حقیقت درباره ادعای مصرف ۶۴ لیتر آب برای هر پرسش چت جی پی تی

ادعاهای ویروسی درباره مصرف آب

یک آمار ویروسی — «هر پرسش در ChatGPT معادل مصرف ۶۴ لیتر آب است» — آن‌قدر زیاد منتشر شده که به نظر یک حقیقت قطعی می‌آید. اما این رقم درست نیست. سام آلتمن، مدیرعامل OpenAI، هنگام صحبت در رویدادی که توسط The Indian Express در هند برگزار شد، به شدت به این عدد واکنش نشان داد و ادعاهای مربوط به مصرف آب را «بی‌پایه» و گمراه‌کننده خواند. در نقد او نکته اصلی این است که بسیاری از برآوردهای عمومی مبتنی بر اطلاعات قدیمی یا روش‌های تخمین نادقیق هستند و واقعیت فعلی مراکز داده و تکنیک‌های خنک‌سازی را منعکس نمی‌کنند.

ریشهٔ ادعا: خنک‌سازی تبخیری و واقعیت‌های فنی

خلاصهٔ کوتاه و مهم: داستان قدیمی دربارهٔ مصرف گستردهٔ آب بازمی‌گردد به زمانی که برخی از مراکز داده از خنک‌سازی تبخیری (evaporative cooling) استفاده می‌کردند. این روش در برخی شرایط اقلیمی از آب استفاده می‌کند و وقتی در مقیاس بزرگ به کار می‌رود، می‌تواند میزان آب مصرفی را بالا ببرد. با این حال، بسیاری از مراکز دادهٔ مدرن از این روش صرف‌نظر کرده‌اند یا آن را ترکیب با راهکارهای دیگر کرده‌اند. آلتمن تأکید می‌کند که اعداد منتشرشده در اینترنت تغییرات زیرساختی، انتقال به روش‌های هوا-خنک (air-cooled)، خنک‌سازی مایع، و استفاده از سیستم‌های بازیابی آب و بازچرخانی را نادیده می‌گیرند — در نتیجه تصویر غلطی از هزینهٔ آبیِ واقعی سیستم‌هایی مانند چت‌جی‌پی‌تی ارائه می‌دهند.

تفاوت میان روش‌ها و دلایل تغییر

روش‌های خنک‌سازی شامل خنک‌سازی هوا محور، خنک‌سازی مایع محلول، خنک‌سازی با غوطه‌وری (immersion cooling) و سیستم‌های تبخیر کنترل‌شده هستند. هر یک از این روش‌ها پروفایل مصرف آب و انرژی متفاوتی دارند. علاوه بر این، معیارهای فنی مانند PUE (Power Usage Effectiveness) و WUE (Water Usage Effectiveness) برای سنجش کارایی مصرف انرژی و آب در مراکز داده توسعه یافته‌اند؛ به کمک این شاخص‌ها می‌توان بهتر ارزیابی کرد که یک مرکز داده چقدر آب یا برق برای هر واحد محاسباتی مصرف می‌کند. در چند سال اخیر، ترندِ حرکت به سمت خنک‌سازی کمتر وابسته به آب و استفاده از راهکارهای بازچرخانی و بازیابی آب افزایش یافته است، بنابراین تخمین‌های قدیمی می‌توانند به شدت اغراق‌آمیز باشند.

شاخص‌های فنی مرتبط

چند شاخص کلیدی که تصمیم‌گیرندگان و پژوهشگران برای سنجش اثر زیست‌محیطی مراکز داده دنبال می‌کنند عبارتند از:

• PUE — نسبت کل مصرف انرژی مرکز داده به انرژی مصرفی تجهیزات IT؛ عدد نزدیک به 1 نشان‌دهندهٔ کارایی بالاست.
• WUE — میانگین مصرف آب نسبت به مصرف انرژی یا به ازای هر ترابایت-ساعت؛ این شاخص تلاش می‌کند مصرف آب را به فعالیت واقعی مراکز داده مرتبط کند.
• شدت کربنی برق — میزان انتشار دی‌اکسیدکربن به ازای هر کیلووات-ساعت تولید برق؛ این عدد تعیین می‌کند که حتی مصرف برق کم چقدر می‌تواند منجر به انتشار گازهای گلخانه‌ای شود.

با در نظر گرفتن این معیارها، می‌توان دید که چرا ادعاهای ساده‌ای مانند «۶۴ لیتر برای هر پرسش» معمولاً خطا دارند: آن‌ها نه زیرساخت فعلی را می‌سنجند، نه تفکیک بین آموزش مدل‌ها و اجرای پرسش‌ها (inference) را رعایت می‌کنند، و نه شدت کربنی مصرف برق را لحاظ می‌کنند.

نگرانی‌های محیط‌زیستی: آیا باید نگران باشیم؟

این پرسش مهم مطرح می‌شود که با وجود رد ادعای ۶۴ لیتر، آیا نگرانی زیست‌محیطی وجود دارد یا خیر. پاسخ کوتاه: بله — مخصوصاً از منظر مصرف انرژی و اثرات تجمعی. آلتمن پذیرفت که مصرف انرژی یک نگرانی واقعی و در حال رشد است. نکتهٔ کلیدی مقیاس است؛ یک پرسش ممکن است تنها کسری از یک کیلووات‌ساعت برق مصرف کند، اما تقاضای جهانی ۲۴/۷ برای خدمات هوش مصنوعی به سرعت در حال افزایش است. بار تجمعی انرژی، نه برآوردهای تک‌پرسشی جدا شده، معیاری است که باید سیاست‌گذاران و اپراتورها را نگران کند. در سطح فنی، دو عامل باید در کنار هم بررسی شوند: شدت انرژی برای هر عملیات استنتاج (inference) و انرژی مجموع صرف‌شده برای آموزش، نگهداری و انتقال مدل‌ها. در بسیاری از موارد، هزینهٔ آموزش مدل‌های بزرگ به ویژه در مصرف برق و انتشار کربن چشمگیر است، اما این هزینه می‌تواند وقتی بر تعداد زیادی پرسش آمortize می‌شود، در هر پاسخ کاهش یابد. با این حال، رشد سریع استفاده می‌تواند بار برق کلی را بالا برده و نیاز به منابع تولید پایدار و ارتقای شبکه را تشدید کند.

مقایسه بحث‌برانگیز: هوش مصنوعی در برابر انسان

آلتمن سپس مقایسه‌ای تحریک‌آمیز مطرح کرد: چگونه هزینهٔ انرژی «هوش» را بسنجیم؟ انسان‌ها دهه‌ها طول می‌کشند تا مهارت‌های شناختی پیچیده را کسب کنند. او اشاره کرد که یک فرد در مسیر رشد تا توانایی شناختی بالغ، تقریباً معادل ۲۰ سال غذا و انرژی متابولیک مصرف می‌کند. همچنین آلتمن توضیح داد که شناخت انسانی حاصل تلاش تکاملی و جمعی حدوداً صد میلیارد انسان (برآوردی کلی از جمعیت‌های انسانی گذشته) است — فرآیندی آهسته، پراکنده و پرهزینه از منظر انرژی و زمان. این مقایسه می‌خواهد نشان دهد که اگر معیار مقایسه، انرژی لازم برای تولید یک پاسخ از یک سیستم آموزش‌دیدهٔ هوش مصنوعی در برابر انرژی صرف‌شده توسط یک انسان برای همان پاسخ باشد، ممکن است هوش مصنوعی در برخی سناریوها «کارآمدتر» به نظر آید — البته مشروط بر اینکه انرژی مورد استفاده از منابع با شدت کربنی پایین تأمین شود.

مشخصات فنی مقایسه

در این نوع مقایسه‌ها دو نوع انرژی باید جداگانه محاسبه شود: ۱) انرژی صرف‌شده در فاز آموزش و آماده‌سازی مدل که معمولاً بسیار بالا است و باید بر مجموعهٔ بزرگی از پرسش‌ها تسهیم شود، و ۲) انرژی هر بار استنتاج (هر پاسخ‌دهی) که می‌تواند نسبتاً کم باشد و بسته به معماری مدل، بهینه‌سازی‌های نرم‌افزاری و سخت‌افزاری و محل مرکز داده متفاوت باشد. علاوه بر این، اگر برق مصرفی از منابع تجدیدپذیر تأمین شود، کارایی نهایی از منظر انتشار کربن به‌طور چشمگیری بهتر خواهد بود.

راه‌حل‌ها: انتقال سریع به انرژی پاک

پس راه‌حل چیست؟ بر اساس سخنان آلتمن، تسریع در استقرار انرژی پاک است. او از تغییر سریع به سمت هسته‌ای، بادی و خورشیدی حمایت کرد تا جهان بتواند افزایش تقاضای برق را بدون تشدید بحران اقلیمی تأمین کند. این دیدگاه بر این اصل استوار است که توسعهٔ مسئولانهٔ هوش مصنوعی بدون زیرساخت انرژی کم‌کربن ممکن نیست. در عمل، راهبردهای فنی و سیاستی متعددی می‌تواند به کاهش اثرات زیست‌محیطی کمک کند: سرمایه‌گذاری در نیروگاه‌های تجدیدپذیر، استفاده از قراردادهای خرید برق بلندمدت (PPAs)، به‌کارگیری سیستم‌های ذخیره‌سازی انرژی برای هموارسازی نوسانات تولید، بهره‌وری بالا در مراکز داده از طریق طراحی مؤثر و استفاده از سخت‌افزارهای تخصصی با مصرف برق کمتر (مانند شتاب‌دهنده‌های اختصاصی برای عملیات یادگیری ماشین) و همچنین توسعهٔ روش‌های نرم‌افزاری کارآمدتر در سطح مدل و سرویس‌دهی.

شفافیت، گزارش‌دهی و مقررات

یک پیچیدگی دیگر وجود دارد: در حال حاضر هیچ الزام قانونی جهانی واحدی برای شرکت‌های فناوری مبنی بر انتشار دقیق و حسابرسی‌شدهٔ ردپای آب و انرژی وجود ندارد. پژوهشگران مستقل تلاش می‌کنند با استفاده از برآوردهای غیرمستقیم و مدل‌سازی اثرات را محاسبه کنند، اما کمبود دادهٔ شفاف و یکپارچه کار را دشوار می‌سازد. در برخی مناطق، مراکز داده باعث افزایش قیمت برق محلی یا فشار بر شبکه‌های توزیع شده‌اند؛ بنابراین گزارش‌دهی عمومی، استانداردهای حسابرسی مستقل و چارچوب‌های تنظیمی می‌تواند برای محافظت از مصرف‌کنندگان و زیست‌بوم محلی ضروری باشد. اقدامات ممکن شامل استانداردسازی اندازه‌گیری PUE و WUE، الزام به افشای شدت کربنی برق مصرفی، گزارش‌دهی انتشار گازهای گلخانه‌ای بر اساس پروتکل‌های معتبر، و تشویق یا الزام به گواهی‌های ثالث برای پایداری است. افزون بر این، توجه به تأثیر اجتماعی-اقتصادی مراکز داده، مانند اثر بر قیمت برق خانگی و کسب‌وکارهای محلی، بخشی از یک رویکرد جامع خواهد بود.

نتیجه‌گیری: از تیترهای جنجالی تا اقدامات واقعی

بحث و شفافیت همراه با گسترش فناوری پیش خواهد رفت. اما اگر واقعاً به هوش مصنوعی پایدار اهمیت می‌دهیم، باید گفتگو را از تیترهای جنجالی و آمارهای ویروسی به سمت سوالات عملی دربارهٔ انرژی پاک، سرمایه‌گذاری در زیرساخت‌ها و گزارش‌دهی شفاف منتقل کنیم. به عبارت دیگر، تمرکز باید بر سیاست‌گذاری مبتنی بر داده، انتشار اطلاعات حسابرسی‌شده، ارتقای کارایی انرژی و تداوم در استقرار منابع تجدیدپذیر باشد. در عین حال نباید نگرانی‌های واقعی را نادیده گرفت: حتی اگر مصرف آبِ مستقیمِ یک پرسش بسیار کمتر از آن حد اغراق‌شده باشد، رشد سریع استفاده از خدمات هوش مصنوعی می‌تواند بارهای جدیدی بر شبکهٔ برق و منابع محلی تحمیل کند که نیازمند برنامه‌ریزی و مدیریت است.

نکات کلیدی برای خواننده

در پایان، چند نکتهٔ خلاصه:

• ادعای «۶۴ لیتر آب برای هر پرسش» به عنوان یک حقیقت کلی قابل اتکا نیست و بر پایهٔ داده‌های قدیمی یا برآوردهای ساده‌سازی‌شده است.
• خنک‌سازی تبخیری یکی از روش‌های مصرف‌کنندهٔ آب بوده اما در بسیاری از مراکز دادهٔ مدرن تا حد زیادی کنار گذاشته یا اصلاح شده است.
• نگرانی واقعی بیشتر به مصرف انرژی و بار تجمعی شبکه مربوط است؛ شدت کربنی برق نقش تعیین‌کننده‌ای دارد.
• راه‌حل‌ها شامل تسریع استفاده از انرژی پاک (هسته‌ای، بادی، خورشیدی)، بهبود کارایی مرکز داده و شفافیت گزارش‌دهی است.

اگر پیگیر موضوع پایداری هوش مصنوعی هستید، دنبال منابعی باشید که داده‌های عملیاتی، گزارش‌هایThird-party و شاخص‌های دقیق (مانند PUE، WUE و شدت کربنی برق) را ارائه می‌دهند — نه صرفاً تیترهای ویروسی که ممکن است تصویر را ساده‌سازی یا تحریف کنند.