Herkes yapay zekadan bahsediyor. Bu sadece bir moda sözcük değil; bilimsel atılımların, hızlandırılmış iş büyümesinin ve iklim değişikliği gibi küresel zorluklara yaklaşımların omurgası haline geldi bile. Yapay zeka modelleri, esasen birçok parametreye sahip karmaşık matematiksel işlevlerdir. Yapay zekanın sürekli büyüyen yetenekleri, yararlı desenler çıkarmak için büyük miktarda veriye ve hesaplama açısından yoğun hesaplamalara dayanır.
Şaolei Ren/Elektrik ve Bilgisayar Mühendisliği Doçenti, Kaliforniya Üniversitesi,
Garsonlar aç ve susuz
GPT-3 gibi milyarlarca parametreye sahip büyük YZ modelleri genellikle birden fazla grafik işleme birimi (GPU) içeren büyük sunucu kümelerinde eğitilir ve dağıtılır. Bu sunucular o kadar güç açgözlüdür ki her biri birkaç kilovat tüketebilir, bu da tüm bir evin ortalama güç tüketimine eşdeğerdir. Bu nedenle, son algoritmik ve donanım verimliliği iyileştirmelerine rağmen, YZ modeli eğitimi ve çıkarımı hala muazzam bir enerji tüketimiyle sonuçlanmaktadır.
Hava kirliliği ve karbon emisyonları yapay zekanın iyi bilinen çevresel maliyetleridir. Ancak, çok daha az bilinen bir gerçek de yapay zeka modellerinin aynı zamanda su yiyici olduğudur. Tatlı suyu iki şekilde tüketirler: yerinde sunucu soğutma (Kapsam 1) ve tesis dışında elektrik üretimi (Kapsam 2).
- Kapsam-1 yerinde su tüketimi: YZ sunucularının muazzam enerji tüketimi çok fazla ısı üretir. Isıyı dış ortama dağıtmak ve sunucunun aşırı ısınmasını önlemek için, veri merkezleri genellikle çok miktarda temiz, taze suya ihtiyaç duyan soğutma kuleleri ve/veya dış hava kullanır. Soğutma kuleleri soğuk su üretmek için su buharlaşmasına güvenir ve dış hava çok sıcak olduğunda buharlaşma desteği için ve çok kuru olduğunda nem kontrolü için suya ihtiyaç duyar. YZ sunucularının yüksek güç yoğunlukları nedeniyle, çip üzerinde sıvı soğutma kullanılabilir: kapalı devre dolaşan sıvı, ısıyı doğrudan sunuculardan veri merkezi tesisine (örneğin, tesisin soğutma suyu döngüsü) taşır. Daha sonra, tesise taşınan ısı, su tüketen soğutma kuleleri veya dış hava tarafından reddedilir.
- Kapsam-2 tesis dışı su tüketimi: Elektrik üretimi, termik santrallerde ve nükleer santrallerde soğutma ve hidroelektrik santrallerinin neden olduğu hızlandırılmış su buharlaşması yoluyla da çok fazla su tüketir. Bu nedenle, YZ kapsam-2 tesis dışı su tüketiminden sorumludur.
Kapsam-1 ve kapsam-2 su tüketimi bazen topluca operasyonel su tüketimi olarak adlandırılır . YZ tedarik zincirleri için kapsam-3 somutlaştırılmış su tüketimi de vardır. Örneğin, bir mikroçip üretmek yaklaşık 2.200 galon Ultra Saf Su (UPW) gerektirir. Bunun dışında, GPT-3 gibi büyük bir dil modelinin eğitilmesi milyonlarca litre tatlı su tüketebilir ve 10-50 sorgu için GPT-3 çıkarımı çalıştırmak, modelin ne zaman ve nerede barındırıldığına bağlı olarak 500 mililitre su tüketir. Şu anda ChatGPT tarafından kullanılan model olan GPT-4’ün çok daha büyük bir boyuta sahip olduğu ve bu nedenle muhtemelen GPT-3’ten daha fazla su tükettiği bildiriliyor.
Su tüketimi ve su çekimi
İki ilişkili ancak farklı su kullanım türü vardır: su çekme, diğer adıyla su soyutlama ve su tüketimi, her ikisi de su stresi ve bulunabilirliği üzerindeki etkileri bütünsel olarak anlamak için önemlidir. Görünüşlerine rağmen, su tüketimi teknik bir terimdir ve su çekmeden önemli ölçüde farklıdır .
Su çekimi, geçici veya kalıcı olarak yeraltı veya yüzey su kaynaklarından alınan ve daha sonra tarımsal, endüstriyel veya belediye kullanımları için kullanılan tatlı suyu ifade eder. Öte yandan, su tüketimi “su çekimi eksi su deşarjı” olarak tanımlanır ve “buharlaşan, terleyen, ürünlere veya mahsullere katılan veya başka bir şekilde yakın su ortamından uzaklaştırılan” su miktarı anlamına gelir.
Buharlaşan su, diğer maddeler gibi gezegenimizin içinde kalmaya devam ederken, başka yerlere gidebilir ve zaten dengesiz olan küresel su kaynaklarının dağılımını daha da kötüleştirebilir.
Varsayılan olarak, su ayak izi su tüketimini ifade eder. Ancak su çekimi de önemli bir ölçüttür ve farklı sektörler arasındaki rekabet ve su kaynaklarına bağımlılık seviyesini gösterir. Gerçekten de, elektrik üretimi birçok ülkede su çekimi için en iyi sektörler arasındadır. Küresel YZ talebi, 2027’de 4,2 – 6,6 milyar metreküp su çekimi gerektirebilir; bu, 4 – 6 Danimarka’nın veya Birleşik Krallık’ın yarısının toplam yıllık su çekiminden daha fazladır. ABD, küresel YZ iş yüklerinin yarısına ev sahipliği yapıyorsa, YZ’nın çalışması toplam yıllık su çekiminin yaklaşık %0,5 – %0,7’sini alabilir. Eş zamanlı olarak, küresel AI’nın toplam kapsam-1 ve kapsam-2 su tüketimi 0,38 – 0,60 milyar metreküpü aşabilir, yani kabaca Danimarka’nın yarısının veya 2,5 – 3,5 Liberya’nın yıllık su çekimini buharlaştırabilir.
Enerji verimliliği, yapay zeka bilişimindeki büyümenin gerisinde kalıyor
Başka yerlerde verimlilik artışları yaşanırken, yapay zekaya olan talebin katlanarak artması su ayak izini artırdı.
Örneğin, kısmen yapay zekadaki büyümenin de etkisiyle, Google’ın 2022’deki kapsam-1 yerinde su tüketimi 2021’e kıyasla %20 arttı ve Microsoft aynı dönemde %34’lük bir artış gördü. Sunucu soğutma için büyük teknoloji su tüketiminin çoğu içilebilir kaynaklardan geliyor. Burada, tüketilen su aslında buharlaşıyor ve atmosfere “kayboluyor”.
Yapay zekanın su tüketimi toplumsal gerginliklere yol açıyor
Yapay zekanın en temel doğal su kaynaklarımızı elle tutulur şekilde ortadan kaldırdığı noktaya henüz gelmedik. Ancak yapay zekanın artan su kullanımı (hem çekilmesi hem de tüketilmesi) kesinlikle endişe verici. Hızla artan nüfus, tükenen su kaynakları ve özellikle kuraklığa meyilli bölgelerde yaşlanan su altyapılarıyla uğraşırken su kıtlığı en acil küresel zorluklardan biri haline geldi. Endişe yalnızca yapay zeka modellerinin su kullanımının mutlak miktarıyla ilgili değil, aynı zamanda yapay zeka modeli geliştiricilerinin su kıtlığı gibi küresel ortak zorluğa nasıl yanıt verdiğiyle de ilgilidir.
Kuraklıklar iklim değişikliğinin ilk felaket sonuçlarından biri olduğundan, herkes su zorluğunu ele almak için kendi payına düşen sorumluluğu üstlenmelidir. Yapay zeka veri merkezleri ile yerel topluluklar arasında su kullanımı konusunda halihazırda hararetli gerginlikler görüyoruz. Yapay zeka modelleri su içmeye devam ederse, bu gerginlikler daha sık hale gelecek ve toplumsal türbülansa yol açabilir.
Daha fazla şeffaflığa ihtiyaç var
Yapay zekanın sağlıklı ve sorumlu bir şekilde büyümesini istiyorsak, su kullanımını, özellikle de su tüketimini azaltmalıyız. Su o kadar uzun süredir değerinin altında kaldı ki gerçek değeri unutulmuş olabilir. Bugün, yapay zekanın su ayak izi hak ettiğinden çok daha az ilgi gördü.
Bir yapay zeka modeli kartının detaylarına bakıldığında , bir yapay zeka modelinin nasıl eğitildiği ve nasıl kullanılması gerektiği hakkında bilgi içeren bir bilgi sayfası genellikle model eğitimi için enerji kullanımına ilişkin kapsam-2 dış mekan karbon ayak izini de içerir.
Ne yazık ki, model kartı su hakkında neredeyse hiçbir bilgi içermiyor. YZ model eğitimi için kapsam-1 yerinde su tüketimi bile raporlanmıyor, elektrik üretiminden kaynaklanan kapsam-2 yer dışı su tüketiminden bahsetmiyorum bile. Bu, bir gıda ürününün besin değerleri etiketinden kalori bilgilerini hariç tutmaya benzer. Bu şeffaflık eksikliği, su sürdürülebilirliğini sağlamak ve gerçekten sürdürülebilir AI inşa etmek için yenilikleri engelliyor.
Su, eşit bir şekilde paylaşılması gereken hayati ve sınırlı bir kaynaktır. Yapay zeka endüstrisi büyümeye devam ederken, halkın suya olan artan iştahını bilmesi kesinlikle hak ediyor. Büyük teknoloji şirketleri, soğutma suyu tüketimlerini telafi etmek ve veri merkezleri için ” 2030’a kadar pozitif su ” elde etmek için su havzalarını yenilemeye başladı.
Bu su koruma çabaları kesinlikle takdire şayandır, ancak bu, YZ modellerinin, özellikle kritik uygulamalar için kamusal AI modellerinin radar altında su içmeye devam edebileceği anlamına gelmez. Karbon ayak izini bildirdikleri gibi, YZ modeli geliştiricileri, model kartındaki çevresel ayak izi açıklamasının bir parçası olarak YZ modellerinin su ayak izi hakkında daha şeffaf olmalıdır.
Yapay zekanın su ayak izini hesaplamak oldukça basit bir formülle gerçekleştirilebilir.
Yapay zekanın su ayak izi, eğitildiği ve barındırıldığı yere bağlı olarak önemli ölçüde değişir. Örneğin, yapay zeka Microsoft’un küresel veri merkezlerinde her kWh enerji kullanımı için 1,8 – 12 litre su tüketir ve İrlanda ve Washington eyaleti sırasıyla en fazla ve en az su verimliliğine sahip konumlardır. Kapsam-1 tesis içi su tüketimi, veri merkezi soğutma tekniğine ve yerel şebekede elektriğin nasıl üretildiğine bağlı olarak kapsam-2 tesis dışı su tüketiminden daha yüksek veya daha düşük olabilir. Örneğin, bir soğutma kulesi veri merkezi soğutması için kullanılıyorsa ve yerel şebeke öncelikle güneş ve rüzgar enerjisi kullanıyorsa, kapsam-1 tesis içi su tüketimi baskın olabilir.
Dahili güç sensörleri veya sayaçları, YZ model eğitimi ve çıkarımı için sunucu enerjisini kolayca ölçebilir. Yerinde WUE, soğutma sistemleri için su verimliliğini ölçer. Güç Kullanım Etkinliği, PUE, soğutma enerjisi ve güç dağıtım kayıpları gibi BT dışı enerji genel giderlerini ölçer. Elektrik su yoğunluk faktörü olarak da adlandırılan tesis dışı WUE, elektrik üretimi için su verimliliğini ölçer.
Yapay zekanın su ayak izinin ifşası daha iyi şeffaflık için kolayca düzenlenebilir ve standartlaştırılabilir. Yapay zekanın su ayak izi hakkında doğru bilgiler, yapay zekanın çevresel etkisinin bütünsel olarak ölçülmesine olanak tanır ve mevcut su sürdürülebilirliği çabalarını tamamlar.
Yapay zeka, veri merkezlerindeki en esnek iş yüklerinden biridir: Modeller dünyanın hemen her yerinde eğitilebilir ve çıkarımlar, model doğruluğu ile kaynak kullanımı arasında farklı dengeler sağlamak için farklı model boyutlarıyla gerçekleştirilebilir.
Yapay zekanın su ayak izini ölçmezsek, onu optimize edemeyiz. Yapay zekanın su ayak izini izlemek, onu azaltmak için birçok yeni yol açabilir. Örneğin, yapay zeka geliştiricilerini bilgilendirebilir ve yapay zekanın mekansal ve zamansal esnekliklerinden yararlanmalarına, yapay zeka modellerini nerede ve ne zaman eğiteceklerine ve dağıtacaklarına karar vermelerine yardımcı olabilir. İzleme, bir yapay zekanın model doğruluğu ile su tüketimi arasında esnek performans dengeleri sağlayabilir: yapay zeka modeli su stresi olan bir alana dağıtılırsa, muhtemelen daha küçük bir su ayak izine sahip kompakt bir yapay zeka modeli kullanmak daha mantıklıdır.
Önemlisi, YZ’nın planlama kararlarına konumsal su verimliliği farklılıklarını dahil etmek, ortaya çıkan çevresel eşitsizliği hafifletmeye yardımcı olabilir. Birkaç dezavantajlı ve kuraklıktan etkilenen bölgenin olumsuz etkiyi orantısız bir şekilde üstlenmesine izin vermek yerine, YZ’nın su ayak izini farklı bölgelerde eşit bir şekilde dengelemek için YZ iş yüklerini hareket ettirebiliriz.
Küresel su kıtlığı ve kuraklık zorluklarıyla mücadele ederken su kullanımını azaltmak için herkesin ortak bir sorumluluğu var. Yapay zeka şüphesiz dünyamızı daha iyi bir yer haline getirmek ve su kıtlığı da dahil olmak üzere birçok zorluğun üstesinden gelmemize yardımcı olmak için muazzam bir potansiyele sahip. Ancak bu, yapay zeka modellerinin radar altında hayati ve sınırlı su kaynaklarımızı tüketmesine izin vermemiz gerektiği anlamına gelmiyor. Bunun yerine, her damla önemlidir ve yapay zeka küresel su zorluklarıyla mücadeleye yardımcı olurken kendi su ayak izini ele almak için açıkça örnek olmalıdır. Birçok potansiyel çözüm yapay zekanın su ayak izini azaltabilse de ilk adım basittir: yapay zekanın su ayak izini ölçün ve bunu kamuoyuna açıklayın.
Not? Bu yazının tercümesinde DeepL tercüme algoritması kullanılmıştır. Daha sonra revize edilmiştir.