DI modelių vandens ir energijos pėdsakas: nematoma skaitmeninio pasaulio ekologija

Dirbtinis intelektas (DI) šiandien atrodo nematomas: keli paspaudimai naršyklėje, keli sakiniai pokalbių lange ir atsakymas atsiranda ekrane. Tačiau už kiekvieno užklausimo slepiasi labai materialus pasaulis – serverių fermos, aušinimo sistemos, elektros tinklai ir vandens rezervuarai. Jų pėdsakas aplinkai sparčiai auga ir 2024–2025 m. jau tampa rimta klimato politikos tema.

Kodėl DI turi ekologinį pėdsaką?

Šiuolaikiniai dideli DI modeliai – nuo generatyvinių pokalbių asistentų iki vaizdų generatorių – remiasi milžiniškais skaičiavimais. Yra trys pagrindiniai šio pėdsako šaltiniai:

• Mokymas (training) – ilgos savaitės ar mėnesiai, kai tūkstančiai GPU dirba maksimaliu režimu.
• Naudojimas (inference) – milijardai užklausų per dieną iš vartotojų ir verslų.
• Infrastruktūra – duomenų centrų statyba, aušinimas, tinklo įranga ir elektros tiekimas.

Kiekviena iš šių grandžių vartoja energiją ir, dažnai nepastebimai, vandenį. Kuo DI modeliai didesni ir populiaresni, tuo labiau auga ir jų ekologinė kaina.

Energijos pėdsakas: kiek elektros suvalgo dirbtinis intelektas?

Duomenų centrai jau dabar sunaudoja reikšmingą pasaulinės elektros dalį, o DI spartėjimas šią kreivę dar labiau lenkia aukštyn. Naujausios energetikos analizės rodo, kad iki 2030 m. DI ir duomenų centrų suvartojimas kai kuriose šalyse gali prilygti vidutinio dydžio valstybės poreikiams.

Iš ko susideda DI energijos sąnaudos?

• Skaičiavimai – GPU ir TPU, kurie apdoroja modelių parametrus.
• Aušinimas – kondicionavimo sistemos, ventiliacija, vandens ar skysčių aušinimas.
• Tinklas ir saugykla – duomenų perdavimas, SSD diskai, atsarginės kopijos.

Didelio kalbinio modelio apmokymas gali sunaudoti tiek elektros, kiek tūkstančiai namų per kelis mėnesius. Nors tikslūs skaičiai dažnai neviešinami, nepriklausomi tyrėjai modeliuoja sąnaudas pagal GPU skaičių, treniravimo trukmę ir debesijos tiekėjų energijos profilius.

CO₂ emisijos ir energijos šaltinis

Energijos pėdsakas nėra tik kilovatvalandės. Svarbiausia – iš kur ta elektra atkeliauja. Jei DI modeliai mokomi regione, kur vyrauja anglis ar dujos, jų CO₂ emisijos daug didesnės nei ten, kur dominuoja vėjas, saulė ar hidroenergija.

Tipiškai skaičiuojama:

• elektros suvartojimas (kWh) ×
• vietinis emisijos koeficientas (kg CO₂/kWh) =
• anglies dioksido pėdsakas.

Dėl to DI paslaugų tiekėjai vis dažniau viešina savo „žalios energijos“ dalį ir investuoja į atsinaujinančius šaltinius bei ilgalaikius pirkimo kontraktus (PPA).

Vandens pėdsakas: tylus DI aušinimo šalutinis efektas

Mažiau akivaizdi, bet ne mažiau svarbi problema – vandens pėdsakas. Duomenų centrai dažnai aušinami naudojant vandens sistemas, kurios garindamos vandenį atvėsina įrenginius. Tai ypač aktualu karštesniuose regionuose, kur DI infrastruktūra konkuruoja su žemės ūkiu ir gyventojų poreikiais.

Kaip skaičiuojamas vandens pėdsakas?

Vandens pėdsakas paprastai matuojamas:

• litras vienam skaičiavimui (pvz., vienai DI užklausai),
• kubiniai metrai per metus konkrečiam duomenų centrui ar paslaugai.

Akademiniai tyrimai rodo, kad didelio modelio mokymas gali sunaudoti milijonus litrų vandens tiesiogiai ar netiesiogiai (per elektros gamybą elektrinėse, kurios taip pat naudoja vandenį aušinimui). Nors tikslios vertės skiriasi, tendencija aiški: kuo didesnė skaičiavimo galia ir kuo karštesnis klimatas, tuo daugiau vandens reikia.

Kur DI „išgeria“ daugiausia vandens?

• Karšti regionai – JAV pietūs, Vidurio Rytai, Pietų Europa, kur aušinimas be vandens tampa labai brangus.
• Anglies ir dujų elektrinės – elektros gamyba dažnai susijusi su vandens naudojimu garo turbinas aušinimui.
• Dideli debesijos mazgai – ten, kur koncentruota daug GPU klasterių DI mokymui.

Dėl to vandens pėdsakas tampa ne tik technologiniu, bet ir socialiniu klausimu: kas turi prioritetą – serveriai ar žmonių bei ekosistemų poreikiai?

Nematoma ekologija: kodėl šis pėdsakas taip sunkiai pastebimas?

Skaitmeninis pasaulis atrodo švarus, nes jis atitolintas nuo mūsų kasdienybės. Mes matome tik ekraną, bet ne serverius, kurie sušyla už tūkstančių kilometrų. Šią nematomą ekologiją sudaro keli sluoksniai:

• Geografinis atstumas – duomenų centrai dažnai statomi ten, kur pigesnė elektra ar žemesnė žemės kaina.
• Informacijos trūkumas – paslaugų tiekėjai retai pateikia aiškius energijos ir vandens rodiklius konkrečiai paslaugai.
• „Debesies“ metafora – rinkodara sąmoningai nutolina vartotoją nuo fizinės infrastruktūros.

Vis dėlto vis daugiau tyrėjų, nevyriausybinių organizacijų ir reguliuotojų reikalauja skaidrumo: kiek kainuoja vienas DI užklausimas aplinkai?

DI modelių gyvavimo ciklas: nuo mokymo iki kasdienio naudojimo

Norint suprasti visą DI ekologiją, reikia žiūrėti į visą gyvavimo ciklą:

1. Modelio mokymas – didžiausios vienkartinės energijos ir vandens sąnaudos.
2. Derinimas ir atnaujinimai – periodiniai papildomi skaičiavimai.
3. Kasdienis naudojimas – milijardai užklausų, kurios bendrai gali viršyti pirminio mokymo sąnaudas.
4. Infrastruktūros atnaujinimas – naujos kartos GPU, serverių keitimas, atliekų tvarkymas.

Įdomu tai, kad anksčiau daugiausia kalbėta apie mokymo pėdsaką, tačiau 2024–2025 m. tyrimai rodo: ilgalaikėje perspektyvoje būtent kasdienis naudojimas gali tapti didžiausiu taršos šaltiniu, ypač jei DI integruojamas į kiekvieną programėlę ir paslaugą.

Kaip DI industrija bando mažinti pėdsaką?

Didieji debesijos ir DI paslaugų tiekėjai jaučia tiek visuomenės, tiek reguliuotojų spaudimą. Atsakas – technologiniai ir organizaciniai sprendimai.

Energijos efektyvumas ir žalesnė infrastruktūra

• Efektyvesni GPU – naujos kartos lustai, kurie atlieka daugiau skaičiavimų už tą pačią energijos sąnaudą.
• Optimizuoti algoritmai – pažangesni mokymo metodai, mažinantys reikalingų iteracijų skaičių.
• Duomenų centrų perkėlimas į vėsesnius regionus arba šalia atsinaujinančios energijos šaltinių.
• Atliekamos šilumos panaudojimas – serverių šiluma naudojama pastatams šildyti.

Vandens taupymas ir naujos aušinimo technologijos

• Skysčių aušinimas – tiesioginis komponentų aušinimas specialiais skysčiais, mažinant vandens poreikį.
• Oro aušinimas vėsesnio klimato regionuose, kur tai ekonomiškai pagrįsta.
• Perdirbtas vanduo – negeriamo vandens naudojimas aušinimui.
• Vandens naudojimo optimizacija pagal paros ir sezono sąlygas.

Modelių optimizavimas: mažiau parametrų, daugiau naudos

Ne mažiau svarbus ir pačių DI modelių dizainas:

• Distiliacija – dideli modeliai „suspaudžiami“ į mažesnius, išlaikant daugumą gebėjimų.
• Specializuoti modeliai – vietoje vieno milžiniško modelio kuriami keli siauresni, skirti konkrečioms užduotims.
• Kiekybinimas – mažesnio tikslumo skaičiai (pvz., int8) vietoje didelio tikslumo, sumažinant skaičiavimo kaštus.

Tokios technikos leidžia sumažinti tiek mokymo, tiek naudojimo metu suvartojamą energiją ir vandenį, neprarandant daugumos funkcionalumo.

Ką gali padaryti verslai, naudojantys DI?

Jei integruojate DI į savo produktus ar procesus, galite sąmoningai valdyti ekologinį pėdsaką. Tai tampa ne tik reputacijos, bet ir konkurenciniu pranašumu.

Praktiniai žingsniai verslui

• Pasirinkite tiekėją su skaidriais rodikliais – klauskite apie energijos šaltinius, vandens naudojimą, duomenų centrų lokacijas.
• Naudokite mažesnius modelius ten, kur nereikia didžiausio galimo tikslumo.
• Optimizuokite užklausas – venkite perteklinių skaičiavimų, talpinkite rezultatus, jei jie dažnai kartojasi.
• Matykite DI kaip dalį ESG strategijos – įtraukite DI pėdsaką į tvarumo ataskaitas.
• Eksperimentuokite su vietiniu (on-premise) DI ten, kur tai leidžia naudoti vietinę žalią energiją.

Ką gali padaryti paprastas vartotojas?

Atrodo, kad vieno žmogaus įtaka maža, bet DI naudojimo mastai didžiuliai. Net nedideli įpročių pokyčiai gali sumažinti perteklinius skaičiavimus.

• Formuluokite aiškesnes užklausas – mažiau bandymų ir klaidų reiškia mažiau skaičiavimų.
• Venkite beprasmių generacijų – ypač vaizdų ar vaizdo įrašų, kurie ypač resursų imlūs.
• Rinkitės paslaugas, kurios deklaruoja tvarumą – tai siunčia rinkos signalą.
• Švieskite kitus – dalinkitės žiniomis apie DI ekologinį pėdsaką.

Reguliavimas ir standartai: kas laukia artimiausiais metais?

Europos Sąjunga jau žengia pirmuosius žingsnius reguliuodama DI, daug dėmesio skirdama saugumui ir skaidrumui. Tačiau vis garsiau kalbama ir apie ekologinius reikalavimus:

• Privalomi atskaitomybės standartai – energijos ir vandens naudojimo rodiklių viešinimas.
• Žaliosios taksonomijos – apibrėžimai, kada DI infrastruktūra laikoma „žalia“.
• Skatinimo priemonės – mokesčių lengvatos ar subsidijos tvarioms duomenų centrų technologijoms.

Verslams, kurie DI diegia jau dabar, verta iš anksto ruoštis: rinkti duomenis, kurti vidines ataskaitas ir planuoti, kaip pereiti prie tvaresnių sprendimų.

Ateities scenarijai: ar įmanomas „žalias DI“?

Klausimas nėra, ar DI dings – jis taps dar gilesne skaitmeninio pasaulio infrastruktūra. Tikrasis iššūkis – kaip sukurti DI, kuris gerbia planetos ribas.

Galimi keli scenarijai:

• Optimistinis – energijos efektyvumas ir atsinaujinanti energija auga greičiau nei DI paklausa, vandens naudojimas mažėja dėl naujų aušinimo technologijų.
• Inercinis – DI auga sparčiau nei žali sprendimai, duomenų centrai tampa naujais „skaitmeniniais fabrikais“, konkuruojančiais dėl resursų.
• Reguliuojamas – griežti standartai riboja neefektyvius DI sprendimus ir skatina mažesnius, labiau tikslinius modelius.

Labiausiai tikėtina – mišrus scenarijus, kuriame technologijos, rinka ir reguliavimas veiks kartu. Kuo anksčiau pripažinsime DI vandens ir energijos pėdsaką, tuo daugiau turėsime erdvės sąmoningiems sprendimams.

Išvada: skaitmeninis komfortas turi kainą – laikas ją matyti

DI modelių vandens ir energijos pėdsakas – tai nematoma skaitmeninio pasaulio ekologija. Kiekvienas atsakymas, paveikslėlis ar rekomendacija remiasi realiais kilovatvalandžių ir litrų skaičiais. Nereikia atsisakyti DI, tačiau būtina:

• kelti skaidrumo reikalavimus paslaugų tiekėjams,
• kurti ir rinktis efektyvesnius modelius,
• įtraukti DI į platesnę tvarumo ir klimato darbotvarkę.

Skaitmeninis pasaulis neatskiriamas nuo fizinio. Kuo geriau suprasime šį ryšį, tuo didesnė tikimybė, kad dirbtinis intelektas taps ne problema, o dalimi sprendimo kovoje su klimato krize.

DUK: DI modelių vandens ir energijos pėdsakas

Ar vienos DI užklausos pėdsakas iš tikrųjų reikšmingas?

Vienos užklausos pėdsakas paprastai mažas, bet DI naudojamas milijardus kartų per dieną. Būtent šis mastas ir daro poveikį reikšmingą. Todėl svarbu optimizuoti tiek modelius, tiek naudojimo įpročius – mažinti perteklines užklausas, rinktis efektyvesnes paslaugas.

Kaip sužinoti, ar mano naudojamas DI yra „žalesnis“?

Ieškokite viešos informacijos apie paslaugos tiekėją: ar jis skelbia duomenų centrų energijos šaltinius, ar turi klimato ir vandens strategiją, ar pateikia bent apytikslius energijos efektyvumo rodiklius. Jei informacijos nėra, verta jos paprašyti – tai kuria spaudimą rinkai judėti link skaidrumo.

Ar mažesni, lokaliai veikiantys DI modeliai tikrai ekologiškesni?

Dažnai – taip, ypač jei jie pritaikyti konkrečiai užduočiai ir veikia efektyvioje įrangoje, maitinamoje žalia energija. Tačiau svarbu vertinti visą ciklą: mokymą, atnaujinimus, naudojimo mastą. Kartais vienas centralizuotas, bet labai efektyvus modelis gali būti tvaresnis nei daugybė prastai optimizuotų lokalių sprendimų.