NAVIDIX · ARTICLE
هوش مصنوعی چقدر آب و برق میخورد؟ عددهای واقعی
یک طرف میگوید هر پرسش از چتبات یک بطری آب مصرف میکند، طرف دیگر میگوید ناچیز است. هر دو دارند از عددهای واقعی استفاده میکنند — فقط عددهای متفاوتی.
دو جمله را احتمالاً شنیدهای، و هر دو با اطمینان کامل گفته میشوند:
«هر بار که از چتبات سؤال میپرسی، یک بطری آب تبخیر میشود.»
«مصرف هوش مصنوعی در برابر کل مصرف جهانی، گرد کردن خطاست.»
نکتهٔ عجیب این است که هر دو طرف دارند از عددهای واقعی استفاده میکنند. فقط عددهای متفاوتی انتخاب میکنند و در مقیاسهای متفاوتی نشانشان میدهند.
بگذار عددها را کنار هم بگذاریم و ببینیم چه چیزی واقعاً از آنها درمیآید.
برق: عددهایی که میشود به آنها تکیه کرد
معتبرترین منبع اینجا آژانس بینالمللی انرژی است. گزارش «انرژی و هوش مصنوعی» آنها این را میگوید:
- مصرف برق مراکز دادهٔ جهان در ۲۰۲۴ حدود ۴۱۵ تراواتساعت بود
- پیشبینی برای ۲۰۳۰: حدود ۹۴۵ تراواتساعت
یعنی بیش از دو برابر در شش سال، و بخش عمدهٔ این رشد از بارِ کاری شتابدهندههای هوش مصنوعی میآید.
حالا عددی که تمام تفاوت را میسازد: آن ۹۴۵ تراواتساعت، در سناریوی پایهٔ IEA، کمتر از ۳ درصد مصرف برق جهان است.
سه درصد. این عدد را نگه دار، چون هر دو طرف بحث میتوانند از آن استفاده کنند و هر دو هم راست بگویند.
چرا هر دو طرف راست میگویند
«کمتر از سه درصد» اگر نگران گرمایش زمینی، عدد آرامکنندهای است. حملونقل، صنعت فولاد و سرمایش ساختمانها هرکدام چند برابر ایناند.
ولی همان عدد اگر برقرسان یک منطقه باشی، اصلاً آرامکننده نیست. چون مصرف مراکز داده متمرکز است. سه درصد جهانی، در چند نقطهٔ مشخص روی نقشه جمع میشود، و در آن نقاط میتواند بخش بزرگی از شبکهٔ محلی را ببلعد.
این تفاوت «میانگین جهانی» و «فشار محلی» است، و بیشتر دعواهای این حوزه دقیقاً از قاطیکردن این دو درمیآید.
یک نکتهٔ فنی هم بد نیست بدانی: در یک مرکز دادهٔ مدرن، حدود ۶۰٪ برق را خودِ سرورها میخورند و سرمایش در نمونههای کارآمد حدود ۷٪ است — ولی در مراکز دادهٔ قدیمیتر و کمبازده، همان سرمایش میتواند از ۳۰٪ عبور کند. یعنی «مرکز داده» یک چیز واحد نیست.
آب: جایی که عددها واقعاً تکاندهندهاند
اینجا داستان متفاوت است، چون آب برخلاف برق قابل انتقال نیست.
- آموزش GPT-3 در مراکز دادهٔ مایکروسافت در آمریکا، طبق برآورد پژوهشی، مجموعاً حدود ۵٫۴ میلیون لیتر آب مصرف کرده — که حدود ۷۰۰ هزار لیتر آن مصرف مستقیم در محل برای سرمایش بوده.
- یک مرکز دادهٔ هوش مصنوعی معمولیِ ۱۰۰ مگاواتی، سالانه بین ۱٫۵ تا ۳ میلیون متر مکعب آب برای سرمایش تبخیری مصرف میکند.
- تقاضای آب مرتبط با هوش مصنوعی تا ۲۰۲۷ به ۴٫۲ تا ۶٫۶ میلیارد متر مکعب میرسد — بیشتر از کل مصرف سالانهٔ آب دانمارک.
آن عدد آخر است که بحث را جدی میکند. نه به این دلیل که در مقیاس جهانی بزرگ است — نیست — بلکه به این دلیل که این آب در جای مشخصی مصرف میشود، و آن جا معمولاً همانجایی است که آب ارزان و هوا خشک است. یعنی دقیقاً جایی که آب کم است.
آن «بطری آب» از کجا آمد
حالا برگردیم به آن جملهٔ اول.
عددهایی که برای مصرف یک پرسش نقل میشود، از تقسیمکردن مصرف کل بر تعداد پرسشها به دست میآیند. مشکل این است که این تقسیم به فرضهای زیادی بستگی دارد: کدام مدل، کدام سختافزار، کدام مرکز داده، چه فصلی از سال، و اینکه هزینهٔ آموزش را هم سرشکن کنی یا فقط اجرا را.
بسته به این فرضها، عدد نهایی میتواند دهها برابر تفاوت کند. برای همین است که یک نفر میگوید نصف قاشق چایخوری و دیگری میگوید یک بطری، و هیچکدام هم دروغ نمیگویند.
چیزی که میشود با اطمینان بیشتری گفت، مقایسهٔ نسبی است: طبق برآورد IEA، یک پرسش از ChatGPT حدود ده برابر یک جستوجوی گوگل برق مصرف میکند.
ده برابرِ چیزی که خودش خیلی کوچک است. این جمله هم آرامکننده است و هم نگرانکننده — بستگی دارد چند میلیارد بار در روز تکرار شود.
چیزی که واقعاً از این عددها درمیآید
یک: مقیاس مهم است، نه عدد. هر عددی دربارهٔ مصرف، تا وقتی به چیزی نسبت داده نشود بیمعناست. «۵٫۴ میلیون لیتر» ترسناک به نظر میرسد تا وقتی بدانی یک زمین گلف در مناطق خشک روزانه چند صد هزار لیتر میخورد.
دو: تمرکز، مسئلهٔ اصلی است. سهم جهانی کوچک است؛ فشار محلی میتواند بزرگ باشد. بحث واقعی سیاستگذاری هم دربارهٔ همین است، نه دربارهٔ درصد جهانی.
سه: روند از سطح مهمتر است. دو برابر شدن در شش سال، عددی است که باید جدی گرفت — حتی اگر نقطهٔ شروعش کوچک باشد.
چهار: بازدهی سریع بهتر میشود. سختافزار هر نسل کارآمدتر میشود و مدلهای کوچکتر دارند کارهای بیشتری را برمیدارند. این روند در جهت مخالف رشد مصرف کار میکند.
و برای تو، عملاً
اگر با این ابزارها کار میکنی، این بحث لازم نیست به احساس گناه ختم شود. ولی دو عادت هست که هم هزینهٔ خودت را کم میکند و هم مصرف را:
آزمایش را ارزان بکن، تولید نهایی را گران. برای امتحان یک ایده، از مدل کوچک و رزولوشن پایین استفاده کن. مدل بزرگ را برای نسخهٔ نهایی نگه دار. بیشتر مصرف در تولید محتوا، از تکرارهای بیهدف میآید نه از خروجی نهایی.
پرامپت بهتر، تکرار کمتر. هر بار که مجبور میشوی دوباره تولید کنی، همان هزینه دوباره پرداخت میشود. دقت در ورودی، ارزانترین صرفهجویی ممکن است.
جمعبندی
مصرف برق مراکز داده تا ۲۰۳۰ بیش از دو برابر میشود ولی زیر سه درصد برق جهان میماند. مصرف آب در مقیاس جهانی کوچک است ولی در نقاط مشخص و اغلب کمآب متمرکز میشود. و آن عددهای سرانهای که پخش میشوند، بیشتر به فرضهای محاسبه بستگی دارند تا به واقعیت.
نتیجهاش نه «فاجعه» است نه «هیچی» — چیزی است که در بیشتر بحثهای داغ گم میشود: مسئلهای واقعی، با مقیاسی که باید درست فهمیده شود.
اگر میخواهی مصرف و هزینهٔ خودت را در تولید کم کنی، از ایده تا نمای نهایی دربارهٔ همان مرحلهبندی است که تکرارهای بیهوده را حذف میکند، و آناتومی یک پرامپت خوب دربارهٔ گرفتن جواب درست در دفعهٔ اول.
منابع
- «Energy demand from AI»، گزارش Energy and AI، آژانس بینالمللی انرژی (IEA) — iea.org
- «Making AI Less "Thirsty": Uncovering and Addressing the Secret Water Footprint of AI Models»، arXiv:2304.03271 — arxiv.org
- «AI Data Centers and the Water Use Feedback Loop»، arXiv:2606.21760 — arxiv.org
- «Data Centers Could Consume 9.3 Trillion Liters of Water By 2030»، Earth.org — earth.org
- «Global energy demands within the AI regulatory landscape»، Brookings — brookings.edu
- «Data Centers and Water Fact Sheet»، Environmental Law Institute — eli.org.pdf)
محمد نویدی — استودیو نویدیکس