Yapay zeka ne kadar su kullanıyor?

"Yapay zeka her birkaç soruda bir şişe su tüketiyor"dan "temelde birkaç damla"ya kadar her şeyi duymuşsunuzdur eminim. Gerçek ise daha karmaşık. Yapay zekanın su ayak izi, çalıştığı yere, sorunuzun uzunluğuna ve veri merkezinin sunucularını nasıl soğuttuğuna bağlı olarak büyük ölçüde değişiyor. Yani evet, manşetlerde yer alan rakam mevcut, ancak bir sürü çekinceyle çevrili.

Aşağıda, karar vermeye hazır net rakamları ele alıyorum, tahminlerin neden farklılık gösterdiğini açıklıyorum ve inşaatçıların ve günlük kullanıcıların sürdürülebilirlik konusunda aşırı titiz davranmadan su tüketimini nasıl azaltabileceklerini gösteriyorum.

Bu makaleden sonra okumak isteyebileceğiniz diğer makaleler:

🔗 Yapay zeka veri seti nedir?
Veri kümelerinin makine öğrenimi eğitimini ve model geliştirmeyi nasıl mümkün kıldığını açıklar.

🔗 Yapay zekâ trendleri nasıl tahmin ediyor?
Yapay zekanın kalıpları analiz ederek değişiklikleri ve gelecekteki sonuçları nasıl tahmin ettiğini gösterir.

🔗 Yapay zeka performansı nasıl ölçülür?
Doğruluk, hız ve güvenilirliği değerlendirmek için gerekli temel ölçütleri ayrıntılı olarak açıklıyor.

🔗 Yapay zeka ile nasıl konuşulur
Açıklığı, sonuçları ve tutarlılığı artırmak için etkili yönlendirme stratejilerine rehberlik eder.

Yapay zeka ne kadar su kullanıyor? Gerçekten kullanabileceğiniz hızlı rakamlar 📏

• Günümüzde her bir komut için tipik aralık şöyledir: bir ana akım sistemde ortalama bir metin komutu için mililitrenin altında bir değerden onlarca mililitreye . Örneğin, Google'ın üretim muhasebesi, ortalama bir metin komutunun ~0,26 mL olduğunu (tam hizmet yükü dahil) bildirmektedir [1]. Mistral'in yaşam döngüsü değerlendirmesi, 400 belirteçlik bir asistan yanıtının ~45 mL olduğunu (marjinal çıkarım) [2]. Bağlam ve model çok önemlidir.

• Sınır ölçekli bir modelin eğitilmesi: milyonlarca litreye ulaşabilir , çoğunlukla soğutmadan ve elektrik üretiminde kullanılan sudan kaynaklanır. Yaygın olarak alıntılanan bir akademik analiz, bir GPT sınıfı modeli eğitmek için ~5,4 milyon litre su soğutma için yerinde tüketilen ~700.000 litreyi

• Genel olarak veri merkezleri: büyük tesisler, büyük operatörlerde ortalama olarak günde yüz binlerce galonluk bir

Dürüst olalım: Bu rakamlar ilk bakışta tutarsız görünüyor. Gerçekten de öyleler. Ve bunun geçerli nedenleri var.

Yapay zekâ destekli su kullanım ölçümleri ✅

"Yapay zeka ne kadar su kullanıyor?" sorusuna verilebilecek iyi bir cevap, birkaç noktayı ele almalıdır:

1. Sınır netliği
   tesis içi soğutma mu içeriyor , yoksa elektrik üretmek için enerji santralleri tarafından kullanılan tesis dışı su çekimi ile su tüketimini ve karbon muhasebesine benzer şekilde 1-2-3 kapsamlarını belirler [3].

2. Konum duyarlılığı:
   kWh başına su miktarı bölgeye ve şebeke karışımına göre değişir, bu nedenle aynı uyarı, nerede sunulduğuna bağlı olarak farklı su etkilerine sahip olabilir - bu, literatürün zaman ve yer duyarlı planlamayı [3].

3. İş yükü gerçekçiliği.
   Bu sayı ortalama üretim komutlarını , yoksa sadece zirvedeki hızlandırıcıyı mı? Google, çıkarım için sadece TPU matematiğini değil, tam sistem muhasebesini (boşta, CPU/DRAM ve veri merkezi yükü) vurguluyor [1].

4. Soğutma teknolojisi
   Buharlaşmalı soğutma, kapalı devre sıvı soğutma, hava soğutma ve yeni ortaya çıkan doğrudan çipe yönelik belirli yeni nesil tesisler için soğutma suyu kullanımını ortadan kaldırmayı amaçlayan tasarımları kullanıma sunuyor

5. Günün saati ve mevsim
   Isı, nem ve şebeke koşulları gerçek hayatta su kullanım verimliliğini

Su çekimi ve su tüketimi arasındaki fark açıklandı 💡

• Su çekimi = nehirlerden, göllerden veya yeraltı su kaynaklarından alınan su (bir kısmı geri verilir).

• Tüketim buharlaşarak veya süreçlere/ürünlere dahil edilerek geri kazandırılmayan su

Soğutma kuleleri öncelikle tüketir . Elektrik üretimi, tesise ve soğutma yöntemine bağlı olarak büyük hacimlerde su çekebilir ( bazen bir kısmını tüketebilir). Güvenilir bir AI-su numarası, raporladığı etiketleri belirtir [3].

Yapay zekâda suyun nereye gittiği: üç kova 🪣

1. Kapsam 1 - yerinde soğutma
   Görünür kısım: Veri merkezinin kendisinde buharlaşan su. Buharlaşmalı, hava veya kapalı devre sıvı temel çizgiyi belirler [5].

2. Kapsam 2 - elektrik üretimi
   Her kWh gizli bir su etiketi taşıyabilir; karışım ve konum, iş yükünüzün devraldığı litre/kWh sinyalini belirler [3].

3. Kapsam 3 - tedarik zinciri
   Çip üretimi, imalatta ultra saf suya dayanır. Sınır açıkça somut etkileri (örneğin, tam bir LCA) içermediği sürece bunu "her bir istek başına" bir ölçümde göremezsiniz [2][3].

Sayılarla ifade edilen hizmet sağlayıcılar, detaylarla birlikte 🧮

• Google Gemini,
  Tam yığınlı hizmet yöntemini (boşta kalma ve tesis genel giderleri dahil) sunar. Ortanca metin istemi ~0,26 mL su ve ~0,24 Wh enerjiye karşılık gelir; rakamlar üretim trafiğini ve kapsamlı sınırları yansıtır [1].

• Mistral Large 2 yaşam döngüsü
  Nadir bir bağımsız LCA (ADEME/Carbone 4 ile birlikte), eğitim + erken kullanım için ~281.000 m³ 400 tokenlik yardımcı yanıtı için çıkarım marjinal ~45 mL

• Microsoft'un sıfır su soğutma hedefi
  , doğrudan çipe yaklaşımlara dayanarak soğutma için sıfır su tüketecek şekilde tasarlanmıştır

• Genel veri merkezi ölçeğinde,
  büyük operatörler bireysel tesislerde ortalama olarak günde yüz binlerce galon

• Daha önceki akademik temel,
  çığır açan “susuz yapay zeka” analizi, GPT sınıfı modelleri eğitmek için milyonlarca litre 10-50 orta düzey yanıtın , ne zaman/nerede çalıştıklarına büyük ölçüde bağlı olarak, 500 mL'lik bir şişeye denk gelebileceğini tahmin

Tahminler neden bu kadar farklılık gösteriyor 🤷

• Farklı sınırlar
  Bazı rakamlar yalnızca yerinde soğutmayı ; diğerleri elektriğin suyunu da çip üretimini de ekleyebilir . Elmalar, portakallar ve meyve salatası [2][3].

• Farklı iş yükleri
  Kısa bir metin istemi uzun bir çok modlu/kod çalıştırması değildir; gruplandırma, eşzamanlılık ve gecikme hedefleri kullanımı değiştirir [1][2].

• Farklı iklimler ve şebekeler
  Sıcak, kurak bir bölgede buharlaşmalı soğutma ≠ serin, nemli bir bölgede hava/sıvı soğutma. Şebeke suyu yoğunluğu büyük ölçüde değişmektedir [3].

• 
  Google'ın yayınladığı sistem genelindeki sunum yöntemi; Mistral'in yayınladığı resmi LCA yöntemi, satıcı metodolojilerine "İstem başına bir çay kaşığının on beşte biri" iddiası manşetlere taşındı - ancak sınır ayrıntıları olmadan karşılaştırılabilir değildir [1][3].

• Değişen bir hedef
  . Soğutma hızla gelişiyor. Microsoft, susuz soğutmayı ; bunların yaygınlaştırılması, yukarı akış elektriği hala su sinyali taşıyor olsa bile, yerinde su tüketimini azaltacaktır [4].

Yapay zekanın su ayak izini azaltmak için bugün neler yapabilirsiniz? 🌱

1. Modelin boyutunu doğru ayarlayın.
   Daha küçük, göreve göre ayarlanmış modeller, daha az işlem gücü tüketirken sıklıkla doğruluk açısından eşleşir. Mistral'in değerlendirmesi, boyut-ayak izi arasındaki güçlü korelasyonların altını çiziyor ve ödünleşmeler hakkında akıl yürütmeniz için marjinal çıkarım sayılarını yayınlıyor [2].

2. Su tasarruflu bölgeleri tercih edin.
   Daha serin iklimlere, verimli soğutmaya ve kWh başına daha düşük su yoğunluğuna sahip şebekelere sahip bölgeleri tercih edin; “susuz yapay zeka” çalışması, zaman ve yer bilincine sahip planlamanın yardımcı olduğunu gösteriyor [3].

3. İş yüklerini zamana göre kaydır
   Su tasarruflu saatler için eğitim/ağır toplu çıkarım planla (daha serin geceler, uygun şebeke koşulları) [3].

4. Tedarikçinizden şeffaf ölçümler isteyin:
   Talep başına su miktarı , sınır tanımları ve sayıların atıl kapasiteyi ve tesis genel giderlerini içerip içermediği. Politika grupları, elma ile elma karşılaştırmalarını mümkün kılmak için zorunlu açıklama yapılmasını istiyor [3].

5. Soğutma teknolojisi önemlidir.
   Donanım çalıştırıyorsanız, kapalı devre/doğrudan çipe soğutmayı ; bulut kullanıyorsanız, su tüketiminin az olduğu tasarımlara [4][5].

6. Gri su ve yeniden kullanım seçeneklerinden yararlanın.
   Birçok kampüs, içme suyu olmayan kaynakların yerine geçebilir veya döngüler içinde geri dönüşüm yapabilir; büyük işletmeciler, net etkiyi en aza indirmek için su kaynaklarını ve soğutma seçeneklerini dengelemeyi tanımlamaktadır [5].

Bunu somutlaştırmak için hızlı bir örnek (evrensel bir kural değil): Gecelik bir eğitim işini yaz ortasında sıcak ve kuru bir bölgeden ilkbaharda daha serin ve nemli bir bölgeye taşımak ve bunu yoğun olmayan, daha serin saatlerde yapmak, hem tesis içi su kullanımını hem de tesis dışı (şebeke) su yoğunluğunu değiştirebilir. Planlamanın sağlayabileceği pratik, düşük dramatik kazanımlar bunlardır [3].

Karşılaştırma tablosu: Yapay zekanın su tüketimini azaltmak için hızlı öneriler 🧰

(“Fiyat” kasıtlı olarak belirsizdir - uygulamalar değişiklik gösterebilir.)

Derinlemesine inceleme: Politika söylemleri giderek daha da güçleniyor 🥁

zorunlu olarak açıklanmasını talep ediyor . Öneriler arasında kapsam tanımları, saha düzeyinde raporlama ve yerleşim kılavuzu yer alıyor; çünkü karşılaştırılabilir, konum odaklı ölçütler olmadan karanlıkta tartışıyoruz [3].

Detaylı inceleme: Veri merkezlerinin hepsi aynı şekilde çalışmıyor 🚰

“Hava soğutmasının su kullanmadığına” dair süregelen bir efsane var. Tam olarak öyle değil. Hava ağırlıklı sistemler genellikle daha fazla elektrik ve bu elektrik birçok bölgede şebekeden gizli su su soğutması, yerinde su maliyeti karşılığında güç ve emisyonları azaltabilir. Büyük işletmeciler bu dengeyi tesis bazında açıkça belirler [1][5].

Derinlemesine inceleme: Viral iddialara hızlı bir gerçeklik kontrolü 🧪

Tek bir istemin "bir su şişesi"ne eşit olduğunu veya diğer uçta "sadece birkaç damla" olduğunu belirten iddialı ifadeler görmüş olabilirsiniz. Daha iyi bir duruş: matematikte alçakgönüllülük . Günümüzün güvenilir başlangıç ​​ve bitiş noktaları, tam servis payı olan ortanca üretim istemi için ~0,26 mL ~45 mL'dir (marjinal çıkarım) [2]. Çokça paylaşılan "bir çay kaşığının on beşte biri" iddiası, kamusal bir sınır/yöntemden yoksundur; bunu şehir olmadan bir hava tahmini gibi ele alın [1][3].

Mini SSS: Yapay zeka ne kadar su kullanıyor? (Yine, sade bir dille) 🗣️

• Peki, bir toplantıda ne demeliyim?
  modele, uzunluğa ve aktığı yere bağlı olarak, damlalardan birkaç yuduma kadar değişir Eğitim, küçük su birikintileri değil, büyük havuzlar gerektirir.” Ardından yukarıdaki örneklerden bir veya ikisini verin.

• Yapay zekâ benzersiz bir şekilde mi kötü?
  Benzersiz bir şekilde yoğunlaşmış durumda : bir araya toplanmış yüksek güçlü çipler büyük soğutma yükleri oluşturuyor. Ancak veri merkezleri aynı zamanda en iyi verimlilik teknolojisinin ilk olarak yerleştiği yerlerdir [1][4].

• Peki ya her şeyi hava soğutmaya geçirirsek?
  Yerinde tüketimini azaltabilir , ancak dışarıdaki su tüketimini artırabilirsiniz. Gelişmiş operatörler her ikisini de değerlendirir [1][5].

• Peki ya geleceğin teknolojisi?
  soğutma suyundan kaçınan tasarımlar, Kapsam 1 için oyun değiştirici olacaktır. Bazı operatörler bu yönde ilerliyor; şebekeler değişene kadar yukarı akış elektriği hala bir su sinyali taşıyor [4].

Sonuç - Çok Uzun, Okumadım 🌊

• İstem başına: modele, istem uzunluğuna ve nerede çalıştığına bağlı olarak mililitrenin altından on mililitreye kadar düşünün Ortanca istem, büyük bir yığında ~0,26 mL; diğerinde 400 belirteçlik bir yanıt için ~45 mL

• Eğitim: milyonlarca litre , bu da planlamayı, yerleştirmeyi ve soğutma teknolojisini kritik hale getiriyor [3].

• Ne yapılmalı: modelleri doğru boyutlandırın, su tasarruflu bölgeleri seçin, ağır işleri daha serin saatlere kaydırın, su tasarrufu sağlayan tasarımlar sunan satıcıları tercih edin ve şeffaf sınırlar talep edin [1][3][4][5].

Son olarak biraz kusurlu bir metafor: Yapay zeka susamış bir orkestra gibidir - melodi hesaplama gücünden oluşur, ancak davullar soğutma ve şebeke suyudur. Orkestrayı ayarlayın, dinleyiciler yine de sulama sistemleri çalışmadan müziği duyabilirler. 🎻💦

Referanslar

1. Google Cloud Blog - Google'ın yapay zekası ne kadar enerji kullanıyor? Hesaplamayı yaptık (metodoloji + ~0,26 mL ortalama istem, tam servis maliyeti). Bağlantı
   (Teknik makale PDF: Google ölçeğinde yapay zekanın sunulmasının çevresel etkisinin ölçülmesi .) Bağlantı

2. Mistral AI - Yapay zekâ için küresel bir çevre standardına katkımız (ADEME/Carbone 4 ile LCA; ~281.000 m³ eğitim + erken kullanım; 400 belirteçlik yanıt başına ~45 mL Bağlantı

3. Li ve ark. - Yapay Zekayı Daha Az "Susuz" Hale Getirmek: Yapay Zeka Modellerinin Gizli Su Ayak İzini Ortaya Çıkarma ve Ele Alma ( milyonlarca litre suyun , zaman ve mekan duyarlı planlama, tüketim ve geri çekme arasındaki fark). Bağlantı

4. Microsoft - Yeni nesil veri merkezleri soğutma için sıfır su tüketiyor (belirli yerlerde susuz soğutmayı hedefleyen doğrudan çipe yönelik tasarımlar). Bağlantı

5. Google Veri Merkezleri - Sürdürülebilir bir şekilde faaliyet gösterme (tesis bazında soğutma dengeleri; raporlama ve yeniden kullanım, geri kazanılmış/gri su dahil; tipik günlük tesis düzeyindeki kullanım miktarları). Bağlantı

En Yeni Yapay Zeka Ürünlerini Resmi Yapay Zeka Asistanı Mağazasında Bulun

Hakkımızda