9 دقیقه
بررسی ادعای ویروسی: «هر پرسش ChatGPT ۶۴ لیتر آب مصرف میکند»
آمار ویروسی — «هر پرسش به ChatGPT معادل مصرف ۶۴ لیتر آب است» — آنقدر در شبکهها دستبهدست شد که بهصورت یک واقعیت پذیرفته شد. این ادعا اما درست نیست. سام آلتمن، مدیرعامل OpenAI، در سخنرانی خود در رویدادی که توسط The Indian Express در هند برگزار شد، بهصراحت این رقم را رد کرد و گفت ادعاهای مربوط به «مصرف آب» بیاساس و گمراهکنندهاند.
پیشینه و منشاء اشتباه
خلاصه و مستقیم: داستان قدیمی درباره مصرف عظیم آب از زمانی نشأت میگیرد که برخی از مرکزهای داده (دِیْتاسنترها) از روش خنکسازی تبخیری استفاده میکردند. این تکنیک واقعاً از آب استفاده میکند، اما در بسیاری از مراکز مدرن بهطور گسترده کنار گذاشته شده یا با روشهای کارآمدتر و کممصرفتر جایگزین گردیده است. آلتمن اشاره کرد که ارقام منتشرشده در فضای آنلاین، نحوه تغییر زیرساختها و استراتژیهای خنکسازی را نادیده میگیرند و تصویر تحریفشدهای از هزینههای آب سیستمهایی مانند ChatGPT نشان میدهند.
آیا این یعنی نگرانی زیستمحیطی وجود ندارد؟
قطعاً نه؛ این بهمعنای بیاهمیتی اثرات زیستمحیطی نیست. آلتمن پذیرفت که مصرف انرژی نگرانی معقول و رو به رشدی است. مقیاس اهمیت دارد: یک پرسش ممکن است کسری از یک کیلوواتساعت برق مصرف کند، اما تقاضای جهانی و شبانهروزی برای سرویسهای هوش مصنوعی با سرعت بالا میرود. بار تجمعی انرژی — نه برآوردهای جداشده برای هر پرسش — معیاری است که باید قانونگذاران، اپراتورها و دستاندرکاران صنعت را نگران کند.
مقایسهای بحثبرانگیز: هوش مصنوعی در برابر ذهن انسان
آلتمن سپس مقایسهای تحریکآمیز مطرح کرد: چگونه هزینه انرژی «هوشمندی» را اندازه میگیریم؟ انسانها دههها زمان میبرند تا یاد بگیرند. او اشاره کرد که یک انسان در مسیر رشد شناختی تا بلوغ، معادل حدود ۲۰ سال غذای مصرفی و انرژی متابولیک مصرف میکند. همچنین او شناخت انسانی را محصول تلاشی تکاملی دانست که نزدیک به صد میلیارد نفر (تخمینی از جمعیت تاریخی انسانها) را شامل میشود — فرآیندی آهسته، گسترده و پرهزینه از منظر انرژی و زمان.
معیار مقایسه منصفانه
نتیجه آلتمن این بود: اگر بخواهید مقایسهای منصفانه انجام دهید، انرژی لازم برای یک مدل هوش مصنوعی آموزشدیده تا به یک پرسش پاسخ دهد را در برابر انرژیای قرار دهید که یک انسان برای پاسخ به همان پرسش مصرف میکند. از این منظر، او پیشنهاد داد که هوش مصنوعی میتواند از نظر انرژی کارآمدتر باشد — اما تحت یک شرط حیاتی: انرژی مورد استفاده باید با کربن کم یا بدون کربن تولید شود.
راهحل پیشنهادی: گسترش سریع انرژی پاک
پس راهحل چیست؟ فراهمسازی و استقرار سریعتر انرژی پاک. آلتمن تاکید کرد که تغییر شتابان به سمت انرژیهای هستهای مدرن، بادی و خورشیدی ضروری است تا جهان بتواند تقاضای رو به رشد برق را بدون تشدید بحران اقلیمی پاسخ دهد. او استدلال کرد که این موضوع یک الحاق اختیاری نیست؛ بلکه ستون فقرات توسعه مسئولانه و مقیاسپذیر هوش مصنوعی است.
چرا انرژی کمکربن مهم است
وقتی سخن از «کارایی انرژی» پیش میآید، حسابوکتاب باید شامل منبع تولید برق نیز باشد. یک مدل هوش مصنوعی که با برق حاصل از سوختهای فسیلی اجرا میشود، لزوماً برنده مقایسه زیستمحیطی نخواهد بود. برعکس، اگر همان مدل با جریان برق بادی، خورشیدی یا هستهای کار کند، بازده زیستمحیطی آن بهمراتب بهتر ارزیابی میشود. بنابراین، سیاستگذاری برای توسعه شبکههای برق تجدیدپذیر و سرمایهگذاری در زیرساختهای پاک، بخش جداییناپذیر راهبردهای پایدار هوش مصنوعی است.
شکاف اطلاعاتی و نیاز به شفافیت
یک پیچیدگی دیگر: در سطح جهانی هنوز الزام قانونی مشخصی وجود ندارد که شرکتهای فناوری باید آثار مصرف آب و انرژی خود را بهطور دقیق و حسابرسیشده منتشر کنند. پژوهشگران مستقل تلاش میکنند با استفاده از برآوردهای غیرمستقیم و مدلسازی، تاثیرات را تخمین بزنند؛ اما این روشها همیشه با عدم قطعیت همراهاند. در برخی نواحی، مراکز داده باعث افزایش قیمت برق و فشار بر شبکههای توزیع شدهاند که خود پیامدهای اجتماعی-اقتصادی و زیستمحیطی دارد.
نمونههایی از فشار بر شبکه و بازار برق
- افزایش تقاضا در ساعات اوج مصرف میتواند به بالا رفتن قیمت برق خانگی و صنعتی منجر شود.
- مرکزهای داده بدون هماهنگی با برنامهریزی شبکه میتوانند موجب ناپایداری ولتاژ یا نیاز به سرمایهگذاری سریع در ارتقای شبکه شوند.
- در مناطقی با منابع آبی محدود، کاربرد روشهای خنکسازی پرآب میتواند منابع محلی را تحت فشار قرار دهد.
بحث، شفافیت و راهبردهای سیاستی
بحث و شفافیت باید همگام با استقرار فناوری جلو برود. اگر جدی به دنبال هوش مصنوعی پایدار هستیم، باید گفتوگو را از سرخطهای جنجالی درباره «مصرف آبِ ۶۴ لیتر» به سمت پرسشهای عملیتر و ساختاریتر هدایت کنیم: چه میزان سرمایهگذاری در انرژی پاک لازم است؟ چگونه میتوان دادهمرکزها را واداشت تا آمار مصرف انرژی و آب خود را گزارش و حسابرسی کنند؟ چه استانداردهای صنعتی و مقرراتی باید بهوجود آید تا تضمین شود توسعه هوش مصنوعی بار اجتماعی و زیستمحیطی نامتناسبی تحمیل نکند؟
پیشنهادهای سیاستی و عملی
- ایجاد چارچوبهای گزارشدهی استاندارد و حسابرسیشده برای مصرف انرژی و آب در شرکتهای فناوری.
- تشویق یا الزام به استفاده از منابع انرژی تجدیدپذیر برای مراکز داده و خدمات ابری از طریق مشوقهای مالی یا مقرراتی.
- بهینهسازی خنکسازی مراکز داده با فناوریهای کمآب و سرمایش مبتنی بر بازسازی گرما بهمنظور کاهش مصرف آب و برق.
- سرمایهگذاری در شبکههای برق هوشمند و ذخیرهسازی انرژی برای مدیریت بار و کاهش نیاز به نیروگاههای پیکدهنده فسیلی.
جزئیات فنی: روشهای خنکسازی و نقش زیرساخت
در دهههای گذشته، مراکز داده از چندین روش خنکسازی استفاده کردهاند از جمله خنکسازی مبتنی بر هوا، خنکسازی مایع، و خنکسازی تبخیری. خنکسازی تبخیری تضمینکننده کارایی بالاست اما میتواند مصرف آب قابلتوجهی داشته باشد؛ به همین دلیل بسیاری از اپراتورها امروز به راهکارهایی چون خنکسازی مستقیم مایع، حلقههای آب بسته، و ادغام با منابع انرژی تجدیدپذیر روی آوردهاند. انتخاب استراتژی خنکسازی تابعی از اقلیم محل مرکز داده، هزینه آب، مقررات محلی و هزینه برق است.
شاخصهای کلیدی فنی که باید اندازهگیری شوند
- Power Usage Effectiveness (PUE): نسبت کل انرژی مصرفی مرکز داده به انرژی مورد استفاده توسط تجهیزات IT — شاخصی برای کارایی انرژی.
- Water Usage Effectiveness (WUE): شاخصی برای سنجش بهرهوری مصرف آب در مراکز داده.
- Carbon Intensity of Electricity: میزان انتشار گازهای گلخانهای به ازای هر واحد برق مصرفی.
گزارشدهی منظم و استاندارد سازی این شاخصها میتواند نظم و شفافیت بیشتری ایجاد کند و امکان مقایسه و بهبود مستمر را فراهم سازد.
تحلیل هزینه-فایده: هوش مصنوعی بهعنوان سرمایهگذاری انرژی یا بار اضافی؟
اگرچه هر پرسش جداگانه ممکن است مصرف انرژی اندکی داشته باشد، ولی نگرانی اصلی مربوط به استفاده تجمعی و همهگیری هوش مصنوعی است. در مقابل، باید این نکته را نیز در نظر گرفت که هوش مصنوعی میتواند در بهینهسازی مصرف انرژی در صنایع دیگر نقش داشته باشد؛ برای نمونه مدیریت تولید، شبکههای برق هوشمند، طراحی بهینه ساختمان، و بهینهسازی حملونقل همگی میتوانند از مدلهای AI بهره ببرند تا کلیت مصرف انرژی کاهش یابد. بنابراین، تحلیل نهایی باید جامع و چندجانبه باشد: آیا خروجیها و مزایای کلی AI از هزینههای زیستمحیطی و انرژی آن فراتر میرود؟ پاسخ بستگی به منبع انرژی، کارایی زیرساخت و سیاستهای همراستا دارد.
چگونگی حرکت به سوی هوش مصنوعی پایدار
چند اقدام عملی و فوری که بازیگران مختلف — دولتها، شرکتها و پژوهشگران — میتوانند در پیش گیرند:
- سیاستگذاری برای افزایش سهم انرژی تجدیدپذیر در سبد برق و فراهمسازی زیرساخت انتقال برق با ظرفیت کافی.
- الزام یا تشویق افشای سالانه شاخصهای PUE و WUE و شدت کربن برای خدمات ابری و مراکز داده.
- حمایت از تحقیق و توسعه در خنکسازی کمآب و فناوریهای پردازشی با کارایی انرژی بالاتر.
- ایجاد مشوقهای مالی برای شرکتهایی که سرورهای خود را با برق پاک تأمین میکنند یا مراکز داده را در مناطق با دسترسی به انرژی تجدیدپذیر قرار میدهند.
نتیجهگیری
ادعای ویروسی «۶۴ لیتر آب برای هر پرسش ChatGPT» تصویر سادهشده و اغراقآمیزی از یک موضوع پیچیده است. باید از جملهبندیهای جنجالی عبور کنیم و بحث را به سمت واقعیتهای فنی و سیاستی هدایت کنیم: ارزیابی جامع از مصرف انرژی و آب هوش مصنوعی نیازمند دادههای شفاف، معیارهای استاندارد و بررسی منشاء انرژی مورداستفاده است. هوش مصنوعی میتواند در صورت پشتیبانی از انرژی کمکربن و زیرساختهای کارآمد، بخشی از راهحل برای مسائل جهانی انرژی و کارایی باشد؛ اما بدون برنامهریزی، سرمایهگذاری و شفافیت، رشد سریع آن میتواند فشارهای اقتصادی و زیستمحیطی قابلتوجهی ایجاد کند.
اگر خواهان هوش مصنوعی پایدار هستیم، گفتوگو باید از تیترهای جنجالی رسانهای به سمت پرسشهای عملیتر درباره برق پاک، سرمایهگذاری در زیرساخت، استانداردهای گزارشدهی و مقررات هدایت شود. تنها در آن صورت است که میتوانیم رشد فناوری را با حفاظت از محیطزیست و منافع عمومی همسو سازیم.
منبع: smarti
ارسال نظر