявили о планах стать водоположительными к 2030 году. Это означает, что они стремятся восстановить больше воды, чем потребляют во всех своих глобальных операциях. Их усилия включают восстановление водосборов, сбор дождевой воды, переработку серой воды и поддержку местных проектов по сохранению.

Google планирует пополнить 120% воды, которую он потребляет. Он публикует ежегодные отчеты о устойчивости, которые включают как использование, так и восстановление воды. Microsoft принял адиабатические системы охлаждения, которые уменьшают испарение и могут сократить потребление воды на 90% по сравнению с традиционными башнями охлаждения. Meta обязалась восстановить 200% воды, используемой в районах с высоким стрессом, и 100% воды, используемой в зонах среднего стресса, сосредоточив свои усилия на районах, где нехватка воды наиболее выражена. Некоторые центры обработки данных также начали использовать системы повторного использования на месте или сбор дождевой воды для дополнения своего водоснабжения.

Эти обязательства имеют значение, потому что обучение и развертывание LLM требуют мощных центров обработки данных. Эти операции потребляют большое количество электроэнергии и генерируют значительное количество тепла, что увеличивает спрос на водоемкие системы охлаждения. По мере расширения услуг ИИ по всему миру, особенно тех, которые включают LLM, их экологический след также растет. Ответственное использование воды становится важной частью устойчивого развития ИИ.

Снижение водного следа ИИ: простые шаги и коллективные действия

Снижение водного следа ИИ требует сочетания эффективных технологий, вдумчивого планирования и совместной ответственности. С технической стороны проектирование более мелких и эффективных моделей ИИ является важным шагом. Методы, такие как обрезка моделей, квантование и дистилляция помогают уменьшить размер модели и вычислительную нагрузку. Это уменьшает потребление энергии и снижает количество воды, необходимой для охлаждения во время обучения и использования.

Выбор правильного времени для обучения также имеет значение. Запуск интенсивных рабочих нагрузок в более прохладные периоды может уменьшить количество воды, потерянной через испарение. Местоположение центров обработки данных также играет роль. Строительство объектов в районах с устойчивыми водными ресурсами или вблизи возобновляемых источников энергии, таких как ветер и солнце, может уменьшить косвенное потребление воды, связанное с тепловой энергией. Улучшения в алгоритмах ИИ, такие как использование разреженного внимания или более эффективных конструкций моделей, а также улучшение аппаратного обеспечения помогают уменьшить общее воздействие на окружающую среду.

Решение проблемы водного следа ИИ требует коллективных усилий, выходящих за рамки технологических компаний. Правительства играют ключевую роль в установлении правил, которые требуют прозрачности в отчетах о потреблении воды и содействуют единым стандартам оценки. Они также могут сделать устойчивое водоснабжение условием для утверждения новых центров обработки данных. Экологические группы поддерживают эти усилия, контролируя заявления, продвигая более строгие политики и держа отрасль подотчетной. Местные власти должны рассматривать планы инфраструктуры с учетом водных ресурсов, особенно в районах, уже испытывающих стресс.

Индивидуальные пользователи также формируют направление развития ИИ. Выбирая платформы, которые сообщают об экологических данных и обязуются следовать принципам устойчивости, они отправляют ясный сигнал о том, что важно. Разработчики и исследователи должны учитывать потребление воды при оценке систем ИИ. В то же время университеты и исследовательские центры могут создавать инструменты для измерения и уменьшения потребления воды более точно.

Чтобы добиться реального прогресса, мы также должны сосредоточиться на осведомленности и обоснованных выборах. Многие люди не знают, что даже простые запросы ИИ несут скрытые экологические издержки. Когда это становится широко известно, это побуждает пользователей требовать лучших практик и мотивирует компании действовать ответственно. В то же время быстрое расширение крупных моделей ИИ продолжает увеличивать давление на уже ограниченные ресурсы пресной воды. Это делает необходимым рассматривать потребление воды как ключевую часть общего воздействия ИИ на окружающую среду. Достижение значимых изменений потребует коллективных усилий со стороны политиков, разработчиков, компаний и конечных пользователей. Если мы сделаем водное хозяйство неотъемлемой частью того, как проектируется и развертывается ИИ, мы сможем защитить жизненно важные ресурсы, сохраняя при этом преимущества интеллектуальных систем.

Итог

Снижение водного следа ИИ больше не является второстепенной проблемой. Это важнейший компонент устойчивых технологий. Обучение и запуск крупных моделей оказывают негативное воздействие на ресурсы пресной воды, особенно в регионах, уже испытывающих климатический стресс.

Чтобы решить эту проблему, нам нужны более умные модели, лучшее оборудование и ответственное планирование центров обработки данных. Но реальный прогресс зависит не только от технологий. Правительства, компании, исследователи и пользователи все играют свою роль. Ясные политики, прозрачные отчеты и общественная осведомленность могут помочь принимать лучшие решения. Включая водное воздействие в наши первоначальные размышления об ИИ, мы можем предотвратить долгосрочный вред жизненно важным ресурсам.