A mesterséges intelligencia (MI, AI) életünk szinte minden területén jelen van. A technológia előnyei vitathatatlanok, ugyanakkor egyre nagyobb figyelmet kap az energiafelhasználás és a környezeti terhelés kérdése is. A mesterséges intelligencia rendszerek működtetése például hatalmas víz- és energiaigénnyel jár, ami komoly fenntarthatósági kihívásokat vet fel.
Hogyan fogyaszt vizet a mesterséges intelligencia?
A tévhitekkel ellentétben a mesterséges intelligenciának nem közvetlenül van szüksége vízre. A vízfogyasztás a technológia működéséhez elengedhetetlen infrastruktúra, az adatközpontok hűtésének velejárója. Minden egyes interakció (például egy egyszerű Google-keresés is) szervereken fut le, amelyek intenzív számítási műveleteik miatt hőt termelnek. Ennek a hőnek a megfelelő szabályozása kell a hardverek stabil működéséhez. A legtöbb adatközpontban a hűtőtornyokba vezetett víz segítségével vezetik el ezt a hőt, hasonlóan ahhoz, ahogy az emberi test verejtékezéssel szabályozza a hőmérsékletét.
A vízhűtés hatékonysága miatt ez a módszer széles körben elterjedt, ám komoly kihívásokat is felvet, leginkább az aszályos területeken, ahol az ivóvíz eleve szűkös erőforrásnak számít. A Microsoft és a Google adatközpontjairól közzétett adatok szerint 2022-ben a mesterséges intelligencia fejlődésével párhuzamosan jelentősen megnövekedett a vízigényük is. A Google vízfogyasztása például 20%-kal nőtt 2021-hez képest, ami 21,3 milliárd liter vizet jelent, és a Microsoft is mintegy 34%-os növekedést regisztrált a saját adatközpontjaiban.
Szembetűnőek a Washington Post által közölt, a GPT-4 modellre vonatkozó adatok is: egy 100 szavas e-mail megírása körülbelül 519 milliliter vizet emészt fel. Ez a szám elsőre nem tűnik soknak, ám egészen máshogy fest, ha globális szinten tekintünk rá. Ha például egy éven keresztül minden tizedik amerikai (mintegy 16 millió ember) hetente egyszer használja az MI-t levelek megírásához, az összesen több mint 435 millió liter vizet jelent!
Az MI betanításának gigantikus vízigénye
A mesterséges intelligencia rendszerek nemcsak használatukkor, hanem a betanítási fázisban is óriási vízfogyasztással járnak. A nagy nyelvi modellek (LLM-ek) fejlesztése egy hónapokig tartó, rendkívül magas energia- és vízigényű folyamat. A Microsoft a GPT-3 betanítása során például mintegy 700 ezer litert használt fel, ami nagyjából 45 kilogramm marhahús előállításához szükséges vízmennyiségnek felel meg. Még döbbenetesebb a Meta esete, amely a LLaMA modell fejlesztésekor 22 millió litert fogyasztott, ami elegendő lenne 2013 kilogramm rizs termesztéséhez.
Ezek a számok jól érzékeltetik, hogy az MI-fejlesztés szervezett fizikai infrastruktúrát és erőforrásokat is igényel. A modellek fejlődésével és komplexitásának növekedésével a jövőben várhatóan tovább nő majd az adatközpontok energia- és vízigénye is.
Úton a fenntartható megoldások felé
Bár a mesterséges intelligencia vízfogyasztása ijesztőnek tűnhet, érdemes a jelenséget más perspektívába helyezni. Jelenleg a generatív MI rendszerek napi vízigénye eltörpül más, hétköznapi tevékenységekhez (fürdés, mosás, öntözés) képest. Azonban az MI exponenciális növekedése és az adatközpontok rohamos építése komoly kihívások elé állíthatja a szakembereket a jövőben.
Szerencsére a vízfogyasztás csökkentésére több módszer is létezik. Az egyik legkézenfekvőbb megoldás az adatközpontok hűvösebb éghajlatú, nedvesebb régiókba történő telepítése. Ezzel ellentétes trend a Meta esete, amely Európa egyik legszárazabb régiójába, Madridtól délre építi új szerverparkját.
Emellett a speciális chipek és a hatékony munkaterhelés-kezelés is mérsékelheti az energia- és vízigényt. A mesterséges intelligencia fejlesztőinek és a technológiai vállalatoknak egyaránt fel kell ismerniük a fenntarthatóság fontosságát, és olyan rendszereket kell tervezniük, amelyek erőteljesek, de egyben környezetbarátak is. A mesterséges intelligencia vízfogyasztása tehát egy globális kihívás, amely a felelősségvállalás és a tudatos innováció fontosságára hívja fel a figyelmet.
Források: greendex.hu , hvg.hu , washingtonpost.com
