Cik daudz ūdens patērē mākslīgais intelekts?

Esmu pārliecināts, ka esat dzirdējuši visu, sākot no “Mākslīgais intelekts ik pēc pāris jautājumiem izdzer pudeli ūdens” līdz pat “tie būtībā ir daži pilieni”. Patiesība ir niansētāka. Mākslīgā intelekta ūdens patēriņš ievērojami mainās atkarībā no tā, kur tas darbojas, cik garš ir jūsu uzdevums un kā datu centrs atdzesē savus serverus. Tātad, jā, galvenais skaitlis pastāv, taču tas atrodas daudzu atrunu vidū.

Zemāk es sniegšu skaidrus, lēmumu pieņemšanai gatavus skaitļus, paskaidrošu, kāpēc aplēses atšķiras, un parādīšu, kā celtnieki un ikdienas lietotāji var samazināt ūdens patēriņu, nekļūstot par ilgtspējības mūkiem.

Raksti, kurus jūs varētu vēlēties izlasīt pēc šī raksta:

🔗 Kas ir mākslīgā intelekta datu kopa
Izskaidro, kā datu kopas nodrošina mašīnmācīšanās apmācību un modeļu izstrādi.

🔗 Kā mākslīgais intelekts prognozē tendences
Parāda, kā mākslīgais intelekts analizē modeļus, lai prognozētu izmaiņas un nākotnes rezultātus.

🔗 Kā izmērīt mākslīgā intelekta veiktspēju
Sadala svarīgākos rādītājus precizitātes, ātruma un uzticamības novērtēšanai.

🔗 Kā runāt ar mākslīgo intelektu
Vada efektīvas pamudināšanas stratēģijas, lai uzlabotu skaidrību, rezultātus un konsekvenci.

Cik daudz ūdens patērē mākslīgais intelekts? Īsi skaitļi, ko jūs faktiski varat izmantot 📏

• Tipisks diapazons uz vienu uzvedni mūsdienās: no mazāk nekā mililitra vidējai teksta uzvednei vienā galvenajā sistēmā līdz pat desmitiem mililitru garākai, jaudīgākai atbildei citā. Piemēram, Google ražošanas grāmatvedība ziņo par vidējo teksta uzvedni ~0,26 ml (ieskaitot pilnu apkalpošanas pieskaitāmo slodzi) [1]. Mistral dzīves cikla novērtējumā 400 žetonu palīga atbilde tiek noteikta ~45 ml (margināla secinājuma vērtība) [2]. Kontekstam un modelim ir liela nozīme.

• Robežmēroga modeļa apmācība: var sasniegt miljoniem litru , galvenokārt no dzesēšanas un elektroenerģijas ražošanā izmantotā ūdens. Plaši citētā akadēmiskā analīzē tika lēsts, ka GPT klases modeļa apmācībai ~5,4 miljoni litru ~700 000 litru, kas tiek patērēti dzesēšanai uz vietas, un tika ieteikta vieda plānošana, lai samazinātu ūdens intensitāti [3].

• Datu centri kopumā: lielākie operatori lielās vietās vidēji patērē simtiem tūkstošu galonu dienā

Būsim godīgi: sākumā šie skaitļi šķiet pretrunīgi. Tie tādi ir. Un tam ir labi iemesli.

Mākslīgā intelekta ūdens patēriņa rādītāji ✅

Labai atbildei uz jautājumu " Cik daudz ūdens patērē mākslīgais intelekts?" vajadzētu atzīmēt dažas rūtiņas:

1. Robežu skaidrība.
   Vai tas ietver tikai dzesēšanas ūdeni uz vietas vai arī ūdeni ārpus objekta, elektrostacijas elektroenerģijas ražošanai? Labākā prakse nošķir ūdens ieguvi no ūdens patēriņa un ietver 1., 2. un 3. darbības jomu, līdzīgi kā oglekļa emisiju uzskaitē [3].

2. Atrašanās vietas jutība
   Ūdens patēriņš uz kWh atšķiras atkarībā no reģiona un elektrotīkla kombinācijas, tāpēc viens un tas pats signāls var atšķirīgi ietekmēt ūdens patēriņu atkarībā no tā, kur tas tiek pasniegts – galvenais iemesls, kāpēc literatūrā ieteicams veikt laika un vietas ziņā atbilstošu plānošanu [3].

3. Darba slodzes reālisms
   Vai skaitlis atspoguļo vidējos ražošanas apjomus , tostarp dīkstāves jaudu un datu centra pieskaitāmās izmaksas, vai tikai akseleratora maksimālo slodzi? Google uzsver pilnīgas sistēmas uzskaiti (dīkstāve, CPU/DRAM un datu centra pieskaitāmās izmaksas) secinājumu izdarīšanai, ne tikai TPU matemātiku [1].

4. Dzesēšanas tehnoloģija
   Iztvaikošanas dzesēšana, slēgtas cilpas šķidruma dzesēšana, gaisa dzesēšana un jaunās tiešās dzesēšanas uz mikroshēmu metodes dramatiski maina ūdens intensitāti. Microsoft ievieš dizainus, kas paredzēti, lai novērstu dzesēšanas ūdens izmantošanu noteiktās nākamās paaudzes vietnēs [4].

5. Diennakts laiks un gadalaiks
   Siltums, mitrums un tīkla apstākļi ietekmē ūdens izmantošanas efektivitāti reālajā dzīvē; viens ietekmīgs pētījums iesaka plānot lielus darbus laikā un vietā, kad un kur ūdens intensitāte ir zemāka [3].

Ūdens patēriņa un tā izmantošanas salīdzinājums, skaidrojums 💡

• Izsūknēts ūdens = ūdens, kas ņemts no upēm, ezeriem vai ūdens nesējslāņiem (daļa atgriezta).

• Patēriņš = ūdens, kas netiek atgriezts , jo tas iztvaiko vai tiek iekļauts procesos/produktos.

Dzesēšanas torņi galvenokārt patērē ūdeni, iztvaikojot. Elektroenerģijas ražošana var patērēt lielus apjomus (dažreiz patērējot daļu no tā) atkarībā no stacijas un dzesēšanas metodes. Ticams mākslīgā intelekta ūdens skaitļu marķējums, ko tas ziņo [3].

Kur nonāk ūdens mākslīgajā intelektā: trīs spaiņi 🪣

1. 1. tvērums — dzesēšana uz vietas.
   Redzamā daļa: ūdens, kas iztvaiko pašā datu centrā. Projektēšanas izvēles, piemēram, iztvaikošana salīdzinājumā ar gaisu vai slēgtas cilpas šķidrumu, nosaka bāzes līniju [5].

2. 2. tvērums — elektroenerģijas ražošana
   Katram kWh var būt slēpta ūdens atzīme; maisījums un atrašanās vieta nosaka litru uz kWh signālu, ko saņem jūsu darba slodze [3].

3. 3. tvērums — piegādes ķēde.
   Mikroshēmu ražošanā tiek izmantots īpaši tīrs ūdens. Tas nebūs redzams metrikā “katrai uzvednei”, ja vien robeža neietver ietverto ietekmi (piemēram, pilnu dzīves cikla analīzi) [2][3].

Pakalpojumu sniedzēji skaitļos, ar niansēm 🧮

• Google Gemini uzvednēs tiek izmantota
  pilna steka apkalpošanas metode (ieskaitot dīkstāvi un iekārtas pieskaitāmās izmaksas). Vidējais teksts uzvednē norāda ~0,26 ml ūdens kopā ar ~0,24 Wh enerģijas; skaitļi atspoguļo ražošanas plūsmu un visaptverošas robežas [1].

• Mistral Large 2 dzīves cikls.
  Rets neatkarīgs LCA (ar ADEME/Carbone 4) atklāj ~281 000 m³ apmācībai + agrīnai lietošanai un secinājuma robežvērtību ~45 ml 400 žetonu palīga atbildei [2].

• Microsoft mērķis ir neizmantot ūdens dzesēšanu.
  Nākamās paaudzes datu centri ir izstrādāti tā, lai dzesēšanai nebūtu jāizmanto ūdens , balstoties uz tiešās dzesēšanas mikroshēmā pieejām; administratoru vajadzībām joprojām ir nepieciešams zināms ūdens daudzums [4].

• Vispārīgs datu centru mērogs.
  Lielie operatori publiski ziņo par simtiem tūkstošu galonu dienā vidēji atsevišķās vietās; klimats un dizains ietekmē skaitļus uz augšu vai uz leju [5].

• Iepriekšējā akadēmiskā bāzes līnija
  Nozīmīgajā “izslāpušā mākslīgā intelekta” analīzē tika lēsts, ka GPT klases modeļu apmācībai miljoniem litru 10–50 vidēja tilpuma atbildes varētu aptuveni atbilst 500 ml pudelei — lielā mērā atkarībā no tā, kad/kur tās darbojas [3].

Kāpēc aprēķini tik ļoti atšķiras 🤷

• Dažādas robežas
  Daži skaitļi ietver tikai dzesēšanu uz vietas ; citi ietver elektrības patēriņu un ūdeni ; dzīves cikla novērtējumos var tikt iekļauta čipu ražošana . Āboli, apelsīni un augļu salāti [2][3].

• Dažādas darba slodzes
  Īsa teksta uzvedne nav garš multimodāls/koda izpildes process; partijveida apstrāde, vienlaicība un latentuma mērķi maina izmantošanas līmeni [1][2].

• Dažādi klimatiskie apstākļi un režģi
  Iztvaikošanas dzesēšana karstā, sausā reģionā ≠ gaisa/šķidruma dzesēšana vēsā, mitrā reģionā. Režģa ūdens intensitāte ir ļoti atšķirīga [3].

• Pārdevēju metodoloģijas
  Google publicēja sistēmas mēroga apkalpošanas metodi; Mistral publicēja formālu dzīves cikla analīzi (LCA). Citi piedāvā punktu aprēķinus, izmantojot izretotas metodes. Plašsaziņas līdzekļu virsrakstos nonāca plaši pazīstams par "vienu piecpadsmito tējkarotes daļu" katrā reizē, taču bez detalizētas robežas tas nav salīdzināms [1][3].

• Kustīgs mērķis
  Dzesēšana strauji attīstās. Microsoft izmēģina bezūdens dzesēšanu noteiktās vietās; to ieviešana samazinās ūdens patēriņu uz vietas, pat ja augšupējā elektrības padeve joprojām pārraida ūdens signālu [4].

Ko jūs varat darīt jau šodien, lai samazinātu mākslīgā intelekta radīto ūdens pēdu 🌱

1. Pielāgojiet modeļa izmēru
   Mazāki, uzdevumiem pielāgoti modeļi bieži vien atbilst precizitātei, vienlaikus patērējot mazāk skaitļošanas resursu. Mistral novērtējums uzsver spēcīgas korelācijas starp izmēru un nospiedumu un publicē robežsecinājumu skaitļus, lai jūs varētu spriest par kompromisiem [2].

2. Izvēlieties reģionus, kuros ūdens patēriņš ir saprātīgs.
   Dodiet priekšroku reģioniem ar vēsāku klimatu, efektīvu dzesēšanu un tīkliem ar zemāku ūdens intensitāti uz kWh; “izslāpušā mākslīgā intelekta” pētījums liecina, ka laika un vietas ziņā apzinīga plānošana palīdz [3].

3. Mainīt darba slodzi laikā.
   Ieplānot apmācību/lielgabarīta partiju secinājumus ūdens patēriņa ziņā efektīvām stundām (vēsākas naktis, labvēlīgi tīkla apstākļi) [3].

4. Lūdziet savam piegādātājam pārredzamus rādītājus
   pieprasījumu pēc pieprasījuma , robežu definīcijām un to, vai skaitļos ir iekļauta dīkstāves jauda un iekārtu pieskaitāmās izmaksas. Politikas grupas cenšas panākt obligātu informācijas izpaušanu, lai būtu iespējams salīdzināt situāciju [3].

5. Dzesēšanas tehnoloģija ir svarīga.
   Ja izmantojat aparatūru, izvērtējiet slēgtas cilpas/tieši mikroshēmā dzesēšanu ; ja strādājat mākonī, dodiet priekšroku reģioniem/pakalpojumu sniedzējiem, kas iegulda ūdens vieglos” dizainos [4][5].

6. Izmantojiet pelēko ūdeni un atkārtotas izmantošanas iespējas
   Daudzās universitātes pilsētiņās var aizstāt nedzeramos avotus vai pārstrādāt ūdeni apļos; lielie operatori apraksta ūdens avotu un dzesēšanas iespēju līdzsvarošanu, lai samazinātu neto ietekmi [5].

Ātrs piemērs, lai to ilustrētu (nevis universāls noteikums): nakts apmācību darba pārvietošana no karsta, sausa reģiona vasaras vidū uz vēsāku, mitrāku reģionu pavasarī un tā veikšana ārpus pīķa stundām, vēsākās stundās, var mainīt gan ūdens patēriņu uz vietas ārpus objekta (tīkla). Šāda veida praktiska un mazdramatiska plānošana var palīdzēt gūt panākumus [3].

Salīdzināšanas tabula: ātri ieteikumi, kā samazināt mākslīgā intelekta ūdens nodevu 🧰

(“Cena” ir strukturēta un neprecīza — izvietošanas iespējas atšķiras.)

Padziļināta analīze: politikas bungu dunoņa kļūst skaļāka 🥁

Inženiertehniskās iestādes aicina obligāti atklāt informāciju par datu centru enerģijas un ūdens patēriņu, lai pircēji un kopienas varētu spriest par izmaksām un ieguvumiem. Ieteikumi ietver darbības jomas definīcijas, pārskatu sniegšanu objekta līmenī un izvietojuma vadlīnijas, jo bez salīdzināmiem, uz atrašanās vietu balstītiem rādītājiem mēs strīdamies neziņā [3].

Padziļināta analīze: datu centri ne visi patērē vienādi 🚰

Pastāv pastāvīgs mīts, ka "gaisa dzesēšanai netiek izmantots ūdens". Ne gluži. Sistēmām, kurām ir daudz gaisa, bieži vien ir nepieciešams vairāk elektroenerģijas , kas daudzos reģionos no tīkla slēptu ūdeni ūdens dzesēšana var samazināt enerģijas patēriņu un emisijas uz vietējā ūdens rēķina. Lielie operatori skaidri līdzsvaro šos kompromisus katrā objektā atsevišķi [1][5].

Padziļināta analīze: īsa realitātes pārbaude par vīrusu apgalvojumiem 🧪

Jūs, iespējams, esat dzirdējuši drosmīgus apgalvojumus, ka viena uzvedne ir līdzvērtīga “ūdens pudelei” vai, no otras puses, “tikai dažiem pilieniem”. Labāka stāja: pazemība ar matemātiku . Mūsdienās ticamas robežvērtības ir ~0,26 ml vidējai ražošanas uzvednei ar pilnu porciju pieskaitāmo laiku [1] un ~45 ml 400 žetonu asistenta atbildei (margināla secinājuma metode) [2]. Bieži izplatītajam “viena piecpadsmitā tējkarotes daļa” trūkst publiskas robežas/metodes; uztveriet to kā laika prognozi bez pilsētas [1][3].

Īsi bieži uzdotie jautājumi: Cik daudz ūdens patērē mākslīgais intelekts? Vēlreiz, vienkāršā valodā 🗣️

• Tātad, ko man vajadzētu teikt sapulcē?
  “Katrā uzvednē tas svārstās no pilieniem līdz dažiem malkiem atkarībā no modeļa, ilguma un vietas, kur tas tek. Treniņiem nepieciešamas baseini , nevis peļķes.” Pēc tam miniet vienu vai divus iepriekš minētos piemērus.

• Vai mākslīgais intelekts ir unikāli slikts?
  Tas ir unikāli koncentrēts : kopā saspiestas jaudīgas mikroshēmas rada lielas dzesēšanas slodzes. Taču datu centri ir arī vieta, kur visefektīvākās tehnoloģijas parasti nonāk pirmās [1][4].

• Kā būtu, ja mēs visu pārietu uz gaisa dzesēšanu?
  Jūs varētu samazināt uz vietas , bet palielināt ārpus objekta, izmantojot elektrību. Izsmalcināti operatori apsver abus [1][5].

• Kā ar nākotnes tehnoloģijām?
  Dizaini, kas ļauj izvairīties no dzesēšanas ūdens izmantošanas plašā mērogā, mainītu spēles noteikumus 1. sfērā. Daži operatori virzās šajā virzienā; augšupējā elektrības padeve joprojām pārraida ūdens signālu, līdz mainās tīkli [4].

Noslēguma piezīmes — pārāk gari, es tos neizlasīju 🌊

• Katrai uzvednei: iedomājieties, no submililitra līdz desmitiem mililitru atkarībā no modeļa, uzvednes garuma un tās atrašanās vietas. Vidējā uzvedne ir ~0,26 ml vienā galvenajā kaudzē; ~45 ml 400 žetonu atbildei citā [1][2].

• Apmācība: miljoniem litru robežmodeļiem, padarot plānošanu, izvietojumu un dzesēšanas tehnoloģijas kritiski svarīgas [3].

• Ko darīt: izvēlēties pareiza izmēra modeļus, izvēlēties ūdens ziņā saudzīgākus reģionus, smagus darbus pārcelt uz vēsākām stundām, dot priekšroku piegādātājiem, kas piedāvā ūdens ziņā saudzīgus dizainus, un pieprasīt caurspīdīgas robežas [1][3][4][5].

Nedaudz kļūdaina metafora noslēgumam: mākslīgais intelekts ir izslāpis orķestris — melodija ir skaitļošanas vadīta, bet bungas atdziest kā ūdens režģis. Noskaņojiet grupu, un publika joprojām dzirdēs mūziku, neiedarbojoties sprinkleriem. 🎻💦

Atsauces

1. Google mākoņa emuārs — Cik daudz enerģijas patērē Google mākslīgais intelekts? Mēs veicām aprēķinus (metodoloģija + ~0,26 ml vidējās piegādes izmaksas, pilnas porcijas izmaksas). Saite
   (Tehniskā raksta PDF fails: Mākslīgā intelekta piegādes ietekmes uz vidi mērīšana Google mērogā .) Saite

2. Mistral AI — mūsu ieguldījums globālā vides standartā mākslīgajam intelektam (LCA ar ADEME/Carbone 4; ~281 000 m³ apmācība + agrīna lietošana; ~45 ml uz 400 žetonu atbildi, margināla secinājuma veikšana). Saite

3. Li et al. - Kā padarīt mākslīgo intelektu mazāk “slāpjušu”: atklāt un risināt mākslīgā intelekta modeļu slepenās ūdens pēdas nospieduma problēmas miljonu litru apmācība , laika un vietas apzinīga plānošana, ūdens izņemšana un patēriņš). Saite

4. Microsoft — nākamās paaudzes datu centri dzesēšanai nepatērē ūdeni (tiešas dzesēšanas uz mikroshēmu modeļi, kuru mērķis ir bezūdens dzesēšana noteiktās vietās). Saite

5. Google datu centri — ilgtspējīga darbība (dzesēšanas kompromisi katrā objektā; pārskatu sniegšana un atkārtota izmantošana, tostarp reģenerētie/pelēkie ūdeņi; tipisks ikdienas objekta līmeņa patēriņš pēc lieluma). Saite

Atrodiet jaunāko mākslīgo intelektu oficiālajā mākslīgā intelekta palīgu veikalā

Par mums