Zużycie wody przez AI: Dlaczego wiralowe liczby wprowadzają w błąd

Co kilka miesięcy pojawiają się nowe nagłówki twierdzące, że zadanie pytania ChatGPT pochłania butelkę wody. Liczby te brzmią alarmująco i szybko się rozprzestrzeniają. Jednak gdy przeanalizuje się metodologię stojącą za tymi twierdzeniami, obraz staje się znacznie mniej jasny. Zużycie wody przez AI stało się punktem zapalnym w debatach na temat zrównoważonego rozwoju, a wiralowym statystykom krążącym w sieci często brakuje kontekstu niezbędnego do zrozumienia, co one faktycznie oznaczają. Rzeczywistość jest bardziej zniuansowana, a w wielu przypadkach znacznie mniej dramatyczna, niż sugerują krytycy.

Krążące w sieci statystyki dotyczące zużycia wody przez AI często zniekształcają rzeczywistość, łącząc jednorazowe trenowanie modeli z bieżącymi zapytaniami oraz powszechnie stosując scenariusze chłodzenia w najgorszym przypadku. Rzeczywiste pomiary Google pokazują, że typowe zapytanie tekstowe zużywa około 0,26 mililitra wody – prawie 2000 razy mniej, niż sugerują wiralowe twierdzenia. Choć rozbudowa centrów danych w regionach narażonych na niedobór wody wymaga uwagi, ślad środowiskowy branży pozostaje niewielki w porównaniu z rolnictwem czy produkcją, a ulepszenia w zakresie efektywności wciąż znacząco zmniejszają zużycie zasobów na jedno zapytanie.

Wiralowe twierdzenia o AI i wodzie

Najczęściej cytowana liczba sugeruje, że jedna rozmowa z ChatGPT (często definiowana jako 20 do 50 pytań) zużywa 500 ml wody. Liczba ta pochodzi z badania z 2023 roku, w którym oszacowano również, że trenowanie GPT-3 w amerykańskich centrach danych Microsoftu mogło bezpośrednio odparować 700 000 litrów czystej wody słodkiej. Statystyka ta jest technicznie dokładna dla tego konkretnego scenariusza, ale została pozbawiona kontekstu i szeroko zastosowana do każdej interakcji z AI, niezależnie od modelu, lokalizacji czy infrastruktury.

To, co zaczęło się jako wąskie odkrycie dotyczące trenowania konkretnego modelu w konkretnych obiektach, stało się powszechnym oskarżeniem całego użytkowania AI. To problem. Trenowanie odbywa się raz, ale wnioskowanie ma miejsce miliardy razy. Łączenie tych dwóch pojęć prowadzi do skrajnie mylących wniosków.

Nagłówki a rzeczywistość

Twierdzenie o “butelce wody na zapytanie” łączy trenowanie z wnioskowaniem, ignoruje regionalne różnice w metodach chłodzenia i zakłada scenariusze najgorszego przypadku. Własne pomiary Google opowiadają inną historię: mediana zapytań tekstowych w Gemini Apps zużywa zaledwie 0,26 mililitra wody, czyli około pięciu kropel. To prawie 2000 razy mniej, niż sugerują wyżej wymienione twierdzenia.

Różnica między tymi danymi ukazuje, jak wielkie znaczenie ma metodologia. Badanie mierzące trenowanie w Arizonie latem da drastycznie inne wyniki niż badanie mierzące wnioskowanie w Finlandii zimą.

Jak oblicza się te liczby

Większość alarmujących szacunków opiera się na metodach atrybucji, które przypisują całe zużycie wody w centrach danych obciążeniom AI, nawet gdy te obiekty obsługują niezliczone inne usługi. Często wykorzystują one szczytowe dane zużycia z systemów chłodzenia intensywnie korzystających z wody w gorącym klimacie, a następnie stosują te liczby globalnie. Struktury badawcze próbujące wyznaczyć punkt odniesienia dla śladu środowiskowego AI dostrzegają podstawową przeszkodę: komercyjni dostawcy AI nie ujawniają danych wnioskowania dla konkretnych modeli, zmuszając badaczy do przyjmowania założeń, które mogą drastycznie zawyżać szacunki.

Jak faktycznie działa chłodzenie centrów danych

Zrozumienie zużycia wody przez AI wymaga zrozumienia, jak centra danych radzą sobie z ciepłem. Serwery generują ciepło podczas obliczeń, a to ciepło musi być odprowadzone, aby zapobiec awarii sprzętu. Wybór metody zależy w dużej mierze od klimatu, lokalnych zasobów i priorytetów efektywności. Obiekt w Phoenix działa zupełnie inaczej niż ten w Sztokholmie, a jednak krytycy często traktują je identycznie podczas obliczania wpływu na środowisko.

Wyjaśnienie systemów chłodzenia

Tradycyjne chłodzenie powietrzne wykorzystuje wentylatory i klimatyzację, zużywając stosunkowo mało wody, ale więcej energii elektrycznej. Chłodzenie ewaporacyjne, coraz popularniejsze w dużych obiektach, wymienia wodę na efektywność energetyczną, wykorzystując parowanie do rozpraszania ciepła. Nowsze podejścia, takie jak zanurzeniowe chłodzenie cieczą, zanurzają sprzęt w cieczy nieprzewodzącej prądu, całkowicie eliminując zużycie wody.

Wybór zależy od warunków lokalnych. Firmy coraz częściej lokalizują obiekty tam, gdzie stres wodny jest najniższy, a odnawialne źródła energii są łatwo dostępne, co sprawia, że kategoryczne stwierdzenia są z natury wprowadzające w błąd.

Pobór a zużycie

Krytycy często łączą pobór wody z jej zużyciem. Pobór oznacza wodę pobraną ze źródła; zużycie oznacza wodę, która nie wraca. Wiele systemów chłodzenia pobiera wodę, wykorzystuje ją i zwraca większość do źródła. To rozróżnienie ma ogromne znaczenie: obiekt może pobrać miliony litrów, podczas gdy faktycznie zużywa tylko ich ułamek. Podczas oceny bezpiecznych rozwiązań AI dla firm, zrozumienie tej różnicy pomaga oddzielić uzasadnione obawy od zawyżonych statystyk.

Zużycie wody przez AI w odpowiednim kontekście

Liczby bez kontekstu wprowadzają w błąd. Centra danych odpowiadają za około 0,2% zużycia słodkiej wody w USA. Brzmi to jak ogromna ilość, dopóki nie porówna się tego z innymi branżami. Rolnictwo odpowiada za około 70% globalnego poboru słodkiej wody. Jeden pol golfowy w Arizonie zużywa rocznie więcej wody niż wiele centrów danych. Pytanie nie brzmi, czy AI zużywa wodę; brzmi ono, czy to zużycie jest proporcjonalne do jej wartości i porównywalne z alternatywami.

Porównania branżowe

Rozważ te proporcje:

• Wyprodukowanie jednego kilograma wołowiny wymaga globalnie około 15 000 litrów wody. Jest to jednak w dużej mierze “zielona” woda z opadów; faktyczna “niebieska” woda (pobierana z rzek i wód podziemnych) wynosi około 2000 litrów w USA, co nadal jest ogromną ilością w porównaniu z usługami cyfrowymi.
• Wyprodukowanie jednej bawełnianej koszulki zużywa około 2700 litrów wody, co wynika głównie z dużego zapotrzebowania bawełny na nawadnianie oraz intensywnego procesu barwienia.
• Typowa fabryka półprzewodników zużywa miliardy litrów wody rocznie.
• Elektrownie cieplne zużywają znacznie więcej wody niż wszystkie centra danych razem wzięte.

Centra danych nadal stanowią tylko niewielki udział w całkowitym zużyciu wody w USA. Ślad branży AI, choć rośnie, pozostaje skromny w porównaniu z ugruntowanymi branżami, które rzadko stają przed podobną kontrolą. Nikt nie udostępnia wiralowych postów o śladzie wodnym swojej porannej kawy, a wyprodukowanie jednej filiżanki wymaga około 140 litrów wody, jeśli weźmie się pod uwagę uprawę i przetwarzanie ziaren.

Codzienne aktywności

Pomiary Google dają perspektywę zapytań AI: jedno zapytanie tekstowe zużywa energię odpowiadającą oglądaniu telewizji przez mniej niż dziewięć sekund. Strumieniowanie wideo, obsługa serwerów e-mail i ładowanie smartfonów zużywają zasoby. Infrastruktura obsługująca Twój nawyk oglądania Netflix lub przewijanie Instagrama korzysta z podobnych systemów chłodzenia. Wyzwanie AI przy jednoczesnym ignorowaniu porównywalnych działań cyfrowych tworzy zniekształcony obraz wpływu technologii na środowisko.

Co faktycznie robią firmy technologiczne

Narracja, według której firmy technologiczne ignorują kwestie środowiskowe, nie ma pokrycia w rzeczywistości. Główni dostawcy mocno zainwestowali w poprawę efektywności i alternatywne źródła wody. Google zmniejszyło emisję energii ze swoich centrów danych o 12% w 2024 roku, mimo 27% wzrostu zapotrzebowania na energię elektryczną. Microsoft zobowiązał się do osiągnięcia dodatniego bilansu wodnego (water positive) do 2030 roku. Mogą to być jedynie oświadczenia PR-owe, ale często reprezentują miliardy zainwestowane w infrastrukturę.

Branża ma silne bodźce finansowe do zmniejszenia zużycia. Koszty wody i energii mają bezpośredni wpływ na marże, co sprawia, że poprawa efektywności jest opłacalna, a nie wyłącznie altruistyczna.

Niepitne źródła wody

Wiele nowoczesnych centrów danych do chłodzenia wykorzystuje oczyszczone ścieki, szarą wodę lub wodę morską, zamiast konkurować z komunalnymi zasobami wody pitnej. Decyzje o lokalizacji coraz częściej priorytetowo traktują regiony z obfitymi zasobami wodnymi i czystymi sieciami energetycznymi. Badacze z Cornell odkryli, że inteligentna lokalizacja w połączeniu z efektywnością operacyjną może zmniejszyć wpływ AI na zasoby wodne o 86% w porównaniu z najgorszymi scenariuszami. Środkowy Zachód i stany “pasu wiatrowego” oferują najlepsze połączone profile węglowo-wodne dla nowych obiektów.

Poprawa efektywności

Centra danych Google zużywają teraz o 84% mniej energii pomocniczej niż średnia w branży. W ciągu ostatnich 12 miesięcy ślad energetyczny i węglowy mediany zapytań tekstowych Gemini spadł odpowiednio 33- i 44-krotnie. Wskaźniki efektywności zużycia wody (WUE) stale się poprawiają w całej branży. Te zyski kumulują się: bardziej wydajne modele działające na bardziej wydajnym sprzęcie w bardziej wydajnych obiektach drastycznie zmniejszają zużycie zasobów na jedno zapytanie.

Prawdziwa rozmowa o zrównoważonym rozwoju

Odrzucenie wszystkich obaw środowiskowych dotyczących AI byłoby równie wprowadzające w błąd, jak bezkrytyczne przyjęcie wiralowych statystyk. Branża ta faktycznie staje przed autentycznymi wyzwaniami, szczególnie w zakresie szybkiej ekspansji w regionach narażonych na niedobór wody. W ciągu ostatnich trzech lat w USA pojawiło się ponad 160 nowych centrów danych AI, z których niektóre znajdują się w obszarach już dotkniętych suszą. Pytanie nie brzmi, czy AI ma wpływ na środowisko; brzmi ono, czy ten wpływ jest zarządzany odpowiedzialnie i czy jest proporcjonalny do dostarczanych korzyści.

Uzasadnione obawy a panika

Uzasadnione krytyki obejmują brak przejrzystości ze strony dostawców, klastrowanie obiektów w regionach już obciążonych oraz niewystarczający nadzór regulacyjny nad prawami do wody. Co jest przesadzone: twierdzenia, że AI jest wyjątkowo destrukcyjne w porównaniu z innymi usługami cyfrowymi, lub że pojedyncze zapytania stanowią znaczące szkody dla środowiska. Oceniając usługi AI, które nie uczą się na Twoich danych, ślad środowiskowy zasługuje na rozważenie na równi z prywatnością, ale statystyki napędzane paniką nikomu nie pomagają podejmować świadome decyzje.

Lepsze pytania do zadania

Zamiast pytać “ile wody zużywa AI?”, zapytaj: Gdzie znajduje się to centrum danych i jaka jest tamtejsza sytuacja wodna? Jakiej technologii chłodzenia używa? Jakie jest źródło energii? Czy dostawca publikuje zweryfikowane metryki środowiskowe? Te pytania przynoszą informacje, na których można działać. Wymaganie przejrzystości i wspieranie dostawców, którzy wykazują się rzeczywistą poprawą efektywności, tworzy lepsze bodźce niż udostępnianie wprowadzających w błąd statystyk.

Alternatywa o mniejszym wpływie: Open Source AI

Wybór modelu wpływa na ślad środowiskowy bardziej, niż zdaje sobie sprawę większość użytkowników. Modele rozumujące, takie jak o3 i DeepSeek-R1, przekraczają 29 Wh na długie zapytanie, co stanowi ponad 65-krotność zużycia mniejszych modeli. Wybór odpowiednio dobranych modeli do rzeczywistych potrzeb zmniejsza zużycie zasobów bez poświęcania użyteczności. Modele open source często działają na bardziej rozproszonej i wydajnej infrastrukturze niż masywne systemy własnościowe.

Dlaczego modele open source zużywają mniej wody

Ostatnie innowacje w otwartym oprogramowaniu AI drastycznie poprawiły wydajność dzięki architekturom takim jak Mixture-of-Experts (MoE). Zamiast uruchamiać cały model dla każdego słowa, modele te aktywują tylko niewielką część swojej sieci. Na przykład niedawny model open source MiniMax M2.5 ma 230 miliardów parametrów, ale aktywuje tylko około 10 miliardów (4,3%) podczas wnioskowania. Podobnie GLM-5 zawiera 744 miliardy parametrów, ale aktywuje tylko 40 miliardów.

Oznacza to, że uruchamianie tych bardzo wydajnych modeli open source wymaga znacznie mniejszej mocy obliczeniowej, energii, a ostatecznie wody chłodzącej w porównaniu z masywnymi gęstymi modelami, które aktywują setki miliardów parametrów dla każdego pojedynczego tokena. Zrozumienie opcji AI zgodnych z GDPR często prowadzi do odkrycia tych wysoce wydajnych alternatyw, które dostarczają równoważne wyniki biznesowe przy ułamku śladu zasobowego.

Wypróbuj DentroChat: Zrównoważona opcja AI dla Europy

Europejskie centra danych zazwyczaj działają w chłodniejszym klimacie z czystszymi sieciami energetycznymi, co zmniejsza zarówno ślad wodny, jak i węglowy. Na przykład główni nordyccy operatorzy centrów danych, tacy jak atNorth, raportują wskaźnik efektywności zużycia wody (WUE) na poziomie zaledwie 0,1 litra na kWh. Jest to znacznie mniej niż średnia branżowa wynosząca 1,8 l/kWh. Co więcej, obiekty w Finlandii, Islandii i Szwecji aktywnie odzyskują ciepło z serwerów do ogrzewania dzielnicowego i produkcji żywności, zamiast odparowywać wodę.

DentroChat uruchamia modele open source na europejskiej infrastrukturze, oferując alternatywę o mniejszym wpływie na środowisko niż GPT czy Claude dla użytkowników, którym zależy na zrównoważonym rozwoju obok prywatności. Połączenie wydajnych modeli, sprzyjających lokalizacji i przejrzystych operacji reprezentuje to, jak może wyglądać odpowiedzialne wdrażanie AI.