AI ใช้ปริมาณน้ำเท่าไหร่?

ฉันพนันได้เลยว่าคุณเคยได้ยินทุกอย่างตั้งแต่ “AI ดื่มน้ำหนึ่งขวดทุกๆ สองสามคำถาม” ไปจนถึง “จริงๆ แล้วมันแค่ไม่กี่หยด” ความจริงนั้นซับซ้อนกว่านั้น ปริมาณการใช้น้ำของ AI นั้นแตกต่างกันอย่างมาก ขึ้นอยู่กับว่ามันทำงานที่ไหน ระยะเวลาของคำถาม และวิธีการระบายความร้อนของศูนย์ข้อมูล ดังนั้นใช่ ตัวเลขที่กล่าวอ้างกันนั้นมีอยู่จริง แต่ก็มีข้อจำกัดมากมายอยู่เบื้องหลัง

ด้านล่างนี้ ผมจะอธิบายตัวเลขที่ชัดเจนและพร้อมสำหรับการตัดสินใจ อธิบายว่าทำไมการประมาณการจึงแตกต่างกัน และแสดงให้เห็นว่าผู้สร้างและผู้ใช้งานทั่วไปสามารถลดค่าใช้จ่ายด้านน้ำได้อย่างไรโดยไม่ต้องกลายเป็นผู้เชี่ยวชาญด้านความยั่งยืนอย่างสุดโต่ง

บทความที่คุณอาจสนใจอ่านต่อหลังจากบทความนี้:

🔗 ชุดข้อมูล AI คืออะไร
อธิบายว่าชุดข้อมูลช่วยให้การฝึกฝนเครื่องจักรและการพัฒนาโมเดลเป็นไปได้อย่างไร

🔗 ปัญญาประดิษฐ์ (AI) ทำนายแนวโน้มได้อย่างไร
แสดงให้เห็นว่า AI วิเคราะห์รูปแบบอย่างไรเพื่อคาดการณ์การเปลี่ยนแปลงและผลลัพธ์ในอนาคต

🔗 วิธีการวัดประสิทธิภาพ AI
อธิบายรายละเอียดตัวชี้วัดที่สำคัญสำหรับการประเมินความถูกต้อง ความเร็ว และความน่าเชื่อถือ

🔗 วิธีการพูดคุยกับ AI
คู่มือนี้เสนอแนวทางกลยุทธ์การกระตุ้นเตือนที่มีประสิทธิภาพ เพื่อเพิ่มความชัดเจน ผลลัพธ์ และความสม่ำเสมอ

AI ใช้ปริมาณน้ำเท่าไหร่? ตัวเลขที่นำไปใช้ได้จริง 📏

• โดยทั่วไปแล้ว ช่วงเวลาในการตอบกลับแต่ละครั้งจะแตกต่างกันไป ตั้งแต่ ต่ำกว่ามิลลิลิตร สำหรับการตอบกลับข้อความธรรมดาบนระบบหลักระบบหนึ่ง ไปจนถึง หลายสิบมิลลิลิตร สำหรับการตอบกลับที่ยาวกว่าและใช้การประมวลผลสูงกว่าบนระบบอื่น ตัวอย่างเช่น รายงานการบัญชีการผลิตของ Google ระบุว่า การตอบกลับข้อความธรรมดาใช้เวลาประมาณ 0.26 มิลลิลิตร (รวมค่าใช้จ่ายในการให้บริการทั้งหมดแล้ว) [1] การประเมินวงจรชีวิตของ Mistral ระบุว่า การตอบกลับผู้ช่วย 400 โทเค็นใช้เวลาประมาณ 45 มิลลิลิตร (การอนุมานแบบมาร์จินัล) [2] บริบทและแบบจำลองมีความสำคัญมาก

• การฝึกโมเดลระดับแนวหน้า: อาจใช้น้ำ หลายล้านลิตร ส่วนใหญ่มาจากการระบายความร้อนและน้ำที่ใช้ในกระบวนการผลิตไฟฟ้า การวิเคราะห์ทางวิชาการที่อ้างอิงกันอย่างกว้างขวางประเมินว่าต้องใช้น้ำ ประมาณ 5.4 ล้านลิตร ในการฝึกโมเดลระดับ GPT ซึ่งรวมถึง น้ำประมาณ 700,000 ลิตร ที่ใช้ในสถานที่สำหรับการระบายความร้อน และได้เสนอแนะให้มีการจัดตารางเวลาอย่างชาญฉลาดเพื่อลดความเข้มข้นของน้ำ [3]

• ศูนย์ข้อมูลโดยทั่วไป: ไซต์ขนาดใหญ่ครอบคลุม พื้นที่หลายแสนแกลลอนต่อวัน โดยเฉลี่ยในผู้ให้บริการรายใหญ่ โดยมีปริมาณสูงสุดที่สูงกว่าในบางวิทยาเขตขึ้นอยู่กับสภาพอากาศและการออกแบบ [5]

พูดกันตามตรง ตัวเลขเหล่านั้นดูไม่สอดคล้องกันในตอนแรก และมันก็เป็นเช่นนั้นจริงๆ ซึ่งก็มีเหตุผลที่ดีอยู่เบื้องหลัง

ตัวชี้วัดการใช้น้ำด้วย AI ✅

คำตอบที่ดีสำหรับคำถามที่ว่า AI ใช้ปริมาณน้ำเท่าไหร่ ควรพิจารณาหลายประเด็นดังนี้:

1. ความชัดเจนของขอบเขต
   ครอบคลุมเฉพาะ หล่อเย็นในสถานที่ หรือรวมถึง นอกสถานที่ โรงไฟฟ้า ใช้ ในการผลิตไฟฟ้าด้วยหรือไม่ แนวปฏิบัติที่ดีที่สุดจะแยกความแตกต่างระหว่าง การดึงน้ำ กับ การบริโภคน้ำ และขอบเขต 1-2-3 คล้ายกับการบัญชีคาร์บอน [3]

2. ความไวต่อตำแหน่งที่ตั้ง
   ปริมาณน้ำต่อ kWh แตกต่างกันไปตามภูมิภาคและส่วนผสมของโครงข่าย ดังนั้นคำสั่งเดียวกันจึงอาจมีผลกระทบต่อปริมาณน้ำที่แตกต่างกัน ขึ้นอยู่กับว่าให้บริการที่ใด ซึ่งเป็นเหตุผลสำคัญที่เอกสารแนะนำให้ กำหนดตารางเวลาโดยคำนึงถึงเวลาและสถานที่ [3]

3. ความสมจริงของภาระงาน
   ตัวเลขดังกล่าวสะท้อนถึง คำสั่งการผลิตโดยเฉลี่ย รวมถึงความจุที่ไม่ได้ใช้งานและค่าใช้จ่ายของศูนย์ข้อมูล หรือเฉพาะตัวเร่งความเร็วในช่วงเวลาสูงสุดเท่านั้น Google เน้นย้ำถึงการบัญชีระบบเต็มรูปแบบ (ไม่ได้ใช้งาน CPU/DRAM และค่าใช้จ่ายของศูนย์ข้อมูล) สำหรับการอนุมาน ไม่ใช่แค่การคำนวณ TPU เท่านั้น [1]

4. เทคโนโลยีการระบายความร้อน
   การระบายความร้อนด้วยการระเหย การระบายความร้อนด้วยของเหลวแบบวงปิด การระบายความร้อนด้วยอากาศ และ โดยตรงไปยังชิป ส่งผลให้ความเข้มข้นของน้ำเปลี่ยนแปลงไปอย่างมาก ไมโครซอฟต์กำลังเปิดตัวการออกแบบที่มุ่งเป้าไปที่ การกำจัดการใช้น้ำหล่อเย็น สำหรับไซต์รุ่นต่อไปบางแห่ง [4]

5. ช่วงเวลาของวันและฤดูกาล
   ความร้อน ความชื้น และสภาพของโครงข่ายไฟฟ้าส่ง ผลต่อประสิทธิภาพการใช้น้ำ ในชีวิตจริง การศึกษาที่มีอิทธิพลชิ้นหนึ่งแนะนำให้กำหนดเวลาสำหรับงานสำคัญๆ ในช่วงเวลาและสถานที่ที่มีความเข้มข้นของน้ำต่ำกว่า [3]

อธิบายความแตกต่างระหว่างการดึงน้ำไปใช้และการบริโภคน้ำ 💡

• การดึงน้ำไปใช้ = การนำน้ำจากแม่น้ำ ทะเลสาบ หรือแหล่งน้ำใต้ดิน (บางส่วนถูกส่งคืน)

• การใช้จ่าย = ปริมาณน้ำ ที่ไม่ถูกนำกลับมาใช้ใหม่ เนื่องจากระเหยไป หรือถูกนำไปใช้ในกระบวนการผลิต/ผลิตภัณฑ์

หอระบายความร้อนส่วนใหญ่ ใช้ น้ำผ่านการระเหย การผลิตไฟฟ้าสามารถ ดึง น้ำปริมาณมาก (บางครั้งใช้น้ำบางส่วน) ขึ้นอยู่กับโรงงานและวิธีการระบายความร้อน ฉลากตัวเลข AI-water ที่น่าเชื่อถือจะรายงาน [3]

น้ำใน AI ไหลไปที่ไหน: ถังสามใบ 🪣

1. ขอบเขต 1 - การระบายความร้อนในสถานที่
   ส่วนที่มองเห็นได้: น้ำที่ระเหยที่ศูนย์ข้อมูลเอง ทางเลือกในการออกแบบ เช่น การระเหยเทียบกับอากาศหรือของเหลวแบบวงปิด กำหนดมาตรฐานพื้นฐาน [5]

2. ขอบเขต 2 - การผลิตไฟฟ้า
   ทุกๆ kWh สามารถมีแท็กน้ำที่ซ่อนอยู่ได้ ส่วนผสมและตำแหน่งจะกำหนดสัญญาณลิตรต่อ kWh ที่ภาระงานของคุณได้รับ [3]

3. ขอบเขต 3 - ห่วงโซ่อุปทาน
   การผลิตชิป อาศัยน้ำบริสุทธิ์พิเศษในการผลิต คุณจะไม่เห็นมันในตัวชี้วัด "ต่อข้อความแจ้งเตือน" เว้นแต่ขอบเขตจะรวมผลกระทบที่เกิดขึ้นโดยชัดเจน (เช่น LCA เต็มรูปแบบ) [2][3]

ผู้ให้บริการตามตัวเลข พร้อมรายละเอียดปลีกย่อย 🧮

• Google Gemini แจ้งเตือน
  วิธีการให้บริการแบบ Full-stack (รวมถึงเวลาหยุดทำงานและค่าใช้จ่ายส่วนเกินของโรงงาน) ข้อความแจ้งเตือนโดยเฉลี่ยประมาณ 0.26 มล. ของน้ำพร้อมกับ ประมาณ 0.24 Wh ตัวเลขสะท้อนถึงปริมาณการผลิตและขอบเขตที่ครอบคลุม [1]

• วงจรชีวิตของ Mistral Large 2
  LCA อิสระที่หายาก (ด้วย ADEME/Carbone 4) เปิดเผย ~281,000 m³ สำหรับการฝึกอบรม + การใช้งานในช่วงแรก และ ขอบเขตการอนุมาน ~45 mL สำหรับ 400 โทเค็น [2]

• ความทะเยอทะยานของ Microsoft ในการระบายความร้อนแบบไม่ใช้น้ำ
  ศูนย์ข้อมูลรุ่นใหม่ได้รับการออกแบบให้ ไม่ใช้น้ำในการระบายความร้อน โดยอาศัยแนวทางการระบายความร้อนโดยตรงไปยังชิป การใช้งานด้านการดูแลระบบยังคงต้องใช้น้ำอยู่บ้าง [4]

• โดยทั่วไปแล้ว ผู้ประกอบการรายใหญ่ในระดับศูนย์ข้อมูล
  รายงานต่อสาธารณะว่า มีปริมาณหลายแสนแกลลอนต่อวันโดยเฉลี่ย ในแต่ละไซต์ สภาพภูมิอากาศและการออกแบบจะส่งผลให้ตัวเลขเพิ่มขึ้นหรือลดลง [5]

• พื้นฐานทางวิชาการก่อนหน้านี้
  “AI ที่กระหายน้ำ” ประเมินว่าต้องใช้ น้ำหลายล้านลิตร ในการฝึกโมเดลคลาส GPT และ คำตอบขนาดกลาง 10–50 คำตอบ อาจเทียบเท่ากับ ขนาด 500 มล. ซึ่งขึ้นอยู่กับเวลาและสถานที่ที่ใช้งาน [3]

ทำไมผลการประมาณการถึงแตกต่างกันมากขนาดนี้ 🤷

• ขอบเขตที่แตกต่างกัน
  บางตัวเลขนับ เฉพาะการระบายความร้อนในสถานที่ บางตัวเลขรวม น้ำของไฟฟ้า ด้วย LCA อาจรวม การผลิตชิป แอปเปิ้ล ส้ม และสลัดผลไม้ [2][3]

• ภาระงานที่แตกต่างกัน
  ข้อความแจ้งเตือนสั้นๆ ไม่ใช่การรันมัลติโมดอล/โค้ดที่ยาวนาน การจัดกลุ่ม การทำงานพร้อมกัน และเป้าหมายเวลาแฝงจะเปลี่ยนการใช้งาน [1][2]

• สภาพภูมิอากาศและโครงข่ายที่แตกต่างกัน
  การระบายความร้อนด้วยการระเหยในภูมิภาคที่ร้อนและแห้งแล้ง ≠ การระบายความร้อนด้วยอากาศ/ของเหลวในภูมิภาคที่เย็นและชื้น ความเข้มข้นของน้ำในโครงข่ายแตกต่างกันอย่างมาก [3]

• วิธีการของผู้ขาย
  Google ได้เผยแพร่วิธีการให้บริการทั่วทั้งระบบ Mistral ได้เผยแพร่ LCA อย่างเป็นทางการ ผู้ขายรายอื่นเสนอการประมาณค่าจุดด้วยวิธีการที่ไม่ละเอียด "หนึ่งในสิบห้าของช้อนชา" ต่อการแจ้งเตือนแต่ละครั้งได้รับความสนใจอย่างมาก แต่หากไม่มีรายละเอียดขอบเขต ก็ไม่สามารถเปรียบเทียบได้ [1][3]

• เป้าหมายที่เคลื่อนที่
  การระบายความร้อนกำลังพัฒนาอย่างรวดเร็ว ไมโครซอฟต์กำลังทดลองใช้ระบบ ระบายความร้อนแบบไม่ใช้น้ำ ในบางไซต์ การนำระบบเหล่านี้ไปใช้จะช่วยลดการใช้น้ำในไซต์ แม้ว่าไฟฟ้าต้นทางจะยังคงส่งสัญญาณน้ำอยู่ก็ตาม [4]

สิ่งที่คุณสามารถทำได้ในวันนี้เพื่อลดปริมาณการใช้น้ำของ AI 🌱

1. ปรับขนาดโมเดลให้เหมาะสม
   โมเดลขนาดเล็กที่ปรับแต่งตามงานมักจะให้ความแม่นยำที่ตรงกันในขณะที่ใช้ทรัพยากรการคำนวณน้อยลง การประเมินของ Mistral เน้นย้ำถึงความสัมพันธ์ที่แข็งแกร่งระหว่างขนาดกับการใช้ทรัพยากร และเผยแพร่ตัวเลขการอนุมานส่วนเพิ่มเพื่อให้คุณสามารถพิจารณาข้อแลกเปลี่ยนได้ [2]

2. เลือกภูมิภาคที่ประหยัดน้ำ
   เลือกภูมิภาคที่มีสภาพอากาศเย็นกว่า ระบบทำความเย็นที่มีประสิทธิภาพ และโครงข่ายที่มีความเข้มข้นของน้ำต่อ kWh ต่ำกว่า งานวิจัย “AI ที่กระหายน้ำ” แสดงให้ เห็นว่าการจัดตารางเวลาที่คำนึงถึงเวลาและ สถานที่ช่วยได้ [3]

3. ปรับเปลี่ยนภาระงานตามเวลา
   กำหนดเวลาฝึกอบรม/อนุมานชุดข้อมูลขนาดใหญ่ในช่วงเวลาที่ประหยัดน้ำ (กลางคืนที่เย็นกว่า สภาพกริดที่เอื้ออำนวย) [3]

4. ขอให้ผู้ขายของคุณเปิดเผยข้อมูลเมตริกที่โปร่งใส เช่น
   ความต้องการ น้ำต่อครั้ง คำจำกัดความของขอบเขต และว่าตัวเลขดังกล่าวรวมถึงกำลังการผลิตที่ไม่ได้ใช้งานและค่าใช้จ่ายส่วนเกินของโรงงานหรือไม่ กลุ่มนโยบายกำลังผลักดันให้มีการเปิดเผยข้อมูลบังคับเพื่อให้สามารถเปรียบเทียบกันได้อย่างยุติธรรม [3]

5. เทคโนโลยีการระบายความร้อนมีความสำคัญ
   หากคุณใช้งานฮาร์ดแวร์ ให้ประเมิน การระบายความร้อนแบบวงปิด/ตรงไปยังชิป หากคุณใช้งานบนคลาวด์ ให้เลือกภูมิภาค/ผู้ให้บริการที่ลงทุนใน การออกแบบระบายความร้อนด้วยน้ำน้อย [4][5]

6. ใช้น้ำเสียสีเทาและตัวเลือกการนำกลับมาใช้ใหม่
   วิทยาเขตหลายแห่งสามารถทดแทนแหล่งน้ำที่ไม่ใช่น้ำดื่มหรือรีไซเคิลภายในวงจรได้ ผู้ประกอบการรายใหญ่อธิบายถึงการปรับสมดุลแหล่งน้ำและตัวเลือกการทำความเย็นเพื่อลดผลกระทบสุทธิให้น้อยที่สุด [5]

ตัวอย่างสั้นๆ เพื่อให้เห็นภาพชัดเจน (ไม่ใช่กฎสากล): การย้ายงานฝึกอบรมข้ามคืนจากภูมิภาคที่ร้อนและแห้งแล้งในช่วงกลางฤดูร้อนไปยังภูมิภาคที่เย็นกว่าและชื้นกว่าในฤดูใบไม้ผลิ และดำเนินการในช่วงเวลานอกช่วงเวลาเร่งด่วนที่เย็นกว่า สามารถเปลี่ยนทั้ง ในสถานที่ และ นอกสถานที่ (จากโครงข่าย) ได้ นั่นคือชัยชนะที่เป็นรูปธรรมและไม่ยุ่งยากที่การจัดตารางเวลาสามารถปลดล็อกได้ [3]

ตารางเปรียบเทียบ: ตัวเลือกง่ายๆ เพื่อลดปริมาณการใช้น้ำของ AI 🧰

(ราคา "ไม่แน่นอน" ตามเจตนารมณ์ของการออกแบบ - การใช้งานอาจแตกต่างกันไป)

เจาะลึก: เสียงเรียกร้องด้านนโยบายดังขึ้นเรื่อยๆ 🥁

หน่วยงานด้านวิศวกรรมเรียกร้องให้มี การเปิดเผย ข้อมูลการใช้พลังงานและน้ำของศูนย์ข้อมูลอย่างเป็นทางการ เพื่อให้ผู้ซื้อและชุมชนสามารถประเมินต้นทุนและผลประโยชน์ได้ คำแนะนำต่างๆ ได้แก่ การกำหนดขอบเขต การรายงานในระดับไซต์ และแนวทางการเลือกสถานที่ตั้ง เนื่องจากหากไม่มีตัวชี้วัดที่เปรียบเทียบได้และคำนึงถึงสถานที่ตั้ง เราก็กำลังถกเถียงกันในความมืด [3]

เจาะลึก: ศูนย์ข้อมูลไม่ได้มีวิธีการทำงานเหมือนกันทั้งหมด 🚰

มีความเชื่อผิดๆ ที่ว่า “การระบายความร้อนด้วยอากาศไม่ใช้น้ำ” ซึ่งไม่ถูกต้องเสียทีเดียว ระบบที่ใช้อากาศมากมักต้องการ ไฟฟ้ามากกว่า ซึ่งในหลายภูมิภาคต้องขนส่ง น้ำที่ซ่อน อยู่จากโครงข่ายไฟฟ้า ในทางกลับกัน การระบายความร้อนด้วยน้ำ สามารถลดการใช้พลังงานและการปล่อยมลพิษได้ แต่ต้องแลกมาด้วยการใช้น้ำในพื้นที่ ผู้ประกอบการรายใหญ่จะพิจารณาความสมดุลของข้อดีข้อเสียเหล่านี้อย่างชัดเจนในแต่ละพื้นที่ [1][5]

เจาะลึก: ตรวจสอบข้อเท็จจริงอย่างรวดเร็วเกี่ยวกับข่าวลือไวรัล 🧪

คุณอาจเคยเห็นข้อความที่ชัดเจนว่าข้อความแจ้งเตือนเพียงข้อความเดียวเท่ากับ “ขวดน้ำ” หรือในทางกลับกัน “เพียงไม่กี่หยด” ท่าทีที่ดีกว่าคือ ความอ่อนน้อมถ่อมตนกับคณิตศาสตร์ ขอบเขตที่น่าเชื่อถือในปัจจุบันคือ ~0.26 มล. สำหรับข้อความแจ้งเตือนการผลิตโดยเฉลี่ยที่มีค่าใช้จ่ายในการเสิร์ฟเต็มจำนวน [1] และ ~45 มล. สำหรับการตอบกลับผู้ช่วย 400 โทเค็น (การอนุมานเชิงชายขอบ) [2] ข้ออ้างที่แพร่หลายว่า “หนึ่งในสิบห้าของช้อนชา” ขาดขอบเขต/วิธีการสาธารณะ ปฏิบัติต่อมันเหมือนกับการพยากรณ์อากาศที่ไม่มีเมือง [1][3]

คำถามที่พบบ่อย (Mini-FAQ): AI ใช้ปริมาณน้ำเท่าไหร่? (อธิบายเป็นภาษาอังกฤษแบบง่ายๆ) 🗣️

• ดังนั้น ฉันควรพูดอะไรในที่ประชุม?
  “ตามคำแนะนำแล้ว ปริมาณน้ำที่ใช้จะแตกต่างกันไป ตั้งแต่ หยดเล็กน้อยไปจนถึงจิบสองสามจิบ ขึ้นอยู่กับรุ่น ความยาว และสถานที่ที่ใช้งาน การฝึกฝนต้องอาศัยน้ำปริมาณมาก ไม่ใช่แค่น้ำขัง” จากนั้นยกตัวอย่างสักหนึ่งหรือสองตัวอย่างจากที่กล่าวมาข้างต้น

• AI แย่เป็นพิเศษหรือไม่?
  มัน กระจุก : ชิปพลังงานสูงที่อัดแน่นอยู่ด้วยกันทำให้เกิดภาระการระบายความร้อนขนาดใหญ่ แต่ศูนย์ข้อมูลก็เป็นสถานที่ที่เทคโนโลยีประสิทธิภาพที่ดีที่สุดมักจะมาถึงก่อน [1][4]

• ถ้าเราเปลี่ยนทุกอย่างไปใช้ระบบระบายความร้อนด้วยอากาศล่ะ?
  คุณอาจลด ในสถานที่ แต่เพิ่มการใช้ นอกสถานที่ โดยใช้ไฟฟ้า ผู้ปฏิบัติงานที่มีความเชี่ยวชาญจะพิจารณาทั้งสองอย่าง [1][5]

• แล้วเทคโนโลยีในอนาคตล่ะ?
  การออกแบบที่ หลีกเลี่ยงการใช้น้ำหล่อเย็น ในระดับใหญ่จะเป็นการเปลี่ยนแปลงครั้งสำคัญสำหรับขอบเขตที่ 1 ผู้ดำเนินการบางรายกำลังดำเนินการไปในทิศทางนี้ กระแสไฟฟ้าต้นน้ำยังคงส่งสัญญาณน้ำอยู่จนกว่าโครงข่ายจะเปลี่ยนแปลง [4]

ข้อสรุปสุดท้าย - ยาวเกินไป ฉันอ่านไม่จบ 🌊

• ต่อข้อความแจ้งเตือน: คิดตั้งแต่ ระดับมิลลิลิตรย่อยไปจนถึงหลายสิบมิลลิลิตร ขึ้นอยู่กับรุ่น ความยาวของข้อความแจ้งเตือน และตำแหน่งที่ใช้งาน ข้อความแจ้งเตือนโดยเฉลี่ยประมาณ 0.26 มิลลิลิตร บนสแต็กหลักหนึ่งชุด และ ประมาณ 45 มิลลิลิตรสำหรับการตอบกลับ 400 โทเค็น บนสแต็กอื่น [1][2]

• การฝึกอบรม: หลายล้านลิตร สำหรับโมเดลล้ำสมัย ทำให้การจัดตารางเวลา การเลือกสถานที่ และเทคโนโลยีการระบายความร้อนมีความสำคัญอย่างยิ่ง [3]

• สิ่งที่ต้องทำ: ปรับขนาดโมเดลให้เหมาะสม เลือกพื้นที่ประหยัดน้ำ ย้ายงานหนักไปทำในช่วงเวลาที่อากาศเย็นกว่า เลือกผู้ขายที่เสนอการออกแบบที่ประหยัดน้ำ และเรียกร้องขอบเขตที่โปร่งใส [1][3][4][5]

สุดท้ายนี้ ขอใช้คำอุปมาอุปไมยที่อาจไม่สมบูรณ์แบบนัก: AI เปรียบเสมือนวงออร์เคสตราที่กระหายน้ำ ทำนองเพลงคือการประมวลผล แต่กลองคือระบบระบายความร้อนและน้ำประปา ปรับจูนวงดนตรี แล้วผู้ชมก็ยังคงได้ฟังดนตรีโดยไม่ต้องเปิดเครื่องพ่นน้ำ 🎻💦

เอกสารอ้างอิง

1. บล็อก Google Cloud - AI ของ Google ใช้พลังงานเท่าไหร่? เราคำนวณแล้ว (วิธีการวิเคราะห์ + ~0.26 มล . ต่อข้อความแจ้งเตือน, ค่าใช้จ่ายในการให้บริการทั้งหมด) ลิงก์
   (เอกสารทางเทคนิค PDF: การวัดผลกระทบต่อสิ่งแวดล้อมของการใช้งาน AI ในระดับ Google ) ลิงก์

2. Mistral AI - ผลงานของเราในการสนับสนุนมาตรฐานด้านสิ่งแวดล้อมระดับโลกสำหรับ AI (LCA ด้วย ADEME/Carbone 4; การฝึกอบรมและการใช้งานเบื้องต้น ประมาณ 281,000 m³ ประมาณ 45 mL ต่อ 400 โทเค็น การอนุมานแบบมาร์จินัล) ลิงก์

3. Li et al. - การทำให้ AI ใช้พลังงานน้อยลง: การเปิดเผยและแก้ไขปัญหาการใช้น้ำอย่างลับๆ ของโมเดล AI (การฝึกฝนด้วย น้ำหลายล้านลิตร การ จัดตารางเวลาที่คำนึงถึงเวลาและสถาน ที่ การดึงน้ำออกเทียบกับการบริโภค) ลิงก์

4. ไมโครซอฟต์ - ศูนย์ข้อมูลรุ่นใหม่ไม่ใช้น้ำในการระบายความร้อนเลย (การออกแบบระบายความร้อนโดยตรงถึงชิปโดยมุ่งเป้าไปที่การระบายความร้อนแบบไม่ใช้น้ำในบางพื้นที่) ลิงก์

5. ศูนย์ข้อมูลของ Google - การดำเนินงานอย่างยั่งยืน (การแลกเปลี่ยนผลประโยชน์ด้านการระบายความร้อนในแต่ละไซต์ การรายงานและการนำกลับมาใช้ใหม่ รวมถึงน้ำเสียที่ผ่านการบำบัด/น้ำทิ้ง การใช้งานทั่วไปในแต่ละวันในระดับไซต์) ลิงก์

ค้นหา AI รุ่นล่าสุดได้ที่ร้านค้าผู้ช่วย AI อย่างเป็นทางการ

เกี่ยวกับเรา