Водний слід штучного інтелекту: екологічна ціна великих мовних моделей

Штучний інтелект (AI) розширюється швидко в різних галузях, підтримуваний великими мовними моделями (LLM) таких як GPT-4, Claude, і Gemini. Ці моделі вимагають великої обчислювальної потужності, як під час навчання, так і під час регулярного використання. Розширення таких систем викликало значні занепокоєння щодо їхнього екологічного впливу.

Було приділено багато уваги споживанню енергії AI та викиду вуглекислого газу. Однак обговорення часто не бере до уваги використання води. Велика кількість води використовується для охолодження центрів даних. Вода також споживається опосередковано під час виробництва електроенергії та обчислювальної техніки.

Ріст глобального попиту на послуги AI збільшує тиск на вже обмежені прісні водні ресурси. Цей тренд створює екологічні проблеми, особливо в регіонах, які переживають водний стрес та кліматичні ризики. Чітке розуміння водного сліду AI необхідне для прийняття обґрунтованих рішень щодо відповідальності розвитку та довгострокового екологічного планування.

Як моделі AI споживають воду

Запуск великомасштабних систем AI вимагає безперервних обчислень у центрах даних, які обробляють мільярди операцій. Цей процес генерує велику кількість тепла. Для запобігання виходу з ладу обладнання та підтримки оптимальної продуктивності тепло повинно бути ефективно видалено. Більшість центрів даних використовують системи охолодження за допомогою випаровування для цієї мети. Ці системи сильно залежать від прісної води. Велика частина води випаровується під час охолодження та не може бути повторно використана. В результаті, процес призводить до високого рівня витягування та споживання води.

Дослідники нещодавно почали вимірювати водний вплив навчання AI. У 2023 році дослідження команд з UC Riverside і UT Arlington оцінило, що навчання однієї великої моделі спожило понад 700 000 літрів чистої води. Це приблизно кількість води, необхідна для виробництва 370 автомобілів BMW. Це показує, скільки води використовується на ранніх стадіях розвитку передових AI.

Використання води продовжується навіть після завершення навчання. Процес висновку, який відповідає на запити користувачів, також працює на потужних обчислювальних системах. Ці системи працюють круглої доби в різних частинах світу. Кожен окремий запит користувача додає до обчислювального навантаження. Це також збільшує вимоги до охолодження. Загальна кількість води, використовуваної для висновку, продовжує зростати через широке впровадження інструментів AI, таких як віртуальні помічники, чат-боти та пошукові системи.

У світі центри даних оцінюються у споживанні понад 560 мільярдів літрів води щорічно, переважно для охолодження. Ця кількість очікується різко збільшитися до 2030 року. Однією з основних причин є зростаючий попит на послуги AI. Окрім прямого використання, AI також спричиняє опосередковане споживання води. Це відбувається під час виробництва електроенергії, особливо в регіонах, які залежать від вугілля або ядерної енергії. Ці джерела енергії вимагають значної кількості води для своїх операцій.

Цей зростаючий попит на воду підкреслює серйозну проблему. Тепер є терміновою необхідністю у кращих системах охолодження, сталій інфраструктурі та прозорому звітуванні про використання води. Без дій подальше поширення AI може збільшити тиск на прісні водні ресурси. Це особливо ризиковано для місць, які вже переживають посуху або кліматичний стрес.

Інфраструктура та технології охолодження

Моделі AI працюють на високопродуктивних чіпах, встановлених у центрах даних. Ці центри вимагають спеціалізованих систем охолодження для управління теплом, яке генерується безперервними обчисленнями. Найбільш поширений метод – це охолодження за допомогою випаровування, при якому вода розпорошується у повітря або по поверхнях для поглинання тепла. Велика частина цієї води випаровується та не може бути повторно використана, що призводить до високого рівня витягування води.

Для вирішення цієї проблеми деякі центри даних приймають альтернативні методи охолодження, такі як охолодження за допомогою рідини та пряме охолодження чіпів. Ці методи використовують термічно провідні рідини або закриті системи охолодження для видалення тепла з процесорів. Хоча вони більш ефективні, вони все ж таки включають опосередковане використання води. Це відбувається під час установки системи або через генерацію електроенергії, особливо в регіонах, де енергія виробляється з вугілля або ядерних джерел, які вимагають великої кількості води для виробництва пари та охолодження.

Стратегії охолодження також залежать від клімату та місця розташування. У регіонах, які переживають нестачу води, оператори центрів даних відходять від охолодження за допомогою випаровування та використовують повітряні або закриті системи для зменшення споживання води. Однак ці альтернативи часто вимагають більше енергії, створюючи компроміс між економією води та викидами вуглекислого газу.

Кожна складова інфраструктури AI, від видалення тепла на рівні чіпів до повного охолодження центрів даних та генерації електроенергії, додає до загального водного сліду. Ріст попиту на AI вимагає покращення систем охолодження та енергетики. Без кращої ефективності тиск на водні ресурси продовжить зростати.

Географічні та екологічні чинники впливу на споживання води центрами даних

Споживання води центрами даних сильно залежить від їхнього географічного розташування та місцевих екологічних умов. У регіонах з високими температурами, таких як Аризона або Техас, системи охолодження повинні працювати сильніше, щоб підтримувати стабільну температуру серверів. Це призводить до збільшення використання охолодження за допомогою випаровування, при якому вода втрачається у вигляді пари та не може бути повторно використана. В результаті, ці центри споживають значно більше води, ніж ті, що розташовані у прохолодніших регіонах, таких як Скандинавія. Вологість також грає важливу роль. У сухих кліматах випаровування є більш ефективним, що покращує продуктивність охолодження, але також збільшує споживання води.

Джерело та доступність води також є критичними. Центри даних у регіонах з нестачею води часто залежать від комунальних водопостачань, які можуть вже бути під тиском. Це може привести до конкуренції з місцевими потребами, такими як доступ до питної води або сільськогосподарських ресурсів. Відомі приклади включають центр даних Google (GOOGL ) у місті Даллес, штат Орегон. Водне споживання цього об’єкта викликало публічну занепокоєння, особливо оскільки регіон переживав посуху на той час.

Крім того, навчання великих моделей AI може привести до раптових сплесків попиту на воду. Ці сплески можуть не тривати довго, але вони все ж таки можуть вплинути на місцеві водні системи. Без належного планування та прогнозування це може призвести до тимчасової дисбалансії у водопостачанні, включаючи зниження рівня річок або надмірну експлуатацію підземних вод. Такі зміни можуть завдати шкоди місцевим екосистемам та зменшити біорізноманіття.

Для вирішення цих проблем планування інфраструктури, пов’язаної з AI, повинно враховувати місцеві чинники, такі як температура, водопостачання та законодавчі обмеження на використання. Сталісна експлуатація вимагає чітких політик та ретельного балансу між технологічним розвитком та екологічним захистом. Це включає співпрацю з місцевими громадами, розуміння регіональних водних прав та вибір підходящих систем охолодження, які використовують воду відповідально.

Корпоративні зобов’язання та прогалини у прозорості

Великі компанії AI стають все більш усвідомленими щодо свого екологічного впливу та зобов’язалися покращити свої практики водокористування. Google, Microsoft (MSFT ) та Meta кожна оголосили плани стати водно-позитивними до 2030 року. Це означає, що вони планують відновити більше води, ніж споживають у своїх глобальних операціях. Їхні зусилля включають відновлення водозбірних басейнів, збір дощової води, переробку сірої води та підтримку місцевих проектів з охорони природи.

Google планує відновити 120% води, яку вона споживає. Компанія публікує щорічні звіти про сталий розвиток, які включають як використання, так і відновлення води. Microsoft прийняла адіабатичні системи охолодження, які зменшують випаровування та можуть зменшити споживання води до 90% порівняно з традиційними охолоджувальними вежами. Meta зобов’язалася відновити 200% води, використовуваної у регіонах з високим водним стресом, та 100% води, використовуваної у регіонах з середнім водним стресом, зосереджуючи свої зусилля там, де нестача води є найбільшою. Деякі центри даних також почали використовувати системи повторного використання на місці або збір дощової води для доповнення свого водопостачання.

Ці зобов’язання є актуальними, оскільки навчання та розгортання великих мовних моделей вимагають потужних центрів даних. Ці операції споживають велику кількість електроенергії та генерують значне тепло, збільшуючи попит на водоємкі системи охолодження. По мірі розширення послуг AI, особливо тих, які включають великі мовні моделі, їхній екологічний слід також зростає. Відповідальне використання води стає критичною частиною сталого розвитку AI.

Зменшення водного сліду AI: прості кроки та колективні дії

Зменшення водного сліду AI вимагає поєднання ефективної технології, ретельного планування та спільної відповідальності. З технічної сторони, розробка менших та більш ефективних моделей AI є важливим кроком. Методи, такі як обрізання моделей, квантування та дистиляція допомагають зменшити розмір моделі та обчислювальне навантаження. Це зменшує споживання енергії та знижує кількість води, необхідну для охолодження під час навчання та використання.

Вибір правильного часу для навчання також має значення. Виконання інтенсивних робочих навантажень під час прохолодних періодів може зменшити кількість води, втраченої через випаровування. Розташування центрів даних також грає роль. Будівництво об’єктів у регіонах з сталою водою або поблизу джерел відновлюваної енергії, таких як вітер та сонце, може зменшити опосередковане використання води, пов’язане з тепловою генерацією. Покращення алгоритмів AI, таких як використання розрідженої уваги або більш ефективних моделей, поряд з покращенням апаратного забезпечення, допомагають зменшити загальний екологічний вплив.

Вирішення проблеми водного сліду AI вимагає колективних зусиль, які виходять за межі технологічних компаній. Уряди відіграють ключову роль у встановленні правил, які вимагають прозорого звітування про використання води та сприяють послідовним стандартам оцінки. Вони також можуть зробити сталісне водопостачання умовою для затвердження нових центрів даних. Екологічні організації підтримують ці зусилля, моніторячи заяви, сприяючи сильнішій політиці та утримуючи галузь під контролем. Місцеві органи влади повинні переглянути плани інфраструктури з урахуванням водних ресурсів, особливо у регіонах, які вже переживають стрес.

Індивідуальні користувачі також впливають на напрямок розвитку AI. Вибираючи платформи, які звітують про екологічні дані та зобов’язуються щодо сталості, вони посилають чітке повідомлення про те, що має значення. Розробники та дослідники повинні враховувати споживання води під час оцінки систем AI. У той же час університети та дослідницькі центри можуть створити інструменти для точнішого вимірювання та зменшення споживання води.

Для досягнення реального прогресу нам також потрібно зосередитися на усвідомленості та обґрунтованих рішеннях. Багато людей не знають, що навіть прості запити AI несуть приховані екологічні витрати. Коли це стане широко відомим, це сприяє вимогам щодо кращих практик та мотивує компанії діяти відповідально. У той же час швидке розширення великих моделей AI продовжує збільшувати тиск на вже обмежені прісні водні ресурси. Це робить важливим розгляд використання води як ключової частини загального екологічного впливу AI. Досягнення суттєвих змін буде вимагати колективних зусиль від політиків, розробників, компаній та кінцевих користувачів. Якщо ми зробимо управління водними ресурсами центральною частиною того, як проектується та розгортається AI, ми можемо захистити життєво важливі ресурси, продовжуючи користуватися перевагами інтелектуальних систем.

Основне

Зменшення водного сліду AI більше не є другорядною проблемою. Це важлива складова сталого розвитку технологій. Навчання та запуск великих моделей впливають на прісні водні ресурси, особливо у регіонах, які вже переживають кліматичний стрес.

Для вирішення цієї проблеми нам потрібно кращі моделі, краще апаратне забезпечення та відповідальне планування центрів даних. Однак реальний прогрес залежить не лише від технологій. Уряди, компанії, дослідники та користувачі всі грають свою роль. Чіткі політики, прозоре звітування та громадська усвідомленість можуть сприяти кращим рішенням. Включаючи вплив води у свої початкові думки про AI, ми можем запобігти довгостроковій шкоді життєво важливим ресурсам.