توسعه شتابان هوش مصنوعی تنها به کدهای نرمافزاری و الگوریتمهای پیچیده محدود نمیشود؛ بلکه این فناوری بر بستری از زیرساختهای فیزیکی عظیم به نام مراکز داده یا دیتاسنتر بنا شده است. این مراکز که میزبان هزاران سرور قدرتمند هستند، در زمان پردازش دادهها، گرمای شدیدی تولید میکنند که نیازمند سیستمهای خنککننده دقیق و حجم انبوهی از آب شیرین برای حفظ پایداری و جلوگیری از آسیب به قطعات است. این یعنی همان مصرف آب هوش مصنوعی که دقیقا یکی از خطرات هوش مصنوعی است.
با افزایش تقاضا برای مدلهای زبانی بزرگ، موضوع ردپای آب به یکی از چالشهای جدی زیستمحیطی در عصر حاضر تبدیل شده است. درک این مسئله که هر پرسش و پاسخ ساده در چتباتهای هوش مصنوعی یا آموزش مدلهای عمیق چه مقدار از منابع حیاتی زمین را مصرف میکند، که در این مطلب به آن میپردازیم، برای متخصصان و افرادی که به دنبال یادگیری هوش مصنوعی هستند ضروری است تا بتوانند راهکارهای هوشمندانهای برای توسعه پایدار و مدیریت بهینه منابع بیابند.
تفاوت برداشت و مصرف آب هوش مصنوعی در مراکز داده
درک تمایز فنی بین حجم آبی که وارد یک مرکز داده میشود با مقداری که واقعا از چرخه ی محیطی خارج میگردد، برای ارزیابی دقیق پایداری زیرساختها ضروری است. بسیاری از سیستمهای سرمایشی برای دفع حرارت تولید شده ی پردازندهها به جریان مداوم آب نیاز دارند، اما تمام این آب ناپدید نمیشود. بخشی از آن پس از چرخش در سیستم دوباره به طبیعت بازمیگردد و بخشی دیگر به دلیل فرآیندهای فیزیکی به طور کامل از دسترس خارج میشود.
برداشت آب از منابع سطحی
برداشت آب به معنای کل حجمی است که از منابع محلی مثل رودخانهها، چاهها یا شبکههای شهری برای استفاده در تاسیسات مرکز داده استخراج میشود. این آب معمولا برای خنکسازی قطعات، شستشوی تجهیزات یا در چیلرهای صنعتی مورد استفاده قرار میگیرد. نکته فنی اینجاست که برداشت لزوما به معنای نابودی منبع نیست، زیرا بخشی از این آب پس از تصفیه ی اولیه میتواند دوباره به محیط بازگردد.
در طراحیهای مدرن، تلاش میشود تا آب برداشت شده چندین بار در یک سیکل بسته به گردش درآید تا نیاز به استخراج مداوم از منابع سطحی کاهش یابد. با این حال، کیفیت شیمیایی آب در هر بار چرخش تغییر میکند و پس از مدتی باید از سیستم خارج شود. این مرحله اولین لایه از ردپای آبی یک مرکز داده را تشکیل میدهد که مستقیما با ظرفیت منابع آب منطقه در ارتباط است.
مصرف واقعی و تبخیر در سیستم
مصرف واقعی به بخشی از آب برداشت شده گفته میشود که بر اثر تبخیر یا فرآیندهای مشابه، دیگر به منبع آب اولیه باز نمیگردد. در مراکز داده، بیشترین میزان مصرف در برجهای خنککننده رخ میدهد که در آنها آب برای کاهش دمای سرورها تبخیر میشود. این آب به شکل بخار وارد جو شده و از حوزه ی آبریز محلی خارج میگردد، بنابراین دیگر برای مصارف همان منطقه در دسترس نیست.
سیستمهای سرمایشی تبخیری بخش بزرگی از آب ورودی خود را مصرف میکنند که این میزان در مناطق گرم و خشک به مراتب افزایش مییابد. تفاوت اصلی در اینجاست که نرخ برداشت ممکن است بالا باشد اما مدیریت صحیح باید نرخ مصرف را به حداقل برساند. کاهش مصرف واقعی آب، چالش اصلی مهندسان در طراحی دیتاسنترهای پایدار برای جلوگیری از ایجاد تنش آبی در محیطهای پیرامونی است.
علت مصرف آب هوش مصنوعی
پردازشهای سنگین در سرورهای هوش مصنوعی، گرمای شدیدی تولید میکنند که اگر مهار نشود، باعث ذوب شدن قطعات یا اختلال در محاسبات میشود. آب به دلیل ظرفیت گرمایی بسیار بالا، ارزانترین و در دسترسترین ماده برای جذب این حرارت و انتقال آن به بیرون از محیط پردازشی است. که این امر موجب افزایش بی رویه مصرف آب هوش مصنوعی شده است.
- ثبات عملکرد پردازندهها: تراشههای گرافیکی حین آموزش مدلهای بزرگ، دمای بسیار بالایی تولید میکنند. جریان آب در سیستمهای خنککننده اجازه میدهد پردازندهها بدون افت سرعت (Throttling) و در بالاترین سطح کارایی باقی بمانند.
- تأمین انرژی غیرمستقیم: بخش زیادی از آب مورد نیاز هوش مصنوعی در نیروگاههای برق مصرف میشود. این نیروگاهها برای چرخاندن توربینهای بخار یا خنککاری تجهیزات تولید برق که انرژی مراکز داده را تأمین میکنند، به حجم عظیمی از منابع آبی وابستهاند.
- تنظیم رطوبت و پاکسازی محیط: سرورهای حساس به گرد و غبار و الکتریسیته ساکن، نیاز به هوایی با رطوبت دقیق دارند. سیستمهای شستشوی هوا با استفاده از آب، علاوه بر خنککاری، کیفیت هوای ورودی به اتاق سرور را برای جلوگیری از خرابی قطعات کنترل میکنند.
- افزایش طول عمر سختافزار: نوسانات دمایی باعث انبساط و انقباض قطعات و در نتیجه ایجاد ترکهای ریز در بردها میشود. استفاده از سیکلهای آبی، دمای محیط را در وضعیت پایدار نگه میدارد و از استهلاک زودرس تجهیزات گرانقیمت جلوگیری میکند.
بدون مدیریت دقیق این چرخه آبی، پایداری سرویسهای هوش مصنوعی مختل شده و هزینههای نگهداری تجهیزات به شدت بالا میرود.
مقیاس مصرف آب هوش مصنوعی در مراحل مختلف
مدلهای هوش مصنوعی برای تبدیل شدن به یک ابزار کاربردی، دو مرحله اصلی آموزش و استنتاج را پشت سر میگذارند که هر کدام هزینه آبی متفاوتی دارند. در مرحله آموزش، حجم عظیمی از دادهها توسط هزاران پردازنده در یک بازه زمانی فشرده تحلیل میشوند که حرارت شدیدی تولید کرده و نیاز به تبخیر انبوه آب برای خنککاری دارند. اما در مرحله استنتاج یا همان پاسخدهی روزانه به کاربران، مصرف آب به صورت خرد اما با تکرار میلیونی در سراسر جهان اتفاق میافتد که در مجموع ابعاد گستردهای پیدا میکند.
| مرحله عملیاتی | ماهیت مصرف آب | تخمین مقیاس مصرف |
|---|---|---|
| آموزش مدلهای بزرگ زبانی | تبخیر مستقیم برای خنکسازی خوشههای پردازشی در مراکز داده بزرگ | معادل مصرف سالانه چندین نفر برای یک دوره آموزش کامل |
| استنتاج و پاسخ به پرسشها | مصرف به ازای هر نوبت پردازش و تولید پاسخ برای کاربر نهایی | حدود ۵۰۰ میلیلیتر آب برای هر ۱۰ تا ۵۰ پرسش معمولی |
| تأمین زیرساخت و سختافزار | مصرف غیرمستقیم در فرآیند استخراج مواد اولیه و ساخت تراشهها | هزینههای پنهان در زنجیره تأمین که فراتر از مصرف جاری دیتاسنتر است |
باید توجه داشت که این مقیاسها بر اساس شرایط جغرافیایی مراکز داده تغییر میکنند. در مناطقی با آبوهوای گرم، برای دفع مقدار مشخصی از حرارت، سیستمهای خنککننده ناچار به تبخیر حجم بیشتری از آب هستند. از سوی دیگر، زمان انجام پردازش نیز بر این مقیاس اثرگذار است؛ به طوری که پردازش در ساعات خنک شب، بهرهوری مصرف آب را نسبت به ساعات گرم روز افزایش میدهد.
عوامل موثر بر شدت مصرف آب هوش مصنوعی
شدت مصرف آب هوش مصنوعی در مراکز داده، تابعی از متغیرهای عملیاتی و محیطی است که باعث میشود بازدهی هر لیتر آب در پردازشهای مختلف، متفاوت باشد. بهرهوری سیستمهای خنککننده به صورت مستقیم با توانایی محیط برای جذب حرارت پیوند خورده است. این موضوع باعث میشود که یک پردازش یکسان در دو نقطه متفاوت از زمین، اثرات زیستمحیطی کاملاً متفاوتی بر جای بگذارد.
موقعیت جغرافیایی و اقلیم
جغرافیای محل استقرار سرورها تعیینکننده اصلی نرخ تبخیر در سیستمهای خنککننده است. در مناطق خشک و بیابانی، برجهای خنککننده برای حفظ پایداری حرارتی پردازندهها، حجم بسیار بیشتری از آب شیرین را تبخیر میکنند. این در حالی است که در اقلیمهای معتدل یا سردسیر، امکان استفاده از هوای آزاد برای خنکسازی فراهم است و نیاز به مداخله مستقیم آب به حداقل میرسد.
رطوبت محیطی نیز نقشی تعیینکننده در این فرآیند دارد. در محیطهای بسیار خشک، حتی اگر دما چندان بالا نباشد، سیستمها برای کنترل الکتریسیته ساکن و حفظ سلامت سختافزار مجبور به تزریق رطوبت به جریان هوا هستند. بنابراین، انتخاب مکان فیزیکی مراکز داده میتواند مصرف آب را تا چندین برابر افزایش یا کاهش دهد.
تعارض مصرف آب و تولید کربن
تلاش برای کاهش ردپای کربنی در بسیاری از موارد منجر به افزایش فشار بر منابع آبی میشود. استفاده از انرژی خورشیدی در طول روز یک استراتژی پاک برای تأمین برق است، اما دقیقاً در همین ساعات، گرمای خورشید باعث میشود سیستمهای خنککننده برای دفع حرارت، آب بیشتری مصرف کنند. این تضاد، اپراتورهای مراکز داده را میان انتخاب «کربن کمتر» یا «آب کمتر» قرار میدهد.
انتقال بار پردازشی به ساعات شب میتواند مصرف آب را به دلیل کاهش دمای هوا به شدت پایین بیاورد. با این حال، در ساعات شب منابع انرژی تجدیدپذیر مانند خورشید در دسترس نیستند و مراکز داده ناچار به استفاده از برق شبکه ملی میشوند که ممکن است از سوختهای فسیلی تأمین شده باشد. مدیریت این توازن یکی از پیچیدهترین چالشهای مهندسی در زیرساختهای هوش مصنوعی است.
راهکارهای دستیابی به پایداری آبی
شرکتهای بزرگ فناوری استراتژی «مثبت آبی» (Water Positive) را برای جبران مصرف آب در مراکز داده جایگزین مدیریت سنتی کردهاند. این رویکرد بر پایه بازگرداندن آب به منابع زیرزمینی و تصفیه پسابها برای استفاده مجدد استوار است. کاهش وابستگی به منابع آب شیرین از طریق تغییر در زیرساختهای خنکسازی و مدیریت هوشمند بار پردازشی محقق میشود.
- پیادهسازی سیستمهای مدار بسته: با گردش آب در یک سیکل بسته و استفاده از مبدلهای حرارتی، تبخیر آب به حداقل میرسد. این روش اجازه میدهد از یک مقدار مشخص آب برای مدت طولانیتری جهت دفع حرارت قطعات استفاده شود و نیاز به برداشت مداوم از منابع محلی را حذف میکند.
- استفاده از منابع آب غیرمتعارف: جایگزینی آب شرب با پسابهای تصفیه شده شهری یا آبهای صنعتی در سیستمهای خنککننده، فشار بر منابع محلی را به شدت کاهش میدهد. این استراتژی مانع از رقابت دیتاسنترها با جوامع محلی بر سر دسترسی به آب آشامیدنی میشود.
- زمانبندی هوشمند پردازش بر اساس اقلیم: انتقال فرآیندهای سنگین آموزش مدلهای زبانی به ساعات خنک شب، راندمان خنککنندههای هوایی را افزایش میدهد. در این حالت، دمای پایین محیط جایگزین تبخیر آب برای تنظیم حرارت سختافزار شده و مصرف آب را در ساعات اوج گرما متوقف میکند.
- انتخاب موقعیت جغرافیایی سردسیر: احداث مراکز داده در مناطقی با دمای پایین، امکان استفاده از خنککاری رایگان (Free Cooling) را فراهم میکند. در این اقلیمها، هوای سرد محیط به طور مستقیم برای خنک کردن سرورها به کار گرفته میشود و نیاز به چیلرهای آبی را در اکثر ماههای سال از بین میبرد.
- افزایش شفافیت و استانداردهای گزارشدهی: افشای دقیق دادههای مربوط به شدت مصرف آب در مراحل مختلف استنتاج و آموزش، به ایجاد چارچوبهای نظارتی کمک میکند. این شفافیت باعث میشود توسعهدهندگان مدلها برای بهبود بهرهوری آب در کدهای برنامهنویسی و معماری سختافزار تلاش بیشتری کنند.
سوالات متداول در مورد مصرف آب هوش مصنوعی
چرا هوش مصنوعی به مصرف آب نیاز دارد؟
سرورها و پردازندههای گرافیکی (GPU) در زمان آموزش و پاسخدهی حرارت بالایی تولید میکنند. آب به دلیل ظرفیت گرمایی زیاد، برای خنکسازی قطعات در برجهای خنککننده و جلوگیری از آسیب سختافزاری تبخیر میشود؛ علاوه بر این، نیروگاههای تامینکننده برق دیتاسنترهای هوش مصنوعی نیز به آب وابستهاند.
تفاوت «برداشت آب» با «مصرف آب» در دیتاسنترها چیست؟
برداشت آب شامل کل حجمی است که از منابع محلی وارد تاسیسات میشود و بخشی از آن ممکن است تصفیه شده و به چرخه طبیعت بازگردد؛ اما مصرف آب به آن بخشی گفته میشود که بر اثر تبخیر در سیستمهای سرمایشی از حوزه آبریز خارج شده و دیگر به منبع اولیه بازنمیگردد.
هر پرسش و پاسخ ساده در چتباتها چقدر آب مصرف میکند؟
به طور تخمینی، پردازش هر ۱۰ تا ۵۰ پرسش و پاسخ معمولی در مدلهای زبانی بزرگ، حدود ۵۰۰ میلیلیتر (معادل یک بطری کوچک) آب برای خنکسازی سرورها مصرف میکند.
چه عواملی مصرف آب در مراکز داده را افزایش میدهند؟
موقعیت جغرافیایی و اقلیم گرم یا خشک، زمان پردازش در ساعات اوج گرما و تضاد میان کاهش ردپای کربنی با مصرف آب، از مهمترین فاکتورهای شدت مصرف آب در دیتاسنترها هستند.
راهکار غولهای فناوری برای کاهش ردپای آب چیست؟
استفاده از سیستمهای سرمایشی مدار بسته، خنککاری با پسابهای تصفیهشده شهری به جای آب شرب، انتقال دیتاسنترها به مناطق سردسیر و اجرای پروژههای مثبت آبی (Water Positive) برای جبران منابع مصرفی.
