داده‌های سازمان ملل ردپای آب و زمین هوش مصنوعی را کمی‌سازی می‌کند: آب کافی برای ۱٫۳ میلیارد نفر تا سال ۲۰۳۰

هوش مصنوعی اغلب بر اساس خروجی‌های نمادین خود — الگوریتم‌ها، شبکه‌های عصبی و محاسبات ابری بی‌وزن — مورد بحث قرار می‌گیرد. با این حال، هر تصویر تولید شده، گزارش ترکیبی و درخواست مکالمه‌ای توسط یک متابولیسم فیزیکی گسترده تولید می‌شود که سیستم‌های پشتیبان حیات مادی را به خدمات دیجیتال تبدیل می‌کند. با گسترش این فناوری، زیرساخت مورد نیاز برای حفظ آن از نظر نیازهای منابع، قابل مقایسه با کل ملت‌ها می‌شود.[3]

یک بسته شواهد جامع که توسط مؤسسه آب، محیط زیست و سلامت دانشگاه سازمان ملل (UNU-INWEH) منتشر شده است، دقیق‌ترین کمی‌سازی را از این ردپای فیزیکی ارائه می‌دهد. یافته اصلی این تحقیق این است که ارزیابی هزینه زیست‌محیطی هوش مصنوعی تنها از طریق لنز انتشار کربن، تأثیر واقعی آن را به طور سیستماتیک اشتباه اندازه‌گیری می‌کند. برق مصرفی توسط سیستم‌های هوش مصنوعی همچنین دارای یک ردپای عظیم آبی و یک ردپای گسترده زمینی است و این معیارها همیشه در یک جهت حرکت نمی‌کنند.[1][2]

داده‌های پایه برای مصرف برق، مقیاس این گسترش را نشان می‌دهد. در سال ۲۰۲۵، مراکز داده جهانی تخمین زده می‌شود که ۴۴۸ تراوات ساعت برق مصرف کرده‌اند، که اگر این بخش یک کشور مستقل در نظر گرفته شود، آن را در رتبه یازدهم بزرگترین مصرف‌کنندگان برق جهان قرار می‌دهد. پیش‌بینی می‌شود که تا سال ۲۰۳۰، که عمدتاً ناشی از گسترش حجم کاری هوش مصنوعی است، این رقم به ۹۴۵ تراوات ساعت برسد — تقریباً سه برابر کل مصرف برق سالانه پاکستان، بنگلادش و نیجریه که در مجموع بیش از ۶۵۰ میلیون نفر جمعیت دارند.[1][2]

با این حال، شدیدترین فشار محلی از مصرف آب ناشی می‌شود. گزارش UNU-INWEH پیش‌بینی می‌کند که ردپای آبی مرتبط با مراکز داده هوش مصنوعی تا پایان دهه به ۹٫۳ تریلیون لیتر در سال خواهد رسید. برای زمینه‌سازی این حجم، ۹٫۳ تریلیون لیتر معادل نیازهای آبی داخلی سالانه ۱٫۳ میلیارد نفر ساکن در جنوب صحرای آفریقا است.[1][2]

این تقاضای آب از دو مسیر اصلی ناشی می‌شود. اول، خود تولید برق به شدت آب‌بر است و برای خنک کردن نیروگاه‌های حرارتی و بهره‌برداری از سدهای برق‌آبی به حجم عظیمی از آب نیاز دارد. دوم، مراکز داده‌ای که سرورهای هوش مصنوعی را در خود جای داده‌اند، به شدت به سیستم‌های خنک‌کننده تبخیری متکی هستند تا از گرم شدن بیش از حد پردازنده‌های با عملکرد بالا جلوگیری کنند. در آب و هوای گرم‌تر، یک مرکز فوق‌مقیاس می‌تواند روزانه میلیون‌ها لیتر آب شیرین مصرف کند و فشار مستقیمی بر سفره‌های آب زیرزمینی شهری وارد کند.[1][3]

گسترش فیزیکی این زیرساخت همچنین به قطعات وسیعی از زمین نیاز دارد. این گزارش تخمین می‌زند که تا سال ۲۰۳۰، ردپای زمینی لازم برای پشتیبانی از زیرساخت‌های انرژی، زنجیره‌های تأمین و مراکز داده هوش مصنوعی از ۱۴٬۵۰۰ کیلومتر مربع فراتر خواهد رفت. این منطقه تقریباً دو برابر مساحت کلان‌شهر جاکارتا است، یک ابرشهر که بیش از ۳۲ میلیون نفر در آن زندگی می‌کنند.[1][2]

علاوه بر این، منسوخ شدن سریع سخت‌افزار تخصصی هوش مصنوعی، بحران ثانویه‌ای در زباله‌های الکترونیکی ایجاد می‌کند. محققان سازمان ملل پیش‌بینی می‌کنند که زیرساخت هوش مصنوعی می‌تواند تا سال ۲۰۳۰ سالانه تا ۲٫۵ میلیون تن متریک زباله الکترونیکی تولید کند. از آنجایی که تنها بخش کوچکی از زباله‌های الکترونیکی جهانی به طور رسمی بازیافت می‌شود، انتظار می‌رود بخش عمده‌ای از این مواد سمی — حاوی فلزات سنگین مانند سرب و جیوه — در اقتصادهای کم‌درآمدی که فاقد زیرساخت لازم برای پردازش ایمن آن هستند، انباشته شود.[1][2]

یک تمایز حیاتی در داده‌ها، تفاوت بین آموزش مدل و استنتاج روزانه است. بحث عمومی به طور تاریخی بر انرژی عظیمی که برای آموزش مدل‌های زبان بزرگ مورد نیاز است، متمرکز شده است. با این حال، شواهد نشان می‌دهد که استنتاج — فرآیند تولید پاسخ به درخواست‌های کاربر — پس از استقرار مدل، ۸۰ تا ۹۰ درصد از کل مصرف انرژی هوش مصنوعی را تشکیل می‌دهد.[1]

شدت انرژی استنتاج بسته به شیوه خروجی، به میزان قابل توجهی متفاوت است. بر اساس داده‌های UNU-INWEH، یک پرسش چت مکالمه‌ای معمولی تقریباً ۲۰۰ برابر انرژی مورد نیاز برای یک کار طبقه‌بندی متن پایه را مصرف می‌کند. تولید یک تصویر هوش مصنوعی با وضوح بالا تقریباً ۱٬۴۵۰ برابر آن خط پایه انرژی می‌خواهد، و رندر کردن یک ویدیوی کوتاه هوش مصنوعی می‌تواند به اندازه ۲۰۰٬۰۰۰ طبقه‌بندی متن ساده برق مصرف کند.[1][2]

شواهد همچنین یک مشکل مبادله‌ای پیچیده در تأمین انرژی را برجسته می‌کند. انتقال مراکز داده به منابع برق کم‌کربن به طور خودکار منجر به عملیات کم‌آب یا کم‌زمین نمی‌شود. به عنوان مثال، این گزارش اشاره می‌کند که تغییر منبع تغذیه یک مرکز از زغال سنگ به زیست‌انرژی می‌تواند ردپای کربن آن را به طور متوسط ۷۲ درصد کاهش دهد. با این حال، این انتقال به طور همزمان ردپای آبی مرتبط را بیش از ۳۰ برابر و ردپای زمینی را ۱۰۰ برابر افزایش می‌دهد.[1][3]

صنعت هوش مصنوعی اغلب به پیشرفت‌های سریع در کارایی سخت‌افزار و استقرار خنک‌سازی با غوطه‌وری مایع به عنوان راه‌حل‌هایی برای این محدودیت‌های منابع اشاره می‌کند. با این حال، محققان سازمان ملل هشدار می‌دهند که افزایش کارایی به تنهایی بعید است که این روند را به دلیل اثر بازگشتی، یا پارادوکس جونز، معکوس کند. از آنجایی که اجرای مدل‌های هوش مصنوعی ارزان‌تر و کارآمدتر می‌شود، توسعه‌دهندگان آن‌ها را در برنامه‌های بیشتری ادغام می‌کنند و منجر به افزایش خالص در کل مصرف می‌شود که از صرفه‌جویی در کارایی به ازای هر پرسش پیشی می‌گیرد.[1][3]

یک محدودیت مهم در پایگاه شواهد فعلی، فقدان شفافیت محلی است. در حالی که پیش‌بینی‌های کلی جهانی قوی هستند، کارایی خاص مصرف آب مراکز داده اختصاصی و انفرادی تا حد زیادی مبهم باقی می‌ماند. شرکت‌های فناوری اغلب میانگین‌های جهانی را گزارش می‌دهند و فشار شدید وارد شده بر حوضه‌های آبریز خاص در مناطق خشک را که تقاضای خنک‌سازی در آن‌ها بالاترین است، پنهان می‌کنند.[1][3]

در نهایت، ردپای زیست‌محیطی هوش مصنوعی یک چالش عمیق در توزیع عادلانه ایجاد می‌کند. مزایای اقتصادی و فناوری هوش مصنوعی به شدت متمرکز است، به طوری که ایالات متحده و چین میزبان ۹۰ درصد از ظرفیت مراکز داده تخصصی هوش مصنوعی هستند. در مقابل، بارهای زیست‌محیطی — از برداشت آب و اشغال زمین گرفته تا استخراج مواد معدنی و زباله‌های الکترونیکی — اغلب به جوامعی برون‌سپاری می‌شوند که کسری از مزایای این فناوری را دریافت می‌کنند.[1][2]

گزارش UNU-INWEH نتیجه می‌گیرد که حکمرانی مسئولانه هوش مصنوعی مستلزم مرئی ساختن متابولیسم پنهان آن است. با ادغام زیرساخت هوش مصنوعی در برنامه‌ریزی گسترده‌تر انرژی، آب و کاربری زمین، سیاست‌گذاران می‌توانند اطمینان حاصل کنند که ستون فقرات اقتصاد دیجیتال در محدوده‌های سیاره‌ای توسعه می‌یابد، نه اینکه هزینه‌های آن را به اکوسیستم‌های آسیب‌پذیر منتقل کند.[1][3]