Hvorfor bruker AI-datasentre så mye vann?

AI-arbeidsbelastninger kjører på fysiske maskiner. Når GPU-er, CPU-er, minne, lagringsutstyr og nettverksutstyr bruker strøm, blir nesten all denne elektriske energien til slutt omdannet til varme inne i datasenteret.

En vanlig webserver kan håndtere enkle forespørsler, men AI-trening og -inferens kan føre til at akseleratorene kjører med høy utnyttelsesgrad over lange perioder. Tettpakkede stativer med GPU-er avgir mye mer varme på et mindre område enn tradisjonelt IT-utstyr for bedrifter.

Kjøling er derfor ikke et valgfritt komfortsystem. Det er en del av infrastrukturen som er nødvendig for å holde chipene innenfor sikre driftstemperaturer, unngå ytelsesbegrensning, beskytte maskinvaren og sikre pålitelig drift for brukerne.

Moderne AI-datasentre grupperer ofte tusenvis av GPU-er i klynger. Disse GPU-ene er utviklet for parallellberegning, og det er derfor de er så nyttige til opplæring av nevrale nettverk og til å håndtere inferensoppgaver.

Den samme tettheten som gjør AI-infrastrukturen så kraftig, skaper også et termisk press. Flere akseleratorer per rack betyr større strømforbruk, mer nettverkstrafikk, mer minne og mer varme som må ledes bort fra serverne.

Det er derfor AI-datasentre er tett knyttet til både strømforsyning og kjølekapasitet. Et anlegg kan ha tilstrekkelig areal eller fiberforbindelse, men likevel være begrenset av tilgjengelig strøm, varmekapasitet eller lokale vannforhold.

Vann er nyttig til kjøling fordi det kan overføre varme effektivt. Mange datasentre bruker kjølevannskretsløp, kjøletårn, fordampningskjøling eller hybridsystemer som kombinerer luft og vann, avhengig av forholdene ute.

I et fordampningssystem fordampes en del vann med vilje for å føre bort varme. Dette kan redusere strømforbruket til mekanisk kjøling, særlig sammenlignet med å kjøre kjøleaggregater på full kapasitet under varme forhold, men det kan øke det lokale vannforbruket.

Ikke alle datasentre har samme utforming. Noen anlegg er i større grad avhengige av luftkjøling, andre bruker væskekjøling i et lukket kretsløp i nærheten av chipene, og noen bruker gjenvunnet vann eller vann som ikke er drikkbart. Vannavtrykket avhenger av kjølearkitekturen, klimaet og driftsstrategien.

Direkte vannforbruk betyr vann som forbrukes på selve datasenteret, vanligvis til kjøling eller fuktighetsregulering. Dette er den mest synlige delen av problemet, særlig når et anlegg benytter fordampningskjøling i et område med vannmangel.

Indirekte vannforbruk kan også ha betydning. Kraftproduksjon kan kreve vann til kjøling av kraftverk eller til produksjon av drivstoff, avhengig av det lokale strømnettet. Et datasenter som bruker lite vann på stedet, kan likevel være knyttet til vannforbruk gjennom strømmen det forbruker.

Dette er en av grunnene til at offentlige anslag varierer så mye. En grundig vurdering må presisere om den tar hensyn til vann på anlegget, vann i forsyningskjeden, vann knyttet til strømforbruk, vannuttak, forbruk eller alle disse kategoriene.

En liter vann som forbrukes i et kjølig område med rikelig tilgang på vann, har ikke samme lokale innvirkning som en liter som forbrukes i et varmt og tørt område med vannressurser under press. Den samme kjøleteknologien kan derfor få svært forskjellige konsekvenser avhengig av hvor den brukes.

Klimaet påvirker hvor ofte man benytter seg av frikjøling, fordampningskjøling eller mekanisk kjøling. Nettsammensetningen påvirker karbonutslippene. Den lokale tilgangen på vann avgjør om tilleggsbehovet er ubetydelig, omstridt eller driftsmessig vanskelig å dekke.

Det er derfor bærekraften ved datasentre ikke kan reduseres til ett enkelt globalt tall. Det avgjørende spørsmålet er ikke bare hvor mye vann som brukes, men også hvor det brukes, når det brukes og hvilke alternative kjøle- eller strømalternativer som var tilgjengelige.

Å redusere vannforbruket kan i noen tilfeller føre til økt strømforbruk. For eksempel kan en løsning som unngår fordampningskjøling være mer avhengig av mekaniske kjøleanlegg, noe som kan øke energibehovet i varme perioder.

Det motsatte kan også skje: Å bruke vann til fordampningskjøling kan redusere strømforbruket og dermed redusere utslippene dersom strømnettet er karbonintensivt. Hvilket alternativ som er best, avhenger av den lokale vannknappheten, strømnettets karbonintensitet, været og maskinvaretettheten.

Det er derfor åpen rapportering er viktig. Indikatorer som PUE for energieffektivitet og WUE for vannforbruk er nyttige, men de må ses i en lokal sammenheng. En vannbesparende utforming er ikke automatisk karbonfattig, og en energibesparende utforming er ikke automatisk vannbesparende.

Ja, men det finnes ingen universell løsning. Mulighetene omfatter blant annet bedre styring av luftstrømmen, høyere driftstemperaturer, væskekjøling med lukket kretsløp, tørrkjølere, gjenvunnet vann, ikke-drikkevann, bedre valg av plassering og mer effektiv AI-maskinvare.

Optimalisering av AI-modeller er også viktig. Mindre modeller, effektiv inferens, batchbehandling, caching og spesialisert maskinvare kan redusere databehandlingsbehovet for en gitt tjeneste, noe som indirekte reduserer varmeutviklingen og kjølebehovet.

Samtidig kan den samlede etterspørselen fortsatt øke dersom bruken av kunstig intelligens vokser raskere enn effektiviteten forbedres. Det praktiske målet er derfor ikke bare mer effektiv kjøling, men også bedre informasjon, nøye valg av anleggsplassering og infrastrukturplanlegging som tar hensyn til lokale vannressursproblemer.