هوش مصنوعی تنها یک جهش فناوری نیست؛ بلکه یک مصرفکننده عظیم انرژی در مقیاسی کلان است. آموزش مدلهای پیچیدهای مانند GPT-4 به قدرت محاسباتی نیاز دارد که میتواند برقی معادل مصرف صدها خانه در طول یک سال را مصرف کند. این یک هزینه یکباره نیست—هر پرسوجو به سیستمی مانند ChatGPT انرژی بسیار بیشتری نسبت به یک جستوجوی ساده وب مصرف میکند و تقاضایی مداوم و رو به رشد بر شبکههای جهانی ایجاد مینماید.
کارشناسان تأکید میکنند که خوشههای هوش مصنوعی مولد میتوانند هفت یا هشت برابر بیشتر از بارهای کاری محاسباتی معمول انرژی مصرف کنند. در حالی که شرکتها برای ساخت مراکز داده جدید برای پشتیبانی از این رونق مسابقه میدهند، بخش عمدهای از برق مورد نیاز هنوز از سوختهای فسیلی تأمین میشود که پیشرفت هوش مصنوعی را مستقیماً به افزایش انتشار دیاکسید کربن پیوند میدهد. آژانس بینالمللی انرژی پیشبینی میکند که تا سال ۲۰۲۶، مصرف برق مراکز داده و هوش مصنوعی میتواند به ۴٪ از مصرف جهانی برسد و با مصرف کشوری مانند ژاپن برابری کند.
ردپای کربن هوش مصنوعی فراتر از نور چشمکزن یک سرور گسترش مییابد. یک تحلیل چرخه عمر کامل نشان میدهد که تأثیرات با تولید سختافزارهای تخصصی آغاز میشود و در طول آموزش، استقرار و در نهایت دفع ادامه مییابد. به عنوان مثال، تخمین زده میشود که آموزش GPT-3 حدود ۵۵۲ تن CO2 تولید کرده است و مدلهای جدیدتر و بزرگتر حتی پرمصرفتر هستند.
این مسئله تنها به انتشارهای عملیاتی محدود نمیشود؛ بلکه یک مشکل سیستمی است. تولید واحدهای پردازش گرافیکی (GPU) شامل فرآیندهای پرمصرف انرژی است و با افزایش تقاضا—که با افزایش ارسال از ۲.۶۷ میلیون در سال ۲۰۲۲ به ۳.۸۵ میلیون در سال ۲۰۲۳ به مراکز داده همراه بوده است—انتشار گازهای گلخانهای مرتبط نیز افزایش مییابد. این انتشارات به تغییرات آبوهوایی دامن میزنند، باعث از دست رفتن تنوع زیستی و رویدادهای آبوهوایی شدید میشوند و در عین حال هوا را در جوامع محلی آلوده کرده و مشکلات سلامتی مانند آسم را تشدید میکنند.
خنکسازی گرمای عظیم تولیدشده توسط محاسبات هوش مصنوعی به مقادیر زیادی آب نیاز دارد که منابع را در مناطق از پیش آسیبپذیر تحت فشار قرار میدهد. آموزش GPT-3 در مراکز داده مایکروسافت در ایالات متحده ممکن است نزدیک به ۷۰۰۰۰۰ لیتر آب شیرین مصرف کرده باشد و یک پرسوجوی ساده ChatGPT میتواند معادل چند قطره آب مصرف کند که با میلیونها تعامل روزانه به سرعت جمع میشود.
بیش از نیمی از مراکز داده جدید از سال ۲۰۲۲ در مناطقی قرار دارند که تقاضای آب از عرضه آن فراتر میرود و کمبود را تشدید میکند. به عنوان مثال، تخمین زده میشود که یک مرکز داده پیشنهادی مایکروسافت در نزدیکی فینیکس سالانه تا ۵۶ میلیون گالن آب مصرف کند که بر اکوسیستمهای محلی و آب آشامیدنی تأثیر میگذارد. این مصرف آب، همراه با نیاز آب شیرین نیروگاههای سوخت فسیلی که این مراکز را برق میدهند، بار مضاعفی بر ذخایر آبی سیاره ما ایجاد میکند.
آب تنها برای خنکسازی نیست؛ بلکه در زنجیره تأمین انرژی نهفته است. نیروگاههای زغالسنگ و گاز برای عملیات خود به آب نیاز دارند، به این معنی که هر وات برقی که هوش مصنوعی را نیرو میدهد به طور غیرمستقیم از منابع آب شیرین میکشد. در جهانی که با خشکسالیهای فزاینده روبروست، این امر نیاز فوری به فناوریهای خنکسازی نوآورانه و استراتژیهای مکانیابی برای کاهش تشنگی هوش مصنوعی ایجاد میکند.
بار زیستمحیطی هوش مصنوعی مدتها قبل از آموزش یک مدل آغاز میشود و ریشه در استخراج مواد خام دارد. سختافزارهای با کارایی بالا به فلزاتی مانند مس متکی هستند که تقاضا برای آن به دلیل هوش مصنوعی تقریباً دو برابر پیشبینی میشود و عملیات معدنیای را به پیش میراند که میتواند شامل مواد شیمیایی سمی و اختلال در زیستگاه باشد.
تولید GPUها و سرورها به انرژی و منابع قابل توجهی نیاز دارد که به انتشار کربن و آلودگی کمک میکند. فشار برای تراشههای قدرتمندتر این چرخه را تسریع میکند، همانطور که در افزایش تولید انویدیا، AMD و اینتل مشاهده میشود. این شدت مواد نشان میدهد که تأثیر هوش مصنوعی مجازی نیست—بلکه از طریق تخلیه منابع و فرآیندهای صنعتی به طور فیزیکی در چشمانداز ما نهفته است.
با منسوخ شدن سختافزار هوش مصنوعی، به بحران جهانی زباله الکترونیکی افزوده میشود که انتظار میرود تا سال ۲۰۳۰ به ۸۲ میلیون تن برسد. هوش مصنوعی میتواند تا سال ۲۰۳۰ تا ۵ میلیون تن متریک از این زباله را شامل شود که حاوی مواد خطرناکی مانند جیوه و سرب است که در صورت مدیریت نادرست، خاک و آب را تهدید میکند.
این زباله الکترونیکی تنها یک مشکل دفع نیست؛ بلکه نشاندهنده از دست رفتن مواد باارزش و انرژی سرمایهگذاری شده در تولید است. در حالی که خود هوش مصنوعی ممکن است در نهایت به رباتیک بازیافت کمک کند، مسیر کنونی نیاز به اصول اقتصاد چرخهای در طراحی فناوری را برجسته میسازد و بر دوام، قابلیت تعمیر و بازیافت برای مهار رشد این زبالهدان دیجیتال تأکید میکند.
تأثیرات زیستمحیطی هوش مصنوعی به طور مساوی توزیع نمیشود؛ اغلب بیشترین فشار را بر جوامعی وارد میکند که از قبل تحت فشار هستند. مراکز داده اغلب در مناطقی با تنش آبی متوسط تا بالا مستقر میشوند و کمبود و آلودگی محلی را تشدید میکنند. به عنوان مثال، در آیووا، یک خوشه مرکز داده مایکروسافت مسئول ۶٪ از مصرف آب شیرین یک شهر بود که نشان میدهد چگونه تقاضای جهانی فناوری میتواند منابع محلی را تحت فشار قرار دهد.
این بار نابرابر نگرانیهای اخلاقی را برمیانگیزد، زیرا مناطق حاشیهنشین بیشترین فشار تخریب هوا و آب را متحمل میشوند در حالی که از مزایای پیشرفت هوش مصنوعی کمتری بهرهمند میشوند. پرداختن به این امر نیازمند ارزیابیهای تأثیر شفاف و سیاستهایی است که تخصیص عادلانه منابع را در اولویت قرار دهند و اطمینان حاصل کنند که انقلاب هوش مصنوعی نابرابریهای زیستمحیطی موجود را عمیقتر نکند.
علیرغم ردپای سنگین خود، هوش مصنوعی نویدبخش پایداری زیستمحیطی است. میتواند شبکههای انرژی تجدیدپذیر را بهینه کند، سناریوهای تغییرات آبوهوایی را مدلسازی نماید و تلاشهای حفاظتی مانند ردیابی جنگلزدایی یا نظارت بر انتشارات را بهبود بخشد. پروژههایی مانند Green Light گوگل از هوش مصنوعی برای کاهش انتشار وسایل نقلیه با بهینهسازی جریان ترافیک استفاده میکنند و کاربردهای بالقوه مثبت را نشان میدهند.
برای بهرهگیری مسئولانه از این پتانسیل، به رویکردی جامع نیاز داریم: توسعه الگوریتمهای کارآمدتر از نظر انرژی، تأمین نیروی مراکز داده با منابع تجدیدپذیر و اتخاذ سیستمهای خنککننده صرفهجو در مصرف آب. نوآوری باید بر کاهش شدت منابع هوش مصنوعی متمرکز شود در حالی که قابلیتهای آن را برای حل چالشهای اکولوژیکی هدایت میکند. با ادغام پایداری در هسته توسعه هوش مصنوعی، میتوانیم آن را از یک مسئولیت به اهرمی برای آیندهای سبزتر تبدیل کنیم، جایی که فناوری و محیط زیست در هماهنگی تکامل مییابند.