Kolik vody spotřebuje umělá inteligence?

Vsadím se, že jste slyšeli všechno možné od „umělá inteligence vypije lahev vody každých pár otázek“ až po „v podstatě je to pár kapek“. Pravda je trochu složitější. Vodní stopa umělé inteligence se značně liší v závislosti na tom, kde běží, jak dlouhá je vaše výzva a jak datové centrum chladí své servery. Takže ano, toto číslo existuje, ale skrývá se za spoustou výhrad.

Níže rozebírám jasná, pro rozhodování připravená čísla, vysvětluji, proč se odhady liší, a ukazuji, jak mohou stavitelé a běžní uživatelé snížit spotřebu vody, aniž by se z nich stali mniši udržitelnosti.

Články, které byste si mohli po tomto přečíst:

🔗 Co je datová sada umělé inteligence
Vysvětluje, jak datové sady umožňují trénování strojového učení a vývoj modelů.

🔗 Jak umělá inteligence předpovídá trendy
Ukazuje, jak umělá inteligence analyzuje vzorce, aby předpovídala změny a budoucí výsledky.

🔗 Jak měřit výkon umělé inteligence
Rozebírá základní metriky pro posouzení přesnosti, rychlosti a spolehlivosti.

🔗 Jak mluvit s umělou inteligencí
Vede efektivní strategie podněcování ke zlepšení srozumitelnosti, výsledků a konzistence.

Kolik vody spotřebuje umělá inteligence? Rychlá čísla, která můžete skutečně použít 📏

• Typický rozsah na výzvu dnes: od submililitrů pro mediánovou textovou výzvu na jednom běžném systému až po desítky mililitrů pro delší odpověď s vyššími výpočetními náklady na jiném. Například produkční účetnictví společnosti Google uvádí mediánovou textovou výzvu ~0,26 ml (včetně plné režijní doby obsluhy) [1]. Hodnocení životního cyklu Mistralu odhaduje odpověď asistenta se 400 tokeny na ~45 ml (marginální inference) [2]. Kontext a model hrají velkou roli.

• Trénování modelu v hraničním měřítku: může jít o miliony litrů , většinou z chlazení a vody spotřebované při výrobě elektřiny. Široce citovaná akademická analýza odhadla ~5,4 milionu litrů pro trénování modelu třídy GPT, včetně ~700 000 litrů spotřebovaných na místě pro chlazení – a argumentovala pro inteligentní plánování pro snížení náročnosti vody [3].

• Datová centra obecně: velká zařízení u velkých provozovatelů v průměru spotřebují stovky tisíc galonů denně , s vyššími špičkami v některých areálech v závislosti na klimatu a designu [5].

Buďme upřímní: tato čísla se zpočátku zdají být nekonzistentní. Ano, jsou. A existují pro to dobré důvody.

Metriky spotřeby vody s využitím umělé inteligence ✅

Dobrá odpověď na otázku Kolik vody spotřebovává umělá inteligence? by měla zaškrtnout několik políček:

1. Jasnost hranic
   Zahrnuje pouze chladicí vodu z lokality , nebo i mimo lokalitu používanou elektrárnami k výrobě elektřiny? Nejlepší postupy rozlišují mezi odběrem vody a spotřebou vody a rozsahy 1-2-3, podobně jako uhlíkové účetnictví [3].

2. Citlivost lokality Spotřeba
   vody na kWh se liší v závislosti na regionu a skladbě sítí, takže tatáž výzva může mít různý dopad na vodu v závislosti na tom, kde je dodávána – což je klíčový důvod, proč literatura doporučuje plánování s ohledem na čas a místo [3].

3. Realismus pracovní zátěže
   Odráží číslo medián produkčních výzev , včetně nečinné kapacity a režie datového centra, nebo pouze akcelerátoru ve špičce? Google pro inferenci zdůrazňuje započítání celého systému (nečinnost, CPU/DRAM a režie datového centra), nikoli pouze matematiku TPU [1].

4. Technologie chlazení
   Odpařovací chlazení, kapalinové chlazení s uzavřenou smyčkou, chlazení vzduchem a nově vznikající k přímému chlazení čipem dramaticky mění spotřebu vody. Společnost Microsoft zavádí návrhy, jejichž cílem je eliminovat používání chladicí vody pro určitá pracoviště nové generace [4].

5. Denní doba a roční období
   Teplo, vlhkost a podmínky v rozvodné síti ovlivňují efektivitu využívání vody v reálném životě; jedna vlivná studie navrhuje plánovat hlavní práce v době a tam, kde je spotřeba vody nižší [3].

Odběr vody vs. spotřeba vody, vysvětlení 💡

• Odběr = voda odebraná z řek, jezer nebo zvodnělých vrstev (některá vrácená).

• Spotřeba = voda, která se nevrací , protože se odpařuje nebo je začleněna do procesů/produktů.

Chladicí věže spotřebovávají vodu primárně odpařováním. Výroba elektřiny může odebírat velké objemy (někdy spotřebovávat i část vody), v závislosti na zařízení a způsobu chlazení. Důvěryhodné označení spotřeby vody od umělé inteligence, které uvádí [3].

Kam v umělé inteligenci proudí voda: do tří kbelíků 🪣

1. Rozsah 1 – chlazení na místě
   Viditelná část: voda odpařovaná v samotném datovém centru. Základní linie určují odpařování vs. vzduch nebo uzavřený okruh kapaliny

2. Rozsah 2 – výroba elektřiny
   Každá kWh může nést skrytý vodní štítek; složení a umístění určují signál litrů na kWh, který vaše pracovní zatížení zdědí [3].

3. Rozsah 3 – dodavatelský řetězec
   Výroba čipů se při výrobě spoléhá na ultračistou vodu. V metrice „na výzvu“ ji neuvidíte, pokud hranice explicitně nezahrnuje ztělesněné dopady (např. kompletní LCA) [2][3].

Poskytovatelé v číslech, s nuancemi 🧮

• Výzvy Google Gemini.
  Metoda obsluhy Full-stack (včetně nečinnosti a režie zařízení). Medián textové výzvy ~0,26 ml vody a ~0,24 Wh energie; čísla odrážejí provozní provoz a komplexní limity [1].

• Životní cyklus rakety Mistral Large 2.
  Vzácná nezávislá analýza životního cyklu (LCA) (s ADEME/Carbone 4) uvádí ~281 000 m³ pro trénink + počáteční využití a inferenční margin ~45 mL pro se 400 tokeny [2].

• Ambice Microsoftu v oblasti chlazení s nulovou spotřebou vody
  Datová centra nové generace jsou navržena tak, aby spotřebovávala nulovou spotřebu vody na chlazení a opírala se o přístupy přímého chlazení na čip; administrativní využití stále vyžaduje určité množství vody [4].

• Obecné měřítko datových center.
  Hlavní provozovatelé veřejně uvádějí v průměru stovky tisíc galonů denně na jednotlivých místech; klima a design těchto údajů ovlivňují nahoru nebo dolů [5].

• Dřívější akademická základna
  Klíčová analýza „žíznivé umělé inteligence“ odhadla miliony litrů potřebných k trénování modelů třídy GPT a že 10–50 středních odpovědí by se mohlo zhruba rovnat 500ml lahvi – silně v závislosti na tom, kdy/kde jsou spuštěny [3].

Proč se odhady tolik liší 🤷

• Různé hranice
  Některé údaje počítají pouze chlazení na místě ; jiné zahrnují elektřinu a vodu ; LCA mohou zahrnovat výrobu lupínků , jablka, pomeranče a ovocný salát [2][3].

• Různé úlohy
  Krátký textový výzva není dlouhý multimodální/kódový běh; dávkování, souběžnost a cíle latence mění využití [1][2].

• Různá klimata a sítě
  Odpařovací chlazení v horké, suché oblasti ≠ chlazení vzduchem/kapalinou v chladné a vlhké oblasti. Intenzita vody v síti se značně liší [3].

• Metodologie dodavatelů
  Google zveřejnil celosystémovou metodu obsluhy; Mistral zveřejnil formální LCA. Jiní nabízejí bodové odhady s řídkými metodami. Známé tvrzení o „jedné patnáctině čajové lžičky“ na výzvu se dostalo na titulní stránky novin – ale bez detailních hranic to není srovnatelné [1][3].

• Pohyblivý cíl
  Chlazení se rychle vyvíjí. Společnost Microsoft v některých lokalitách pilotně zavádí bezvodé chlazení ; jeho zavedení sníží spotřebu vody na místě, i když elektřina z dodavatelského řetězce stále nese signál o vodě [4].

Co můžete udělat dnes pro snížení vodní stopy umělé inteligence 🌱

1. Správná velikost modelu
   Menší modely vyladěné na daný úkol často dosahují stejné přesnosti, ale spotřebovávají méně výpočetního výkonu. Mistralovo hodnocení zdůrazňuje silné korelace mezi velikostí a zastavěnou plochou – a zveřejňuje marginální inferenční čísla, abyste mohli uvažovat o kompromisech [2].

2. Vyberte si regiony s rozumnou spotřebou vody.
   Preferujte regiony s chladnějším podnebím, efektivním chlazením a sítěmi s nižší spotřebou vody na kWh; práce s „žíznivou umělou inteligencí“ ukazuje, že s ohledem na čas a místo pomáhá [3].

3. Časově přesouvejte pracovní zátěž.
   Naplánujte školení/intenzivní dávkové odvozování s ohledem na hodiny s nízkou spotřebou vody (chladnější noci, příznivé podmínky v síti) [3].

4. Požádejte svého dodavatele o transparentní metriky,
   jako je poptávka po vodě na výzvu , definice hranic a to, zda čísla zahrnují nevyužitou kapacitu a režijní náklady zařízení. Politické skupiny prosazují povinné zveřejňování, aby bylo možné porovnávat reálné výsledky [3].

5. Chlazení je důležité.
   Pokud provozujete hardware, zvažte chlazení s uzavřenou smyčkou/přímým chlazením na čip ; pokud používáte cloud, upřednostňujte regiony/poskytovatele investující do designů s vodním osvětlením [4][5].

6. Využívejte šedou vodu a možnosti jejího opětovného využití.
   Mnoho kampusů může nahradit nepitné zdroje nebo recyklovat v rámci okruhů; velcí provozovatelé popisují vyvažování zdrojů vody a možností chlazení, aby minimalizovali čistý dopad [5].

Rychlý příklad pro ilustraci (není to univerzální pravidlo): přesunutí nočního školení z horké a suché oblasti v létě do chladnější a vlhčí oblasti na jaře – a jeho provozování mimo špičku a v chladnějších hodinách – může změnit jak spotřebu vody na místě, mimo místo (v síti). To je ten druh praktického a nenáročného plánování výher, který může být využit [3].

Srovnávací tabulka: rychlé tipy, jak snížit spotřebu vody umělou inteligencí 🧰

(„Cena“ je záměrně nízká – nasazení se liší.)

Hluboký ponor: bubnování politiky je čím dál hlasitější 🥁

Technické orgány požadují povinné zveřejňování informací o energii a vodě v datových centrech, aby kupující a komunity mohly posoudit náklady a přínosy. Doporučení zahrnují definice rozsahu, reporting na úrovni lokality a pokyny pro umístění – protože bez srovnatelných metrik zohledňujících danou lokalitu se hádáme v nevědomosti [3].

Hloubkový pohled: datová centra nečerpávají data stejně 🚰

Existuje přetrvávající mýtus, že „chlazení vzduchem nespotřebovává vodu“. Ne tak docela. Systémy s vysokým obsahem vzduchu často vyžadují více elektřiny , která v mnoha regionech odvádí skrytou vodu ze sítě; naopak, vodní chlazení může snížit spotřebu energie a emise na úkor vody na místě. Velcí provozovatelé tyto kompromisy explicitně vyvažují pro každé místo [1][5].

Hloubkový pohled: rychlá kontrola reality ohledně virálních tvrzení 🧪

Možná jste viděli odvážná tvrzení, že jedna výzva se rovná „lahvi s vodou“, nebo na druhé straně „jen pár kapek“. Lepší držení těla: pokora s matematikou . Dnešní věrohodné zarážky jsou ~0,26 ml pro mediánovou produkční výzvu s plnou reží porce [1] a ~45 ml pro odpověď asistenta se 400 tokeny (okrajová inference) [2]. Často sdílené „jedné patnáctině čajové lžičky“ postrádá veřejnou hranici/metodu; berte to jako předpověď počasí bez města [1][3].

Mini-FAQ: Kolik vody spotřebuje umělá inteligence? opět, srozumitelně 🗣️

• Takže, co bych měl říct na schůzce?
  „Podle pokynů se to pohybuje od kapek po několik doušků , v závislosti na modelu, délce a místě, kde se to dělá. Trénink probíhá v kalužích , ne v kalužích.“ Pak uveďte jeden nebo dva výše uvedené příklady.

• Je umělá inteligence jedinečně špatná?
  Je jedinečně koncentrovaná : vysoce výkonné čipy nashromážděné pohromadě vytvářejí velké chladicí zátěže. Datová centra jsou ale také místem, kde se nejvýkonnější technologie obvykle objevují jako první [1][4].

• Co kdybychom prostě všechno přesunuli na chlazení vzduchem?
  Možná bychom snížili na místě , ale zvýšili spotřebu mimo místo pomocí elektřiny. Sofistikovaní operátoři zvažují obojí [1][5].

• A co technologie budoucnosti?
  Konstrukce, které se vyhnou chlazení vody ve velkém měřítku, by pro Scope 1 znamenaly zlom. Někteří provozovatelé se tímto směrem ubírají; elektřina z dodavatelského řetězce stále nese signál vody, dokud se nezmění situace v rozvodných sítích [4].

Závěrečné poznámky - Příliš dlouhé, nečetl/a jsem to 🌊

• Na jednu výzvu: berte objemy od submililitrů do desítek mililitrů , v závislosti na modelu, délce výzvy a místě jejího spuštění. Medián výzvy ~0,26 ml na jednom hlavním zásobníku; ~45 ml pro odpověď se 400 tokeny na jiném [1][2].

• Školení: miliony litrů pro modely na hranicích, což činí plánování, umístění a chladicí technologie kritickými [3].

• Co dělat: modely správné velikosti, vybrat oblasti s ohledem na vodní hladinu, přesunout těžké práce do chladnějších hodin, upřednostňovat dodavatele, kteří prokazují návrhy osvětlení s ohledem na vodní hladinu, a požadovat transparentní hranice [1][3][4][5].

Mírně chybná metafora na závěr: AI je žíznivý orchestr – melodie je výpočetní, ale bicí chladnou a rozdělují vodu. Nalaďte kapelu a publikum stále uslyší hudbu, aniž by se spouštěly postřikovače. 🎻💦

Reference

1. Blog Google Cloud – Kolik energie spotřebovává umělá inteligence od Googlu? Vypočítali jsme si to (metodologie + ~0,26 ml mediánového výzvy, plná režie). Odkaz
   (Technický dokument PDF: Měření dopadu poskytování umělé inteligence v měřítku Google na životní prostředí .) Odkaz

2. Mistral AI – Náš příspěvek ke globálnímu environmentálnímu standardu pro AI (LCA s ADEME/Carbone 4; ~281 000 m³ školení + včasné využití; ~45 ml na 400 tokeny , marginální inference). Odkaz

3. Li a kol. - Jak snížit „žízeň“ umělé inteligence: Odhalování a řešení tajné vodní stopy modelů umělé inteligence (trénování milionů litrů , s ohledem na čas a místo , odběr vs. spotřeba). Odkaz

4. Microsoft - Datová centra nové generace nespotřebovávají žádnou vodu na chlazení (designy s přímým chlazením čipů zaměřené na bezvodé chlazení na určitých místech). Odkaz

5. Datová centra Google – Udržitelný provoz (kompromisy v chlazení jednotlivých pracovišť; reporting a opětovné použití, včetně recyklované/šedé vody; typické denní využití na úrovni pracoviště v řádech řádů). Odkaz

Najděte nejnovější AI v oficiálním obchodě s AI asistenty

O nás