خنکسازی مستقیم تنها بخش کوچکی از داستان مصرف آب در هوش مصنوعی است؛ بخش بزرگتر و پنهان، در قبض برق شما نهفته است.
آن رقم بسیار ناچیز (۰.۰۰۰۰۸۵ گالن) که در پست وبلاگ آلتمن در سال ۲۰۲۵ ذکر شده بود، تنها شامل «خنکسازی مستقیم» است و مصرف آب برای تولید برق مورد نیاز سرورها را نادیده میگیرد. بر اساس تحلیل خبری CBS، مصرف «غیرمستقیم» آب حدود ۹۲.۵۴ درصد از کل ردپای آبی هوش مصنوعی را تشکیل میدهد. محققان مستقل نیز دریافتند که با احتساب چرخه کامل مصرف، هر ۱۰ تا ۵۰ پرسوجو (Query) در GPT-3 میتواند حدود ۵۰۰ میلیلیتر آب مصرف کند؛ تصویری که با آن عددِ ناچیزِ «یکپانزدهمِ یک قاشق چایخوری» کاملاً متفاوت است.
مقیاس این رشد در اعداد: قدرت محاسباتی زیرساختهای هوش مصنوعی مولد: انتظار میرود بین سالهای ۲۰۲۴ تا ۲۰۲۸، حدود ۸.۵ برابر افزایش یابد (مورگان استنلی). مصرف برق در ایالات متحده: مراکز داده فعلاً مسئول حدود ۴.۴ درصد از مصرف برق هستند، اما پیشبینی میشود این رقم تا سال ۲۰۲۸ به ۱۲ درصد برسد. میزان نیاز به انرژی: طبق تحقیقات انرژی MIT، مصرف برق هوش مصنوعی میتواند تا سال ۲۰۲۸ به ۱۶۵ تا ۳۲۶ تراواتساعت در سال برسد؛ مقداری که برای تامین برق حدود ۲۲ درصد از خانوارها در ایالات متحده کافی است. رشد خیرهکننده آب: محققان مورگان استنلی میگویند: «ما اکنون پیشبینی میکنیم که مصرف سالانه آب توسط مراکز داده هوش مصنوعی به حدود ۱,۰۶۸ میلیارد لیتر در سال ۲۰۲۸ برسد که افزایشی ۱۱ برابری نسبت به برآوردهای سال ۲۰۲۴ دارد.»
بیش از نیمی از قطبهای اصلی مراکز داده در جهان، در حال حاضر در مناطق با «ریسک آبی متوسط» یا بالاتر قرار دارند. در همین حال، طبق بررسی شواهد دولتی در بریتانیا، ۶۸ درصد از مراکز داده در نزدیکی مناطق حفاظتشده یا مناطق با تنوع زیستی کلیدی مستقر شدهاند. این اعداد در مجموع تکاندهنده هستند و تمرکز محلی آنها، این بحران را ملموستر میکند.
مراکز داده معمولاً در مناطقی مثل فینیکس، ویرجینیای شمالی و سنگاپور متمرکز شدهاند؛ مناطقی که هماکنون نیز با خشکسالی و تنشهای اکولوژیک دستوپنجه نرم میکنند. علاوه بر این، با مسئله «پارادوکس جِوونز» (Jevons paradox) روبرو هستیم: هرچه هوش مصنوعی در هر پرسوجو کارآمدتر شود، مصرف کل به دلیل افزایش تعداد کاربران و دفعات استفاده، بالاتر میرود. سازمان ملل نیز در پیشبینیهای خود از مصرف برق هوش مصنوعی تا سال ۲۰۳۰، صراحتاً به این موضوع اشاره کرده است. بنابراین، صرفِ «بهرهوری» به تنهایی نمیتواند این شکاف را پر کند. وعدههای صنعت
مایکروسافت و گوگل متعهد به «مثبت بودن در مصرف آب» (Water Positive) شدهاند، اما نتایج قابل حسابرسی این تعهدات هنوز با خودِ وعدهها فاصله دارد.
مایکروسافت متعهد شده است که تا سال ۲۰۳۰، شدت مصرف آب خود را ۴۰ درصد بهبود بخشد. گوگل نیز تعهد مشابهی را برای رسیدن به وضعیت «مثبت از نظر آبی» صادر کرده است. طبق اعلام مجمع جهانی اقتصاد، سیستمهای خنککننده با چرخه بسته (Closed-loop) میتوانند مصرف آب مراکز داده را ۵۰ تا ۷۰ درصد کاهش دهند؛ هرچند این سیستمها چالشهای مهندسی خاص خود را مانند رشد باکتریها و خوردگی که نیاز به درمان مداوم دارند، به همراه میآورند.
بر اساس دادههای نظرسنجی Exploding Topics، حدود ۷۴ درصد از مصرفکنندگان در ایالات متحده، دستکم تا حدی نگران اثرات زیستمحیطی هوش مصنوعی هستند. با این حال، طبق گزارش Kantar، حدود ۲۷ درصد میگویند اطلاعات کافی برای انتخاب ابزارهای هوش مصنوعی پایدار در زندگی روزمره خود ندارند. همچنین ۶۳ درصد از کاربران فعلی هوش مصنوعی اعلام کردهاند که اگر گزینههایی با اعتبار زیستمحیطی قوی وجود داشت، حتماً آنها را انتخاب میکردند.
این شکاف میان «اشتیاق مصرفکنندگان برای شفافیت» و «نبود برچسبگذاری محصولات»، همان جایی است که فشار نهادهای نظارتی در حال افزایش است. ارائه برچسبهای مصرف آب و کربن برای هر پرسوجوی هوش مصنوعی (مشابه برچسبهای انرژی لوازم خانگی)، منطقیترین قدم بعدی است. اکنون سوال اصلی اینجاست: آیا خودِ صنعت پیشقدم میشود یا منتظر میماند تا با فشار قوانین مجبور به تغییر شود؟
