Πόσο νερό καταναλώνει τελικά το AI;

Είναι ξεπερασμένες οι αρχικές εκτιμήσεις;

Όπως διαβάζουμε σε αυτό το post του Sean Goedecke, του αυστραλού software engineer και συγγραφέα τεχνολογικού περιεχομένου, με σημαντική παρουσία στη διεθνή κοινότητα των προγραμματιστών και της τεχνητής νοημοσύνης, οι πρώτες μελέτες για την κατανάλωση ενέργειας και νερού από συστήματα τεχνητής νοημοσύνης, όπως αυτή εδώ, βασίστηκαν σε δεδομένα του 2020, όταν το GPT-3 ήταν το κυρίαρχο μοντέλο. Από τότε, όμως, η τεχνολογία έχει αλλάξει ριζικά.

Τα σύγχρονα μοντέλα που χρησιμοποιεί σήμερα ο μέσος χρήστης, είναι σημαντικά μικρότερα, ταχύτερα και ενεργειακά αποδοτικότερα. Παρότι οι πάροχοι δεν δημοσιεύουν πλήρη τεχνικά στοιχεία, η απόδοση και η ταχύτητα αποτελούν καλούς δείκτες κατανάλωσης. Με βάση αυτά, εκτιμάται ότι τα σημερινά μοντέλα είναι περίπου δέκα φορές πιο αποδοτικά από το αρχικό GPT-3.

Επιπλέον, οι αρχικές εκτιμήσεις υπέθεταν ότι μία «συνομιλία» με το AI ισοδυναμεί με δεκάδες σελίδες κειμένου. Στην πράξη, οι περισσότερες αλληλεπιδράσεις είναι σύντομες και αποσπασματικές.

Πόσο νερό καταναλώνει πραγματικά μία συνομιλία;

Συνδυάζοντας τη βελτίωση της αποδοτικότητας των μοντέλων με τη ρεαλιστική διάρκεια μιας τυπικής συνομιλίας, η κατανάλωση νερού από τη χρήση του AI εκτιμάται σήμερα περίπου στα 5 ml ανά συνομιλία. Αυτά τα ml είναι μια έμμεση κατανάλωση, που σχετίζεται κυρίως με την ψύξη των data centers, και όχι για νερό που «χάνεται» άμεσα κάθε φορά που γράφουμε κάτι. Με απλά λόγια, για να φτάσει κανείς στο ισοδύναμο ενός μπουκαλιού νερού, θα έπρεπε να πραγματοποιήσει δεκάδες έως εκατοντάδες κανονικές συνομιλίες.

Τι ισχύει με τα κλειστά κυκλώματα ψύξης;

Ένα συχνό αντεπιχείρημα είναι ότι τα data centers λειτουργούν με κλειστά κυκλώματα, όπου το νερό ανακυκλώνεται. Αυτό, όπως αναφέρει ο Goedecke είναι εν μέρει σωστό.

Στην πράξη, το νερό κυκλοφορεί μεταξύ data center και ψυκτικών μονάδων, οι οποίες συχνά χρησιμοποιούν ανοικτά συστήματα ψύξης. Αυτά απαιτούν συνεχή προσθήκη καθαρού γλυκού νερού για να αποφευχθούν βακτήρια και επικαθίσεις αλάτων, ενώ οι πύργοι ψύξης βασίζονται στην εξάτμιση, άρα χάνουν νερό εκ κατασκευής.

«Το νερό επιστρέφει στον κύκλο», άρα δεν υπάρχει πρόβλημα;

Όχι ακριβώς. Το ζήτημα εδώ είναι η έλλειψη γλυκού νερού. Το νερό που χρησιμοποιείται χρειάζεται χρόνο και ενέργεια για να επανέλθει σε αξιοποιήσιμη μορφή, ενώ ο φυσικός κύκλος δεν κατανέμει ομοιόμορφα τους πόρους. Σε περιοχές με υδάτινη έλλειψη, η αυξημένη κατανάλωση μπορεί να έχει σοβαρές επιπτώσεις.

Και η εκπαίδευση των μοντέλων;

Εδώ τα πράγματα αλλάζουν. Η εκπαίδευση (training) μεγάλων γλωσσικών μοντέλων είναι σαφώς πολύ πιο ενεργοβόρα και υδροβόρα από τη χρήση τους.

Σύμφωνα με μελέτη του 2020, η εκπαίδευση του GPT-3 εκτιμάται ότι κατανάλωσε 2 έως 15 εκατομμύρια λίτρα νερού. Για νεότερα και πιο σύνθετα μοντέλα, το νούμερο αυτό πιθανότατα είναι πολλαπλάσιο, ειδικά αν συνυπολογιστούν αποτυχημένες ή επαναλαμβανόμενες εκπαιδεύσεις.

Επομένως, αν υπάρχει σοβαρό επιχείρημα για το περιβαλλοντικό αποτύπωμα της τεχνητής νοημοσύνης, αυτό βρίσκεται κυρίως στην εκπαίδευση των μοντέλων, όχι στη καθημερινή χρήση από τον μέσο χρήστη.

Πώς συγκρίνεται το AI με άλλες δραστηριότητες;

Η παραγωγή ενός μπέργκερ εκτιμάται ότι απαιτεί 2.000–3.000 λίτρα νερού, κυρίως λόγω της γεωργίας και της κτηνοτροφίας. Ακόμα κι αν οι εκτιμήσεις αυτές έχουν σφάλμα τάξης μεγέθους, η καθημερινή διατροφή των περισσότερων ανθρώπων εξακολουθεί να έχει πολλαπλάσιο υδατικό αποτύπωμα από τη χρήση AI.

Γυρω από όλη αυτή τη συζήτηση για την κατανάλωση πόρων από το AI, αναδύεται ένα βαθύτερο, υπαρξιακό ερώτημα: ποιος είναι τελικά ο σκοπός όλης αυτής της «προόδου» και πώς την ορίζουμε.

Όπως επισημαίνεται εύστοχα, από αρκετούς χρήστες, ακόμη κι αν το κόστος της τεχνητής νοημοσύνης συγκλίνει κάποτε στο κόστος της ηλεκτρικής ενέργειας, η πραγματική πρόκληση δεν είναι μόνο τεχνική ή οικονομική.

Η ζήτηση για αλγοριθμική νοημοσύνη αυξάνεται εκθετικά και μαζί της αυξάνεται και η ανάγκη για ενέργεια, σε έναν κόσμο που ήδη δεν επαρκεί. Το ερώτημα λοιπόν δεν είναι απλώς αν μπορούμε να κάνουμε την AI πιο αποδοτική, αλλά αν έχουμε σκεφτεί επαρκώς τι είδους πρόοδο επιδιώκουμε, ποιο είναι το ανθρώπινο όφελος και ποιες είναι οι επιπτώσεις αυτής της διαρκούς επιτάχυνσης στο νόημα της ζωής και της ίδιας της ανθρώπινης εμπειρίας.