هوش مصنوعی چگونه از آب استفاده می‌کند — واقعیت شگفت‌انگیز

خنک‌سازی مراکز داده

روش اصلی مصرف آب توسط هوش مصنوعی از طریق سیستم‌های خنک‌کننده مراکز داده عظیم است. این تأسیسات هزاران واحد پردازش گرافیکی (GPU) و واحد پردازش تنسور (TPU) با عملکرد بالا را در خود جای داده‌اند که به‌صورت شبانه‌روزی برای آموزش مدل‌های زبانی بزرگ و پردازش پرس‌وجوهای کاربران کار می‌کنند. هنگامی که این تراشه‌ها کار می‌کنند، گرمای بسیار زیادی تولید می‌کنند. اگر این گرما مدیریت نشود، سخت‌افزار ممکن است عملکرد خود را کاهش دهد یا حتی دچار آسیب فیزیکی دائمی شود.

روش‌های خنک‌سازی تبخیری

بسیاری از مراکز داده از خنک‌سازی تبخیری استفاده می‌کنند که اغلب مقرون‌به‌صرفه‌ترین راه برای تنظیم دما است. در این فرآیند، آب برای کاهش دمای محیط اتاق‌های سرور در هوا تبخیر می‌شود. این شبیه به نحوه خنک شدن بدن انسان از طریق عرق کردن است. اگرچه این روش کارآمد است، اما آب را «مصرف» می‌کند زیرا مایع به بخار تبدیل شده و به‌جای جمع‌آوری و استفاده مجدد، در جو آزاد می‌شود. در مناطق با دمای بالا، یک مرکز داده ممکن است روزانه صدها هزار گالن آب مصرف کند تا از ذوب شدن سرورها جلوگیری کند.

خنک‌سازی مایع با حلقه بسته

برای مقابله با نرخ مصرف بالای سیستم‌های تبخیری، برخی از تأسیسات مدرن به سمت خنک‌سازی حلقه بسته حرکت می‌کنند. در این سیستم‌ها، آب یا یک خنک‌کننده مخصوص از طریق لوله‌هایی که مستقیماً به اجزای تولیدکننده گرما متصل هستند، گردش می‌کند. مایع گرما را جذب کرده و سپس به یک مبدل حرارتی پمپ می‌شود که در آنجا توسط هوای بیرون یا یک منبع آب ثانویه خنک شده و دوباره به حلقه بازگردانده می‌شود. اگرچه این کار میزان آب از دست رفته ناشی از تبخیر را به‌طور قابل‌توجهی کاهش می‌دهد، اما همچنان به یک منبع آب مطمئن برای حفظ فشار سیستم و مدیریت مرحله خنک‌سازی ثانویه نیاز دارد.

استفاده در آموزش در مقابل استنتاج

مصرف آب در چرخه عمر هوش مصنوعی به‌طور کلی به دو مرحله تقسیم می‌شود: مرحله آموزش و مرحله استنتاج. آموزش مدلی مانند GPT-4 یا جانشینان آن در سال 2026 مستلزم اجرای هزاران تراشه با حداکثر ظرفیت برای ماه‌ها است. این مرحله به‌شدت آب‌بر است زیرا تولید گرما مداوم و متمرکز است. محققان اشاره کرده‌اند که آموزش یک مدل بزرگ‌مقیاس می‌تواند به اندازه کافی آب مصرف کند که چندین بار یک استخر حیاط خلوت را پر کند.

تعاملات روزانه با چت‌بات

مرحله استنتاج هر بار که کاربر یک دستور به چت‌بات می‌فرستد، رخ می‌دهد. اگرچه یک تعامل واحد مقدار نسبتاً کمی آب مصرف می‌کند—تقریباً معادل چند جرعه یا نیم لیتر بسته به پیچیدگی مدل—اما مقیاس عظیم استفاده جهانی باعث می‌شود که این مقدار به‌سرعت افزایش یابد. با ارسال میلیاردها پیام به پلتفرم‌های هوش مصنوعی در هر روز، ردپای آب تجمعی این تعاملات «کوچک» به یک نگرانی زیست‌محیطی مهم تبدیل می‌شود. تا سال 2026، برآوردها نشان می‌دهد که یک روز کامل تولید تصویر مداوم یا وظایف استنتاج پیچیده می‌تواند بسته به کارایی معماری خاص هوش مصنوعی مورد استفاده، بین 18 تا 36 گالن آب برای هر کاربر مصرف کند.

مصرف غیرمستقیم آب

فراتر از آبی که مستقیماً در محل مرکز داده استفاده می‌شود، یک ردپای آب «غیرمستقیم» عظیم مرتبط با برق مورد نیاز برای اجرای هوش مصنوعی وجود دارد. اکثر مراکز داده برق خود را از شبکه برق محلی تأمین می‌کنند. بسته به ترکیب انرژی آن شبکه، ممکن است مقدار قابل‌توجهی آب برای تولید برق آبی یا خنک‌سازی در نیروگاه‌های حرارتی (مانند تأسیسات هسته‌ای یا زغال‌سنگ) استفاده شود.

رابطه انرژی-آب

این رابطه به عنوان رابطه انرژی-آب شناخته می‌شود. هنگامی که یک مدل هوش مصنوعی یک مگاوات‌ساعت برق مصرف می‌کند، در واقع در حال «مصرف» آبی است که برای تولید آن برق استفاده شده است. در برخی مناطق، استفاده غیرمستقیم آب از تولید برق در واقع از استفاده مستقیم آب برای خنک‌سازی سرورها فراتر می‌رود. این امر باعث می‌شود تأثیر زیست‌محیطی کلی هوش مصنوعی بسیار بزرگ‌تر از آن چیزی باشد که در کنتور آب مرکز داده اندازه‌گیری می‌شود. با رشد اقتصاد هوش مصنوعی، پیش‌بینی می‌شود که سالانه بیش از 23 کیلومتر مکعب آب مصرف کند، رقمی که اگر کارایی بهبود نیابد، می‌تواند تا سال 2050 بیش از دو برابر شود.

مقایسه فناوری‌های خنک‌سازی

این صنعت در حال حاضر در یک دوره گذار است و از خنک‌سازی هوای سنتی به سمت راهکارهای پیشرفته‌تر مبتنی بر مایع حرکت می‌کند. جدول زیر تفاوت‌های بین روش‌های رایج خنک‌سازی مورد استفاده در مراکز داده هوش مصنوعی تا سال 2026 را نشان می‌دهد.

تأثیرات منطقه‌ای و اجتماعی

محل قرارگیری یک مرکز داده تعیین می‌کند که استفاده از آب آن چقدر بر جامعه محلی تأثیر می‌گذارد. در مناطق کم‌آب، مانند بخش‌هایی از جنوب غربی آمریکا یا شمال آفریقا، ورود یک مرکز داده بزرگ هوش مصنوعی می‌تواند به تأسیسات محلی فشار وارد کند. رهبران دولتی و خصوصی به‌طور فزاینده‌ای مجبور به سنجش مزایای اقتصادی میزبانی غول‌های فناوری در برابر امنیت بلندمدت تأمین آب آشامیدنی محلی هستند. مواردی وجود داشته است که مراکز داده پیشنهادی تخمین زده شده‌اند که هزاران برابر بیشتر از جمعیت محلی به آب نیاز دارند، که منجر به مقاومت نظارتی و نیاز به شفافیت بیشتر در گزارش‌دهی شده است.

زیرساخت و سرمایه‌گذاری

برای کاهش این خطرات، بسیاری از شرکت‌های فناوری در حال سرمایه‌گذاری در پروژه‌های احیای آب هستند. این ابتکارات با هدف بازگرداندن آب بیشتر به حوضه‌های آبریز محلی نسبت به آنچه مراکز داده مصرف می‌کنند، انجام می‌شود. علاوه بر این، ظهور «هوش مصنوعی سبز» منجر به توسعه تأسیساتی شده است که از «آب خاکستری» بازیافتی برای خنک‌سازی به‌جای آب آشامیدنی استفاده می‌کنند. این تغییر برای رشد پایدار زیرساخت‌های دیجیتال ضروری است و تضمین می‌کند که پیشرفت یادگیری ماشین به قیمت منابع اولیه انسانی تمام نشود.

آینده هوش مصنوعی پایدار

با ورود به سال 2026، تمرکز به سمت هوش مصنوعی «آگاه از آب» تغییر کرده است. این شامل بهینه‌سازی نرم‌افزار برای اجرا در زمان‌های خنک‌تر روز که خنک‌سازی تبخیری کارآمدتر است، یا انتقال بارهای کاری به مراکز داده واقع در اقلیم‌های به‌طور طبیعی سردتر است که می‌توان از «خنک‌سازی رایگان» هوای بیرون استفاده کرد. استارتاپ‌ها همچنین در سطح تراشه در حال نوآوری هستند و کانال‌های خنک‌کننده را مستقیماً در معماری سیلیکون ادغام می‌کنند تا گرما را با مایع کمتر به‌طور مؤثرتری دفع کنند.

برای کسانی که به اقتصاد دیجیتال گسترده‌تر علاقه‌مند هستند، از جمله اینکه چگونه این فناوری‌ها با بازارهای مالی تلاقی می‌کنند، می‌توانید دارایی‌هایی مانند Bitcoin را بررسی کنید. برای مثال، کاربران می‌توانند BTC-USDT">لینک معاملات اسپات WEEX را برای مشاهده روندهای فعلی بازار بررسی کنند. اگرچه بحث‌های زیست‌محیطی اغلب بر سخت‌افزار متمرکز است، کارایی خود الگوریتم‌ها نقش بزرگی در میزان خنک‌سازی فیزیکی—و در نتیجه آب—مورد نیاز ایفا می‌کند. شما می‌توانید برای یک حساب در https://www.weex.com/fa-IR/register?vipCode=vrmi ثبت‌نام کنید تا از چشم‌انداز در حال تحول فناوری و دارایی‌های دیجیتال مطلع بمانید.

خلاصه استفاده از آب

به‌طور خلاصه، هوش مصنوعی عمدتاً از آب برای دفع گرمای تولید شده توسط محاسبات با چگالی بالا استفاده می‌کند. این امر از طریق تبخیر مستقیم در مرکز داده و به‌طور غیرمستقیم از طریق آب مورد نیاز برای تولید برق رخ می‌دهد. اگرچه «هزینه» فردی یک دستور هوش مصنوعی کم است، مقیاس جهانی این صنعت ردپای زیست‌محیطی قابل‌توجهی ایجاد کرده است. مسیر پیش رو شامل ترکیبی از طراحی سخت‌افزار بهتر، فناوری‌های خنک‌سازی کارآمدتر مانند خنک‌سازی مایع مستقیم روی تراشه و توزیع جغرافیایی استراتژیک مراکز داده برای به حداقل رساندن تأثیر بر جوامع محلی کم‌آب است.