پشت پاسخهای چندثانیهای هوش مصنوعی؛ قبض سنگین آب و برق
پشت پاسخهای چندثانیهای هوش مصنوعی، مصرف سنگین برق و آب پنهان است. گزارشی تازه ابعاد واقعی ردپای کربنی و محیطزیستی این فناوری را بررسی میکند.
پاسخی که هوش مصنوعی در چند ثانیه تولید میکند، حاصل فعالیت هزاران پردازنده، مراکز داده عظیم و سامانههای خنککنندهای است که شبانهروز کار میکنند. پشت این سرعت چشمگیر، مصرف قابلتوجه برق، آب، زمین و مواد اولیه پنهان شده است؛ هزینهای که کاربران معمولاً آن را نمیبینند.
گزارش تازهای درباره هزینههای پنهان هوش مصنوعی بر محیطزیست نشان میدهد مراکز داده جهان در سال ۲۰۲۵ حدود ۴۴۸ تراواتساعت برق و نزدیک به ۴.۵ تریلیون لیتر آب مصرف کردهاند. این ارقام تنها به آموزش مدلهای هوش مصنوعی محدود نمیشود؛ هر جستوجو، پاسخ متنی، تصویر یا ویدئوی تولیدشده نیز سهمی در افزایش ردپای محیطزیستی این فناوری دارد.
هوش مصنوعی؛ فناوری مجازی با زیرساختی کاملاً واقعی
هوش مصنوعی در نگاه نخست، فناوریای نرمافزاری و غیرملموس به نظر میرسد؛ اما فعالیت آن به زیرساختی فیزیکی و گسترده وابسته است. این زیرساخت از معادن استخراج مواد معدنی و کارخانههای تولید تراشه آغاز میشود و تا مراکز داده، شبکههای انتقال اطلاعات، تجهیزات خنککننده و زبالههای الکترونیکی ادامه پیدا میکند.
امروز هوش مصنوعی در حوزههایی مانند پزشکی، حملونقل، بانکداری، انرژی، آموزش، سرگرمی و تولید محتوا کاربرد دارد. عرضه ChatGPT در سال ۲۰۲۲ نیز رقابت گستردهای میان شرکتهای فناوری ایجاد کرد و سرویسهایی مانند Gemini، DeepSeek و Grok بهسرعت وارد بازار شدند.
پیشبینیها نشان میدهد ارزش بازار جهانی هوش مصنوعی که در سال ۲۰۲۳ حدود ۱۸۹ میلیارد دلار بود، ممکن است تا سال ۲۰۳۳ از ۴.۸ تریلیون دلار عبور کند. با این حال، رشد اقتصادی و فناورانه این صنعت، هزینههایی جدی برای منابع طبیعی به همراه دارد.
هزینههایی که در محاسبات اقتصادی دیده نمیشوند
استخراج مواد معدنی، تولید تراشههای پیشرفته، ساخت مراکز داده و مصرف آب برای خنکسازی تجهیزات، بخشی از هزینه واقعی هوش مصنوعی است؛ هزینهای که اغلب در قیمت نهایی خدمات یا تجربه کاربر دیده نمیشود.
این فشار زیستمحیطی در بسیاری از موارد به جوامع کمدرآمد و کشورهای درحالتوسعه منتقل میشود؛ مناطقی که ممکن است با کمبود آب، ضعف زیرساخت یا دسترسی محدود به انرژی پایدار مواجه باشند.
آموزش مدلهای هوش مصنوعی چقدر انرژی مصرف میکند؟
آموزش یک مدل هوش مصنوعی فرایندی طولانی، پیچیده و انرژیبر است. مدل باید با استفاده از میلیاردها کلمه، تصویر و داده، پارامترهای خود را تنظیم کند. این فرایند ممکن است از چند روز تا چند ماه طول بکشد و به هزاران پردازنده گرافیکی قدرتمند نیاز داشته باشد.
این پردازندهها در مقایسه با تجهیزات رایانهای معمولی برق بیشتری مصرف میکنند و گرمای زیادی تولید میکنند. برای دفع این گرما نیز مراکز داده به سامانههای خنککننده پرقدرت نیاز دارند؛ سامانههایی که خود مصرفکننده قابلتوجه برق و آب هستند.
مقایسه مصرف GPT-3 و GPT-4
براساس دادههای گزارش، مدل GPT-3 در سال ۲۰۲۰ طی ۳۴ روز حدود ۱.۲۸۷ گیگاواتساعت برق مصرف کرد. در مقابل، مصرف برق GPT-4 در دورهای ۱۰۰روزه بین ۵۰ تا ۷۰ گیگاواتساعت برآورد شده است؛ یعنی حدود ۴۰ تا ۵۵ برابر بیشتر از مدل قبلی.
ردپای کربنی GPT-4 نیز حدود ۲۵ هزار تن دیاکسیدکربن تخمین زده شده است. برای جذب چنین حجمی از دیاکسیدکربن، حدود ۴۲۰ هزار درخت باید بهمدت ۱۰ سال رشد کنند.
ردپای آبی این مدل نیز نزدیک به ۶۰۰ میلیون لیتر برآورد شده است؛ آبی که برای پر کردن حدود ۲۳۷ استخر المپیک یا تأمین نیاز اولیه سالانه بیش از ۸۱ هزار نفر در آفریقای جنوب صحرا کافی است.
مساحت زمین مورد استفاده برای زیرساختهای مرتبط با این مدل نیز حدود ۰.۹ کیلومترمربع، معادل تقریبی ۱۲۵ زمین فوتبال، اعلام شده است.
مراکز داده؛ یازدهمین مصرفکننده برق جهان
مراکز داده قلب تپنده اقتصاد دیجیتال هستند. خدمات ابری، شبکههای اجتماعی، بازیهای آنلاین، پخش ویدئو و ابزارهای هوش مصنوعی همگی به فعالیت شبانهروزی این مراکز وابستهاند.
گزارش مورد استناد نشان میدهد مصرف برق جهانی مراکز داده در سال ۲۰۲۵ به ۴۴۸ تراواتساعت رسیده است. اگر مراکز داده را یک کشور در نظر بگیریم، این مجموعه پس از فرانسه و پیش از عربستان سعودی، در جایگاه یازدهمین مصرفکننده بزرگ برق جهان قرار میگیرد.
این میزان برق میتواند نیاز سالانه جمعیتی حدود ۱.۳ میلیارد نفر در آفریقای جنوب صحرا را برای بیش از دو سال تأمین کند.
مصرف آب و زمین مراکز داده
ردپای آبی مراکز داده در سال ۲۰۲۵ حدود ۴.۵ تریلیون لیتر برآورد شده است. این میزان معادل پر کردن حدود ۱.۸ میلیون استخر المپیک یا تأمین نیاز اولیه آب بیش از ۶۲۰ میلیون نفر در آفریقاست.
ردپای زمینی این مراکز نیز به حدود ۶ هزار و ۹۰۰ کیلومترمربع میرسد؛ مساحتی نزدیک به ۴.۵ برابر وسعت لندن.
اگر روند فعلی ادامه پیدا کند، پیشبینی میشود تا سال ۲۰۳۰:
- مصرف برق مراکز داده از ۹۴۵ تراواتساعت عبور کند؛
- مصرف آب به حدود ۹.۳ تریلیون لیتر برسد؛
- مساحت زمین مورد نیاز از ۱۴ هزار و ۵۰۰ کیلومترمربع فراتر رود.
این برآوردها نشان میدهد رشد هوش مصنوعی بدون برنامهریزی برای مصرف منابع، میتواند فشار بر شبکه برق، منابع آب و زمین را افزایش دهد.
انرژی فسیلی، ردپای کربنی هوش مصنوعی را بیشتر میکند
بیش از ۹۰ درصد توان محاسبات ابری جهان در آمریکا و چین متمرکز است و تنها ۳۲ کشور میزبان مراکز داده هوش مصنوعی هستند. بنابراین، میزان آلودگی این صنعت تا حد زیادی به نوع انرژی مصرفی در کشورهای میزبان بستگی دارد.
در کشورهایی که برق همچنان عمدتاً از سوختهای فسیلی تولید میشود، ردپای کربنی هوش مصنوعی بیشتر است. براساس گزارش، ردپای کربنی برق در اندونزی، هند و هنگکنگ بهترتیب ۶۲، ۵۱ و ۴۳ درصد بالاتر از میانگین جهانی است.
در مقابل، این میزان در آلمان و ایتالیا که سهم انرژیهای تجدیدپذیر در آنها بیشتر است، بهترتیب ۲۴ و ۳۲ درصد پایینتر از میانگین جهانی برآورد شده است. در فرانسه، سوئد و سوئیس نیز اتکا به انرژی هستهای و برقآبی باعث شده ردپای کربنی برق حدود ۸۸ تا ۹۱ درصد کمتر از میانگین جهانی باشد.
کاهش کربن همیشه بهمعنای کاهش مصرف آب نیست
مقایسه منابع انرژی نشان میدهد کاهش انتشار کربن لزوماً به کاهش مصرف آب و زمین منجر نمیشود. در کشورهایی مانند برزیل، کانادا، سوئد و سوئیس که انرژی برقآبی سهم بالایی دارد، تبخیر آب مخازن سدها باعث افزایش ردپای آبی برق میشود.
به همین دلیل، یک مرکز داده با سختافزار مشابه میتواند در فرانسه کربن کمتری منتشر کند، اما مصرف آب و زمین بیشتری داشته باشد. همان مرکز در آمریکا ممکن است ردپای کربنی بالاتری داشته باشد، اما مصرف آب و زمین آن کمتر باشد.
خنکسازی تجهیزات؛ بخش پنهان مصرف آب
آب فقط برای تولید برق مصرف نمیشود. مراکز داده برای کنترل دمای سرورها و پردازندهها نیز به حجم زیادی آب نیاز دارند.
برای نمونه، مرکز داده گوگل در آریزونا سالانه حدود ۵.۵ میلیون مترمکعب آب مصرف میکند. مرکز داده مایکروسافت در هلند نیز در سال ۲۰۲۱، همزمان با خشکسالی شدید، حدود ۸۴ میلیون لیتر آب مصرف کرد؛ رقمی که دهها برابر برآوردهای اولیه بود و اعتراض کشاورزان محلی را به دنبال داشت.
در کوئرتارو مکزیک نیز خشکسالیهای پیدرپی و فشار مصرف مراکز داده، منابع آبی منطقه را تحت تأثیر قرار داده است. کاهش ذخایر آب در این منطقه، هزاران خانوار را با مشکل دسترسی به آب آشامیدنی مواجه کرد.
هر دستور به هوش مصنوعی چه ردپایی دارد؟
بخش بزرگی از انرژی هوش مصنوعی در مرحله استنتاج مصرف میشود؛ یعنی زمانی که مدل به درخواست کاربر پاسخ میدهد. برآوردهای گزارش نشان میدهد ۸۰ تا ۹۰ درصد انرژی مصرفی هوش مصنوعی ممکن است به همین پاسخگوییهای روزمره مربوط باشد.
میزان مصرف انرژی به چند عامل بستگی دارد:
- تعداد درخواستها؛
- طول پاسخ؛
- نوع مدل مورد استفاده؛
- تولید متن، تصویر یا ویدئو؛
- کیفیت خروجی؛
- میزان پردازش مورد نیاز برای پاسخ.
متن، تصویر و ویدئو مصرف یکسانی ندارند
یک عملیات ساده طبقهبندی متن، مانند تشخیص هرزنامه، در پایینترین سطح مصرف انرژی قرار دارد. یک پاسخ کوتاه متنی از مدلهایی مانند ChatGPT حدود ۲۰۰ برابر بیشتر از این خط مبنا انرژی مصرف میکند.
در پاسخهای طولانی، این میزان میتواند به بیش از هزار برابر برسد. تولید تصویر نیز حدود هزار و ۴۵۰ برابر یک عملیات طبقهبندی متن انرژی مصرف میکند.
تولید ویدئو پرمصرفترین فعالیت در میان این نمونههاست. انرژی مورد نیاز برای تولید یک ویدئوی کوتاه با کیفیت بالا میتواند معادل انرژی لازم برای حدود ۲۰۰ هزار عملیات طبقهبندی متن باشد.
جستوجوی هوش مصنوعی ۱۰ برابر پرمصرفتر است؟
براساس دادههای گزارش، یک جستوجوی اینترنتی معمولی حدود ۰.۳ واتساعت برق مصرف میکند. اگر همان جستوجو با موتور جستوجوی مبتنی بر هوش مصنوعی و با مصرف تقریبی ۳ واتساعت انجام شود، میزان مصرف انرژی حدود ۱۰ برابر افزایش مییابد.
در مقیاس جهانی، چنین تفاوتی بسیار مهم است. اگر میلیونها یا میلیاردها جستوجوی روزانه به ابزارهای هوش مصنوعی منتقل شود، مصرف سالانه برق میتواند به حدود ۱۵ تراواتساعت برسد؛ میزان برقی که برای تأمین نیاز سالانه حدود ۱۱۵ میلیون نفر در آفریقا کافی است.
این میزان مصرف، ردپای آبی قابلتوجهی نیز ایجاد میکند و میتواند با نیاز اولیه آب حدود ۲۰ میلیون نفر در آفریقا برابری کند.
نکته مهم: میزان دقیق انرژی و آب مصرفشده به نوع مدل، محل استقرار مرکز داده، منبع تولید برق، شیوه خنکسازی، طول درخواست و کیفیت خروجی بستگی دارد. بنابراین ارقام اعلامشده، برآوردهایی وابسته به روش محاسبه هستند و نباید برای همه سرویسها یکسان در نظر گرفته شوند.
زبالههای الکترونیکی؛ میراث سختافزاری هوش مصنوعی
ردپای محیطزیستی هوش مصنوعی فقط به برق و آب محدود نیست. تراشهها، سرورها و تجهیزات پردازشی پس از مدتی نیازمند تعویض یا ارتقا هستند و بخشی از آنها به زباله الکترونیکی تبدیل میشود.
پیشبینی میشود زبالههای ناشی از سختافزارهای هوش مصنوعی تا سال ۲۰۳۰ سالانه به حدود ۲.۵ میلیون تن برسد؛ رقمی معادل وزن تقریبی ۲۵۰ برج ایفل.
استخراج مواد معدنی مورد نیاز برای تولید تراشه، مصرف انرژی در کارخانهها و دشواری بازیافت تجهیزات، بخش دیگری از هزینه پنهان این فناوری است. اگر چرخه عمر سختافزار بهدرستی مدیریت نشود، کشورهای کمترتوسعهیافته ممکن است مقصد نهایی بخشی از این زبالهها باشند.
چگونه میتوان مصرف هوش مصنوعی را پایدارتر کرد؟
گزارش «هزینههای پنهان هوش مصنوعی بر محیطزیست» برای مدیریت پیامدهای این فناوری، بر شش اصل اساسی تأکید میکند:
۱. شفافیت در مصرف منابع
شرکتهای فناوری باید میزان مصرف برق، آب، زمین و انتشار کربن مدلها و مراکز داده خود را با روشهایی استاندارد و قابل مقایسه منتشر کنند.
۲. طراحی مدلهای سبکتر
استفاده از مدلهای کوچکتر، فشردهسازی، حذف بخشهای غیرضروری، تراشههای اختصاصی و فعالکردن تنها بخش مورد نیاز مدل میتواند مصرف انرژی را کاهش دهد.
۳. رعایت عدالت محیطزیستی
تصمیمگیری درباره محل ساخت مراکز داده نباید تنها بر اساس هزینه زمین یا دسترسی به برق انجام شود. وضعیت منابع آب و نظر جوامع محلی نیز باید در این فرایند لحاظ شود.
۴. توجه به چرخه کامل عمر تجهیزات
از استخراج مواد اولیه تا تولید، استفاده، تعمیر، بازیافت و دفع سرورها، باید مسئولیتپذیری زیستمحیطی رعایت شود.
۵. همکاری جهانی
استانداردهای مشترک برای گزارشدهی، مصرف انرژی، حفاظت از منابع و مدیریت زبالههای الکترونیکی میتواند از انتقال هزینهها به کشورهای ضعیفتر جلوگیری کند.
۶. مصرف آگاهانه کاربران
کاربران نیز میتوانند با انتخاب مدلهای سبکتر برای کارهای ساده، کاهش تولید تصاویر و ویدئوهای غیرضروری و استفاده از جستوجوی معمولی برای پرسشهای ساده، تقاضای انرژی را کاهش دهند.
روی تاریک هوش مصنوعی را باید دید
هوش مصنوعی میتواند بهرهوری، نوآوری و دسترسی به اطلاعات را افزایش دهد؛ اما سرعت پاسخگویی آن نباید ما را از هزینههای واقعی این فناوری غافل کند. هر پاسخ چندثانیهای، نتیجه فعالیت زنجیرهای از تراشهها، سرورها، شبکهها و سامانههای خنککننده است.
مسئله اصلی، توقف توسعه هوش مصنوعی نیست؛ بلکه حرکت بهسوی مدلی است که در آن پیشرفت فناوری با شفافیت، عدالت محیطزیستی و مصرف پایدار همراه باشد. آینده هوش مصنوعی زمانی قابلاعتماد خواهد بود که هزینههای پنهان آن نیز به اندازه مزایایش دیده و مدیریت شود./پیام ما
