ChatGPT wysysa wodę jak 500 tys. ludzi. Raport UNU ujawnia prawdziwy koszt AI

👁 130 przeczytań

Wyobraź sobie, że jedno pytanie do czatu AI kosztuje środowisko tyle, co… przejechanie kilku kilometrów samochodem. A wygenerowanie obrazu - tyle, co całodniowe ładowanie smartfona. Brzmi jak przesada? Niestety, rzeczywistość, którą właśnie ujawnili naukowcy z Uniwersytetu ONZ (UNU). Ich raport pokazuje, że do 2030 roku centra danych obsługujące sztuczną inteligencję będą zużywać tyle wody, ile podstawowe roczne potrzeby domowe 1,3 miliarda ludzi. I to dopiero początek problemu.

Niewidzialny rachunek za AI

Kiedy rozmawiamy z chatbotem, prosimy o wygenerowanie obrazka czy analizę danych, rzadko myślimy o tym, co dzieje się za ekranem. A dzieje się sporo. Według prognoz UNU, do 2030 roku globalne centra danych będą zużywać 945 terawatogodzin energii elektrycznej rocznie. To niemal trzykrotnie więcej niż łączne roczne zużycie energii przez Pakistan, Bangladesz i Nigerię. Ślad wodny tych instalacji ma wynieść 9,3 biliona litrów, a ślad gruntowy przekroczyć 14,5 tysiąca kilometrów kwadratowych - obszar dwukrotnie większy od aglomeracji Dżakarty, w której mieszka ponad 32 miliony ludzi.

Co więcej, do końca dekady infrastruktura związana ze sztuczną inteligencją będzie generować nawet 2,5 miliona ton elektroodpadów rocznie. To nie są liczby, które można zignorować. Jak podkreślają autorzy raportu, koszt środowiskowy AI jest dziś błędnie mierzony - ograniczanie się wyłącznie do emisji gazów cieplarnianych pomija zużycie wody i zajmowanie gruntów.

Inferencja - cichy pożeracz energii

Jeszcze kilka lat temu najwięcej energii pochłaniało trenowanie modeli AI. Dziś sytuacja się odwróciła. To tzw. inferencja, czyli codzienne generowanie odpowiedzi na zapytania użytkowników, stanowi 80-90 procent całkowitego zużycia energii przez systemy AI. Sam ChatGPT obsługuje około 2,5 miliarda zapytań dziennie, co przekłada się na zużycie około 383 GWh energii elektrycznej rocznie. Jego ślad wodny odpowiada minimalnym rocznym potrzebom domowym około 500 tysięcy mieszkańców Afryki Subsaharyjskiej.

Różnice między zadaniami są ogromne. Wygenerowanie pojedynczego obrazu może wymagać około 1450 razy więcej energii niż prosta analiza tekstu. Krótki film wygenerowany przez AI może zużyć tyle energii, co sprawdzenie 200 tysięcy wiadomości pod kątem spamu. To pokazuje, jak bardzo nasze codzienne interakcje z AI obciążają planetę.

Paradoks Jevonsa i nierówności geograficzne

Eksperci z UNU zwracają uwagę na tzw. paradoks Jevonsa: wzrost efektywności technologii często prowadzi do jej intensywniejszego wykorzystania. Im wydajniejsze stają się modele, tym więcej osób z nich korzysta, a oszczędności energii są niwelowane przez rosnącą liczbę zapytań. To błędne koło, które może pogłębić kryzys środowiskowy.

Do tego dochodzi nierównomierna koncentracja infrastruktury AI. Ponad 90 procent wyspecjalizowanych mocy obliczeniowych znajduje się w dwóch krajach: Stanach Zjednoczonych i Chinach. Tymczasem ponad 150 państw nie dysponuje własną infrastrukturą obliczeniową, choć często ponosi koszty związane z wydobyciem surowców potrzebnych do produkcji sprzętu oraz z zagospodarowaniem elektroodpadów. Korzyści i koszty rozwoju AI są dziś rozłożone wyjątkowo niesprawiedliwie.

Co dalej? Odpowiedzialność zamiast paniki

Autorzy raportu zaznaczają, że nie jest to argument przeciwko sztucznej inteligencji - technologia ta poprawia życie miliardów ludzi na całym świecie. To raczej wezwanie do odpowiedzialnego rozwoju i użytkowania w granicach możliwości planety. Kluczowe jest uwzględnianie pełnego wpływu AI na środowisko: nie tylko emisji gazów cieplarnianych, ale także zużycia wody, energii i gruntów w całym cyklu życia technologii.

Przyszłość AI nie musi być katastrofą ekologiczną. Może nią być, jeśli nadal będziemy przymykać oczy na niewidzialny rachunek, który wystawia nam planeta. Wybór należy do nas - twórców, użytkowników i regulatorów.

// czytaj dalejCzy ChatGPT może wspierać naukę języków obcych?ChatGPTChatGPT w branży e-commerce: Przykłady i case studiesChatGPTChatGPT w sektorze finansowym: Przykłady zastosowańChatGPT