Hvorfor bruger AI-datacentre så meget vand?

AI-arbejdsbelastninger kører på fysiske maskiner. Når GPU’er, CPU’er, hukommelse, lagerplads og netværksudstyr forbruger elektricitet, omdannes næsten al denne elektriske energi til sidst til varme inde i datacentret.

En almindelig webserver kan godt håndtere mindre anmodninger, men AI-træning og -inferens kan holde acceleratorerne i gang med høj udnyttelsesgrad i lange perioder. Tætpakkede stativer med GPU’er koncentrerer langt mere varme på et mindre område end traditionelt IT-udstyr til virksomheder.

Køling er derfor ikke blot et valgfrit komfortsystem. Det er en del af den infrastruktur, der er nødvendig for at holde chips inden for sikre driftstemperaturer, undgå hastighedsbegrænsning, beskytte hardware og sikre en pålidelig service for brugerne.

Moderne AI-datacentre samler ofte tusindvis af GPU’er i klynger. Disse GPU’er er udviklet til parallel databehandling, og det er netop derfor, de er så anvendelige til træning af neurale netværk og håndtering af inferensopgaver.

Den samme tæthed, der gør AI-infrastrukturen så effektiv, skaber også et termisk pres. Flere acceleratorer pr. rack betyder større strømforsyning, mere netværkstrafik, mere hukommelse og mere varme, der skal ledes væk fra serverne.

Derfor er AI-datacentre tæt knyttet til både elforsyning og kølekapacitet. Et anlæg kan godt have tilstrækkelig grundareal eller fiberforbindelse, men alligevel være begrænset af den tilgængelige strømforsyning, varmeafledningskapaciteten eller lokale vandforhold.

Vand er velegnet til køling, fordi det kan transportere varme effektivt. Mange datacentre anvender kølevandskredsløb, køletårne, fordampningskøling eller hybridsystemer, der kombinerer luft og vand afhængigt af forholdene udenfor.

I et fordampningsanlæg fordampes en del vand bevidst for at fjerne varme. Dette kan reducere det elforbrug, der kræves til mekanisk køling, især sammenlignet med intensiv drift af køleanlæg under varme vejrforhold, men det kan øge det lokale vandforbrug.

Ikke alle datacentre er bygget på samme måde. Nogle anlæg er i højere grad afhængige af luftkøling, andre anvender væskekøling i et lukket kredsløb tæt på chipsene, og atter andre bruger genbrugsvand eller vand, der ikke er drikkeligt. Vandaftrykket afhænger af kølearkitekturen, klimaet og driftsstrategien.

Direkte vandforbrug betyder vand, der forbruges på selve datacenterets område, typisk til køling eller fugtighedsregulering. Dette er den mest synlige del af problemet, især når et anlæg anvender fordampningskøling i et område med vandmangel.

Indirekte vandforbrug kan også spille en rolle. Elproduktion kan kræve vand til køling af kraftværker eller til fremstilling af brændstof, afhængigt af det lokale elnet. Et datacenter, der bruger meget lidt vand på selve anlægget, kan stadig være forbundet med vandforbruget gennem den elektricitet, det forbruger.

Dette er en af grundene til, at de offentlige skøn varierer så meget. En seriøs vurdering skal præcisere, om den medregner vandforbruget på selve anlægget, vandforbruget i forsyningskæden, vandforbruget i forbindelse med elproduktion, vandudtag, forbrug eller alle disse kategorier.

En liter vand, der forbruges i et køligt område med rigelige vandressourcer, har ikke samme lokale indvirkning som en liter, der forbruges i et varmt, tørt område med pressede vandløbsoplande. Den samme køleteknologi kan derfor have meget forskellige konsekvenser afhængigt af placeringen.

Klimaet har indflydelse på, hvor ofte der anvendes frikøling, fordampningskøling eller mekanisk køling. Elforsyningssammensætningen har indflydelse på CO₂-udledningen. Den lokale vandtilgængelighed har indflydelse på, om det ekstra behov er ubetydeligt, kontroversielt eller driftsmæssigt vanskeligt.

Derfor kan bæredygtigheden i datacentre ikke reduceres til et enkelt globalt tal. Det afgørende spørgsmål er ikke kun, hvor meget vand der forbruges, men også hvor det forbruges, hvornår det forbruges, og hvilke alternative muligheder for køling eller strømforsyning der var til rådighed.

En reduktion af vandforbruget kan i nogle tilfælde medføre et stigende elforbrug. For eksempel kan en løsning, der undgår fordampningskøling, være mere afhængig af mekaniske køleanlæg, hvilket kan øge energibehovet i varme perioder.

Det modsatte kan også forekomme: Brug af vand til fordampningskøling kan reducere elforbruget og dermed mindske emissionerne, hvis elnettet er kulstofintensivt. Hvilken løsning der er bedst, afhænger af den lokale vandknaphed, elnettets kulstofintensitet, vejrforholdene og hardware-tætheden.

Derfor er gennemsigtig rapportering vigtig. Nøgletal som PUE for energieffektivitet og WUE for vandforbrug er nyttige, men de skal ses i en lokal sammenhæng. Et vandbesparende design er ikke automatisk kulstoffattigt, og et energibesparende design er ikke automatisk vandbesparende.

Ja, men der findes ikke én universel løsning. Mulighederne omfatter blandt andet bedre styring af luftstrømmen, højere driftstemperaturer, væskekøling med lukket kredsløb, tørkøler, genbrugsvand, ikke-drikkeligt vand, bedre valg af placering og mere effektiv AI-hardware.

Optimering af AI-modeller spiller også en rolle. Mindre modeller, effektiv inferens, batchbehandling, caching og hardwarespecialisering kan reducere beregningsbehovet for en given tjeneste, hvilket indirekte mindsker varmeudviklingen og kølebehovet.

Samtidig kan den samlede efterspørgsel stadig stige, hvis brugen af kunstig intelligens udvides hurtigere, end effektiviteten forbedres. Det praktiske mål er derfor ikke blot mere effektiv køling, men også bedre information, omhyggelig valg af placering og infrastrukturplanlægning, der tager højde for den lokale vandmangel.