پژوهشگران طی یک مطالعه جدید نشان دادند که سامانه های هوش مصنوعی تشنه هستند و برای هر گفتگوی کوتاهی که کاربر با آنها انجام می دهد، تا 500 میلی لیتر آب که معادل یک بطری آب یک نفره است، مصرف می کنند. آنها برای نوشتن یک متن 100 کلمه ای نیز تقریباً به همین میزان آب نیاز دارند. این عدد شامل آبی که برای خنک کردن سرورهای مرکز داده و آبی که در نیروگاه های تولیدکننده برق برای راه اندازی این سامانه ها مصرف می شود، است.

به گزارش ایسنا به نقل از ساینس آلرت، این مطالعه به سرپرستی لئو اس. لو (Leo S. Lo)، مدیر کتابخانه ها، مشاور دانش هوش مصنوعی و استاد دانشگاه ویرجینیا (Virginia) انجام شده است.

مطالعه ای که این تخمین ها را محاسبه کرده است، همچنین نشان می دهد که مصرف آب سامانه های هوش مصنوعی می تواند به طور گسترده ای متفاوت باشد. این امر به اینکه رایانه به چه پرسشی پاسخ می دهد و در کجا و چه زمانی در حال کار است، بستگی دارد. بسیاری از مردم فرض می کنند که هوش مصنوعی ذاتاً مضر است و اثرات زیان آوری دارد. پژوهشگران نشان دادند که این اثرات واقعی هستند، اما تنها بخشی از داستان را تشکیل می دهند.

هنگامی که دید مردم از هوش مصنوعی صرفاً به عنوان یک منبع مصرف کننده به درک ردپای واقعی آن، منشأ اثرات، نحوه تغییر آنها و آنچه می توان برای کاهش آنها انجام داد، تغییر کند، آنها برای انتخاب هایی که نوآوری را با پایداری متعادل می کنند بسیار بهتر، مجهز می شوند.

دو جریان پنهان

پشت هر پرسش هوش مصنوعی، دو جریان مصرف آب وجود دارد. اولین جریان، خنک سازی سرورهایی است که مقادیر زیادی گرما تولید می کنند. مهندسان این کار اغلب از برج های خنک کننده تبخیری استفاده می کنند. این برج ها با تبخیر، گرما را از بین می برند، اما آن آب از منبع آب محلی مانند رودخانه، مخزن یا سفره آب، حذف می شود. سایر سامانه های خنک کننده ممکن است آب کمتر اما برق بیشتری مصرف کنند.

جریان دوم توسط نیروگاه هایی استفاده می شود که برق مورد نیاز برای تامین انرژی مرکز داده را تولید می کنند. نیروگاه های زغال سنگ، گاز و هسته ای مقادیر زیادی آب را برای چرخه های بخار و خنک سازی استفاده می کنند. انرژی آبی نیز مقادیر قابل توجهی آب مصرف می کند که از مخازن تبخیر می شود. نیروگاه های خورشیدی نیز در صورت تکیه بر خنک سازی مرطوب می توانند مصرف آب زیادی داشته باشند، اما توربین های بادی و پنل های خورشیدی پس از ساخت، تقریباً هیچ آبی مصرف نمی کنند.

مصرف آب با مکان به طور چشمگیری تغییر می کند. یک مرکز داده خنک و مرطوب اغلب می تواند به هوای بیرون تکیه کند و ماه ها با حداقل مصرف آب کار کند. در مقابل، یک مرکز داده دیگر ممکن است بسیار به خنک سازی تبخیری وابسته باشد. این رویکرد در هوای گرم و خشک بسیار مؤثر است، اما همچنان مقادیر زیادی آب لازم دارد. زمان نیز اهمیت دارد. مطالعه ای نشان داده است که یک مرکز داده ممکن است در زمستان تنها نصف آب مصرفی در تابستان را استفاده کند.

روش های جدید، جایگزین های امیدوارکننده ای ارائه می دهند. یک فناوری جدید از مایکروسافت برای خنک سازی از هیچ آبی استفاده نمی کند. این فناوری با چرخاندن یک مایع خاص، به طور مستقیم از طریق لوله های مهر و موم شده در تراشه های رایانه ای، گرما را جذب کرده و سپس آن را از طریق یک سامانه بسته بدون نیاز به تبخیر آزاد می کند.

مراکز داده همچنان برای سرویس های بهداشتی و سایر امکانات کارکنان از مقداری آب آشامیدنی استفاده خواهند کرد، اما خنک سازی به خودی خود دیگر از منابع آب محلی برداشت نخواهد کرد.

با این حال، این رویکردها عمدتاً به دلیل هزینه، پیچیدگی نگهداری و دشواری تبدیل مراکز داده موجود به سامانه های جدید هنوز رایج نیستند. نوع مدل هوش مصنوعی که از آن پرسش می شود نیز اهمیت دارد. این به دلیل سطوح مختلف پیچیدگی، سخت افزار و میزان قدرت پردازنده مورد نیاز آنهاست. برخی مدل ها ممکن است منابع بسیار بیشتری نسبت به بقیه مصرف کنند. یک مطالعه نشان داده بود که برخی مدل ها می توانند بیش از 70 برابر انرژی و آب بیشتری نسبت به مدل های فوق العاده کارآمد مصرف کنند.

میزان تخمین های متفاوت، از 0/26 میلی لیتر تا 39 میلی لیتر نشان می دهد که چقدر اثرات کارایی، مدل هوش مصنوعی و زیرساخت تولید برق اهمیت دارند. طبق گزارش های شرکت های اوپن ای آی (OpenAI) و گوگل، هوش مصنوعی هرکدام از آنها به ترتیب حدود 97/5 میلیون لیتر در روز و 650 هزار لیتر در روز آب مصرف می کنند.

مصرف آب هوش مصنوعی مولد در حال حاضر در مقایسه با سایر مصارف رایج، کم است. با این وجود، تقاضای آب آن ثابت نیست. گزارش های گوگل نشان می دهد که وقتی سامانه ها با تراشه های تخصصی، خنک سازی کارآمد و مدیریت هوشمند بهینه سازی می شوند، چه تغییراتی امکان پذیر می شود. بازیافت آب و قرار دادن مراکز داده در مناطق خنک تر و مرطوب تر نیز می تواند کمک کند. شفافیت در این موضوع نیز اهمیت دارد. زمانی که شرکت ها داده های خود را منتشر می کنند، عموم مردم، سیاست گذاران و دانشمندان می توانند ببینند که چه چیزی قابل دستیابی است و ارائه دهندگان را به طور منصفانه مقایسه کنند.

این مطالعه در مجله The Conversation منتشر شده است.