اگر مدتی را در شبکههای اجتماعی گذرانده باشید، احتمالاً با مفهوم «عذاب وجدان هوش مصنوعی» (AI guilt) برخورد کردهاید. روایت به این شکل است: هر بار که از چتجیپیتی (ChatGPT) میخواهید یک ایمیل مؤدبانه بنویسد یا دستور پخت یک شام شبانه را تولید کند، یک مزرعه سرور در جایی از دنیا مقداری نامقدس آب آشامیدنی تمیز را صرفاً برای جلوگیری از ذوب شدن تراشهها مصرف میکند.
اکنون، سم آلتمن (Sam Altman)، مدیرعامل اوپنایآی (OpenAI)، میخواهد به این شوخی اینترنتی پایان دهد. آلتمن در صحبتهای خود در اپیزود افتتاحیه پادکست Sources با الکس هیث (Alex Heath)، به شدت با این تصور که پرامپتهای ساده هوش مصنوعی فجایع زیستمحیطی هستند، مقابله کرد.
استدلال متقابل او مقایسه با یک میانوعده غذایی محبوب بود.
۳۸ هزار پرسش از چتجیپیتی = ۱ بادام؟ اعداد و ارقام را بررسی کردیم
به گفته آلتمن، مراکز دادهای که میلیونها گالن آب را میبلعند، به فناوریهای خنککننده منسوخ شده متکی هستند. او ادعا کرد که در تأسیسات مدرن، اجرای ۳۸,۰۰۰ پرسش از چتجیپیتی به اندازه تولید تنها یک بادام کالیفرنیایی آب مصرف میکند. او اذعان کرد که این آمار را از حافظه ذکر کرده است و ممکن است دقیق نباشد، اما تأکید کرد که در محدوده درستی قرار دارد.
این یک جمله جالب توجه است که برای سبک جلوه دادن عادت روزانه شما به چتبات طراحی شده است. اما آیا ریاضیات واقعاً درست است و آیا باید نگران هزینه زیستمحیطی پرامپتهای خود نباشید؟
ریاضیات: یک بادام واقعاً چقدر آب مصرف میکند؟
برای ارزیابی ادعای آلتمن، باید با بادام شروع کنید.
کالیفرنیا تقریباً ۸۰ درصد از بادام جهان را تولید میکند و رایجترین برآورد کشاورزی، هزینه آب پرورش یک مغز بادام را حدود ۱.۱ گالن (حدود ۴.۱۶ لیتر) تخمین میزند. یک تحلیل جداگانه، ردپای کامل آب را در صورت احتساب بارش باران و جبران آلودگی، حدود ۱۲ لیتر (۳.۲ گالن) تخمین میزند. بادامها محصولات بهشدت آببری هستند زیرا درختان به آبیاری مداوم در تمام طول سال نیاز دارند.
اگر نسبت آلتمن را با استفاده از برآورد آبیاری مستقیم به ارزش اسمی در نظر بگیریم:
۱ بادام = ~۱.۱ گالن (۴۱۶۴ میلیلیتر) آب
۳۸,۰۰۰ پرسش از چتجیپیتی = ۱ بادام
۱ پرسش از چتجیپیتی = ~۰.۰۰۰۰۲۸۹ گالن (~۰.۱۱ میلیلیتر آب)
برای درک بهتر ۰.۱۱ میلیلیتر، یک قطره آب استاندارد آزمایشگاهی یا قطرهچکان حدود ۰.۰۵ میلیلیتر است.
بر اساس آمارهای آلتمن، پرسیدن یک سؤال از چتجیپیتی تقریباً از دو قطره آب استفاده میکند.
اگر این عدد در مقایسه با آنچه قبلاً خواندهاید بهطور مضحکی پایین به نظر میرسد، اشتباه نمیکنید. همچنین این رقم کاملاً با اظهارات قبلی خود آلتمن همخوانی ندارد.
در ژوئن ۲۰۲۵، او در پست وبلاگ خود با عنوان «تکامل ملایم» (The Gentle Singularity) نوشت که یک پرسش معمولی از چتجیپیتی از حدود ۰.۰۰۰۰۸۵ گالن آب استفاده میکند که به معنای حدود ۰.۳۲ میلیلیتر است.
استفاده از این رقم در کنار برآوردهای معمول به ازای هر بادام، به جای ۳۸ هزار پرسش، حدود ۱۱ هزار پرسش به ازای هر بادام را به دست میدهد. اعداد خود او به یک جهت اشاره میکنند اما در جزئیات اختلاف دارند.
داستان «هوش مصنوعی شیر آب شما را خالی میکند» از کجا آمده است؟
واکنش منفی عمومی نسبت به مصرف آب هوش مصنوعی تا حد زیادی ناشی از یک مطالعه پرکاربرد به سرپرستی محققان دانشگاه کالیفرنیا، ریورساید و دانشگاه تگزاس در آرلینگتون است.
این مقاله با عنوان «کمآبتر کردن هوش مصنوعی» (Making AI Less Thirsty) که ابتدا در سال ۲۰۲۳ به صورت پیشچاپ منتشر شد و بعداً در سال ۲۰۲۵ در نشریه Communications of the ACM به چاپ رسید، تخمین زد که یک مکالمه کوتاه متشکل از ۱۰ تا ۵۰ پاسخ از یک مدل زبان بزرگ مانند GPT-3، تقریباً ۵۰۰ میلیلیتر آب (حدود یک بطری پلاستیکی استاندارد آب) مصرف میکند. این میزان به طور تقریبی به ۱۰ تا ۵۰ میلیلیتر به ازای هر پاسخ میرسد که بالقوه صدها برابر بیشتر از برآورد آلتمن است.
بخش بزرگی از این پاسخ به سختافزار و مدل مربوط میشود. رقم آلتمن توصیفکننده پرسشهای سبک روی زیرساختهای مدرن است که مدلهای فعلی را اجرا میکنند. مطالعه دانشگاه کالیفرنیا، ریورساید، GPT-3 را روی سیستمهای قدیمیتر تجزیهوتحلیل کرد.
اما عامل بزرگتر این است که هر عدد در واقع چه چیزی را میشمارد. برآورد آلتمن تقریباً مطمئناً فقط آب خنککننده در محل (on-site cooling water)، یعنی آب مصرف شده مستقیماً در مرکز داده را منعکس میکند. رقم دانشگاه کالیفرنیا، ریورساید، شامل خنککننده در محل و آب مصرف شده در نیروگاهها برای تولید الکتریسیتهای است که آن سرورها مصرف میکنند؛ یک حسابداری گستردهتر که به عنوان مصرف آب اسکوپ ۱ و اسکوپ ۲ شناخته میشود. تحلیلهای مستقل نشان میدهند که لایه تولید برق میتواند تا ۷۵ درصد از کل ردپای آب پشت یک پرسش هوش مصنوعی را به خود اختصاص دهد. این یعنی شکاف موجود فقط مربوط به سختافزار قدیمی در برابر سختافزار جدید نیست، بلکه مربوط به جایی است که مرز اندازهگیری را تعیین میکنید.
آلتمن بخش سختافزار قدیمی را مستقیماً در پادکست مورد خطاب قرار داد و استدلال کرد که برآوردهای قبلی بر اساس تأسیسات با استفاده از خنککننده تبخیری بوده است. در آن تنظیمات قدیمی، برجهای خنککننده عظیم به معنای واقعی کلمه آب تازه را به جو تبخیر میکنند تا هوای گرم خروجی از قفسههای سرور را خنک کنند. هنگامی که آب تبخیر شد، از حوضه آبریز محلی از دست میرود.
آلتمن استدلال کرد که مراکز داده مقیاس بزرگ مدرن بهطور تهاجمی به سمت سیستمهای خنککننده مایع حلقه بسته حرکت کردهاند که در آن آب یا خنککننده تخصصی مانند رادیاتور خودرو از لولههای مهرومومشده گردش میکند و عملاً هیچ مایعی را از طریق تبخیر از دست نمیدهد. در آن تأسیسات، استفاده از آب شبیه به یک کارخانه صنعتی نیست، بلکه بیشتر شبیه یک ساختمان اداری تجاری معمولی با سینکها و سرویسهای بهداشتی استاندارد است.
نکته منفی: چرا مقایسه بادام، چرخش کلاسیک سیلیکون ولی است؟
در حالی که مراکز داده مدرن بدون شک به ازای هر توکن کارآمدتر میشوند، مقایسه پرامپتهای چتبات با محصولات کشاورزی چندین واقعیت حیاتی را نادیده میگیرد.
مقیاس تجمیعی در برابر عذاب وجدان فردی: ممکن است شما فقط از دو قطره آب برای بررسی فرمول صفحه گسترده استفاده کنید، اما اوپنایآی اکنون به حدود ۹۰۰ میلیون کاربر فعال هفتگی خدمات رسانی میکند که میلیاردها پرامپت را هر روز پردازش میکنند. هنگامی که کسریهای کوچک یک میلیلیتر را در آن مقیاس جهانی ضرب میکنید، در کنار اجراهای مداوم آموزش مدل که محققان دانشگاه کالیفرنیا، ریورساید تخمین زدهاند میتواند صدها هزار گالن را در ابتدا مصرف کند، مجموع کلی همچنان عظیم باقی میماند.
تنش آبی محلی مهمتر از میانگینهای جهانی است: یک باغ بادام در دره مرکزی به تخصیص آب ایالتی و کانالهای کشاورزی متکی است. با این حال، مراکز داده هوش مصنوعی اغلب در جوامع حومهای و مناطق نیمهخشک (مانند فینیکس، شمال ویرجینیا و بخشهایی از تگزاس و جورجیا) ساخته میشوند که مستقیماً به سیستمهای آب شهری متصل میشوند. حتی یک تأسیسات مدرن و کارآمد نیز زمانی که در گرمای تابستان با محلههای مسکونی رقابت میکند، میتواند باعث اصطکاک شود.
همه پرسشهای هوش مصنوعی برابر نیستند: رقم «۳۸۰۰۰ پرسش» آلتمن بر استنتاج استاندارد و سبک متکی است؛ بنابراین به پاسخهای متنی پایه GPT-4o فکر کنید. اما صنعت به سرعت به سمت مدلهای استدلالی و عوامل هوش مصنوعی خودمختار در حال حرکت است. هنگامی که یک هوش مصنوعی قبل از پاسخ دادن «فکر میکند»، کد پایتون را در یک سندباکس داخلی اجرا میکند، وب زنده را جستجو میکند و از طریق چندین حلقه منطقی خود اصلاحی انجام میدهد، به ازای هر پرامپت به طور قابل توجهی محاسبات بیشتری نسبت به یک چتبات مکالمهای ساده مصرف میکند. محققان مستقل خاطرنشان کردهاند که این بارهای کاری سنگینتر میتوانند انرژی بسیار بیشتری مصرف کنند و در نتیجه آب بیشتری ببرند.
مبادله انرژی: هنگامی که اپراتورهای مرکز داده خنککننده آب تبخیری را حذف میکنند، اغلب آن را با چیلرهای پرمصرف انرژی، پمپهای حرارتی مکانیکی و فنهای هوای با سرعت بالا جایگزین میکنند. به طور خلاصه: کاهش مصرف آب در محل اغلب به معنای کشش قابل توجهی برق بیشتر از شبکه برق محلی است که بسته به نحوه تولید آن برق، ردپای آب و کربن غیرمستقیم خاص خود را دارد.
افکار پایانی
ادعای آلتمن به شدت بر بهترین سناریوها برای سختافزار حلقه بسته مدرن تکیه دارد و در عین حال تقاضاهای گستردهتر زیرساختی بزرگتر را در طول رونق هوش مصنوعی نادیده میگیرد. عدد ۳۸۰۰۰ پرسش به ازای هر بادام او احتمالاً به عنوان یک مرتبه بزرگی تقریبی برای یک پرسش سبک منفرد بر روی جدیدترین سختافزار قابل دفاع است - اما تنها بخشی از داستان آب را میشمارد و مسیر صنعت را نادیده میگیرد.
منبع: tomsguide.com