ИИ сталкивается с проблемами водоснабжения: скрытые затраты крупных языковых моделей

Искусственный интеллект (ИИ) трансформирует отрасли промышленности с беспрецедентной скоростью, в основном благодаря мощным большим языковым моделям (LLM), таким как GPT-4, Claude и Gemini. Огромные вычислительные мощности, необходимые для обучения и повседневной работы этих моделей, вызвали острую дискуссию об их воздействии на окружающую среду.

Хотя энергопотребление и выбросы углерода по праву привлекают пристальное внимание, часто упускается из виду такой важный аспект, как значительное потребление воды ИИ. Огромные количества воды напрямую используются для охлаждения центров обработки данных, питающих эти системы. Кроме того, вода потребляется косвенно при производстве электроэнергии и изготовлении оборудования.

По мере роста глобального спроса на услуги ИИ нагрузка на ограниченные ресурсы пресной воды усиливается, создавая явные проблемы в области устойчивого развития, особенно в регионах, испытывающих дефицит воды и уязвимых к изменению климата. Поэтому необходимо глубокое понимание водного следа ИИ. Оно является основой для принятия обоснованных и ответственных решений, которые поддерживают долгосрочное рациональное природопользование.

Как модели ИИ потребляют воду

Для работы крупномасштабного ИИ требуется непрерывная обработка данных в центрах обработки данных, которые обрабатывают миллиарды операций, генерируя значительное количество тепла. Чтобы предотвратить перегрев и обеспечить стабильную работу, это тепло необходимо эффективно рассеивать. Большинство объектов используют градирни, которые в значительной степени зависят от пресной воды. Большая часть этой воды испаряется в процессе охлаждения и теряется, что приводит к высоким показателям водозабора и водопотребления.

Недавние исследования начали количественно оценивать воздействие ИИ на водные ресурсы. В одном из примечательных исследований 2023 года было подсчитано, что для обучения одной крупной LLM может потребоваться более 700 000 литров чистой пресной воды, что примерно соответствует объему воды, необходимому для производства 370 автомобилей среднего размера. Это подчеркивает огромное использование ресурсов на начальном этапе разработки передовых ИИ.

Использование воды не прекращается после обучения. Фаза инференции, когда модели реагируют на запросы пользователей, также работает на мощной, постоянно включенной вычислительной инфраструктуре по всему миру. Каждый запрос увеличивает нагрузку на обработку и связанную с ней потребность в охлаждении. Общее количество воды, используемой для инференции, быстро растет с массовым внедрением инструментов ИИ, таких как чат-боты, виртуальные помощники и усовершенствованные поисковые системы.

По оценкам, во всем мире центры обработки данных потребляют более 560 миллиардов литров воды в год только для охлаждения, и эта цифра, по прогнозам, резко возрастет к 2030 году, отчасти из-за растущего спроса на ИИ. Помимо этого прямого использования, ИИ приводит к значительному косвенному потреблению воды из-за своих потребностей в электроэнергии, особенно в регионах, где электроэнергия производится на угольных или атомных электростанциях, которые сами по себе являются водоемкими.

Этот растущий спрос подчеркивает острую необходимость в более эффективном охлаждении, устойчивой инфраструктуре и прозрачном учете воды. Без принятия активных мер расширение ИИ может серьезно истощить запасы пресной воды, что создаст значительный риск в районах, уже страдающих от засухи и уязвимости к изменению климата.

Инфраструктура и технологии охлаждения

Модели ИИ работают на высокопроизводительных чипах, размещенных в обширных облачных дата-центрах, которые требуют специального охлаждения для управления непрерывным выделением тепла при вычислениях. Доминирующим методом остается испарительное охлаждение, при котором вода распыляется для поглощения тепла, большая часть которого теряется при испарении, что приводит к высокому водопотреблению.

В ответ на это некоторые операторы внедряют альтернативные решения, такие как жидкостное погружное охлаждение или системы прямого охлаждения чипов. В них используются специальные жидкости или охлаждающие жидкости с замкнутым контуром, которые более эффективно отводят тепло от процессоров. Хотя эти технологии могут сократить прямое потребление воды, они по-прежнему вносят косвенный вклад в углеродный след за счет производства систем и воды, необходимой для выработки электроэнергии, особенно из тепловых источников, таких как уголь и атомная энергия.

Стратегии охлаждения также зависят от географического положения и климата. В засушливых регионах операторы все чаще отдают предпочтение системам с воздушным охлаждением или замкнутым контуром для сохранения местных водных ресурсов, хотя они часто требуют больше энергии, что создает компромисс между экономией воды и увеличением выбросов углерода.

В конечном итоге, каждый уровень инфраструктуры ИИ — от отвода тепла на уровне чипов до охлаждения и энергоснабжения всего объекта — увеличивает его общий водный след. Удовлетворение растущего спроса на ИИ с учетом принципов устойчивого развития потребует постоянных инноваций как в области эффективности охлаждения, так и в области энергетических систем, чтобы предотвратить усиление давления на глобальные водные ресурсы.

Географические и экологические факторы, влияющие на потребление воды в центрах обработки данных

Потребление воды центром обработки данных в значительной степени зависит от его местоположения и местного климата. В жарких засушливых регионах, таких как Аризона или Техас, системы охлаждения должны работать гораздо интенсивнее, чтобы поддерживать безопасную рабочую температуру, часто полагаясь в большей степени на водоемкое испарительное охлаждение, что приводит к значительно более высокому потреблению, чем в более прохладных климатических условиях, таких как Скандинавия. Влажность также играет ключевую роль: сухой воздух повышает эффективность испарительного охлаждения, но также ускоряет потерю воды.

Местные условия водоснабжения имеют решающее значение. Объекты в районах с дефицитом воды часто используют муниципальные источники, которые и без того могут быть перегружены, что потенциально создает конкуренцию с потребностями населения и сельского хозяйства. Ярким примером является центр обработки данных Google в Орегоне, который подвергся общественному контролю за использование воды во время региональной засухи.

Кроме того, обучение больших моделей ИИ может привести к внезапным и интенсивным скачкам спроса на воду. Хотя эти скачки могут быть временными, они могут оказать давление на местные системы водоснабжения, потенциально снижая уровень рек или истощая грунтовые воды, что негативно сказывается на местных экосистемах и биоразнообразии.

Для решения этих проблем необходимо планирование инфраструктуры ИИ с тщательным учетом местных факторов: климата, доступности воды и нормативно-правовой базы. Устойчивое развертывание зависит от четкой политики, вовлечения сообщества и выбора технологий охлаждения, подходящих для местных условий водоснабжения.

Корпоративные обязательства и пробелы в прозрачности

Ведущие компании в области ИИ все чаще признают свою ответственность за состояние окружающей среды и ставят перед собой амбициозные цели в области рационального использования водных ресурсов. Google, Microsoft и Meta взяли на себя обязательство стать «водоположительными» к 2030 году, стремясь восполнить больше воды, чем они потребляют во всем мире, с помощью таких инициатив, как восстановление водосборных бассейнов, сбор дождевой воды и поддержка местных проектов по сохранению водных ресурсов.

Например, Google стремится восполнить 120 % своего потребления и предоставляет ежегодные отчеты об устойчивом развитии с данными об использовании. Microsoft внедрила передовые системы адиабатического охлаждения, которые могут сократить потребление воды до 90 % по сравнению с традиционными башнями. Meta фокусируется на своих целях по восполнению — 200 % в зонах с высоким уровнем стресса, 100 % в зонах со средним уровнем стресса — где дефицит наиболее острый. Некоторые объекты также используют рециркуляцию воды на месте или сбор дождевой воды.

Эти обязательства имеют прямое отношение к ИИ, поскольку обучение и работа LLM зависят от огромных, энергоемких центров обработки данных, потребности которых в охлаждении приводят к значительному потреблению воды. По мере глобального расширения услуг ИИ, особенно тех, которые связаны с LLM, их воздействие на окружающую среду растет, что делает ответственное управление водными ресурсами краеугольным камнем устойчивого развития ИИ.

Сокращение водного следа ИИ: простые шаги и коллективные действия

Для снижения воздействия ИИ на водные ресурсы необходим многогранный подход, сочетающий технологическую эффективность, стратегическое планирование и совместную ответственность. С технологической точки зрения, разработка более компактных и эффективных моделей с помощью таких методов, как обрезка, квантование и дистилляция знаний, может снизить вычислительную нагрузку, тем самым сократив потребление энергии и охлаждающей воды, необходимое как для обучения, так и для вывода.

Важное значение имеют и операционные решения. Планирование интенсивных вычислительных задач на более прохладные часы дня может минимизировать потери воды в результате испарения. Размещение новых центров обработки данных в регионах с устойчивыми водными ресурсами и доступом к возобновляемым источникам энергии (таким как ветер или солнце) снижает косвенное воздействие на водные ресурсы, связанное с тепловой генерацией электроэнергии.

Однако решения должны выходить за рамки технологических компаний. Правительства играют ключевую роль в установлении правил, которые требуют прозрачной отчетности по воде и продвигают единые метрики. Они также могут увязывать разрешения на строительство инфраструктуры с устойчивым водоснабжением. Экологические организации помогают, отслеживая прогресс, выступая за более жесткую политику и привлекая отрасль к ответственности. Местные планировщики должны оценивать новые проекты с учетом их воздействия на водные ресурсы в первую очередь, особенно в районах, испытывающих дефицит воды.

Индивидуальные пользователи и научное сообщество также имеют влияние. Отдавая предпочтение платформам, которые раскрывают экологические данные и уделяют приоритетное внимание устойчивому развитию, пользователи сигнализируют о рыночном спросе. Разработчики и исследователи должны включать эффективность использования воды в качестве ключевого показателя при оценке систем искусственного интеллекта. Академические круги могут внести свой вклад, разрабатывая более совершенные инструменты для измерения и минимизации водопотребления.

В конечном итоге, жизненно важно повышать осведомленность широкой общественности. Многие пользователи не осознают скрытые затраты воды, связанные с простыми запросами ИИ. По мере роста понимания растет спрос на корпоративную ответственность и устойчивые практики. В связи с неуклонным ростом крупных моделей ИИ, которые усиливают давление на глобальные запасы пресной воды, необходимо рассматривать водопользование как ключевой компонент воздействия ИИ на окружающую среду. Достижение значимого прогресса будет зависеть от совместных усилий политиков, разработчиков, компаний и пользователей. Сделав рациональное использование водных ресурсов неотъемлемой частью проектирования и внедрения ИИ, мы сможем сохранить жизненно важный ресурс и при этом по-прежнему пользоваться преимуществами интеллектуальных технологий.

Вывод

Минимизация водного следа ИИ больше не является второстепенной проблемой, а является фундаментальным требованием для устойчивого технологического прогресса. Обучение и эксплуатация крупных моделей оказывают реальное давление на запасы пресной воды, что усугубляет проблему в регионах, уже сталкивающихся с климатическим стрессом.

Для решения этой проблемы необходимы усовершенствования в области эффективных моделей, оборудования и продуманного размещения центров обработки данных. Однако одной только технологии недостаточно. Реальные изменения требуют коллективных усилий: четкой политики со стороны правительств, прозрачности и инноваций со стороны компаний, обоснованной поддержки со стороны исследователей и осознанного выбора со стороны пользователей. Учитывая влияние на водные ресурсы с самого начала разработки ИИ, мы сможем ответственно внедрять инновации и защищать жизненно важные водные ресурсы в долгосрочной перспективе.