Zużycie energii przez AI: ukryty koszt rewolucji algorytmicznej
Rewolucja, która pije prąd
Raport Międzynarodowej Agencji Energetycznej opublikowany na początku 2024 roku przyniósł liczby, które zmusiły do refleksji cały sektor technologiczny. Zgodnie z szacunkami agencji, centra danych, kryptowaluty i sztuczna inteligencja zużyły w 2022 roku około 460 terawatogodzin — niemal tyle, ile zużywa cała Francja. Do 2026 roku ta wartość ma podwoić się i sięgnąć poziomu zbliżonego do zużycia Japonii, państwa będącego trzecią największą gospodarką świata.
Trafnym ujęciem problemu jest obraz centrum danych nie jako serwera z informacjami, ale jako wielkiego grzejnika. Każdy watt energii elektrycznej wpompowany w procesor zamienia się ostatecznie w ciepło. Im potężniejszy model, tym większa emisja cieplna i tym większe zapotrzebowanie na chłodzenie.
Trening modelu jako największy pożeracz energii
Kluczowym momentem cyklu życia modelu jest faza treningu. Badanie zespołu profesor Emma Strubell z Uniwersytetu Waszyngtońskiego, opublikowane już w 2019 roku, a wielokrotnie aktualizowane, wskazało, że trenowanie modelu wielkości GPT-3 odpowiada emisji około pięćdziesięciu ton dwutlenku węgla — czyli tyle, ile genera osoba w ciągu całego życia w realiach państw zachodniego świata.
Model GPT-4, zgodnie z nieoficjalnymi szacunkami opartymi na publicznie dostępnych danych o infrastrukturze OpenAI, mógł pochłonąć energię rzędu kilkudziesięciu gigawatogodzin. Modele następnej generacji — takie jak Gemini Ultra czy Claude Opus — stanowią kolejny skok skali. Równolegle rozwijane modele otwartej klasy, jak Llama 3.1 od Meta, wymagają porównywalnych zasobów, co oznacza, że problem nie ogranicza się do pojedynczych graczy.
Generowanie odpowiedzi: ukryty koszt zapytań
Mniej widoczną, ale równie istotną surfingenergi jest inferencja — proces generowania odpowiedzi na pojedyncze zapytanie użytkownika. Raport Alexa Wissner-Schroedera opublikowany w The Washington Post w 2024 roku wskazał, że pojedyncze zapytanie do modelu językowego zużywa około dziesięciu razy więcej energii niż standardowa wyszukiwarka w Google.
W skali globalnej robi to różnicę. Jeżeli zintegrujemy generatywną AI z codziennym wyszukiwaniem — co Microsoft już uczyni w Bing i OpenAI w SearchGPT — zużycie energii przez centra danych wspierające wyszukiwanie może wzrosnąć o rząd wielkości. To dodatkowe obciążenie infrastruktury energetycznej w miejscu, w którym sieć elektroenergetyczna wielu państw już dziś balansuje na krawędzi wydolności.
Woda chłodzi procesory, ale jej brakuje
Wymieniany często, ale niedoceniany składnik rachunku ekologicznego to zużycie wody. Współczesne centra danych wykorzystują wieże chłodnicze, w których woda odparowuje, odbierając ciepło z serwerów. Badanie Shaolei Ren z Uniwersytetu Kalifornijskiego w Riverside z 2023 roku oszacowało, że trenowanie modelu rozmiaru GPT-3 zużywa około siedmiuset tysięcy litrów wody słodkiej — wliczając w to wodę do chłodzenia i wodę zużytą w procesie produkcji energii elektrycznej.
W kontekstach geograficznych, w których powstają centra danych — Arizona, Irlandia, Singapur — lokalni mieszkańcy już zgłaszają obawy o dostęp do wody i wydolność rolnictwa. W 2024 roku w stanie Virginia, gdzie skoncentrowane jest największe na świecie skupisko serwerowni, dostrzeżono pierwsze sygnały o naprężeniach zasobów wodnych. W Europie z kolei irlandzkie EPA zapowiedziała pule wodne dla nowych centrów danych — pierwszy tak wyraźny sygnał regulacyjny.
Ślad węglowy models: nadzieje poza siecią
Pierwsza odpowiedź branży na zarzuty ekologiczne była podobna do tej z czasów chmurowej ekspansji: przedsiębiorstwa technologiczne deklarują neutralność węglową. Oznacza to na ogół kompensację w postaci zakupu zielonych certyfikatów energetycznych i inwestycji w farmy słoneczne.
Samo przesunięcie jednak nie rozwiązuje problemu — w momencie treningu, energię wciąż zapewniają sieci regionalne, w których dominują źródła konwencjonalne. Do miejsca, w którym powstaje model, często nie dotarła jeszcze transformacja energetyczna. Równolegle Microsoft w 2024 roku oficjalnie oświadczył, że jego cel klimatyczny — neutralność do 2030 roku — jest zagrożony właśnie z powodu AI.
Regulacja i granice wzrostu
Unia Europejska w pakiecie klimatycznym z 2024 roku zaczęła wymagać od centrów danych publikowania raportów o zużyciu energii i emisjach. Singapur wprowadził moratorium na nowe budowy serwerowni, a Irlandia rozważa podobny krok. To sygnały, że dominacja bezwzględnych kosztów energetycznych przestaje być praktyką akceptowaną politycznie.
Równolegle trwają badania nad modelami skuteczniejszymi energetycznie: kwantyzacją, destylacją, modelami typu mixture-of-experts, które aktywują tylko część parametrów dla każdego zapytania. Wszystkie te techniki obniżają zużycie, ale nie eliminują faktu, że każda generacja modeli podnosi skalę globalnego zużycia energii.
W niedalekiej przyszłości samochód elektryczny i sztuczna inteligencja będą rywalizować o te same kilowaty. Która z tych technologii wygra społeczne przyzwolenie, zależeć będzie nie od samej sprawności, ale od zdań o tym, czy korzyści uzasadniają rachunek energetycznysza.