Károsak-e a környezetre a mesterséges intelligencia adatközpontjai?

A mesterséges intelligencia (AI) adatközpontok valóban jelentős környezeti terhelést okozhatnak, de túlzottan leegyszerűsítő lenne azt állítani, hogy minden AI-adatközpont automatikusan káros a környezetre. Ugyanaz a terhelés is nagyon eltérő hatással járhat az áramhálózat, a hűtőrendszer, a helyi vízviszonyok és a hardver hatékonysága függvényében.

Egy olyan adatközpont, amelyet túlnyomórészt alacsony szén-dioxid-kibocsátású villamos energiával látnak el, hatékony hűtést alkalmaz és átlátható jelentéstételt folytat, más ökológiai lábnyommal rendelkezik, mint az a központ, amely fosszilis tüzelőanyagokra nagy mértékben támaszkodó villamosenergia-hálózatra támaszkodik, a szűkös helyi vízkészleteket fogyasztja, vagy további terhelést ró az amúgy is korlátozott villamosenergia-rendszerre.

A lényeges kérdés nem az, hogy az AI-adatközpontok elvben jók-e vagy rosszak. Hanem az, hogy mit fogyasztanak, hol találhatók, mit váltanak fel vagy tesznek lehetővé, és hogy a helyi közösségek tisztán látják-e az ezzel járó előny-hátrányokat.

A mesterséges intelligencia (AI) adatközpontok feladata a számítások elvégzése. A nagy méretű AI-rendszerek sűrűn elhelyezett GPU-állványokra, nagy sávszélességű hálózati infrastruktúrára, tárolóeszközökre, memóriára és áramellátó berendezésekre támaszkodnak. Amikor ezek a rendszerek modelleket képeznek be vagy következtetési kéréseket dolgoznak fel, folyamatosan fogyasztanak villamos energiát.

Az adott villamos energia környezeti hatása nagymértékben függ az áramhálózattól. Az alacsony szén-dioxid-kibocsátású hálózatból származó egy megawattóra más éghajlati hatással jár, mint a főként szénből vagy gázból előállított egy megawattóra. Éppen ezért a helyszín éppoly fontos, mint az épületben található berendezések.

Ha részletesebben szeretnéd megérteni, miért fogyaszt az AI ennyi energiát, lásd Miért fogyaszt annyi áramot a mesterséges intelligencia?.

Az AI-chipek hőt termelnek. Az adatközpontoknak el kell vezetniük ezt a hőt, hogy a szerverek megbízhatóan és hatékonyan működhessenek. Egyes létesítmények léghűtést, mások hűtött vízköröket, megint mások párolgásos hűtést alkalmaznak, míg sokan olyan hibrid megoldásokat használnak, amelyek a külső körülmények függvényében változnak.

A vízalapú hűtés bizonyos körülmények között csökkentheti az áramigényt, ugyanakkor növelheti a helyi vízfogyasztást is. Ez az ellentét nem feltétlenül jó vagy rossz. A helyi éghajlati viszonyoktól, a vízhiány mértékétől, az energiamix összetételétől, valamint attól függ, hogy a víz ivóvíz, újrahasznosított víz vagy más módon kezelt víz-e.

A hűtésről és a vízfelhasználásról további részleteket itt talál: Miért fogyasztanak az AI-adatközpontok ennyi vizet?.

A mesterséges intelligencia adatközpontjaiból származó szén-dioxid-kibocsátás nagy része közvetett. A szerverek általában nem bocsátanak ki CO₂-t a létesítményben, de az azok működtetéséhez felhasznált villamos energia a hálózat valamely pontján fosszilis tüzelőanyagokból származhat.

Ez azt jelenti, hogy ugyanazon mesterséges intelligencia-modell szén-dioxid-lábnyoma attól függően változhat, hogy mikor és hol fut. A regionális hálózati intenzitás, a megújuló energiaforrásokból származó beszerzés, a tartaléktermelés és az óránkénti villamosenergia-kiegyenlítés mind befolyásolhatják a tényleges lábnyomot.

Mivel a mesterséges intelligenciához kapcsolódó energiaforrások részletes adatai ritkán kerülnek nyilvánosságra, a szén-dioxid-kibocsátásra vonatkozó becsléseket irányadó értékekként kell kezelni. Az átlátható feltételezések hitelesebbek, mint ha úgy tennénk, mintha a pontos globális összegeket ismernénk.

Az adatközpontok fizikai ipari létesítmények. Szükségük van telekre, hálózati csatlakozásokra, alállomásokra, optikai kábelekre, tartalékrendszerekre, építőanyagokra és hűtési infrastruktúrára. Még akkor is, ha a globális kibocsátás áll a figyelem középpontjában, a helyi hatások döntő szerepet játszhatnak abban, hogy egy projektet elfogadnak-e.

A közösségek aggódhatnak a vízfogyasztás, az áramszámlák, a hálózati túlterhelés, a zaj, az adókedvezmények, a földhasználat, az építkezések okozta zavarok miatt, vagy attól tartanak, hogy az ígért munkahelyek száma nem áll arányban a lakossági támogatás mértékével. Ezek az aggályok nem mindenhol azonosak.

Éppen ezért egy komoly környezeti hatástanulmánynak nem csupán az AI-igény összességét kell figyelembe vennie. Meg kell vizsgálnia, hogy egy adott adatközpont milyen hatással van egy adott villamosenergia-hálózatra, vízgyűjtő területre és közösségre.

Az MI-infrastruktúrának az ellátási lánc korábbi szakaszaiban is van anyaglábnyoma. PFAS-vegyületeket használnak a félvezetőgyártás egyes folyamataiban, például a fotolitográfiában, a maratásban, a szilíciumszeletek feldolgozásában és bizonyos hőátadási alkalmazásokban. A fejlett chipek iránti növekvő kereslet ezért nagyobb figyelmet irányít a vegyszerhasználatra, a szennyvízre és a biztonságosabb helyettesítő anyagokra.

A kifejezetten az MI-nek tulajdonítható mérték továbbra is bizonytalan. Nem minden folyadékhűtési rendszer használ PFAS-vegyületeket, és a nyilvános adatok nem teszik lehetővé egy pontos, kizárólag az MI-hez köthető globális összeg meghatározását. A PFAS-t ezért az ellátási lánc újonnan jelentkező problémájaként kell kezelni, nem pedig közvetlenül hozzáadni a jelenlegi MI-hatásmérőkhöz.

A mesterséges intelligencia (AI) infrastruktúrájáról szóló nyilvános jelentések minősége javul, de még mindig hiányosak. Számos vállalat közzéteszi vállalati energia- vagy vízfogyasztási adatait, azonban nem mindig szolgáltatja azokat a részleteket, amelyek szükségesek az AI-terhelések, az egyes létesítmények vagy a konkrét modelleket kiszolgáló rendszerek elkülönítéséhez.

Egyértelmű közzététel hiányában a külső becsléseknek a nyilvános jelentéseket, az infrastruktúrára vonatkozó feltételezéseket, a hardver-specifikációkat és a kutatási eredményeket kell összegezniük. Ez hasznos nagyságrendeket eredményezhet, de nem szabad összetéveszteni az auditált, létesítményi szintű mérésekkel.

A nagyobb átláthatóság gyakorlatiasabbá tenné a vitát: mennyi villamos energiára van szükség, milyen hálózati erőforrásokat használnak, hogyan működik a hűtés, milyen vízforrásról van szó, és hogyan változnak a hatások az idő múlásával.

A mesterséges intelligencia adatközpontok ökológiai lábnyoma javítható hatékonyabb chipek, jobb modellek kiszolgálása, kisebb, specializált modellek, a hő újrahasznosítása, fejlettebb hűtés, jobb telephelyválasztás, alacsonyabb szén-dioxid-kibocsátású villamos energia és szigorúbb jelentési szabványok révén.

A hatékonyság önmagában nem garantálja a kisebb összhatást. Ha a mesterséges intelligencia használata gyorsabban növekszik, mint ahogy javul a hatékonyság, akkor a teljes villamosenergia-igény, a hűtési igény és az infrastruktúra kiépítése továbbra is növekedhet.

A reális következtetés árnyalt: a mesterséges intelligencia adatközpontjai nem feltétlenül rosszak, de nem is hatástalanok. Környezeti teljesítményük a műszaki döntésektől, a helyi erőforrás-korlátoktól, a nyilvánosság felé való elszámoltathatóságtól, valamint attól függ, hogy milyen nagyságrendű igény kielégítésére épültek.