ChatGPT, ūdens un enerģija: kā saprast ietekmi un nākotni

Vīrāla aplēse un Sam Altmana reakcija

Vīrāls apgalvojums — «katrs ChatGPT vaicājums izmanto 64 litrus ūdens» — ir tik bieži izplatīts, ka skan kā fakts. Tas tā nav. Sam Altman, OpenAI izpilddirektors, skarbi noraidīja šo skaitli, runājot The Indian Express rīkotā pasākumā Indijā, nosaucot tādus apgalvojumus par ūdens patēriņu par «bezpamatīgiem» un maldinošiem.

No kur radās 64 litru mīts?

Īss un skaidrs: vecā stāsta par milzīgu ūdens patēriņu saknes meklējamas laikā, kad daži datu centri izmantoja iztvaikošanas dzesēšanu (evaporative cooling). Šī tehnika patiešām izmanto ūdeni, taču mūsdienu daudzos objektos tā ir būtiski samazināta vai aizstāta ar citām dzesēšanas stratēģijām. Altman norāda, ka internetā izplatītie skaitļi ignorē to, kā ir mainījusies infrastruktūra un dzesēšanas pieeja — tādējādi tiek radīts izkropļots priekšstats par to, cik daudz ūdens sistēmas, piemēram, ChatGPT, patiesībā patērē.

Vēsturiski konteksti un tehnoloģiskās izmaiņas

Dažos reģionos, kur klimats ir sausāks un elektrotīkls ierobežots, datu centri iepriekš izmantoja uz ūdens balstītas dzesēšanas metodes, lai uzturētu aparatūru pie drošām darbības temperatūrām. Tomēr ražīguma, vides prasību un darbības izmaksu spiediena dēļ daudzi operatori pārgāja uz modernākām sistēmām: šķidruma dzesēšanu ar slēgtām ķēdēm, gaisa kondicionēšanu ar augstu efektivitāti, kā arī hibrīdiem risinājumiem, kas optimizē gan enerģijas, gan ūdens izmantošanu.

Rādītāji: WUE un citi metri

Lai objektīvi salīdzinātu ūdens izmantošanu, nozares speciālisti izmanto metriku, piemēram, Water Usage Effectiveness (WUE). WUE skaitļo kopējo datu centra tiešo un netiešo ūdens patēriņu attiecībā pret IT ražību. Tāpat kā PUE (Power Usage Effectiveness) palīdz novērtēt enerģijas efektivitāti, WUE sniedz kontekstu ūdens pratībā. Ūdens patēriņa atšķirības starp dažādiem datu centriem var būt ievērojamas, atkarībā no lokalizācijas, dzesēšanas arhitektūras un operatora ilgtspējas stratēģijas.

Vai tas nozīmē, ka vides jautājumi nav svarīgi?

Nē — tas nebūt nenozīmē, ka nav vides bažu. Altman piekrita, ka enerģijas patēriņš ir pamatota un pieaugoša problēma. Izmērs ir svarīgs. Viens vaicājums var izmantot tikai daļu no kilovatstundas; tomēr globālais, 24/7 pieprasījums pēc mākslīgā intelekta pakalpojumiem strauji pieaug. Akumulētais enerģijas noslogojums — nevis izolētas uz viena jautājuma balstītas aplēses — ir mērs, kas jāņem vērā politikas veidotājiem un operatoriem.

Kāpēc atsevišķas aplēses var maldināt

Procesa granulāra mērīšana (piemēram, vidējais kWh uz vienu vaicājumu) ir lietderīga, taču tā var maldināt, ja to izvērš bez konteksta. Ja datu centrs izmanto atjaunojamo enerģiju, tas griezīsies zemā oglekļa intensitātē; ja tas atrodas reģionā ar ogļu slodzēm, ietekme būs citāda. Turklāt efektivizācijas pasākumi, kā arī modelu konsolidācija (vairāku vaicājumu apkalpošana ar vienu resursu komplektu) maina kopējo bilanci.

Tehniskais skats: enerģijas un ūdens mijiedarbība

Gan enerģijas, gan ūdens patēriņam ir tehniskas dimensijas, kas jāņem vērā, ja runājam par datu centru ietekmi un mākslīgā intelekta attīstību.

Dzesēšanas arhitektūras un efektivitāte

Dzesēšanai izmantojamo tehnoloģiju izvēle — gaisa dzesēšana, šķidruma dzesēšana, iztvaikošanas dzesēšana vai to kombinācijas — nosaka, cik daudz ūdens un enerģijas būs nepieciešams. Šķidruma dzesēšana var būt energoefektīvāka un samazināt ventilatoru un aukstuma ģeneratoru slodzi, taču tā prasa specifisku aprīkojumu un uzturēšanu. No otras puses, iztvaikošanas dzesēšana var būt ļoti efektīva noteiktos klimatiskajos apstākļos, bet ar augstāku ūdens patēriņu. Mūsdienu datu centri bieži izmanto optimizāciju, lai līdzsvarotu šos aspektus atbilstoši reģiona resursu pieejamībai.

Enerģijas avoti un oglekļa intensitāte

Svarīgs aspekts, ko uzsvēra Altman, ir enerģijas avots. AI pakalpojumu oglekļa pēda lielā mērā atkarīga no tā, cik liels ir atjaunojamās vai zema oglekļa enerģijas īpatsvars tīklā, kas apgādā datu centru. Vēja, saules un kodolenerģija samazina CO2 intensitāti, padarot katru kilovatstundu «tīrāku». Tas nozīmē, ka salīdzinājums starp cilvēka atbildi un AI atbildi kļūst jēdzīgs tikai tad, kad ņem vērā enerģijas avotu — ne tikai bruto enerģijas daudzumu.

Cilvēka kognīcija pret AI: enerģijas salīdzinājums

Tad Altman piedāvāja provokatīvu salīdzinājumu: kā izvērtēt intelekta enerģijas izmaksas? Cilvēks gadu desmitiem mācās. Altman norādīja, ka cilvēks, lai sasniegtu nobriedušu kognitīvo spēju, patērē aptuveni 20 gadu pārtikas un vielmaiņas enerģijas ekvivalentu. Viņš arī izklāstīja cilvēka kognīciju kā evolūcijas ieguldījumu, kura rezultātā ir piedalījušies aptuveni 100 miljardi cilvēku, kas jebkad dzīvojuši uz Zemes — lēns, izkliedēts un resursus prasošs process.

Kas būtu «taisnīgs» salīdzinājums?

Altmana secinājums: ja vēlaties taisnīgu salīdzinājumu, izmēriet enerģiju, kas nepieciešama apmācītam AI modelim, lai atbildētu uz jautājumu, salīdzinot to ar enerģiju, ko cilvēks izmanto, lai atbildētu uz to pašu jautājumu. Tajā mērauklā AI var izrādīties efektīvāks — bet tikai tad, ja enerģijas avots, kas to darbina, ir zema oglekļa intensitātes. Šis arguments pārvieto diskusiju no emocionāli piekrautas ūdens statistikas uz enerģijas un oglekļa ilgtspēju kā centrālo rādītāju.

Risinājumi: ātrāka tīrās enerģijas izvēršana

Tātad, kāds ir risinājums? Straujāka tīrās enerģijas izvēršana. Altman mudināja uz ātru pāreju uz kodolenerģiju, vēja un saules jaudu, lai pasaule varētu apmierināt pieaugošo elektrības pieprasījumu, nepadziļinot klimata krīzi. Viņa skatījumā tas nav tikai izvēles jautājums vai papildinājums — tas ir atbildīgas AI mērogošanas mugurkauls.

Praktiskas darbības un investīciju prioritātes

Operatoriem, politiķiem un finanšu ieinteresētajām pusēm būtu jāapsver šādas pieejas:

• Investīcijas vietējā atjaunojamā enerģijā blakus datu centriem, lai samazinātu pārvades zudumus un oglekļa intensitāti.
• Pāreja uz zema oglekļa rezerves energosistēmām, ieskaitot ilgtermiņa enerģijas uzglabāšanas risinājumus, kas var kompensēt atjaunojamās enerģijas svārstības.
• Tehnoloģiju pilnveide dzesēšanas sistēmās, kas optimizē gan enerģiju, gan ūdens patēriņu, piemēram, šķidruma dzesēšana ar slēgtām ķēdēm un rekuperācijas sistēmas.
• Sadarbība starp enerģētikas un IT sektoru, lai plānotu jaudu un tīkla kapacitāti ilgtspējīgā veidā.

Regulācijas, pārredzamība un neatkarīga uzraudzība

Vēl viens niansēts jautājums: pašlaik nav globāla likumiska pienākuma tehnoloģiju uzņēmumiem publiskot precīzus, auditētus ūdens un enerģijas nospiedumus. Neatkarīgi pētnieki cenšas modelēt ietekmes, izmantojot netiešas aplēses, un dažos reģionos datu centri ir veicinājuši augstākas elektrības cenas un spiedienu uz sadales tīkliem.

Kāpēc pārredzamība ir svarīga

Pārredzamība ļauj publiskajai diskusijai un regulācijai balstīties uz uzticamiem datiem. Kad uzņēmumi publicē PUE, WUE, CO2 intensitāti un citu būtisku metriku, politikas veidotāji un sabiedrība var pieņemt pamatotus lēmumus par resursu sadali, nodokļu veidošanu un infrastruktūras investīcijām. Bez šādas informācijas debates viegli pārvēršas plašsaziņas līdzekļu sensationalismā, nevis risinājumu dialogā.

Kā virzīties uz ilgtspējīgu AI

Debates un pārredzamība attīstīsies līdz ar izvēršanu. Ja mēs nopietni domājam par ilgtspējīgu mākslīgo intelektu, sarunai jāmaina fokuss no sensacionālām «ūdens ziņu» virsrakstiem uz reāliem jautājumiem par tīru enerģiju, infrastruktūras ieguldījumiem un publisku ziņošanu. Tas nozīmē gan tehniskas izmaiņas, gan politisku gribu un starpnozaru sadarbību.

Prioritātes lēmumu pieņēmējiem

Dažas ieteicamas prioritātes, kurām pievērst uzmanību:

1. Veicināt skaidru, standartizētu metrikas publicēšanu (PUE, WUE, CO2 intensitāte) un neatkarīgu auditu;
2. Atbalstīt enerģijas infrastruktūras modernizāciju, lai atbalstītu lielāku atjaunojamās jaudas iekļaušanu;
3. Finansēt pētījumus par AI modelu efektivitātes uzlabošanu un darbības optimizāciju, kas samazina nepieciešamo aprēķinu laiku un enerģiju;
4. Veicināt starpnozaru sadarbību, lai AI izvēršana netradicionāli neapgrūtinātu vietējās enerģijas piegādes un ūdens resursus.

Nobeigums

Vīrālais apgalvojums par «64 litriem ūdens uz vaicājumu» vienkāršo un maldina — tas ignorē tehnoloģisko attīstību, dzesēšanas arhitektūru un reģionālo kontekstu. Tomēr tas nedrīkst novērst uzmanību no reāliem izaicinājumiem: globālā enerģijas pieprasījuma pieaugums, datu centru ietekme uz tīkliem un nepieciešamība pēc zema oglekļa enerģijas. Ja mērķis ir ilgtspējīgs mākslīgais intelekts, diskusijai jābūt vērstai uz tīras enerģijas izvēršanu, struktūru uzlabošanu, pārredzamību un politiku, kas stimulē ilgtspējīgu tehnoloģiju mērogošanu.

Runājot skaidri un balstoties uz pārbaudāmiem datiem, sabiedrība var panākt, ka tehnoloģiju attīstība notiek kopā ar vides un energopolitikas mērķiem. Saruna jāpaplašina no viegli dalāmiem virsrakstiem uz sistēmisku izpratni: kā mēs izmantojam enerģiju, kā pārvaldām ūdens resursus un kā nodrošinām, ka mākslīgā intelekta nākotne ir ilgtspējīga un sociāli atbildīga.