گزارش سازمان ملل جزئیات مکانیسم ردپای آبی ۹.۳ تریلیون لیتری هوش مصنوعی را فاش می‌کند

اغلب تصور می‌شود که «ابر» (Cloud) قلمرویی نامرئی و بدون وزن است که داده‌ها آزادانه در آن شناورند. در واقعیت، انقلاب هوش مصنوعی عمیقاً فیزیکی است و توسط میلیون‌ها سرور که در مراکز داده عظیم و انبارمانند جای گرفته‌اند، پشتیبانی می‌شود. هر بار که کاربر تصویری تولید می‌کند، سندی را خلاصه می‌کند یا سؤالی از یک چت‌بات می‌پرسد، سخت‌افزار فیزیکی باید آن درخواست را پردازش کند. این سخت‌افزار گرمای زیادی تولید می‌کند که برای کار کردن به مقادیر زیادی برق و برای خنک شدن به میلیون‌ها گالن آب نیاز دارد.[1][2]

مقیاس این زیرساخت فیزیکی با سرعتی در حال گسترش است که ارزیابی مجدد جهانی پایداری فناوری را ضروری می‌سازد. گزارش جامع جدیدی از مؤسسه آب، محیط زیست و بهداشت دانشگاه سازمان ملل (UNU-INWEH) هزینه‌های زیست‌محیطی غیرمستقیم رونق هوش مصنوعی را کمی‌سازی کرده است. یافته‌ها نشان‌دهنده ردپای منابعی است که بسیار فراتر از انتشار کربن است که معمولاً در گزارش‌های پایداری شرکت‌ها مورد بحث قرار می‌گیرد.[1][3]

به گفته محققان سازمان ملل، اگر مسیر فعلی ادامه یابد، ردپای آبی مراکز داده هوش مصنوعی تا سال ۲۰۳۰ به ۹.۳ تریلیون لیتر در سال خواهد رسید. برای درک بهتر این رقم، ۹.۳ تریلیون لیتر معادل نیازهای آبی اولیه سالانه ۱.۳ میلیارد نفر برای مصارف خانگی است – تقریباً کل جمعیت آفریقای زیر صحرا. تقاضای برق نیز به همان اندازه سرسام‌آور است و پیش‌بینی می‌شود تا پایان این دهه به ۹۴۵ تراوات ساعت برسد، که تقریباً سه برابر مصرف برق سالانه ترکیبی پاکستان، بنگلادش و نیجریه است.[3][4]

برای درک اینکه چرا هوش مصنوعی اینقدر تشنه است، باید به مکانیک حرارتی محاسبات مدرن نگاه کرد. واحدهای پردازش گرافیکی با عملکرد بالا (GPUs)، تراشه‌های تخصصی که مدل‌های هوش مصنوعی را آموزش داده و اجرا می‌کنند، به طور قابل توجهی بیشتر از پردازنده‌های سنتی برق مصرف می‌کنند. هنگامی که برق از این تراشه‌های سیلیکونی متراکم عبور می‌کند، بخش بزرگی از آن به گرما تبدیل می‌شود. اگر این گرما به سرعت حذف نشود، سرورها ذوب می‌شوند یا خاموشی‌های حرارتی خودکار را فعال می‌کنند.[2]

برای مدیریت این گرمای شدید، مراکز داده فوق‌مقیاس عمدتاً به برج‌های خنک‌کننده تبخیری متکی هستند. در این سیستم‌ها، آب از طریق تأسیسات پمپ می‌شود تا گرمای قفسه‌های سرور را جذب کند. سپس آب گرم شده به برج‌های خنک‌کننده هدایت می‌شود، جایی که در معرض هوای بیرون قرار گرفته و تبخیر می‌شود و گرما را با خود به اتمسفر می‌برد. اگرچه این روش بسیار مؤثر است و برق کمتری نسبت به تهویه مطبوع سنتی مصرف می‌کند، اما آب را به صورت فیزیکی مصرف می‌کند و آن را از حوضه آبریز محلی خارج می‌سازد.[5]

این پویایی چیزی را ایجاد می‌کند که محققان آن را پارادوکس کربن-آب می‌نامند. در تلاش برای کاهش ردپای کربن خود، بسیاری از شرکت‌های فناوری مراکز داده خود را برای حداکثر بهره‌وری انرژی بهینه می‌کنند، که اغلب به معنای اتکای بیشتر به خنک‌سازی تبخیری با آب است. یک مرکز ممکن است به داشتن ردپای کربن پایین افتخار کند زیرا برق کمتری برای خنک کردن سرورهای خود مصرف می‌کند، اما این معیار را با مصرف میلیون‌ها گالن آب شیرین محلی به دست می‌آورد.[1][5]

گزارش سازمان ملل تأکید می‌کند که ارزیابی پایداری از طریق یک لنز واحد «کم‌کربن» می‌تواند این مبادلات حیاتی را پنهان کند. به عنوان مثال، تغییر منبع تغذیه یک مرکز داده از زغال سنگ به زیست‌انرژی (bioenergy) می‌تواند انتشار کربن مرتبط با تولید برق را تا ۷۰ درصد کاهش دهد. با این حال، از آنجا که کشت محصولات زیست‌سوخت به شدت آب‌بر است، همین تغییر می‌تواند باعث شود که ردپای آبی کلی مرکز ۳۰ برابر و ردپای زمینی آن ۱۰۰ برابر افزایش یابد.[1][3]

بحث عمومی پیرامون تأثیر زیست‌محیطی هوش مصنوعی از لحاظ تاریخی بر مرحله آموزش (training) متمرکز بوده است – فرآیند چند ماهه تغذیه مجموعه‌داده‌های عظیم به یک مدل. آموزش یک مدل پیشرو نیازمند یک انفجار عظیم و متمرکز انرژی است. سازمان ملل تخمین می‌زند که آموزش یک مدل نسل بعدی می‌تواند ۱۰۰ گیگاوات ساعت برق و یک میلیارد لیتر آب نیاز داشته باشد.[5]

با این حال، گزارش UNU-INWEH نشان می‌دهد که آموزش تنها بخش کوچکی از مشکل است. اکثریت قریب به اتفاق مصرف انرژی و آب هوش مصنوعی – بین ۸۰ تا ۹۰ درصد – ناشی از استنتاج (inference) است، که همان استفاده روزانه و مداوم از مدل‌های مستقر شده است. تخمین زده می‌شود که تنها ChatGPT روزانه تقریباً ۲.۵ میلیارد درخواست را پردازش می‌کند. با یک تخمین محافظه‌کارانه ۰.۴۲ وات ساعت به ازای هر درخواست متنی، این برنامه واحد تقریباً ۳۸۳ گیگاوات ساعت برق در سال نیاز دارد.[4][5]

هزینه منابع استنتاج نیز بسته به نوع وظیفه به شدت متفاوت است. تولید یک تصویر واحد توسط هوش مصنوعی حدود ۱,۴۵۰ برابر بیشتر از انجام یک کار طبقه‌بندی متن ساده انرژی نیاز دارد. ساخت یک ویدیوی کوتاه تولید شده توسط هوش مصنوعی می‌تواند به اندازه طبقه‌بندی ۲۰۰,۰۰۰ ایمیل هرزنامه برق مصرف کند. از آنجایی که شرکت‌های فناوری در حال تلاش برای ادغام هوش مصنوعی چندوجهی (multimodal AI) – که قادر به پردازش صدا، ویدیو و تصاویر با وضوح بالا است – در موتورهای جستجوی روزمره و نرم‌افزارهای اداری هستند، هزینه منابع به ازای هر جستجو به شدت در حال افزایش است.[4]

فراتر از آب و برق، گسترش فیزیکی زیرساخت‌های هوش مصنوعی تقاضاهای بی‌سابقه‌ای را بر زمین و مواد خام وارد می‌کند. سازمان ملل پیش‌بینی می‌کند که ردپای زمینی مورد نیاز برای پشتیبانی از مراکز داده هوش مصنوعی و تولید برق مرتبط با آنها تا سال ۲۰۳۰ از ۱۴,۵۰۰ کیلومتر مربع فراتر خواهد رفت، منطقه‌ای تقریباً دو برابر مساحت کلان‌شهر جاکارتا.[4]

علاوه بر این، سخت‌افزار تخصصی مورد نیاز برای حجم کاری هوش مصنوعی طول عمر محدودی دارد. سرورها و GPUها باید به طور منظم جایگزین شوند تا با تقاضاهای محاسباتی همگام شوند، که منجر به افزایش زباله‌های الکترونیکی می‌شود. این گزارش تخمین می‌زند که زیرساخت هوش مصنوعی می‌تواند تا پایان این دهه سالانه ۲.۵ میلیون تن متریک زباله الکترونیکی تولید کند، که بخش زیادی از آن حاوی مواد خطرناک و عناصر کمیاب خاکی است که بازیافت آنها دشوار است.[1][6]

توزیع جغرافیایی این زیرساخت، لایه‌ای از عدالت زیست‌محیطی را به معادله اضافه می‌کند. مراکز داده اغلب در مناطقی ساخته می‌شوند که برق ارزان و مشوق‌های مالیاتی ارائه می‌دهند، مناطقی که گاهی اوقات با مناطقی که در حال حاضر با تنش شدید آبی مواجه هستند، همپوشانی دارند. در این مکان‌ها، گسترش تأسیسات محاسباتی به شدت از آبخوان‌های محلی برداشت می‌کند و تقاضای جهانی برای هوش مصنوعی را در برابر دسترسی یک جامعه به آب آشامیدنی سالم و آبیاری کشاورزی قرار می‌دهد.[1][3]

با وجود این پیش‌بینی‌های نگران‌کننده، محققان سازمان ملل تأکید می‌کنند که یافته‌های آنها استدلالی علیه خود هوش مصنوعی نیست. کاوه مدنی، مدیر UNU-INWEH، خاطرنشان کرد که هوش مصنوعی یک فناوری تحول‌آفرین است که قادر به ایجاد پیشرفت‌های پزشکی و بهینه‌سازی شبکه‌های برق است. در عوض، این گزارش فراخوانی است برای مهندسی و استقرار مسئولانه هوش مصنوعی، که تضمین می‌کند ستون فقرات انقلاب تکنولوژیک در چارچوب محدودیت‌های سیاره‌ای توسعه یابد.[4]

برای دستیابی به این هدف، سازمان ملل چارچوبی برای یک اکوسیستم هوش مصنوعی مسئولانه بر اساس «بهره‌وری از طریق طراحی» ترسیم می‌کند. این امر مستلزم یک تغییر اساسی در نحوه ساخت و استقرار مدل‌ها توسط شرکت‌های فناوری است. از توسعه‌دهندگان خواسته می‌شود که انتخاب مدل، تنظیمات خروجی پیش‌فرض و تصمیمات مسیریابی سرور را به عنوان عوامل تعیین‌کننده حیاتی ردپای زیست‌محیطی در نظر بگیرند، نه اینکه صرفاً بر سرعت و قابلیت تمرکز کنند.[1][5]

برای کاربران و سازمان‌های استقراردهنده، مسیر پیش رو شامل پذیرش هوش مصنوعی «متناسب با هدف» است. این به معنای انتخاب کوچک‌ترین و سبک‌ترین مدلی است که می‌تواند یک کار خاص را به درستی انجام دهد. استفاده از یک مدل چندوجهی عظیم و انرژی‌بر برای انجام یک خلاصه متن ساده، شبیه به راندن یک کامیون کمپرسی تجاری برای رفتن به فروشگاه مواد غذایی است. متناسب‌سازی ابزار با وظیفه می‌تواند ردپای استنتاج کلی را به شدت کاهش دهد.[5]

در بخش سخت‌افزار، صنعت در حال بررسی راه‌حل‌های پیشرفته مدیریت حرارتی است که متکی بر تبخیر آب شهری نیستند. نوآوری‌هایی مانند خنک‌سازی مایع مستقیم به تراشه – که در آن یک چرخه بسته از مایع خنک‌کننده مستقیماً روی پردازنده‌ها به گردش در می‌آید – و خنک‌سازی غوطه‌وری (immersive cooling)، که در آن کل قفسه‌های سرور در مایع نارسانا غوطه‌ور می‌شوند، مسیرهایی را برای مدیریت گرما بدون تخلیه آبخوان‌های محلی ارائه می‌دهند.[6]

در نهایت، گزارش سازمان ملل به وضوح نشان می‌دهد که پایداری نمی‌تواند در مسابقه هوش مصنوعی یک مسئله فرعی باشد. دولت‌ها و غول‌های فناوری باید برنامه‌ریزی زیرساخت دیجیتال را در سیاست‌های گسترده‌تر حکمرانی آب و انرژی ادغام کنند. با اندازه‌گیری کامل هزینه زیست‌محیطی – کربن، آب و زمین – و طراحی سیستم‌هایی که به این محدودیت‌ها احترام می‌گذارند، بشریت می‌تواند از مزایای هوش مصنوعی بهره ببرد بدون اینکه منابع طبیعی مورد نیاز برای حفظ آن را ورشکسته کند.[5]