9 Minutės
Įžanga: viralinis teiginys ir realybė
Viralinis teiginys – „kiekviena ChatGPT užklausa sunaudoja 64 litrų vandens“ – buvo pasidalintas tiek kartų, kad jis atrodo kaip faktas. Tačiau tai netiesa. OpenAI vadovas Sam Altman griežtai paneigė šį skaičių kalbėdamas Indijoje vykusiame „The Indian Express“ renginyje ir pavadino tokius vandens suvartojimo pareiškimus „be pagrindo“ ir klaidinančius.
Faktai ir mitai apie vandens naudojimą duomenų centruose
Trumpas ir aiškus paaiškinimas: sena istorija apie milžinišką vandens vartojimą kilo iš laikotarpio, kai kai kurie duomenų centrai rėmėsi garinimo aušinimu (evaporative cooling). Šis metodas iš tiesų naudoja vandenį. Tačiau daugelyje šiuolaikinių patalpų šis būdas buvo iš esmės atsisakyta arba gerokai sumažintas. Altmanas atkreipė dėmesį, kad skaičiai, sklandantys internete, ignoruoja infrastruktūros ir aušinimo strategijų pokyčius – todėl jie iškreipia vaizdą apie tai, kiek, iš tiesų, sistemoms, tokioms kaip ChatGPT, reikėtų vandens.
Nors dalis senų analizų atkartojo realius matavimus tuo metu, kai garinimo aušinimas buvo populiaresnis, daugelis naujesnių duomenų centrų taiko įvairias alternatyvas: oro aušinimą su didesniu energijos efektyvumu, uždaras šilumokaičių grandines, kietąją arba skysčių aušinimo technologiją (direct-to-chip, immersion cooling) ir kt. Šios technologijos arba naudoja kur kas mažiau vandens, arba visiškai jo nereikalauja, ypač jei vandenį pakeičiamos sistemos grįžtamai uždaroje grandinėje.
Energijos sąnaudos ir mastas
Ar tai reiškia, kad aplinkosaugos problemų nėra? Tikrai ne. Altmanas pripažino, kad energijos suvartojimas yra pagrįstas ir augantis rūpestis. Svarbus ne vienas klausimas ar vienos užklausos energijos sąnaudos, o mastas. Viena užklausa gali sunaudoti trupinį kilovatvalandės; tačiau pasaulinis, 24/7 dirbančios dirbtinio intelekto paslaugų paklausos augimas yra reikšmingas. Bendra energijos apkrova – ne atskiros užklausos vertinimai – yra ta metrika, kuri turėtų neraminti politikos formuotojus ir operatorius.
Kaip skaityti vienetinius skaičius?
Retkarčiais paskelbti vienetiniai skaičiai (pvz., vandens ar energijos sąnaudos vienai užklausai) gali būti misreprezentatyvūs: jie dažnai nepaiso realaus pasaulio parametrų, tokių kaip:
- duomenų centro geografinė vieta ir vietinių klimato sąlygų įtaka;
- naudojamos aušinimo technologijos (oro aušinimas, skysčių aušinimas, rekuperacija ir kt.);
- perkamai (angl. purchased) elektros energijos šaltinio anglies intensyvumas ar atsinaujinančių šaltinių dalis;
- pakrovos kaita (priklausomai nuo to, ar trumpos piko apkrovos yra dažnos, keičiasi ir bendras energijos poreikis);
- periodinės ataskaitos ir audito principai, kurių dažnai trūksta.
Be šių komponentų, bet koks absoliutus „per užklausą“ rodiklis gali klaidinti ir skatinti paviršutiniškas diskusijas vietoje konstruktyvių sprendimų.
Žmogaus intelekto energetinis palyginimas
Tada Altmanas pateikė provokuojantį palyginimą. Kaip vertinti intelekto energijos sąnaudas? Žmogus mokosi dešimtmečius. Altmanas atkreipė dėmesį, kad asmuo suvartoja maždaug 20 metų maisto ir medžiagų apykaitos energijos, kol įgauna brandžią pažintinę gebą atsakyti į sudėtingesnius klausimus. Jis taip pat apibūdino žmogaus pažintinius gebėjimus kaip evoliucinio darbo rezultatą, kuriame dalyvavo maždaug 100 milijardų žmonių, gyvenusių Žemėje – lėtas, išsisklaidęs ir brangus procesas.
Altmano išvados esmė: jei norite teisingo palyginimo, reikia pamatuoti energiją, reikalingą apmokytam DI modeliui atsakyti į klausimą, palyginti su energija, kurią žmogus naudoja atsakymui į tą patį klausimą. Tokiu matuokliu jis pasiūlė, kad DI gali būti efektyvesnis – bet tik tuo atveju, jeigu naudojama energija yra mažai anglies dioksido išskirianti arba gaunama iš atsinaujinančių šaltinių.
Konceptualūs skirtumai tarp žmogaus ir DI energijos
- Žmogaus „energetinis biudžetas“ yra paskirstytas per ilgesnį gyvenimo laiką ir apima maitinimą, šilumą, fizinį aktyvumą ir kt.;
- DI modelio „mokymo energija“ dažnai yra koncentrinė – didelė pradinė sąnauda (mokymui), po kurios seka mažesnės sąnaudos inferencijos metu (kai modelis atsako užklausoms);
- skirtumas tarp mokymo (angl. training) ir vykdymo/inferencijos yra esminis kalkuliuojant „energija per užklausą“ rodiklį;
- galiausiai, energijos šaltinis lemia klimatinį poveikį: tas pats kiekis kilovatvalandžių turės skirtingą CO2 pėdsaką, priklausomai nuo to, ar tai anglimis kūrenama jėgainė, ar vėjo parkas.
Koks sprendimas? Švari energija ir infrastruktūra
Tai veda prie praktinio sprendimo: spartesnis švarios energijos diegimas. Altmanas ragino greitai pereiti prie atominės energetikos, vėjo ir saulės, kad pasaulis galėtų patenkinti didėjančią elektros paklausą, neblogindamas klimato krizės. Jis pabrėžė, kad tai nėra papildoma galimybė – tai atsakingo DI masto didinimo stuburas.
Kalbant konkrečiau, reikalingi keli sluoksniai veiksmų:
- Investicijos į atsinaujinančią energetiką ir mažai anglies dioksido išskiriančias sprendimus;
- duomenų centrų projektavimas orientuojantis į PUE (Power Usage Effectiveness) mažinimą ir WUE (Water Usage Effectiveness) gerinimą;
- naudoti šilumos rekuperacijos technologijas, kad pertekline šilumą būtų galima panaudoti miestų šiluminėms sistemoms ar pramoniniams procesams;
- lokalizuoti diegimus taip, kad išnaudotų vietines atsinaujinančias galimybes ir sumažintų tinklo stresą.
Techninės priemonės mažinti vandens ir energijos pėdsaką
Šiuolaikinės technologijos suteikia įvairių būdų mažinti tiek vandens, tiek energijos suvartojimą duomenų centruose. Kai kurios iš jų:
- skysčių aušinimas (direct-to-chip arba immersion cooling), sumažinantis ventiliatorių ir kompresorių elektros poreikį;
- uždaros aušinimo grandinės su recirkuliacija, kur vanduo yra perdirbamas ir naudojamas daug kartų;
- naudojant šaltą klimato pranašumą (free cooling) vietose su žemesnėmis aplinkos temperatūromis;
- integruoti atsinaujinančios energijos pirkimai (angl. power purchase agreements, PPA) ar vietinės saulės / vėjo jėgainės;
- naudoti pažangias valdymo sistemas ir dirbtinį intelektą pats tinklo valdymui optimizuoti (pvz., dinaminiam apkrovų balansuotumui ir efektyvesniam aušinimui).
Skaičiavimai, skaidrumas ir politinis reguliavimas
Dar vienas pastebėtinas niuansas: šiuo metu nėra globalaus teisinio reikalavimo technologijų įmonėms skelbti tikslius, audituotus vandens ir energijos pėdsakus. Nepriklausomi tyrėjai bando modeliuoti poveikį naudodami netiesioginius įverčius, o kai kuriose regionuose duomenų centrai prisidėjo prie didesnių elektros kainų ir apkrovos elektros skirstymo tinkluose.
Dokumentuoti ir standartizuoti matavimus būtų naudingas žingsnis. Kai kurie jau naudingi rodikliai ir standartai:
- PUE (Power Usage Effectiveness) – standartas, rodantis viso duomenų centro energijos suvartojimo santykį su IT įrangos suvartojimu;
- WUE (Water Usage Effectiveness) – panašus indeksas, vertinantis duomenų centro vandens suvartojimą;
- anglies intensyvumo rodikliai (CO2 per kWh), leidžiantys palyginti skirtingų vietų poveikį;
- audituotos ataskaitos ir nepriklausomos patikros, kurios suteikia pasitikėjimą viešomis deklaracijomis.
Be skaidrumo, visuomenė ir politikos formuotojai negali objektyviai vertinti, ar operatorių veiksmai yra pažangūs, ar tik mažina neigiamą viešąją nuomonę.
Reguliavimo galimos kryptys
Vyriausybės ir tarptautinės organizacijos galėtų svarstyti keletą priemonių:
- reikalauti periodinių ataskaitų apie energijos ir vandens naudojimą pagal nustatytą standartą;
- skatinti arba reikalauti naudoti atsinaujinančius energijos šaltinius arba kompensuoti anglies dioksido išmetimus;
- teikti mokesčių lengvatas ar subsidijas už švarią energiją ir aukštos energijos efektyvumo aušinimo technologijas;
- investuoti į vietinę energetinę infrastruktūrą, kad būtų galima priimti gausesnį obnovable energijos kiekį ir sumažinti tinklo stresą.
Debatai, skaidrumas ir atsakingas DI plėtojimas
Debatai ir skaidrumas turėtų judėti kartu su diegimu. Jei rimtai žiūrime į tvarų dirbtinį intelektą, pokalbis turėtų persikelti nuo sensacingų antraščių apie „vandenį už užklausą“ į realius klausimus apie švarią energiją, infrastruktūros investicijas ir viešą atskaitomybę.
Keletas praktinių rekomendacijų visiems suinteresuotiesiems:
- operatoriams: skelbti aiškius PUE/WUE rodiklius, siekti šaltinio anglies mažinimo ir viešai dokumentuoti pažangą;
- politikams: nustatyti aiškias gaires dėl ataskaitų teikimo ir skatinti atsinaujinančios energetikos projektus;
- tyrėjams: kurti viešai patikrinamus modelius, kurie integruoja faktinius infrastruktūros pokyčius ir aušinimo technologijas;
- viešumai: vertinti ne tik sensacingas antraštes, bet ir patikimus duomenis bei metodologijas.
Išvados ir praktinis požiūris
Trumpai tariant, sensacingas teiginys apie „64 litrų vandens už užklausą“ yra klaidinantis, nes remiasi pasenusiais prielaidomis ir neatsižvelgia į šiuolaikines duomenų centrų praktikas. Tačiau tai nereiškia, kad nėra pagrįstų aplinkosauginių rūpesčių. Energetinis DI augimas yra realus ir reikalauja aktyvių sprendimų: švari energetika, efektyvi infrastruktūra, skaidrumas ir standartizuotas ataskaitų teikimas.
Atsakomybė už tvarų DI plėtojimą tenka tiek technologijų įmonėms, tiek politikos formuotojams, tiek vietinės ir tarptautinės bendruomenės organizacijoms. Vietoje panikos dėl atskiro ir teisingai nepaaiškinto skaičiaus, reikėtų sutelkti dėmesį į ilgesnės trukmės sprendimus, kurie leidžia patenkinti augančią skaitmeninės ekonomikos paklausą nekenkiant klimatui ir ištekliams.
Galiausiai, vertinti DI poveikį turime ne vien pagal vienetinius, sensacingus rodiklius, o pagal bendrą sisteminį poveikį: bendrą energijos suvartojimą, anglies intensyvumą ir vandens valdymą. Tik tokiu būdu galima suformuoti priemones, kurios leidžia technologinei pažangai vykti kartu su klimato ir vandens išteklių apsauga.
Šaltinis: smarti
Komentarai
Tomas
Esu dirbęs duomenų centruose, vandens ir energijos poreikis labai priklauso nuo aušinimo. 64 l? Per daug supaprastinta, reikia sisteminio vertinimo
keliasx
Ar tikrai verta skleisti 64 l/vandens už užklausą? Skamba kaip senų duomenų perpasakojimas.. Reikia audituotų skaičių, ne clickbait
Palikite komentarą