فصل دهم: گرمای بیشتر، نور کمتر
یکی از امیدهای بزرگ هواداران هوش مصنوعی، دستیابی به پیشرفتهای علمی است که به حل بحران تغییرات اقلیمی کمک کند؛ باتریهای بهتر، روشهای کارآمدتر برای تولید کود، سیمان و هیدروژن، و امیدی تازه به مهار انرژی همجوشی هستهای که مدتهاست آرزوی انسان بوده است. دانشمندان در حال نشان دادن این هستند که هوش مصنوعی میتواند به ما در این حوزهها کمک کند.
کارشناسان هوش مصنوعی همچنین از این فناوری برای مدیریت شبکههای برق استفاده میکنند تا بتوانند انرژی بیشتری از منابع تجدیدپذیر مانند باد و خورشید دریافت کنند. شرکتها و دولتها نیز از هوش مصنوعی برای کاهش اثرات تغییرات اقلیمی بهره میبرند. پیشبینیهای آبوهوایی دقیقتر که با کمک هوش مصنوعی انجام میشود، به تخلیه مردم از مناطق طوفانزده و سیلابی کمک میکند؛ و مدلسازیهای بلندمدت بهتر از افزایش سطح دریاها و شرایط آبوهوایی شدید به شهرها اجازه میدهد تا سیستمهای دفاعی در برابر سیلاب ایجاد کنند، مراکز خنککننده بسازند، کدهای ساختمانی را تقویت کنند، یا مردم را برای مهاجرت به مکانهای امنتر تشویق کنند.
طرفداران تسریع پیشرفت هوش مصنوعی به سطحی برابر با هوش انسانی (AGI) یا حتی هوش مصنوعی فوقالعاده (ASI) که بهمراتب از قابلیتهای انسانی فراتر برود، اغلب استدلال میکنند که ما به این فناوریها برای نجات از تغییرات اقلیمی نیاز داریم. در واقع، آنها از این ادعا بهعنوان دلیلی برای نادیده گرفتن نگرانیهای ایمنی در مورد اشکال فوقالعاده قدرتمند هوش مصنوعی و مخالفت با مقررات استفاده میکنند. به گفته آنها، هرگونه تأخیر در دستیابی به AGI یا ASI میتواند خطر یک فاجعه سیارهای را افزایش دهد.
هوش مصنوعی در بسیاری از حوزههای کوچک به مبارزه با تغییرات اقلیمی کمک میکند. اما ایدهای که بزرگترین حامیان هوش مصنوعی مطرح میکنند؛ اینکه این فناوری «تغییرات اقلیمی را حل خواهد کرد» صحیح نیست. در واقع، هوش مصنوعی میتواند این بحران را بدتر کند. هوش مصنوعی یک فناوری با مصرف انرژی بسیار بالا است. مدلهای عظیمی که انقلاب هوش مصنوعی مولد (Generative AI) را ممکن کردهاند، بسیار بیشتر از انواع دیگر محاسبات انرژی مصرف میکنند. ردپای کربنی این فناوری میتواند تعهدات شرکتها و دولتها برای خنثیسازی کربن را نابود کند، بهویژه اگر هوش مصنوعی در تعداد بیشتری از محصولات روزمره ما ادغام شود. تراشههایی که برنامههای هوش مصنوعی را اجرا میکنند نیز گرمای بیشتری نسبت به تراشههای عادی تولید میکنند، به این معنا که انرژی بیشتری برای خنک کردن مراکز داده موردنیاز است.
فراتر از ردپای کربنی عظیم، هوش مصنوعی به اندازه رنگ سبز کنار یک کامیون UPS “سبز” است. خنک کردن مراکز داده تنها به برق نیاز ندارد، بلکه مقادیر عظیمی از آب نیز مصرف میکند که منابع محلی را تحت فشار قرار میدهد. همین موضوع برای تولید تراشههای هوش مصنوعی و استخراج مواد معدنی لازم برای اجزای آنها نیز صادق است. هر دوی این فعالیتها از مواد شیمیایی سمی استفاده میکنند که میتوانند به خاک و منابع آب زیرزمینی نشت کنند.
میتوان گفت پیشرفتهای تکنولوژیکی که باید با کمک هوش مصنوعی انجام دهیم، همانهایی هستند که خود هوش مصنوعی را از نظر زیستمحیطی پایدارتر میکنند. در غیر این صورت، ممکن است قدرتهای شگفتانگیز هوش مصنوعی را به دست آوریم، اما سیاره خود را از دست بدهیم.
آیا هوش مصنوعی نجاتدهنده است؟
جک کلی[1] بهعنوان مهندس یادگیری ماشین در گوگل دیپمایند کار میکرد. در آنجا، او به شرکت کمک کرد تا بررسی کند که آیا هوش مصنوعی میتواند پیشبینیهای باد را بهبود بخشد یا خیر. پیشبینیهای دقیقتر سرعت باد به اپراتورهای شبکه برق کمک میکند تا بدانند در هر لحظه چه مقدار انرژی بادی در دسترس خواهند داشت. این اطلاعات به آنها امکان میدهد که عرضه و تقاضای برق را متعادل کنند، بدون نیاز به روشن نگهداشتن تعداد زیادی از توربینهای گازسوز بهعنوان “ذخیره چرخان[2]“.
“ذخیره چرخان” به نیروگاههای گازسوزی گفته میشود که باید بهطور مداوم روشن باشند و CO2 تولید کنند، تا در صورت کمبود ناگهانی و پیشبینینشده انرژی از منابع تجدیدپذیر مانند باد و خورشید، به شبکه برق کمک کنند. مشکل اینجاست که اکثر اپراتورهای شبکه از این نیروگاههای ذخیره میخواهند که توربینهای گازسوز خود را در حدود ۵۰ درصد ظرفیت روشن نگه دارند تا بتوانند بهسرعت سرعت توربینها را برای تأمین تقاضای ناگهانی افزایش دهند. اما توربینهای گازسوز وقتی در ۵۰ درصد ظرفیت کار میکنند، بسیار کمتر از زمانی که در حداکثر ظرفیت هستند، کارآمد هستند. این ناکارآمدی باعث ایجاد انتشار غیرضروری CO2 میشود. پیشبینی بهتر میتواند تعداد نیروگاههایی که باید “در حال چرخش” نگه داشته شوند را کاهش دهد.
پروژه دیپمایند، که در ابتدا روی مزارع بادی متمرکز بود که مراکز داده گوگل در مرکز ایالات متحده را تأمین میکردند، پیشبینیهای باد را تا ۳۶ ساعت قبل بهبود بخشید. اما جک کلی خواستار انجام کارهای بسیار بیشتری بود. تغییرات اقلیمی او را بهشدت نگران کرده بود. دنیا عملاً در حال سوختن بود و او مطمئن بود که هوش مصنوعی میتواند کمک کند. اما او همچنین احساس محدودیت میکرد. دیپمایند منابع مالی فراوان، استعدادهای استثنایی و توان محاسباتی عظیمی داشت، اما تیم تغییرات اقلیمی این شرکت باید برای منابع با دیگر تیمهایی که روی پروژههایی مانند چینخوردگی پروتئین یا شکست دادن انسانها در بازیهای ویدئویی کار میکردند، رقابت میکرد.
مسائل دیگری نیز وجود داشت؛ نرمافزار پیشبینی باد دیپمایند تا حدی بر اساس دادههای اختصاصی گوگل ساخته شده بود. گوگل معتقد بود اگر این اطلاعات عمومی شوند، میتوانند به شرکتهای تولیدکننده انرژی تجدیدپذیر که گوگل از آنها برق میخرید، یک مزیت در مذاکرات بدهند یا به شرکتهای رقیب کمک کنند که مراکز داده خود را ارزانتر اداره کنند.
کلی احساس کرد که برای ایجاد تفاوت واقعی، ابزارهای هوش مصنوعی باید آزادانه و بهطور عمومی به اشتراک گذاشته شوند. بنابراین در سال ۲۰۱۸ تصمیم گرفت گوگل را ترک کند و آزمایشگاه غیرانتفاعی هوش مصنوعی خود را در لندن به نام Open Climate Fix تأسیس کند، آزمایشگاهی که به ساخت دادهها و نرمافزارهای متنباز برای مبارزه با تغییرات اقلیمی اختصاص دارد.
اولین پروژه کلی در این آزمایشگاه از کار او با پیشبینیهای باد در دیپمایند الهام گرفت. Open Climate Fix شروع به همکاری با اپراتور شبکه بریتانیا، National Grid، کرد تا از هوش مصنوعی برای بهبود پیشبینیهای انرژی خورشیدی استفاده کند. خورشید متغیرترین منبع تجدیدپذیر در ترکیب انرژی بریتانیا است. چند مزرعه خورشیدی بزرگ برق را به شبکه میفرستند، اما بسیاری از پنلهای خورشیدی بر روی پشتبام خانههای مردم نصب شدهاند. این پنلها عمدتاً برق خانهها را تأمین میکنند و مازاد آن به شبکه ارسال میشود.
اما این مسئله برای اپراتور شبکه یک مشکل ایجاد میکند؛ اگر این خانهها در معرض نور خورشید باشند، تقاضای آنها از شبکه ناگهان کاهش مییابد و هنگامی که یک ابر از بالای آنها عبور میکند، تقاضای آنها از شبکه بهشدت افزایش مییابد.
در بریتانیا، جایی که در بیشتر سالها ترکیبی متغیر از آفتاب و ابر در طول روز وجود دارد، تقاضا میتواند در عرض یک ساعت بهطور قابلتوجهی تغییر کند. مانند انرژی بادی، این نوسان در تقاضای انرژی خورشیدی به این معناست که شبکه مجبور است تعداد زیادی از توربینهای گازسوز ذخیره چرخان را با ظرفیت ۵۰ درصد روشن نگه دارد تا نوسانات ناگهانی تقاضا را پوشش دهد.
کلی و تیمش در Open Climate Fix سیستمی مبتنی بر هوش مصنوعی را با استفاده از تصاویر ماهوارهای که هر پنج دقیقه گرفته میشد، آموزش دادند تا تقاضای انرژی خورشیدی را در بازههای زمانی مختلف، از چند دقیقه آینده تا هفت روز قبل پیشبینی کند.
این پروژه موفقیتآمیز بوده است: پیشبینی دو ساعت آینده این آزمایشگاه سه برابر دقیقتر از پیشبینیهایی است که قبلاً National Grid استفاده میکرد. این پیشبینیها میانگین خطا را از ۶۰۰ مگاوات به ۲۰۰ مگاوات کاهش دادند. این به اندازهای است که چندین توربین گازسوز را از ذخیره چرخان شبکه حذف کند. اکنون Open Climate Fix در حال ارائه ابزارهای پیشبینی تولید انرژی خورشیدی خود به هند است، جایی که مزارع خورشیدی بزرگی در ایالت راجستان[3] در حال احداث هستند و به دیگر نقاط جهان نیز گسترش مییابد.
بدون راهحل جادویی
تلاشهای Open Climate Fix برای پیشبینی انرژی تنها یک نمونه از دهها راهی است که هوش مصنوعی برای کاهش انتشار کربن به کار گرفته شده است. پروژه Green Light گوگل از هوش مصنوعی برای تحلیل الگوهای ترافیکی در شهرهای پرتراکم و یافتن روشهایی برای هماهنگسازی چراغهای راهنمایی استفاده میکند. این فناوری به کاهش CO2 تولیدشده توسط خودروهایی که پشت چراغ قرمز متوقف هستند کمک میکند. در آزمایشهایی که در سالهای ۲۰۲۲ و ۲۰۲۳ در ۷۰ تقاطع در ۱۲ شهر جهان، از حیفا[4] گرفته تا ریو[5] و بنگلور[6]، انجام شد، گوگل گزارش داد که تعداد خودروهای متوقف در چراغ قرمز ۳۰ درصد کاهش یافته است، که به کاهش ۱۰ درصدی انتشار CO2 در این تقاطعها منجر شده است.
یک استارتاپ به نام DroneDeploy از پهپادها برای نظارت بر مزارع خورشیدی استفاده میکند. یادگیری ماشینی به این سیستم کمک میکند تا بهترین طرحبندی پنلهای خورشیدی را برای حداکثر بهرهوری انرژی پیشنهاد دهد. این فناوری همچنین میتواند پنلهای شکسته یا کثیف را که کارایی کمتری دارند شناسایی کند تا آنها تمیز یا تعمیر شوند.
اینها همگی مشارکتهای کوچکی هستند که هر یک ممکن است تأثیری جزئی در نبرد ما برای دستیابی به انتشار خالص صفر داشته باشند.
برخی از دانشمندان نیز از هوش مصنوعی برای جستجوی پیشرفتهایی استفاده میکنند که ممکن است تأثیر بیشتری داشته باشند. استارتاپ مستقر در سیلیکونولی، Aionics با همکاری Cellforce که یک تولیدکننده باتری در آلمان است؛ از هوش مصنوعی برای یافتن مواد جدید الکترولیتی استفاده کرده است که میتوانند باتریهای بهتری ایجاد کنند. این پیشرفت میتواند خودروهای الکتریکی را با برد بسیار بیشتر به گزینهای جذابتر تبدیل کند، یا حتی به شبکههای ملی برق این امکان را بدهد که بدون توجه به شرایط آبوهوایی کاملاً به انرژیهای تجدیدپذیر متکی باشند.
همانطور که در فصل قبل ذکر شد، محققانی در آزمایشگاههای ایالات متحده و اروپا از هوش مصنوعی برای کنترل بهتر پلاسمای فوقگرم در داخل رآکتورهای همجوشی هستهای استفاده کردهاند. پیشرفت در این حوزه میتواند واقعاً تفاوت بزرگی در مبارزه با تغییرات اقلیمی ایجاد کند. اما مشخص نیست که آیا هوش مصنوعی بهتنهایی قادر خواهد بود پتانسیل همجوشی هستهای را محقق کند یا خیر. در حال حاضر، قدرتی که رآکتورهای همجوشی تولید میکنند بهسختی از مقادیر عظیم انرژی موردنیاز برای راهاندازی آنها فراتر میرود و حتی این گام کوچک نیز نتیجه دههها تلاش است.
در بیشتر موارد، هوش مصنوعی در حاشیهها کمک میکند اما نمیتواند راهحلهای گسترده ارائه دهد. بدون شک، هوش مصنوعی به برخی افراد کمک خواهد کرد که با محیط در حال تغییر سازگار شوند و جانهایی را در برابر بلایای طبیعی نجات دهد. اما نباید دچار توهم شویم؛ وقتی صحبت از تغییرات اقلیمی باشد، هوش مصنوعی «راهحل» نیست، بلکه بخشی از مشکل است و با گذشت هر ساعت، به بخشی بزرگتر از این مشکل تبدیل میشود.
فروپاشی قضیه کوومی
قانون مور، که به افتخار گوردون مور[7]، یکی از بنیانگذاران اینتل[8] نامگذاری شده است، بیان میکرد که تعداد ترانزیستورهایی که میتوانند در یک فضای ثابت روی یک میکروچیپ جای گیرند، هر دو سال دو برابر میشود. این قانون باعث کاهش مشابهی در ردپای انرژی محاسبات شد. جاناتان کوومی[9]، محقق تغییرات اقلیمی، در حالی که در سال ۲۰۱۰ در دانشگاه استنفورد کار میکرد، نشان داد که از اواسط دهه ۱۹۴۰ به بعد، کارایی الکتریکی یک محاسبه مشخص هر ۱.۶ سال دو برابر شده است؛ نرخی که حتی از قانون مور نیز فراتر میرود.
رشد گوشیهای هوشمند و تقاضای مصرفکنندگان برای طولانیتر شدن عمر باتری، انگیزهای برای طراحان چیپها ایجاد کرد تا این روند را ادامه دهند. اما با وجود این انگیزه، قانون مور در دهههای اخیر کند شده است و همراه با آن، قضیه کوومی نیز افت کرده است. از سال ۲۰۰۰ تاکنون، بهطور متوسط ۲.۷ سال طول کشیده تا کارایی انرژی یک محاسبه مشخص دو برابر شود. رشد انفجاری هوش مصنوعی، بهویژه مدلهای زبانی بزرگ و دیگر مدلهای مولد هوش مصنوعی، قضیه کوومی را بهطور کامل به چالش کشیده است.
دو دلیل اصلی برای این مسئله وجود دارد:
اول: مدلهای عظیم هوش مصنوعی امروزی روی واحدهای پردازش گرافیکی (GPUs) اجرا میشوند که هر یک معمولاً نسبت به انواع دیگر چیپهای کامپیوتری انرژی بیشتری مصرف میکنند.
دوم: بزرگترین مدلهای هوش مصنوعی به دهها هزار GPU متصل به هم در مراکز داده عظیم نیاز دارند.
برآوردهای مربوط به ردپای کربنی هوش مصنوعی بسیار متفاوت است، اما یک نکته روشن است؛ این ردپا بسیار بزرگ است و با افزایش تعداد کاربران مدلهای هوش مصنوعی، بزرگتر هم خواهد شد. یک ارزیابی از ردپای کربنی مرتبط با GPT-3 که توسط OpenAI در سال ۲۰۲۰ معرفی شد؛ تخمین زده که آموزش این مدل به اندازه رانندگی یک خودروی جدید به مسافت ۴۳۵,۰۰۰ مایل CO2 تولید کرده است. این مسافت معادل رانندگی به ماه و بازگشت از آن است. نویسندگان این مطالعه نوشتند که هوش مصنوعی «در خطر تبدیل شدن به یکی از عوامل اصلی تغییرات اقلیمی است.»
محققان شرکت هوش مصنوعی Hugging Face تخمین زدند که مدل زبانی بزرگ آنها، BLOOM، در طول آموزش خود ۲۵ تن متریک CO2 تولید کرده است. ردپای کربنی کل عمر آن، که شامل CO2 مربوط به ساخت GPUهای مورد استفاده برای آموزش و انرژی مصرفی برای اجرای مدل پس از آموزش میشود، دو برابر این مقدار است. این معادل تقریباً ۶۰ پرواز ترانسآتلانتیک است. اما BLOOM کوچک است. (شاید یکدهم اندازه GPT-4) مدلهای بزرگتر به تعداد بیشتری GPU نیاز دارند و انرژی بسیار بیشتری مصرف میکنند. در طول دهه گذشته، اندازه پیشرفتهترین مدلهای هوش مصنوعی تقریباً هر سه ماه دو برابر شده است. بین سالهای ۲۰۱۲ تا ۲۰۱۸، میزان انرژی موردنیاز برای آموزش مدلهای هوش مصنوعی ۳۰۰,۰۰۰ برابر افزایش یافت.
اینکه Hugging Face مدل BLOOM را در فرانسه آموزش داده، جایی که بیشتر انرژی از نیروگاههای هستهای بدون کربن تولید میشود، به کاهش ردپای کربنی آن کمک کرده است. اما مدلهایی که در مکانهایی مانند هند یا چین، جایی که انرژی عمدتاً از سوختهای فسیلی تأمین میشود، آموزش داده میشوند، ردپای کربنی بهمراتب بالاتری خواهند داشت.
افزون بر این، بخش عمدهای از انرژیای که یک مدل یادگیری ماشینی در طول عمر خود مصرف میکند، برای اجرای مدل پس از آموزش است. مدلهای زبانی بزرگ و دیگر مدلهای مولد هوش مصنوعی برای هر خروجی انرژی بیشتری نسبت به اکثر انواع قبلی نرمافزار، از جمله اشکال اولیه یادگیری ماشینی، مصرف میکنند. برخی کارشناسان هوش مصنوعی تخمین زدهاند که یک تعامل با یک چتبات هوش مصنوعی به چهار یا پنج برابر توان محاسباتی بیشتری نسبت به یک موتور جستجوی سنتی نیاز دارد. (یک پرسش به GPT-4 میتواند بهاندازه یکسوم ظرفیت باتری یک گوشی هوشمند انرژی مصرف کند.)
شرکتهای فناوری تمایلی به صحبت درباره ردپای کربنی هوش مصنوعی ندارند. بیشتر آنها تقریباً هیچ اطلاعاتی در این زمینه فاش نمیکنند. تعداد اندکی از شرکتها مصرف انرژی مراکز داده خود را در گزارشهای سالانه پایداری منتشر میکنند. در طول دهه بین ۲۰۱۰ تا ۲۰۲۰، مراکز داده بهطور قابلتوجهی کارآمدتر شدهاند. مصرف انرژی جهانی مراکز داده حدود ۶ درصد افزایش یافته است، حتی در حالی که ظرفیت محاسباتی این مراکز ۵۵۰ درصد رشد کرده است. اما تقاضای کلی آنها برای انرژی همچنان بهطور مداوم افزایش یافته است.
امروزه، مراکز داده متعلق به شرکتهای بزرگ فناوری در آمریکای شمالی و اروپا بخش عمده انرژی خود را از منابع تجدیدپذیر تأمین میکنند. برخی تحلیلها نشان دادهاند که تقاضای این غولهای فناوری تأثیر مثبتی بر توسعه انرژیهای سبز داشته است، زیرا وجود مشتریان بزرگ به شرکتهای تأمینکننده انرژی این اطمینان را میدهد که میتوانند روی پروژههای تولید انرژی تجدیدپذیر سرمایهگذاری کنند. اما نشانههایی وجود دارد که نشان میدهد هوش مصنوعی بهقدری پرمصرف است که شرکتهای فناوری بهطور فزایندهای نیاز خواهند داشت به منابع انرژی دیگری روی بیاورند. برای مثال، مایکروسافت اخیراً پیشنهاد داده است که از هوش مصنوعی برای تسریع در صدور مجوز برای نیروگاههای هستهای جدید در ایالات متحده استفاده کند.
هوش مصنوعی سهمی فزاینده از مصرف برق را به خود اختصاص میدهد. در سال ۲۰۲۱، هوش مصنوعی بین ۱۰ تا ۱۵ درصد از مصرف برق گوگل را تشکیل میداد. (۲.۳ تراواتساعت در سال، معادل تقاضای انرژی شهری به اندازه آتلانتا.)
همه ارائهدهندگان خدمات ابری اینترنتی بزرگ بهسرعت در حال گسترش ظرفیت مراکز داده خود هستند تا مشتریان را با مدلهای زبانی بزرگ و دیگر مدلهای عظیم هوش مصنوعی سرویس دهند. مایکروسافت، گوگل و آمازون در سال ۲۰۲۳ بهطور مشترک حدود ۱۰۰ میلیارد دلار در مراکز داده جدید سرمایهگذاری کردند. تحلیلگران بانک آمریکا پیشبینی میکنند این رقم تا سال ۲۰۲۵ به بیش از ۱۲۰ میلیارد دلار در سال خواهد رسید و همچنان رشد خواهد کرد.
یک مطالعه تخمین میزند که با محبوبیت فزاینده برنامههای کاربردی هوش مصنوعی، این فناوری تا سال ۲۰۲۷ مسئول حداقل نیم درصد از مصرف برق جهانی خواهد بود. ما ناچاریم به تخمینها اتکا کنیم، زیرا بیشتر شرکتهای فناوری که مدلهای هوش مصنوعی میسازند، اطلاعات واقعی مصرف انرژی خود را افشا نمیکنند. ما بهشدت به شفافیت کامل از سوی این شرکتها نیاز داریم تا بتوانیم تأثیر واقعی هوش مصنوعی را ارزیابی کنیم.
آب، آب همهجا، اما نه قطرهای برای نوشیدن
هوش مصنوعی حریص است؛ نهتنها بهطور سیریناپذیر گرسنه انرژی است، بلکه بهشدت تشنه نیز هست. کارخانههای تولید تراشه که به نام «فَب» (fabs) شناخته میشوند و چیپهایی میسازند که هوش مصنوعی روی آنها اجرا میشود و همچنین مراکز دادهای که این چیپها در آن قرار دارند، هر دو بهشکل بیسابقهای آب مصرف میکنند. جوامع محلی اپراتورهای مراکز داده را به تخلیه منابع آب زیرزمینی برای خنککردن تأسیساتشان متهم کردهاند. دمای داخلی مراکز داده به دلیل نیاز به اجرای هزاران GPU برای برنامههای هوش مصنوعی بهطور چشمگیری افزایش یافته است. مایکروسافت گزارش داده که بین سالهای ۲۰۲۱ و ۲۰۲۲، مصرف آب جهانی این شرکت ۳۴ درصد افزایش یافته و به ۱.۷ میلیارد گالن رسیده است. (مقداری که میتواند بیش از ۲۵۰۰ استخر شنای المپیک را پر کند.)
تصادفی نیست که این غول فناوری درست در همان سالی که OpenAI در حال آموزش مدل GPT-4 در مراکز داده مایکروسافت در آیووا بود، بهشکلی بیسابقه آب مصرف میکرد. پنج مرکز داده بزرگ مایکروسافت در خارج از شهر دِسموین[10] در تابستان ۲۰۲۲ چنان مقدار زیادی آب مصرف کردند (معادل حدود ۶ درصد از کل مصرف تابستانی منطقه) که مقامات آب محلی به مایکروسافت هشدار دادند با هرگونه توسعه بیشتر مراکز داده در آن منطقه مخالفت خواهند کرد.
شرکت آبرسانی دِسموین در تابستانهای اخیر مجبور شده از رودخانه Raccoon برای جبران کمبودها استفاده کند. اما رودخانه Raccoon پیشتر یکی از در معرض خطرترین رودخانههای آمریکا بوده است. و همانطور که نگرانیها درباره ردپای کربنی هوش مصنوعی با آموزش مدل پایان نمییابد، نگرانیها در مورد مصرف آب نیز فقط به مرحله آموزش مدل محدود نمیشود. مدلهای زبانی بزرگ و سایر اشکال هوش مصنوعی مولد، هنگامی که در حال اجرا هستند، بهمراتب بیشتر از نرمافزارهای دیگر آب مصرف میکنند.
شائولی رِن[11]، پژوهشگری از دانشگاه کالیفرنیا، ریورساید[12]، تخمین زده است که یک تعامل با ChatGPT شامل پنج تا پنجاه تبادل دیالوگ، حدود نیم لیتر آب مصرف میکند. طبق گزارش اثرات زیستمحیطی گوگل، مصرف آب در محل این شرکت بین سالهای ۲۰۲۱ تا ۲۰۲۲ به میزان ۲۰ درصد افزایش یافت، که احتمالاً بخش زیادی از این افزایش به تلاشهای گستردهتر این شرکت در حوزه هوش مصنوعی مربوط میشود. این مشکل در هر مکانی که مراکز داده بزرگ ساخته میشوند، در حال تکرار است. بسیاری از این ساختوسازها در مناطقی با تنش آبی بالا، مانند لاسوگاس، نوادا[13] و مسا، آریزونا انجام میشود. شرکتهای فناوری علیرغم دمای هوای بالای این مناطق، به دلیل ترکیبی از برق ارزان تأمینشده از طریق انرژی خورشیدی و هستهای، زمین ارزان، و مشوقهای مالیاتی به این مناطق جذب شدهاند. اما قرار دادن مراکز داده در مکانهای گرم فشار غیرقابلتحملی بر منابع آب زیرزمینی وارد میکند.
یک مطالعه مشترک توسط محققان دانشگاه ویرجینیا تک[14] و آزمایشگاه ملی لارنس برکلی[15] نشان داد که یکپنجم مراکز داده بر حوزههای آبخیز متکی هستند که بهطور متوسط تا شدید تحت فشار قرار دارند. در حالی که بسیاری از شرکتها اطلاعات کلی درباره مصرف آب در مراکز داده خود ارائه میدهند، ما باید آنها را به افشای جزئیات بیشتری ترغیب کنیم. اگر آنها از ارائه داوطلبانه این اطلاعات خودداری کنند، دولت، از طریق اداره احیای وزارت کشور ایالات متحده، دفتر آبهای زیرزمینی خدمات زمینشناسی ایالات متحده و آژانس حفاظت از محیطزیست، باید آنها را ملزم به این کار کند.
صندوقهای سرمایهگذاری ESG (محیطزیستی، اجتماعی و حکمرانی) نیز میتوانند از نفوذ مالی قابلتوجه خود استفاده کنند تا ارائهدهندگان خدمات ابری را به کاهش مصرف آب تشویق کنند.
حفاریهای کثیف و اتاقهای نهچندان پاکیزه
ساخت تراشههایی که زیربنای رشد هوش مصنوعی را تشکیل میدهند، صنعتی آلوده و مخرب است. GPUها نسبت به سایر تراشهها به میزان بیشتری از عناصر خاکی کمیاب نیاز دارند. همچنین برای ساخت آنها به مواد دیگری مانند کروم، کادمیوم، جیوه، سرب، کبالت، تنگستن و بور نیاز است. استخراج این مواد معدنی کربنبر است و تأثیرات زیستمحیطی مخربی به همراه دارد.
عناصر خاکی کمیاب و بسیاری از این مواد دیگر معمولاً در معادن روباز استخراج میشوند. خاکی که از زمین جدا میشود در حوضچههای شیمیایی شسته میشود، که میتواند منابع آب زیرزمینی و رودخانههای نزدیک را آلوده کند. اغلب، توریم و اورانیوم رادیواکتیو در کنار این فلزات خاکی کمیاب یافت میشوند. به گفته یکی از تخمینها، تولید هر تن عناصر خاکی کمیاب تقریباً دو هزار تن زباله سمی تولید میکند.
در تضاد با معادن تولیدکننده مواد اولیه برای تراشهها، تأسیساتی که این تراشهها را میسازند ظاهری بینقص دارند. در این کارخانهها، افرادی که از سر تا پا با لباسهای سفید، عینکهای ایمنی، دستکش و ماسک پوشیده شدهاند، ویفرهای سیلیکونی براق را که رنگهای رنگینکمانی منعکس میکنند، بررسی میکنند. این افراد در «اتاقهای پاک» کار میکنند، نامی که به دلیل تلاش برای حذف هرگونه آلایندهای که ممکن است عملکرد مدارهای میکروسکوپی حکشده روی سطح ویفر را مختل کند، به این فضاها داده شده است. اما تمرکز بر اتاقهای پاک در رسانهها این تصور غلط را ایجاد کرده که تولید تراشههای کامپیوتری بهخودیخود «پاک» و سازگار با محیطزیست است. حقیقت کاملاً برعکس است. ساخت تراشهها هم از نظر انرژی و هم از نظر آب بسیار پرمصرف است و به حجم بالایی از مواد شیمیایی سمی نیاز دارد.
شرکت تولید نیمههادی تایوان (TSMC)، که حدود ۵۶ درصد سهم بازار تراشهها را در اختیار دارد، بر این صنعت تسلط دارد. این شرکت تولیدکننده تراشههایی است که انویدیا[16] از آنها استفاده میکند. TSMC همچنین تراشههای مخصوص هوش مصنوعی را برای گوگل و مایکروسافت تولید میکند. TSMC بیش از ۶ درصد از برق تایوان را مصرف میکند و در سال ۲۰۲۲ حدود ۱۱.۶ میلیون تن متریک CO2 تولید کرده است. (که سه تا چهار برابر بیشتر از خروجی کربن فورد یا جنرال موتورز است.)
این شرکت در تلاش است تا کربنزدایی کند و متعهد شده که تا سال ۲۰۵۰ تمام نیازهای انرژی خود را از منابع تجدیدپذیر تأمین کند. در سال ۲۰۲۱، این شرکت بزرگترین قرارداد خرید انرژی تجدیدپذیر شرکتی جهان را امضا کرد و موافقت کرد که تمام انرژی موردنیاز برای کارخانههای تایوانی خود را از یک مزرعه بادی عظیم که توسط شرکت انرژی دانمارکی Orsted در تنگه تایوان احداث میشود، تأمین کند. اما تاکنون، استفاده این شرکت از انرژیهای تجدیدپذیر اندک بوده است. در سال ۲۰۲۲، TSMC اعلام کرد که تنها ۱۰.۴ درصد از مصرف انرژی کارخانههای جهانی آن از منابع تجدیدپذیر تأمین شده است.
ساخت GPUها از جهات دیگر نیز برای محیطزیست مخرب است. طبق گزارش خود شرکت، کارخانههای تایوانی TSMC در سال ۲۰۲۲ حدود ۹۶.۸ میلیون تن آب مصرف کردند. اگرچه این شرکت ادعا کرد که حدود ۸۵ درصد از این مقدار را بازیافت کرده است، اما همچنان میلیونها تن آب از منابع محلی برداشت شده است.
در سالهای اخیر، تایوان با خشکسالیهایی مواجه بوده و کشاورزان محلی به کمبود آب اعتراض کردهاند و این کمبود را به TSMC نسبت میدهند. علاوه بر این، تولید نیمههادیها بهشدت به مواد شیمیایی بادوامی وابسته است که بهراحتی در محیطزیست تجزیه نمیشوند. PFAS (مواد پر و پلی فلوئوروآلکیل[17]) که با مشکلات باروری، کاهش رشد جنین، بیماریهای کبدی و سرطان مرتبط هستند؛ برای ساخت تراشهها ضروری هستند. تلاشهای اروپا برای ممنوعیت این مواد شیمیایی و تصمیم شرکت 3M برای توقف تولید آنها تا سال ۲۰۲۵، TSMC را مجبور به برگزاری جلسات اضطراری با تأمینکنندگان خود کرد تا اطمینان حاصل کند که تولید تراشه مختل نخواهد شد. اما متاسفانه، در حال حاضر، هیچ جایگزینی برای PFAS در فرآیندهای ساخت تراشه وجود ندارد.
صنعت نیمههادیها در زمینه جلوگیری از ورود مواد شیمیایی سمی به محیطزیست سابقه بدی دارد. سیلیکونولی، زادگاه صنعت نیمههادی آمریکا، همچنین محل برخی از بدترین سایتهای Superfund آژانس حفاظت از محیطزیست آمریکا است. خاک و آبهای زیرزمینی این منطقه با مواد شیمیایی که از کارخانههای منطقه نشت کردهاند آلوده شده است، موادی که با افزایش شدید نرخ سقط جنین، مشکلات باروری و سرطان مرتبط هستند. بخشی از پردیس گوگل در ماونتویو[18]، کالیفرنیا، روی یکی از این سایتها قرار دارد.
با توجه به اینکه TSMC و دیگر تولیدکنندگان نیمههادی به دنبال ساخت کارخانههای جدید در ایالات متحده هستند، آژانس حفاظت از محیطزیست (EPA) و دیگر سازمانهای دولتی باید بهشدت هوشیار باشند تا مطمئن شوند که ما آلودگی خاک و آب زیرزمینی را بهجای بازگرداندن تولید تراشه، وارد خاک خود نکنیم.
برای بهتر یا بدتر
ممکن است برای پاکتر و سبزتر کردن خود هوش مصنوعی، به کمک همین فناوری نیاز داشته باشیم. اگر به پذیرش این فناوری با سرعت فعلی ادامه دهیم، بدون کاهش ردپای کربنی، مصرف آب و تأثیرات سمی آن، وضعیت سیاره بدتر خواهد شد، نه بهتر.
هوش مصنوعی میتواند به دانشمندان کمک کند تا روشهای سازگارتر با محیطزیست برای ساخت و استفاده از GPUها پیدا کنند و شاید حتی بتواند به محققان در کشف روشهای جدیدی از هوش مصنوعی که ذاتاً از نظر مصرف انرژی کارآمدتر هستند، کمک کند.
برخی تخمینها نشان میدهند که مغز انسان در یک روز کامل کمتر از یکدهم انرژیای مصرف میکند که ChatGPT برای پاسخ دادن به یک سؤال نیاز دارد. اگر بتوانیم به هوش مصنوعی دست یابیم که از این نظر شبیه مغز انسان باشد، به دستاوردی شگفتانگیز خواهیم رسید.
من قصد ندارم اهمیت بهبودهای جزئیای که هوش مصنوعی میتواند در مبارزه با تغییرات اقلیمی و بهبود پایداری ایجاد کند، نادیده بگیرم. اما هوش مصنوعی نمیتواند بزرگترین موانعی که ما در مواجهه با این مسائل با آنها روبرو هستیم را پشت سر بگذارد. در نهایت، این موانع مشکلاتی در زمینه سیاست و طبیعت انسانی هستند، نه داده و فناوری. در بسیاری از موارد، ما میدانیم برای دستیابی به انتشار خالص صفر چه باید کرد و از قبل فناوری لازم برای این کار را داریم. چیزی که نداریم، اراده سیاسی و اقتصادی است.
برای واقعاً «حل» تغییرات اقلیمی و ساختن آیندهای پایدار، باید پاسخها را در هوش طبیعی خودمان جستوجو کنیم، نه هوش مصنوعی.
[1] Jack Kelly
[2] Spinning Reserve
[3] Rajasthan
[4] Haifa
[5] Rio
[6] Bangalore
[7] Gordon Moore
[8] Intel
[9] Jonathan Koomey
[10] Des Moines
[11] Shaolei Ren
[12] Riverside
[13] Nevada
[14] Virginia Tech
[15] Lawrence Berkeley National Laboratory
[16] Des Moines
[17] Per- and polyfluoroalkyl substances
[18] Mountain View
