Potrošnja vode umjetne inteligencije: Zašto su viralni brojevi obmanjujući
Svakih nekoliko mjeseci novi naslov tvrdi da postavljanje pitanja ChatGPT-u ispija bocu vode. Brojke zvuče alarmantno i brzo se šire. No, kada se zagrebete ispod površine metodologije tih tvrdnji, slika postaje znatno mutnija. Potrošnja vode u AI-ju postala je žarišna točka rasprava o održivosti, a viralna statistika koja kola internetom često nema kontekst potreban za razumijevanje onoga što zapravo znači. Stvarnost je nijansiranija, a u mnogim slučajevima daleko manje dramatična nego što kritičari sugeriraju.
Statistika o potrošnji vode umjetne inteligencije koja kola internetom često krivo prikazuje stvarnost tako što brka jednokratno treniranje modela s tekućim upitima i univerzalno primjenjuje najgore scenarije hlađenja. Googleova stvarna mjerenja pokazuju da tipični tekstualni upit troši oko 0,26 mililitara vode — gotovo 2000 puta manje nego što sugeriraju viralne tvrdnje. Iako širenje podatkovnih centara u regijama s nedostatkom vode zaslužuje pažnju, otisak industrije i dalje je mali u usporedbi s poljoprivredom ili proizvodnjom, a poboljšanja u učinkovitosti nastavljaju značajno smanjivati korištenje resursa po upitu.
Viralne tvrdnje o AI-ju i vodi
Najčešće citirana brojka sugerira da jedna ChatGPT konverzacija (često definirana kao 20 do 50 pitanja) troši 500 ml vode. Ovaj je broj potekao iz studije iz 2023. koja je također procijenila da bi treniranje GPT-3 u Microsoftovim američkim podatkovnim centrima moglo izravno ispariti 700.000 litara čiste slatke vode. Statistika je tehnički točna za taj specifični scenarij, ali je izvučena iz konteksta i široko primijenjena na svaku AI interakciju, bez obzira na model, lokaciju ili infrastrukturu.
Ono što je počelo kao uski nalaz o treniranju određenog modela u specifičnim objektima, postalo je univerzalna osuda sveukupne upotrebe AI-ja. To je problem. Treniranje se događa jednom, ali zaključivanje (inferencija) se događa milijarde puta. Njihovo brkanje dovodi do krajnje obmanjujućih zaključaka.
Naslovi nasuprot stvarnosti
Tvrdnja o “boci vode po upitu” brka treniranje sa zaključivanjem, ignorira regionalne razlike u metodama hlađenja i pretpostavlja najgori mogući scenarij. Googleova vlastita mjerenja pričaju drugačiju priču: medijani tekstualni upit za Gemini Apps troši samo 0,26 mililitara vode, otprilike pet kapi. To je gotovo 2000 puta manje nego što gore navedene tvrdnje sugeriraju.
Razlika između ovih brojki otkriva koliko je metodologija važna. Studija koja mjeri treniranje u Arizoni tijekom ljeta proizvest će dramatično drugačije brojke od one koja mjeri zaključivanje u Finskoj zimi.
Kako se te brojke izračunavaju
Većina uznemirujućih procjena oslanja se na metode atribucije koje svu potrošnju vode u podatkovnim centrima pripisuju AI opterećenjima, čak i kada ti objekti pokreću bezbrojne druge usluge. Često koriste vršne brojke potrošnje iz sustava hlađenja koji intenzivno troše vodu u vrućim klimama, a zatim te brojke primjenjuju globalno. Istraživački okviri koji pokušavaju izmjeriti ekološki otisak AI-ja priznaju ključnu prepreku: komercijalni pružatelji AI usluga ne otkrivaju podatke o zaključivanju specifičnim za određeni model, tjerajući istraživače na pretpostavke koje mogu dramatično napuhati procjene.
Kako hlađenje podatkovnih centara zapravo funkcionira
Razumijevanje potrošnje vode u AI-ju zahtijeva razumijevanje načina na koji podatkovni centri upravljaju toplinom. Poslužitelji generiraju toplinu tijekom izračuna, a tu toplinu treba ukloniti kako bi se spriječio kvar opreme. Odabrana metoda uvelike ovisi o klimi, lokalnim resursima i prioritetima učinkovitosti. Objekt u Phoenixu radi vrlo drugačije od onog u Stockholmu, ali ih kritičari često tretiraju jednako pri izračunu utjecaja na okoliš.
Objašnjeni sustavi hlađenja
Tradicionalno zračno hlađenje koristi ventilatore i klimatizaciju, trošeći relativno malo vode, ali više električne energije. Isparivno hlađenje, sve popularnije u velikim objektima, zamjenjuje vodu za energetsku učinkovitost korištenjem isparavanja za rasipanje topline. Noviji pristupi, poput uronjenog tekućeg hlađenja, potapaju opremu u nevodljivu tekućinu, potpuno eliminirajući upotrebu vode.
Izbor ovisi o lokalnim uvjetima. Tvrtke sve češće smještaju objekte tamo gdje je stres zbog nedostatka vode najmanji, a obnovljiva energija obilna, što čini općenite izjave inherentno obmanjujućima.
Crpljenje nasuprot potrošnje
Kritičari često brkaju crpljenje vode s potrošnjom vode. Crpljenje znači vodu uzetu iz izvora; potrošnja znači vodu koja se ne vraća. Mnogi sustavi hlađenja crpe vodu, koriste je i veći dio vraćaju u izvor. Ta je razlika ogromna: objekt može crpiti milijune litara, a zapravo potrošiti samo mali dio. Prilikom procjene sigurnih AI rješenja za tvrtke, razumijevanje ove razlike pomaže razdvojiti stvarne brige od napuhane statistike.
Stavljanje brojki o potrošnji vode u AI-ju u kontekst
Brojke bez konteksta obmanjuju. Podatkovni centri čine otprilike 0,2% potrošnje slatke vode u SAD-u. To zvuči ogromno dok ne usporedite to s drugim industrijama. Poljoprivreda čini otprilike 70% globalnog crpljenja slatke vode. Jedno igralište za golf u Arizoni godišnje troši više vode od mnogih podatkovnih centara. Pitanje nije troši li AI vodu; pitanje je je li ta potrošnja razmjerna njegovoj vrijednosti i usporediva s alternativama.
Usporedbe unutar industrije
Razmotrite ove omjere:
- Proizvodnja jednog kilograma govedine globalno zahtijeva otprilike 15.000 litara vode. Međutim, to je uglavnom kišom nahranjena “zelena” voda; stvarna “plava” voda (izvučena iz rijeka i podzemnih voda) iznosi oko 2.000 litara u SAD-u, što je i dalje ogromna količina u usporedbi s digitalnim uslugama.
- Proizvodnja jedne pamučne majice troši oko 2.700 litara vode, uglavnom zbog velikih potreba pamuka za navodnjavanjem i intenzivnog procesa bojenja.
- Tipična tvornica poluvodiča godišnje troši milijarde litara.
- Termoelektrane koriste znatno više vode od svih podatkovnih centara zajedno.
Podatkovni centri i dalje čine samo mali dio ukupne potrošnje vode u SAD-u. Otisak AI industrije, iako raste, ostaje skroman u usporedbi s ustaljenim industrijama koje rijetko suočavaju sa sličnom provjerom. Nitko ne dijeli viralne objave o vodenom otisku svoje jutarnje kave, a za proizvodnju jedne šalice potrebno je otprilike 140 litara kada se uzme u obzir uzgoj i prerada zrna.
Svakodnevne aktivnosti
Googleova mjerenja stavljaju AI upite u perspektivu: jedan tekstualni upit troši energiju ekvivalentnu gledanju televizije manje od devet sekundi. Streaming videozapisa, pokretanje poslužitelja e-pošte i punjenje pametnih telefona svi troše resurse. Infrastruktura koja podržava vašu Netflix naviku ili listanje Instagrama koristi slične sustave hlađenja. Izbjegavanje AI-ja dok se ignoriraju usporedive digitalne aktivnosti stvara iskrivljenu sliku utjecaja tehnologije na okoliš.
Što tehnološke tvrtke zapravo rade
Narativ da tehnološke tvrtke ignoriraju ekološke probleme ne odgovara stvarnosti. Veliki pružatelji usluga snažno su uložili u poboljšanje učinkovitosti i alternativne izvore vode. Google je 2024. smanjio emisije energije u svojim podatkovnim centrima za 12%, unatoč 27%-tnom povećanju potražnje za električnom energijom. Microsoft se obvezao da će biti vodno pozitivan do 2030. godine. To mogu biti samo PR izjave, ali često predstavljaju milijarde ulaganja u infrastrukturu.
Industrija ima snažne financijske poticaje za smanjenje potrošnje. Troškovi vode i energije izravno utječu na marže, što poboljšanje učinkovitosti čini isplativim, a ne isključivo altruističkim.
Nepitki izvori vode
Mnogi moderni podatkovni centri koriste reciklirane otpadne vode, pročišćenu sivu vodu ili morsku vodu za hlađenje, umjesto da konkuriraju općinskim zalihama pitke vode. Odluke o lokaciji sve više daju prednost regijama s obiljem vode i čistim energetskim mrežama. Istraživači s Cornella otkrili su da bi pametan odabir lokacije u kombinaciji s operativnom učinkovitošću mogao smanjiti utjecaj AI-ja na vodu za 86% u usporedbi sa najgorim scenarijima. Srednji zapad i savezne države “vjetropojasa” nude najbolje kombinirane profile ugljika i vode za nove objekte.
Poboljšanja učinkovitosti
Googleovi podatkovni centri sada koriste 84% manje režijske energije od industrijskog prosjeka. Tijekom nedavnog 12-mjesečnog razdoblja, energetski i ugljični otisak medijanih Gemini tekstualnih upita pao je za 33, odnosno 44 puta. Metrika učinkovitosti korištenja vode stalno se poboljšava u cijeloj industriji. Ova se postignuća množe: učinkovitiji modeli koji rade na učinkovitijem hardveru u učinkovitijim objektima dramatično smanjuju korištenje resursa po upitu.
Stvarni razgovor o održivosti
Odbacivanje svih ekoloških zabrinutosti u vezi s AI-jem bilo bi jednako obmanjujuće kao i nekritičko prihvaćanje viralne statistike. Industrija se doista suočava sa stvarnim izazovima, posebno kada je riječ o brzom širenju u regijama s nedostatkom vode. Više od 160 novih AI podatkovnih centara pojavilo se u SAD-u tijekom posljednje tri godine, a neki u područjima koja se već suočavaju sa sušom. Pitanje nije ima li AI utjecaj na okoliš; pitanje je upravlja li se tim utjecajem odgovorno i razmjerno isporučenim prednostima.
Opravdane zabrinutosti nasuprot panici
Valjane kritike uključuju nedostatak transparentnosti od strane pružatelja usluga, grupiranje objekata u već opterećenim regijama i nedovoljan regulatorni nadzor nad pravima na vodu. Ono što je pretjerano: tvrdnje da je AI jedinstveno destruktivan u usporedbi s drugim digitalnim uslugama ili da pojedinačni upiti predstavljaju značajnu štetu po okoliš. Prilikom procjene AI usluga koje se ne treniraju na vašim podacima, ekološki otisak zaslužuje razmatranje uz privatnost, ali statistika vođena panikom ne pomaže nikome da donese informirane odluke.
Bolja pitanja za postaviti
Umjesto da pitate “koliko vode troši AI?”, pitajte: Gdje se nalazi ovaj podatkovni centar i kakva je lokalna situacija s vodom? Koju tehnologiju hlađenja koristi? Koji je izvor energije? Da li pružatelj usluge objavljuje provjerene ekološke metrike? Ova pitanja daju primjenjive informacije. Zahtijevanje transparentnosti i podržavanje pružatelja koji pokazuju stvarna poboljšanja učinkovitosti stvara bolje poticaje od dijeljenja obmanjujuće statistike.
Alternativa nižeg utjecaja: Open Source AI
Izbor modela utječe na ekološki otisak više nego što većina korisnika shvaća. Modeli zaključivanja poput o3 i DeepSeek-R1 prelaze 29 Wh po dugom upitu, što je više od 65 puta veća potrošnja nego kod manjih modela. Odabir modela odgovarajuće veličine za vaše stvarne potrebe smanjuje potrošnju resursa bez žrtvovanja korisnosti. Modeli otvorenog koda često rade na distribuiranijoj, učinkovitijoj infrastrukturi od masivnih vlasničkih sustava.
Zašto modeli otvorenog koda troše manje vode
Nedavne inovacije u AI-ju otvorenog koda dramatično su poboljšale učinkovitost kroz arhitekture poput Mixture-of-Experts (MoE). Umjesto da pokreću cijeli model za svaku riječ, ovi modeli aktiviraju samo mali dio svoje mreže. Na primjer, nedavni model otvorenog koda MiniMax M2.5 ima 230 milijardi parametara, ali tijekom zaključivanja aktivira samo oko 10 milijardi (4,3%). Slično tome, GLM-5 sadrži 744 milijarde parametara, ali aktivira samo 40 milijardi.
To znači da pokretanje ovih visoko sposobnih modela otvorenog koda zahtijeva znatno manje računalne snage, energije i u konačnici vode za hlađenje u usporedbi s masivnim gustim modelima koji aktiviraju stotine milijardi parametara za svaki pojedinačni token. Razumijevanje GDPR-usklađenih AI opcija često dovodi do otkrivanja ovih visoko učinkovitih alternativa koje daju ekvivalentne poslovne rezultate s djelićem resursnog otiska.
Isprobajte DentroChat: Europska održiva AI opcija
Europski podatkovni centri obično rade u hladnijim klimama s čistijim energetskim mrežama, smanjujući i vodeni i ugljični otisak. Na primjer, veliki nordijski operatori podatkovnih centara poput atNorth izvješćuju o učinkovitosti korištenja vode (WUE) od samo 0,1 litre po kWh. To je znatno niže od industrijskog prosjeka od 1,8 L/kWh. Štoviše, objekti u Finskoj, Islandu i Švedskoj aktivno recikliraju toplinu poslužitelja za daljinsko grijanje i proizvodnju hrane, umjesto da isparavaju vodu.
DentroChat pokreće modele otvorenog koda na europskoj infrastrukturi, nudeći alternativu nižeg utjecaja od GPT-a ili Claudea za korisnike kojima je stalo do održivosti uz privatnost. Kombinacija učinkovitih modela, povoljnih lokacija i transparentnog poslovanja predstavlja primjer odgovornog implementiranja AI-ja.