Ριάνα Στυλιανού
Κάθε φορά που γράφουμε μια ερώτηση στο ChatGPT και πατάμε enter, μέσα σε λίγα δευτερόλεπτα έχουμε την απάντησή μας. Αυτό που δεν βλέπουμε, όμως, είναι όσα συμβαίνουν πίσω από την οθόνη.
Για να λειτουργήσει η τεχνητή νοημοσύνη απαιτούνται τεράστια data centers, γεμάτα ισχυρούς servers που καταναλώνουν ενέργεια και παράγουν θερμότητα. Για να παραμένουν σε ασφαλή θερμοκρασία χρειάζονται συνεχή ψύξη και, σε πολλές εγκαταστάσεις, αυτή ηδιαδικασία απαιτεί νερό.
Επιπλέον νερό μπορεί να καταναλώνεται έμμεσα για την παραγωγή της ηλεκτρικής ενέργειας που τροφοδοτεί τα data centers. Έτσι, πίσω από κάτι τόσο άυλο όσο μια συνομιλία με το ChatGPT υπάρχει μια απολύτως πραγματική υποδομή και μαζί της ένα υδατικό αποτύπωμα που ο χρήστης δεν βλέπει ποτέ.
Για τον χρήστη, η διαδικασία είναι σχεδόν αόρατη. Το πόσο νερό αντιστοιχεί σε κάθε ερώτηση δεν έχει μία απλή απάντηση. Οι εκτιμήσεις διαφέρουν σημαντικά, κυρίως επειδή δεν υπολογίζουν όλες τα ίδια πράγματα.
Από 0,3 έως 10 ml νερού ανά ερώτηση
Σύμφωνα με εκτίμηση που έχει αναφέρει ο CEO της OpenAI, Sam Altman, ένα query στο ChatGPT αντιστοιχεί περίπου σε 0,3 ml νερού, δηλαδή περίπου στο 1/15 ενός κουταλιού του γλυκού. Η συγκεκριμένη εκτίμηση αφορά την άμεση χρήση νερού για την ψύξη των servers και όχι το συνολικό υδατικό αποτύπωμα που μπορεί να συνδέεται με τη λειτουργία τους.
Ανεξάρτητες έρευνες, ωστόσο, έχουν καταλήξει σε υψηλότερους αριθμούς. Μελέτη ερευνητών του University of California, Riverside υπολόγισε περίπου 500 ml νερού για 5 έως 50 queries, εκτίμηση που μπορεί να αντιστοιχεί περίπου σε 10 ml ανά prompt. Η διαφορά προκύπτει επειδή σε αυτή την περίπτωση συνυπολογίζεται και το νερό που απαιτείται για την παραγωγή της ηλεκτρικής ενέργειας που τροφοδοτεί τα data centers.
Άλλες εκτιμήσεις που παρουσιάζονται κινούνται περίπου στα 5 έως 10 ml ανά query, με τις αποκλίσεις να επηρεάζονται από παράγοντες όπως η περιοχή, το ενεργειακό μείγμα και ο τρόπος ψύξης των εγκαταστάσεων.
Γιατί υπάρχει τόσο μεγάλη διαφορά στις εκτιμήσεις;
Το βασικό ζήτημα είναι τι ακριβώς θεωρούμε «κατανάλωση νερού του ChatGPT». Μια πιο περιορισμένη μέτρηση μπορεί να εξετάζει αποκλειστικά το νερό που χρησιμοποιείται απευθείας στα data centers για την ψύξη του εξοπλισμού.
Μια ευρύτερη ανάλυση, αντίθετα, μπορεί να συμπεριλαμβάνει το νερό που χρησιμοποιείται για την παραγωγή ηλεκτρικής ενέργειας, αλλά και το αποτύπωμα που σχετίζεται με την κατασκευή και τη συντήρηση του hardware, όπως GPUs και servers. Έτσι, η ίδια αλληλεπίδραση μπορεί να υπολογίζεται από 0,3 ml έως 10 ml ή περισσότερο, ανάλογα με τη μεθοδολογία.
Σημαντικό ρόλο παίζει και το πού βρίσκεται ένα data center. Σε ψυχρότερα κλίματα μπορούν να αξιοποιούνται περισσότερο συστήματα ψύξης με αέρα, ενώ σε θερμότερες περιοχές χρησιμοποιούνται συχνά συστήματα εξατμιστικής ψύξης. Συνεπώς, η κατανάλωση νερού μπορεί να διαφοροποιείται σημαντικά ανάλογα με την τοποθεσία, τη θερμοκρασία, την εποχή και την τεχνολογία της εγκατάστασης.
Μια ερώτηση είναι λίγο. Δισεκατομμύρια όμως;
Σε ατομικό επίπεδο, ακόμη και οι υψηλότερες εκτιμήσεις μοιάζουν πολύ μικρές. Το άρθρο Τοποθετείται η κατανάλωση μιας ερώτησης στο ChatGPT μεταξύ 0,3 και 10 ml, ενώ για σύγκριση βλέπουμε περίπου 7 ml νερού για ένα δευτερόλεπτο βουρτσίσματος των δοντιών και περίπου 7.570 ml για ένα λεπτό ντους.
Η εικόνα αλλάζει όταν οι αριθμοί πολλαπλασιαστούν σε τεράστια κλίμακα. Αν υποθέσουμε ένα δισεκατομμύριο queries ημερησίως με κατανάλωση 0,3 ml το καθένα, προκύπτουν περίπου 300.000 λίτρα νερού την ημέρα. Με μια εκτίμηση 10 ml ανά query, το αντίστοιχο νούμερο φτάνει τα 10 εκατομμύρια λίτρα.
Με την πρώτη ματιά, η κατανάλωση νερού από το ChatGPT μπορεί να φαίνεται ασήμαντη, μόλις μερικές σταγόνες για κάθε ερώτηση. Όταν, όμως, αυτή η ποσότητα πολλαπλασιάζεται με τα δισεκατομμύρια ερωτήματα που γίνονται καθημερινά, μετατρέπεται σε έναν τεράστιο όγκο νερού, δημιουργώντας ουσιαστικούς προβληματισμούς σχετικά με το περιβαλλοντικό αποτύπωμα της τεχνητής νοημοσύνης.
Μπορεί η τεχνητή νοημοσύνη να γίνει πιο βιώσιμη;
Τα καλά νέα είναι ότι η κατάσταση μπορεί να βελτιωθεί. Η τεχνητή νοημοσύνη μπορεί να γίνει πιο βιώσιμη, όμως αυτό απαιτεί συντονισμένες και συνειδητές ενέργειες σε πολλά επίπεδα. Οι εταιρείες τεχνολογίας χρειάζεται να αναπτύξουν πιο «καθαρές» υποδομές, να βελτιστοποιήσουν τα μοντέλα τους και να δημοσιοποιούν με διαφάνεια στοιχεία σχετικά με το περιβαλλοντικό τους αποτύπωμα.
Παράλληλα, οι χρήστες μπορούν να υιοθετήσουν πιο συνειδητές συνήθειες, αντιμετωπίζοντας κάθε ερώτημα προς την τεχνητή νοημοσύνη ως μέρος ενός ευρύτερου οικολογικού συστήματος.
Η ανάπτυξη πιο αποδοτικών υποδομών αποτελεί ήδη μέρος της συζήτησης γύρω από το περιβαλλοντικό αποτύπωμα της AI. Μεταξύ των λύσεων που εξετάζονται είναι τα πιο αποτελεσματικά συστήματα ψύξης και τα closed-loop συστήματα, τα οποία μπορούν να περιορίσουν τις απώλειες νερού μέσω εξάτμισης.
Παράλληλα, η ανάπτυξη μικρότερων και αποδοτικότερων μοντέλων, τεχνικές όπως το quantization και πιο εξειδικευμένα AI chips μπορούν να μειώσουν τις υπολογιστικές και ενεργειακές απαιτήσεις.
