Yapay Zeka Veri Merkezlerinin Gerçek Kaynak Maliyetine Bir Bakış

Yapay zekanın kitlesel ölçekte benimsenmesinin geleceğinde temsil edilen "bilinmeyenler" (insan yaşamı, ekonomi ve iş gücü üzerindeki etkisi) açısından, çevresel ayak izine ilişkin endişeler de paralel olarak arttı. En sık görülenler arasında tekrarlanan iddialar Bir yapay zeka sistemine yazılan tek bir cümle kadar küçük bir şeyin, günümüzün en yaygın yapay zeka modellerini destekleyen sürekli genişleyen veri merkezlerinin soğutma talepleri nedeniyle şaşırtıcı derecede büyük miktarlarda suya eşdeğer olabileceği fikridir.

Bu sistemleri destekleyen altyapının büyük miktarlarda su tüketebileceği doğru olsa da, verilerin daha yakından incelenmesi birçok yaygın yanlış kanıyı ortadan kaldırmaya yardımcı oluyor. Kaynak tüketimi doğru bir şekilde raporlandığında, kanıtlar bireysel kullanıcı etkileşimlerinden ziyade öncelikle coğrafya, altyapı tasarımı ve ölçek tarafından şekillendirilen bir gerçekliğe işaret ediyor.

Serin tutmak

Tartışmanın merkezinde, büyük yapay zeka modellerini eğitmek ve çalıştırmak için kullanılan binlerce yüksek performanslı işlemciyi barındıran devasa veri merkezleri yer alıyor. Uzun bir iş gününün ardından dizüstü bilgisayarınızın arkasında yumurta kızartabileceğiniz hissi, ısıyı azaltmanın bu ölçekte ne kadar zorlu bir görev olabileceğine dair bir fikir verebilir.

Bu tesislerin birçoğu ısıyı su kullanarak dağıtan buharlaşmalı soğutma sistemlerine dayanırken, diğerleri hava bazlı soğutma, kapalı devre sıvı sistemleri veya daldırmalı soğutma gibi daha yeni teknolojik yaklaşımları kullanıyor. Her yöntemin verimlilik, maliyet ve su kullanımı açısından kendi ödünleşimleri vardır.

Bu soğutma gereksinimlerinin gerçekleri, yapay zeka iş yükleri arttıkça ve veri merkezleri genişlemeye devam ettikçe uzun vadeli sürdürülebilirliğe ilişkin endişeleri anlaşılır bir şekilde artırdı. Bununla birlikte, bir tesisin su tüketiminin büyük miktarlarını her bir basit etkileşime bağlamak, bu etkileşimin nasıl gerçekleştiğini dramatik bir şekilde aşırı basitleştirmek anlamına gelir. kaynak tüketimien azından kağıt üzerinde işler yolunda gidiyor gibi görünüyor.

Galon Değil Milimetre

Bireysel AI sorguları düzeyinde su kullanımını tahmin etmeye çalışan araştırmacılar, sürekli olarak viral iddiaların önerdiğinden önemli ölçüde farklı sonuçlara ulaştı. Analizlerin çoğu, bir veri merkezinin toplam su tüketimini, her gün işlenen çok sayıda talebe (çoğunlukla) dağıtır. milyonlarca veya milyarlarla ifade edilen.

Bu yaklaşımı kullanarak, güvenilir tahminler, bazı iddiaların öne sürdüğü daha yüksek tahminlerin aksine, tek bir AI sorgusuyla ilişkili suyun genellikle mililitre aralığına düştüğünü gösterir. Ek çalışmalar, soğutma verimliliği, bölgesel altyapı ve elektrik üretimi hakkındaki varsayımlara bağlı olarak sorgu başına birkaç mililitreden birkaç düzine mililitreye kadar değişen değerler önermektedir.

Riverside'daki Kaliforniya Üniversitesi'ndeki bilim adamlarının araştırmalarına dayanarak, 100 kelimelik bir yapay zeka isteminin tahmin edilebileceği doğrudur. 519 mililitrelik bir şişe suya eşdeğer tüketmek. Bu tahminleri çok daha yüksek tüketim seviyelerine yerleştiren daha önceki rakamlar, tesis düzeyinde su kullanımının bireysel hesaplama görevleri arasında nasıl ölçeklendiğine dair yanlış anlaşılmalardan kaynaklanıyor gibi görünüyor.

Sayılar Neden Önemlidir?

Yapay zekanın su ayak izini çevreleyen kafa karışıklığının bir kaynağı da su kullanımının nasıl hesaplandığıdır. Bazı tahminler, veri merkezlerinde soğutma gibi yalnızca doğrudan su kullanımını hesaba katarken, diğerleri aynı zamanda enerji santrallerinin elektrik üretmek için kullandığı su gibi dolaylı tüketimi de içeriyor.

Coğrafya bir diğer önemli faktördür. Sıcak veya kurak bölgelerde bulunan veri merkezleri, soğutma için genellikle daha soğuk iklimlerdekilere göre daha fazla suya ihtiyaç duyar. Aynı zamanda pek çok yeni tesis tatlı su kullanımını en aza indirecek şekilde özel olarak tasarlanmıştır geri dönüştürülmüş suya veya daha gelişmiş soğutma teknolojilerine güvenerek.

Büyük yapay zeka modellerinin eğitilmesi durumu daha da karmaşık hale getiriyor. Eğitim çalışmaları son derece enerji ve kaynak yoğundur ancak metin oluşturma veya soruları yanıtlama gibi günlük çıkarım görevlerinden çok daha az sıklıkta gerçekleşir.

Önemli olan Cümlelerle Değil, Ölçekle İlgili

Bireysel yapay zeka sorgularının su üzerindeki etkisi nispeten küçük kalsa da, büyük ölçekli yapay zekanın benimsenmesinin uzun vadeli etkileri öyle değil. Milyarlarca günlük etkileşim, veri merkezi kapasitesinin hızla genişlemesiyle birleştiğinde, önemli miktarda bölgesel su talebini artırıyor. Ancak cümle başına su kullanımına odaklanmak daha büyük bir sorunun gözden kaçırılması riskini taşır. Yapay zekanın çevresel ayak izi, bireysel kullanıcı davranışı değil, öncelikle ölçek, verimlilik ve altyapı planlaması meselesidir.

Modern yapay zeka tesislerini soğutmak için gereken su kullanımının boyutunu kavramanın zor olabileceği anlaşılır bir durumdur ve bu belirsizlik, yaygın yanlış anlamaların körüklenmesine yardımcı olmuştur. Yanlış bilgilerin hızla yayıldığı bir çağda, aşırı basitleştirilmiş iddialar konunun anlaşılmasını zorlaştırabilir. gerçek zorluklar Yapay zekanın çevresel etkisiyle ilişkili.

Veri merkezleri genelindeki kaynak yönetimine daha yakından bakıldığında, yapay zekanın su tüketiminin genel olarak tasvir edildiği kadar aşırı olmasa da önemli olmaya devam ettiği ve inceleme gerektirdiği ortaya çıkıyor. Talep artmaya devam ettikçe, sorumlu altyapı tasarımı ve akıllı kaynak yönetimi, bu sistemlerin sürdürülebilir kalmasını ve kaynakları bu tesislerle paylaşan toplulukların yaşam kalitesinin tartışmanın ön saflarında yer almasını sağlamada önemli bir rol oynayacaktır.

Daha verimli bir konuşma, sansasyonel iddialara odaklanmak yerine şeffaflığa, verimliliğe ve gelişen teknolojilerin yapay zekanın çevresel ayak izini geniş ölçekte nasıl azaltabileceğine odaklanıyor.

Caleb Hanks, Asheville, Kuzey Carolina'da yaşayan serbest yazar, müzisyen ve ses mühendisidir.