صورت‌حساب بعدی آبِ هوش مصنوعی ممکن است بسیار قبل از آنکه یک مرکز داده جدید اولین درخواست (Prompt) چت‌جی‌پتی خود را پردازش کند، از راه برسد. پژوهشی از دانشگاه کالیفرنیا در ریورساید (UC Riverside) با همکاری مؤسسه فناوری کالیفرنیا (Caltech) برآورد می‌کند که سیستم‌های آب شهری آمریکا با توجه به سرعت رشد مراکز داده و با فرض اینکه روش‌های کارآمد جدید مصرف را کاهش ندهند، تا سال ۲۰۳۰ ممکن است به ۱۰ تا ۵۸ میلیارد دلار سرمایه‌گذاری در زیرساخت‌های جدید نیاز داشته باشند.

اکثر بحث‌ها این‌گونه مطرح می‌شوند که یک پرسش از هوش مصنوعی چقدر آب مصرف می‌کند و سپس آن را با یک قاشق چای‌خوری یا یک بطری مقایسه می‌کنند. اما شهرها سیستم‌های آبرسانی خود را بر اساس میانگین مصرف یک پرسش طراحی نمی‌کنند؛ آن‌ها زیرساخت‌ها را برای گرم‌ترین روز سال می‌سازند. این اوج مصرف (Peak) و مشخص بودن اینکه چه کسی هزینه خدمات‌رسانی در آن شرایط را می‌پردازد، همان مسئله تجاری بزرگی است که پشت آمارهای جنجالی پنهان شده است.

بحث بر سر مصرفِ هر پرامپت، حقیقت زیرساخت‌ها را پنهان می‌کند

مقایسه با بطری آب یک منبع واقعی دارد. در سال ۲۰۲۴، روزنامه واشنگتن‌پست با همکاری محققان دانشگاه ریورساید برآورد کرد که تولید یک ایمیل ۱۰۰ کلمه‌ای توسط مدل GPT-4 در یک مرکز داده معمولی در آمریکا چه میزان منابع نیاز دارد. مدل آن‌ها مصرف آب را ۵۱۹ میلی‌لیتر تخمین زد که شامل هر دو بخشِ سیستم خنک‌کننده و آب مرتبط با تولید برق می‌شد.

محققی که پشت این آمار بود، از آن زمان عدد خود را تجدیدنظر کرده است. شائولی رن (Shaolei Ren) از دانشگاه ریورساید که برآورد سال ۲۰۲۴ را ارائه کرده بود، اکنون این رقم را برای یک پرامپت GPT-4 حدود ۱۵ میلی‌لیتر می‌داند که نزدیک به ۵ میلی‌لیتر آن مربوط به خنک‌سازی در محل است. او رقم اولیه را برای سیستم‌های امروزی قدیمی و منسوخ می‌داند.

سم آلتمن نوشت که یک پرسش معمولی از چت‌جی‌پتی حدود ۰.۰۰۰۰۸۵ گالن (تقریباً ۰.۳۲ میلی‌لیتر) آب مصرف می‌کند. با این حال، او جزئیات کافی برای تطبیق این عدد با برآورد واشنگتن‌پست منتشر نکرد. سایر پژوهشگران نیز تفاوت‌های بسیار زیادی در میان مدل‌ها و بار کاری مختلف یافته‌اند. یک مطالعه شاخص در سال ۲۰۲۵ با عنوان هوش مصنوعی چقدر تشنه است؟، مصرف مدل‌های کارآمد را کمتر از ۲ میلی‌لیتر برآورد کرد، در حالی که برخی از مدل‌های استدلالی بیش از ۱۵۰ میلی‌لیتر به ازای هر پرسش مصرف می‌کردند.

این ارقام وظایف یکسانی را توصیف نمی‌کنند و مرزهای محاسباتی یکسانی ندارند. آن‌ها بسته به مدل، طول خروجی، سخت‌افزار، سیستم خنک‌کننده، منبع انرژی و موقعیت جغرافیایی تغییر می‌کنند. این پراکندگیِ آمار توضیح می‌دهد که چرا یک میانگین کشوری، اطلاعات کمی درباره ظرفیت مورد نیاز یک پروژه خاص به سازمان‌های آب محلی می‌دهد.

هوش مصنوعی در زمان اوج مصرف چقدر آب می‌نوپد؟

مجموع مصرف سالانه، مقیاس کلی را نشان می‌دهد اما محدودیت‌های مهندسی را پنهان می‌کند. گزارشی از آزمایشگاه برکلی در سال ۲۰۲۴ تخمین زد که تمامی مراکز داده آمریکا (نه فقط مراکز هوش مصنوعی) در سال ۲۰۲۳ مستقیماً حدود ۱۷.۴ میلیارد گالن آب مصرف کرده‌اند. این گزارش پیش‌بینی کرد که مصرف مستقیم مراکز داده فوق مقیاس (Hyperscale) تا سال ۲۰۲۸ می‌تواند به ۱۶ تا ۳۳ میلیارد گالن در سال برسد.

با این حال، یک شهر نمی‌تواند اندازه لوله‌های آب خود را بر اساس میانگین مصرف سالانه کشوری تعیین کند. تیم تحقیقاتی ریورساید و کالتک دریافتند که تقاضای روزانه برای خنک‌کننده‌های تبخیری در هوای گرم می‌تواند به ۶ تا ۱۰ برابر میانگین سالانه برسد. برای برخی از تاسیسات در دست احداث، این ضریب حتی می‌تواند از ۳۰ برابر نیز فراتر رود. پروژه‌های بزرگ در یک روز گرم می‌توانند بیش از یک میلیون گالن آب برداشت کنند و حتی به برخی از مراکز در حال ساخت، سهمیه‌ای تا ۸ میلیون گالن در روز اختصاص یافته است.

پژوهشگران برآورد می‌کنند بدون بازدهی‌های جدید، سیستم‌های آبرسانی آمریکا تا سال ۲۰۳۰ ممکن است به ۶۹۷ میلیون تا ۱.۴۵ میلیارد گالن ظرفیت جدید در روزهای اوج مصرف نیاز داشته باشند؛ یعنی تقریباً معادل کل مصرف روزانه شهر نیویورک. بخش زیادی از این ظرفیت در خارج از گرم‌ترین روزهای سال بلااستفاده خواهد ماند، اما اداره‌های آب همچنان باید هزینه احداث و نگهداری آن را بپردازند.

میانگین‌های سالانه حتی زمانی که چند روز گرم سال باعث سرمایه‌گذاری‌های سنگین زیرساختی می‌شوند، ممکن است معقول به نظر برسند. اما لوله‌ها، پمپ‌ها و ظرفیت‌های تصفیه‌ای که برای آن روزهای اوج مصرف ساخته می‌شوند، باید برای چندین دهه تامین مالی و نگهداری شوند.

سیستم‌های خنک‌کننده: جابه‌جایی هزینه بین آب و برق

ممنوعیت خنک‌کاری با آب، تنها بخش از بار مصرف را به شبکه برق منتقل می‌کند. سیستم‌های تبخیری حرارت را به شکلی کارآمد دفع می‌کنند اما آب مصرف می‌کنند. سیستم‌های خنک‌کننده خشک و چیلرهای هواپایه، مصرف مستقیم آب را کاهش می‌دهند اما به طور کلی برق بیشتری می‌کشند. سازمان Circle of Blue نیز اشاره می‌کند که ترکیب منابع انرژی منطقه‌ای، ردپای غیرمستقیم آب را تغییر می‌دهد، زیرا برخی از روش‌های تولید برق نسبت به روش‌های دیگر آب بسیار بیشتری مصرف می‌کنند.

حرکت صنعت به سمت سیستم‌های خنک‌کننده بدون آب و مداربسته (Closed-loop) می‌تواند مصرف مستقیم آب را به شدت کاهش دهد. اما مداربسته بودن به خودی خود مسئله را حل نمی‌کند. آب ممکن است بارها در داخل مرکز داده بچرخد، اما آن مرکز همچنان به یک روش نهایی برای دفع حرارت نیاز دارد؛ سیستمی که ممکن است از هوا، تبخیر یا هر دو استفاده کند.

این تصمیمات بسیار قبل از ورود سرورها گرفته می‌شوند. انتخاب محل احداث پروژه، منبع آب و اقلیمِ در دسترس را مشخص می‌کند. قرارداد تامین برق بر مصرف غیرمستقیم آب تاثیر می‌گذارد و طراحی سیستم خنک‌کننده، موازنه میان مصرف آب و تقاضای برق را تعیین می‌کند. تغییر این تصمیمات پس از ساخت بسیار گران تمام می‌شود؛ موضوعی که باعث می‌شود قراردادهای توسعه و تامین، اهمیت بسیار بیشتری نسبت به تعداد پرامپت‌های یک کاربر داشته باشند.

گنجاندن شروط اوج مصرف آب در قراردادها

مدیران و مقامات محلی باید قبل از تصویب یک پروژه بزرگ مرکز داده، چهار رقم کلیدی را مطالبه کنند: ۱. میزان اوج تقاضای روزانه آب در گرم‌ترین شرایط متصور (نه فقط میانگین سالانه). ۲. شناسایی منبع تامین آب در زمان اعمال محدودیت‌های خشکسالی. ۳. تفکیک مصرف مستقیم پروژه از آبِ مرتبط با تامین برق آن. ۴. تعیین یک رقم مشخص برای مشارکت قراردادی توسعه‌دهنده در ساخت تصفیه‌خانه، مخازن و لوله‌کشی‌های جدید.

این رقم آخر بسیار حیاتی است. محققان دانشگاه ریورساید و کالتک توصیه می‌کنند که توسعه‌دهندگان باید به تامین مالی بهبودهای قابل راستی‌آزمایی در سیستم‌های آبرسانی کمک کنند تا هزینه‌های توسعه کاملاً بر دوش مشترکان محلی نیفتد. سازمان‌های آب نیز باید تعرفه کاربران بزرگ یا حق ظرفیتی را در نظر بگیرند که بخش بیشتری از هزینه زیرساخت‌های اختصاصی را به مشتری ایجادکننده تقاضا منتقل کند. گزارش‌دهی شرایط اوج مصرف و شروط مالیِ لازم‌الاجرا باید در متن قرارداد گنجانده شوند، نه در گزارش‌های پایداری زیست‌محیطی که پس از افتتاح مرکز منتشر می‌شوند.

پرسش آشنای هوش مصنوعی چقدر آب مصرف می‌کند؟ همچنان شایسته پاسخ است، اما به واحد سنجش درست نیاز دارد. میلی‌لیتر به ازای هر پرامپت می‌تواند برای مقایسه مدل‌ها مفید باشد، اما نمی‌تواند به یک شهردار بگوید که آیا تصفیه‌خانه شهر از پس موج گرمای بعدی برمی‌آید یا به یک مدیر بگوید خدمات‌رسانی به یک سایت چقدر هزینه دارد. بررسی را با اوج تقاضای روزانه، منبع آب و قرارداد زیرساختی آغاز کنید. این ارقام نشان می‌دهند که آیا یک مرکز داده یک مشتری قابل مدیریت است یا یک بدهی و بار مالی چندده‌ساله. منبع: فوربز