Γιατί τα κέντρα δεδομένων τεχνητής νοημοσύνης καταναλώνουν τόσο πολύ νερό;

Τα φορτία εργασίας τεχνητής νοημοσύνης εκτελούνται σε φυσικούς υπολογιστές. Όταν οι GPU, οι CPU, η μνήμη, ο χώρος αποθήκευσης και ο εξοπλισμός δικτύωσης καταναλώνουν ηλεκτρική ενέργεια, σχεδόν το σύνολο αυτής της ηλεκτρικής ενέργειας μετατρέπεται τελικά σε θερμότητα εντός του κέντρου δεδομένων.

Ένας συμβατικός διακομιστής ιστού μπορεί να διαχειρίζεται απλές αιτήσεις, αλλά η εκπαίδευση και η εξαγωγή συμπερασμάτων της τεχνητής νοημοσύνης μπορούν να διατηρήσουν τους επιταχυντές σε υψηλό βαθμό αξιοποίησης για μεγάλες χρονικές περιόδους. Τα πυκνά ράφια με GPU συγκεντρώνουν πολύ περισσότερη θερμότητα σε μικρότερο χώρο σε σύγκριση με τον παραδοσιακό επιχειρηματικό εξοπλισμό πληροφορικής.

Η ψύξη, επομένως, δεν αποτελεί ένα προαιρετικό σύστημα άνεσης. Αποτελεί μέρος της υποδομής που απαιτείται για τη διατήρηση των τσιπ σε ασφαλείς θερμοκρασίες λειτουργίας, την αποφυγή της μείωσης της απόδοσης, την προστασία του υλικού και τη διασφάλιση αξιόπιστης λειτουργίας για τους χρήστες.

Τα σύγχρονα κέντρα δεδομένων τεχνητής νοημοσύνης συχνά ομαδοποιούν χιλιάδες GPU σε συστάδες. Αυτές οι GPU έχουν σχεδιαστεί για παράλληλους υπολογισμούς, και γι’ αυτό είναι τόσο χρήσιμες για την εκπαίδευση νευρωνικών δικτύων και την επεξεργασία φορτίων εργασίας συμπερασμού.

Η ίδια πυκνότητα που καθιστά την υποδομή τεχνητής νοημοσύνης τόσο ισχυρή δημιουργεί επίσης θερμική πίεση. Ο μεγαλύτερος αριθμός επιταχυντών ανά ράφι συνεπάγεται μεγαλύτερη κατανάλωση ισχύος, περισσότερες δικτυακές συνδέσεις, περισσότερη μνήμη και περισσότερη θερμότητα που πρέπει να απομακρυνθεί από τους διακομιστές.

Γι’ αυτό τα κέντρα δεδομένων τεχνητής νοημοσύνης συνδέονται στενά τόσο με την ηλεκτρική ενέργεια όσο και με την ικανότητα ψύξης. Μια τοποθεσία μπορεί να διαθέτει επαρκή έκταση ή συνδεσιμότητα μέσω οπτικών ινών, αλλά να περιορίζεται από τη διαθέσιμη ισχύ, την ικανότητα απομάκρυνσης θερμότητας ή τοπικούς περιορισμούς σχετικά με το νερό.

Το νερό είναι χρήσιμο για την ψύξη, καθώς μπορεί να μεταφέρει τη θερμότητα αποτελεσματικά. Πολλά κέντρα δεδομένων χρησιμοποιούν κυκλώματα ψυχρού νερού, πύργους ψύξης, εξατμιστική ψύξη ή υβριδικά συστήματα που συνδυάζουν αέρα και νερό, ανάλογα με τις εξωτερικές συνθήκες.

Σε ένα σύστημα εξάτμισης, μια ποσότητα νερού εξατμίζεται σκόπιμα για την απομάκρυνση της θερμότητας. Αυτό μπορεί να μειώσει την ηλεκτρική ενέργεια που απαιτείται για τη μηχανική ψύξη, ειδικά σε σύγκριση με την εντατική λειτουργία ψυκτικών μηχανημάτων σε συνθήκες υψηλών θερμοκρασιών, αλλά μπορεί να αυξήσει την τοπική κατανάλωση νερού.

Δεν χρησιμοποιούν όλα τα κέντρα δεδομένων τον ίδιο σχεδιασμό. Ορισμένες εγκαταστάσεις βασίζονται περισσότερο στην ψύξη με αέρα, άλλες χρησιμοποιούν ψύξη με υγρό σε κλειστό κύκλωμα κοντά στα τσιπ, ενώ άλλες χρησιμοποιούν ανακυκλωμένο ή μη πόσιμο νερό. Το υδατικό αποτύπωμα εξαρτάται από την αρχιτεκτονική ψύξης, το κλίμα και τη στρατηγική λειτουργίας.

Ως «άμεση χρήση νερού» νοείται το νερό που καταναλώνεται στις εγκαταστάσεις του κέντρου δεδομένων, συνήθως για ψύξη ή έλεγχο της υγρασίας. Αυτό αποτελεί το πιο εμφανές μέρος του ζητήματος, ειδικά όταν μια εγκατάσταση χρησιμοποιεί εξατμιστική ψύξη σε περιοχή με έλλειψη νερού.

Η έμμεση χρήση νερού μπορεί επίσης να έχει σημασία. Η παραγωγή ηλεκτρικής ενέργειας μπορεί να απαιτεί νερό για την ψύξη των σταθμών παραγωγής ή για την παραγωγή καυσίμων, ανάλογα με το τοπικό δίκτυο. Ένα κέντρο δεδομένων που καταναλώνει ελάχιστο νερό στις εγκαταστάσεις του μπορεί, παρ’ όλα αυτά, να συνδέεται με τη χρήση νερού μέσω της ηλεκτρικής ενέργειας που καταναλώνει.

Αυτός είναι ένας από τους λόγους για τους οποίους οι δημόσιες εκτιμήσεις παρουσιάζουν μεγάλες διακυμάνσεις. Μια σοβαρή αξιολόγηση πρέπει να διευκρινίζει αν λαμβάνει υπόψη το νερό που καταναλώνεται στις εγκαταστάσεις, το νερό της εφοδιαστικής αλυσίδας, το νερό που σχετίζεται με την ηλεκτρική ενέργεια, τις αντλήσεις, την κατανάλωση ή όλες αυτές τις κατηγορίες.

Ένα λίτρο νερού που καταναλώνεται σε μια δροσερή περιοχή με άφθονο νερό δεν έχει την ίδια τοπική επίδραση με ένα λίτρο που καταναλώνεται σε μια ζεστή, ξηρή περιοχή με υδρολογικές λεκάνες που αντιμετωπίζουν προβλήματα. Η ίδια τεχνολογία ψύξης μπορεί, επομένως, να έχει πολύ διαφορετικές συνέπειες ανάλογα με την τοποθεσία.

Το κλίμα επηρεάζει τη συχνότητα χρήσης της ελεύθερης ψύξης, της εξατμιστικής ψύξης ή της μηχανικής ψύξης. Η σύνθεση του δικτύου ηλεκτρικής ενέργειας επηρεάζει τις εκπομπές διοξειδίου του άνθρακα. Η τοπική διαθεσιμότητα νερού επηρεάζει το κατά πόσον η πρόσθετη ζήτηση είναι μικρή, αμφιλεγόμενη ή δύσκολη από λειτουργική άποψη.

Γι’ αυτό ακριβώς η βιωσιμότητα των κέντρων δεδομένων δεν μπορεί να περιοριστεί σε έναν και μόνο συνολικό αριθμό. Το κρίσιμο ερώτημα δεν είναι μόνο πόσο νερό καταναλώνεται, αλλά και πού καταναλώνεται, πότε καταναλώνεται και ποιες εναλλακτικές επιλογές ψύξης ή τροφοδοσίας ήταν διαθέσιμες.

Η μείωση της κατανάλωσης νερού μπορεί μερικές φορές να οδηγήσει σε αύξηση της κατανάλωσης ηλεκτρικής ενέργειας. Για παράδειγμα, ένας σχεδιασμός που αποφεύγει την ψύξη μέσω εξάτμισης ενδέχεται να βασίζεται σε μεγαλύτερο βαθμό σε μηχανικούς ψύκτες, γεγονός που μπορεί να αυξήσει τη ζήτηση ενέργειας κατά τις περιόδους καύσωνα.

Μπορεί να συμβεί και το αντίθετο: η χρήση νερού για ψύξη μέσω εξάτμισης μπορεί να μειώσει την κατανάλωση ηλεκτρικής ενέργειας και, κατά συνέπεια, τις εκπομπές, εάν το ηλεκτρικό δίκτυο έχει υψηλή ένταση άνθρακα. Η καλύτερη επιλογή εξαρτάται από την τοπική έλλειψη νερού, την ένταση άνθρακα του δικτύου, τις καιρικές συνθήκες και την πυκνότητα του εξοπλισμού.

Γι’ αυτό και η διαφανής αναφορά δεδομένων είναι σημαντική. Δείκτες όπως ο PUE για την ενεργειακή απόδοση και ο WUE για τη χρήση νερού είναι χρήσιμοι, αλλά πρέπει να εξεταστούν στο πλαίσιο των τοπικών συνθηκών. Ένας σχεδιασμός με χαμηλή κατανάλωση νερού δεν σημαίνει αυτομάτως χαμηλές εκπομπές άνθρακα, και ένας σχεδιασμός με χαμηλή κατανάλωση ενέργειας δεν σημαίνει αυτομάτως χαμηλή κατανάλωση νερού.

Ναι, αλλά δεν υπάρχει μια μοναδική, καθολική λύση. Οι επιλογές περιλαμβάνουν καλύτερη διαχείριση της ροής αέρα, υψηλότερες θερμοκρασίες λειτουργίας, υγρή ψύξη κλειστού κυκλώματος, ξηρούς ψύκτες, ανακυκλωμένο νερό, μη πόσιμο νερό, καλύτερες αποφάσεις σχετικά με την επιλογή της τοποθεσίας και πιο αποδοτικό υλικό τεχνητής νοημοσύνης.

Η βελτιστοποίηση των μοντέλων τεχνητής νοημοσύνης έχει επίσης σημασία. Τα μικρότερα μοντέλα, η αποδοτική εξαγωγή συμπερασμάτων, η επεξεργασία κατά παρτίδες, η αποθήκευση σε cache και η εξειδίκευση του υλικού μπορούν να μειώσουν τις υπολογιστικές απαιτήσεις για μια δεδομένη υπηρεσία, γεγονός που μειώνει έμμεσα την παραγωγή θερμότητας και τις απαιτήσεις ψύξης.

Παράλληλα, η συνολική ζήτηση μπορεί να συνεχίσει να αυξάνεται, εφόσον η χρήση της τεχνητής νοημοσύνης αναπτυχθεί ταχύτερα από ό,τι βελτιώνεται η αποδοτικότητα. Ο πρακτικός στόχος, επομένως, δεν είναι μόνο η πιο αποδοτική ψύξη, αλλά και η καλύτερη ενημέρωση, η προσεκτική επιλογή των τοποθεσιών και ο σχεδιασμός υποδομών που λαμβάνει υπόψη την τοπική έλλειψη νερού.