AI:s vattenavtryck: den miljömässiga kostnaden för stora språkmodeller

Artificiell intelligens (AI) utvecklas snabbt över olika branscher, med stöd av stora språkmodeller (LLM) som GPT-4, Claude och Gemini. Dessa modeller kräver omfattande beräkningskraft, både under utbildning och vid regelbunden användning. Den ökande tilliten till sådana system har väckt betydande oro över deras miljöpåverkan.

Mycket uppmärksamhet har riktats mot AI:s energiförbrukning och koldioxidutsläpp. Men diskussionen förbiser ofta dess vattenanvändning. Stora mängder vatten används för att kyla datacenter. Vatten förbrukas också indirekt vid produktion av elkraft och datormaskinvara.

Den ökande globala efterfrågan på AI-tjänster ökar trycket på redan begränsade färskvattenresurser. Denna trend medför miljöutmaningar, särskilt i områden som upplever vattenstress och klimatrelaterade risker. En tydlig förståelse av AI:s vattenavtryck är nödvändig. Det stöder informerade beslut för ansvarsfull utveckling och långsiktig miljöplanering.

Hur AI-modeller förbrukar vatten

Att köra storskaliga AI-system kräver kontinuerlig beräkning i datacenter som hanterar miljarder operationer. Denna process genererar en betydande mängd värme. För att förhindra maskinhaveri och upprätthålla optimal prestanda måste värmen avlägsnas effektivt. De flesta datacenter använder evaporativa kylsystem för detta ändamål. Dessa system är beroende av färskvatten. En stor del av vattnet avdunstar under kylningen och kan inte återanvändas. Som ett resultat leder processen till höga nivåer av vattenuttag och förbrukning.

Forskare har nyligen börjat mäta vattenpåverkan av AI-utbildning. En studie från 2023 av team vid UC Riverside och UT Arlington uppskattade att utbildning av en enda stor modell förbrukade mer än 700 000 liter rent vatten. Det är ungefär den mängd som behövs för att producera 370 BMW-bilar. Detta visar hur mycket vatten som används under de tidiga utvecklingsstadierna av avancerad AI.

Vattenanvändning fortsätter även efter att utbildningen är slutförd. Inference, processen att svara på användarbegäran, körs också på robusta datorsystem. Dessa system opererar dygnet runt i många olika delar av världen. Varje enskild användarbegäran lägger till beräkningsarbetsbelastningen. Det ökar också kylkraven. Den totala mängden vatten som används för inference fortsätter att växa på grund av den allmänna tillgängligheten av AI-verktyg, såsom virtuella assistenter, chatbotar och sökmotorer.

Världen över beräknas datacenter förbruka mer än 560 miljarder liter vatten årligen, främst för kylning. Denna siffra förväntas öka kraftigt till 2030. En betydande anledning är den ökande efterfrågan på AI-drivna tjänster. Utöver direkt användning orsakar AI också indirekt vattenanvändning. Detta sker under elproduktion, särskilt i regioner som förlitar sig på kol eller kärnkraft. Dessa energikällor kräver betydande mängder vatten för sin drift.

Denna ökande efterfrågan på vatten lyfter fram en allvarlig oro. Det finns nu ett brådskande behov av bättre kylsystem, hållbar infrastruktur och transparent rapportering om vattenanvändning. Utan åtgärder kan den fortsatta spridningen av AI sätta ännu mer press på färskvattenförsörjningen. Detta är särskilt riskabelt för platser som redan upplever torka eller klimatrelaterad stress.

Infrastruktur och kylteknologier

AI-modeller körs på högpresterande chip installerade i molndatormaskiner. Dessa maskiner kräver specialiserade kylsystem för att hantera värmen som genereras av kontinuerlig beräkning. Den vanligaste metoden är evaporativ kylning, där vatten sprutas in i luften eller över ytor för att absorbera värme. En betydande del av detta vatten avdunstar och kan inte återanvändas, vilket resulterar i höga vattenuttag.

För att åtgärda detta problem har vissa datormaskiner börjat anta alternativa kylmetoder, såsom vätskeindunstningskylning och direkt-till-chip-kylning. Dessa tekniker använder termiskt ledande vätskor eller slutna kylsystem för att avlägsna värme från processorer. Även om de är mer effektiva, involverar de fortfarande indirekt vattenanvändning. Detta sker under systemuppställning eller genom elgenerering, särskilt i regioner där kraft produceras från kol eller kärnkraft, som båda kräver stora mängder vatten för ångproduktion och kylning.

Kylstrategier varierar också beroende på klimat och plats. I områden som upplever vattenbrist har datormaskinoperatörer börjat övergå från evaporativ kylning till luftbaserade eller slutna system för att minska vattenanvändning. Men dessa alternativ kräver ofta mer energi, vilket skapar en avvägning mellan vattensparande och koldioxidutsläpp.

Varje komponent i AI-infrastrukturen, från chipnivå till fullständig kylning och elgenerering, bidrar till det totala vattenavtrycket. Den ökande efterfrågan på AI kräver förbättringar av kyl- och effekt-system. Utan bättre effektivitet kommer trycket på vattenresurser att fortsätta att öka.

Geografiska och miljömässiga influenser på datacentrets vattenanvändning

Datacentrets vattenanvändning påverkas starkt av dess geografiska läge och lokala miljöförhållanden. I områden med höga temperaturer, såsom Arizona eller Texas, måste kylsystemen arbeta hårdare för att hålla servrarna på en stabil driftstemperatur. Detta leder till ökad användning av evaporativa kylmetoder, där vatten förloras som ånga och inte kan återanvändas. Som ett resultat förbrukar dessa center betydligt mer vatten än de i svalare regioner, såsom Skandinavien. Fuktighet spelar också en viktig roll. I torra klimat är avdunstning mer effektiv, vilket förbättrar kylprestanda men också ökar vattenanvändning.

Vattentillgången och tillgängligheten är också kritiska. Datacenter i vattenfattiga regioner är ofta beroende av kommunala vattentillförsel, som redan kan vara under stress. Detta kan leda till konkurrens med lokala behov, såsom tillgång till dricksvatten eller jordbruksresurser. Ett välkänt exempel är Googles datacenter i The Dalles, Oregon. Anläggningens vattenanvändning väckte allmänhetens uppmärksamhet, särskilt eftersom området upplevde torka under den tidpunkten.

Dessutom kan utbildning av stora AI-modeller leda till plötsliga toppar i vattenanvändning. Dessa toppar kan inte vara långvariga, men de kan fortfarande påverka lokala vattensystem. Utan ordentlig planering och prognostisering kan detta resultera i en tillfällig obalans i vattentillförseln, inklusive lägre flodnivåer eller överdriven grundvattenutvinning. Sådana förändringar kan skada lokala ekosystem och minska biologisk mångfald.

För att åtgärda dessa utmaningar måste AI-relaterad infrastrukturplanering ta hänsyn till specifika lokala faktorer, såsom temperatur, vattentillförsel och lagliga begränsningar för användning. Hållbar utveckling kräver tydliga policys och en noggrann balans mellan teknologisk tillväxt och miljöskydd. Detta inkluderar samarbete med lokala samhällen, förståelse av regionala vattenrättigheter och urval av lämpliga kylsystem som använder vatten på ett ansvarsfullt sätt.

Företagsåtaganden och transparensluckor

Stora AI-företag blir alltmer medvetna om sin miljöpåverkan och har lovat att förbättra sina vattenhanteringspraxis. Google (GOOGL ), Microsoft (MSFT ) och Meta har alla meddelat planer på att bli vattenpositiva till 2030. Det innebär att de siktar på att återställa mer vatten än de förbrukar över hela sina globala verksamheter. Deras insatser inkluderar vattenskyddsåterställning, regnvatteninsamling, gråvattenåtervinning och stöd för lokala bevarandeprojekt.

Google planerar att återställa 120 % av det vatten de förbrukar. De publicerar årliga hållbarhetsrapporter som inkluderar både användning och återställningsdata. Microsoft har antagit adiabatiska kylsystem, som minskar avdunstning och kan minska vattenanvändning med upp till 90 % jämfört med traditionella kyltorn. Meta har lovat att återställa 200 % av det vatten som används i högriskområden och 100 % av det vatten som används i medelhögriskzoner, med fokus på områden där vattenbrist är som mest allvarlig. Vissa datacenter har också börjat använda lokala återanvändningssystem eller regnvatteninsamling för att komplettera sin vattentillförsel.

Dessa åtaganden är relevanta eftersom utbildning och distribution av LLM kräver kraftfulla datacenter. Dessa operationer förbrukar stora mängder elkraft och genererar betydande värme, vilket ökar kraven på vattenintensiv kylning. När AI-tjänster utvecklas globalt, särskilt de som involverar LLM, växer deras miljöavtryck också. Ansvarsfull vattenanvändning blir en kritisk del av hållbar AI-utveckling.

Att minska AI:s vattenavtryck: Enkla steg och kollektivt agerande

Att minska AI:s vattenavtryck kräver en kombination av effektiv teknik, genomtänkt planering och gemensamt ansvar. På den tekniska sidan är design av mindre och mer effektiva AI-modeller ett viktigt steg. Metoder som modellbeskärning, kvantisering och destillering hjälper till att minska modellstorlek och beräkningsbelastning. Detta minskar energiförbrukning och minskar vattenanvändning under både utbildning och användning.

Att välja rätt tid för utbildning är också viktigt. Att köra intensiva arbetsbelastningar under svalare perioder kan minska vattenförlust genom avdunstning. Placeringen av datacenter spelar också en roll. Att bygga anläggningar i områden med hållbara vattenresurser eller nära förnybara energikällor, såsom vind och sol, kan minska den indirekta vattenanvändningen som är förknippad med termisk kraftproduktion. Framsteg inom AI-algoritmer, såsom användning av gles uppmärksamhet eller mer effektiva modellkonstruktioner tillsammans med förbättrad maskinvara, hjälper till att minska den totala miljöpåverkan.

Att tackla AI:s vattenavtryck kräver ett kollektivt agerande som sträcker sig bortom teknikföretag. Regeringar spelar en nyckelroll i att etablera regler som kräver transparent rapportering av vattenanvändning och främjar konsekventa utvärderingsstandarder. De kan också göra hållbar vattenkälla till en förutsättning för godkännande av nya datacenter. Miljögrupper stöder detta initiativ genom att övervaka påståenden, främja starkare policys och hålla industrin ansvarig. Lokala myndigheter bör granska infrastrukturplaner med vattenresurser i åtanke, särskilt i områden som redan upplever stress.

Individuella användare formar också riktningen för AI. Genom att välja plattformar som rapporterar miljödata och åtar sig hållbarhet skickar de en tydlig signal om vad som är viktigt. Utvecklare och forskare måste överväga vattenanvändning när de utvärderar AI-system. Samtidigt kan universitet och forskningscenter skapa verktyg för att mäta och minska vattenanvändning mer exakt.

För att göra verklig framsteg måste vi också fokusera på medvetenhet och informerade val. Många människor är omedvetna om att även enkla AI-frågor medför dolda miljökostnader. När detta blir allmänt känt, uppmuntrar det användare att kräva bättre metoder och motiverar företag att agera ansvarsfullt. Samtidigt fortsätter den snabba expansionen av stora AI-modeller att öka trycket på redan begränsade färskvattenresurser. Detta gör det avgörande att behandla vattenanvändning som en nyckelkomponent i AI:s totala miljöpåverkan. Att uppnå meningsfull förändring kommer att kräva ett kollektivt agerande från beslutsfattare, utvecklare, företag och slutanvändare. Om vi gör vattenhushållning till en central del av hur AI designas och distribueras, kan vi skydda livsviktiga resurser samtidigt som vi drar nytta av intelligenta system.

Slutsatsen

Att minska AI:s vattenavtryck är inte längre en sekundär fråga. Det är en avgörande komponent i utvecklingen av hållbara teknologier. Utbildning och körning av stora modeller tar en tung belastning på färskvattenresurser, särskilt i regioner som redan upplever klimatstress.

För att åtgärda detta behöver vi smartare modeller, bättre maskinvara och ansvarsfull datacenterplanering. Men verklig framsteg beror på mer än bara teknik. Regeringar, företag, forskare och användare spelar alla en roll. Tydliga policys, transparent rapportering och allmän medvetenhet kan hjälpa till att fatta bättre beslut. Genom att integrera vattenpåverkan i vårt initiala tänkande om AI kan vi förhindra långsiktig skada på livsviktiga resurser.