Dynamiczny rozwój modeli LLM, takich jak GPT-4o, generuje ukryte koszty operacyjne w postaci masowego zużycia wody i energii, które rzadko trafiają do audytów IT. Skala zjawiska sprawia, że roczne zapotrzebowanie jednej technologii na wodę chłodzącą odpowiada potrzebom pitnym ponad miliona osób, co wymusza rewizję strategii zakupowych i standardów raportowania ESG w przedsiębiorstwach. Ignorowanie tych wskaźników KPI naraża organizacje na ryzyka regulacyjne oraz podatności w łańcuchu dostaw zasobów krytycznych.
Architektura inferencji a fizyczna konsumpcja zasobów
Proces generowania odpowiedzi przez modele językowe (LLM) opiera się na energochłonnej inferencji, która w centrach danych przekłada się na emisję ciepła wymagającą ciągłego odprowadzania. Każda operacja obliczeniowa na poziomie tokena wymusza użycie energii elektrycznej oraz wody chłodzącej, przy czym znaczna część tej wody jest bezpowrotnie tracona przez parowanie (konsumpcja), a nie jedynie pobierana i zwracana do obiegu (pobór).
Kluczowe wskaźniki intensywności zasobowej dla modelu GPT-4o prezentują się następująco: Woda: Typowa wymiana 1000 tokenów z GPT-4o wymaga ok. 3,6 mL wody chłodzącej. Energia: Te same 1000 tokenów konsumuje ok. 1,1 Wh energii elektrycznej. Emisja CO2: Operacja ta generuje ok. 0,38 g ekwiwalentu dwutlenku węgla. Skala mikro: Napisanie 100-wyrazowego e-maila przy pomocy ChatGPT zużywa średnio ok. 519 mL wody (wliczając chłodzenie i generowanie prądu). * Skala makro: Przy 700 milionach zapytań dziennie, roczne zużycie wody przez GPT-4o odpowiada potrzebom pitnym 1,2 miliona osób.
W celu optymalizacji tych kosztów na poziomie aplikacji, skuteczne okazuje się stosowanie metod zwięzłego łańcucha myśli (Concise Chain-of-Thought), które redukują liczbę generowanych tokenów bez utraty jakości wyników.
Globalny ślad wodny AI i prognozy do 2027 roku
Prognozowany wzrost zapotrzebowania na usługi AI wskazuje na gwałtowną eskalację poboru zasobów, co do 2027 roku może doprowadzić do poboru wody na poziomie od 4,2 do 6,6 miliarda metrów sześciennych rocznie. Wartość ta jest porównywalna z połową rocznego poboru wody w Wielkiej Brytanii lub całkowitym poborem 4-6 krajów o wielkości Danii.
Struktura zużycia wody przez infrastrukturę AI dzieli się na trzy zakresy (Scopes): 1. Scope 1 (Bezpośredni): Woda zużywana na miejscu w centrach danych do chłodzenia serwerów, głównie poprzez parowanie w wieżach chłodniczych. 2. Scope 2 (Pośredni – Energetyczny): Woda zużywana w elektrowniach cieplnych (węglowych, gazowych, jądrowych) do produkcji energii zasilającej serwery. 3. Scope 3 (Pośredni – Łańcuch dostaw): Woda wbudowana w produkcję sprzętu, w tym procesy wytwarzania półprzewodników, które wymagają ogromnych ilości wody ultraczystej.
Szacuje się, że do 2030 roku centra danych AI mogą konsumować tyle wody, co 1,3 miliarda ludzi. Jednocześnie roczny koszt zdrowotny związany z emisjami zanieczyszczeń powietrza przez centra danych w samych USA może do 2030 roku osiągnąć 12 miliardów dolarów.
Podatności systemowe i lobbing przeciwko transparentności
Mimo rosnącej skali zjawiska, branża technologiczna wykazuje niski stopień transparentności w raportowaniu wskaźników WUE (Water Usage Effectiveness). Dochodzenia wskazują, że podmioty takie jak Microsoft oraz organizacje lobbystyczne (np. DigitalEurope) aktywnie wpływały na legislację unijną, aby utrzymać dane o jednostkowym zużyciu wody i energii przez konkretne centra danych jako poufne informacje handlowe.
Z perspektywy architekta IT i specjalisty ds. bezpieczeństwa, brak dostępu do tych danych stanowi ryzyko projektowe: Ryzyko ciągłości działania: Centra danych lokalizowane w regionach o wysokim stresie wodnym (np. Arizona, Północne Chiny) są narażone na przerwy w dostawach wody lub ograniczenia regulacyjne. Ryzyko regulacyjne: Lokalne władze (np. w Urugwaju czy Oregonie) coraz częściej wstrzymują projekty budowy centrów danych z powodu obaw o zasoby pitne dla mieszkańców. * Niestabilność KPI: Efektywność wodna (WUE) zmienia się drastycznie w zależności od temperatury zewnętrznej – latem centra mogą zużywać do 9 litrów wody na każdą kWh energii serwerów.
Obecnie tylko ok. 36% kwalifikujących się centrów danych w UE raportuje jakiekolwiek dane środowiskowe, z czego tylko 80% uznaje się za wiarygodne.
Optymalizacja techniczna i alternatywne ścieżki chłodzenia
Redukcja śladu środowiskowego AI wymaga odejścia od tradycyjnych systemów wyparnych na rzecz technologii o mniejszej intensywności wodnej. Nowoczesne podejścia obejmują chłodzenie cieczą w obiegu zamkniętym (closed-loop liquid cooling), które pozwala na eliminację parowania wody pitnej.
| Technologia Chłodzenia | Efektywność | Ryzyka i Wady |
|---|---|---|
| Wieże chłodnicze (wyparne) | Wysoka efektywność cieplna | Utrata 80% pobranej wody przez parowanie. |
| Chłodzenie powietrzem | Minimalne zużycie wody | Wyższe zużycie energii (Scope 2) w gorącym klimacie. |
| Direct-to-chip / Immersja | Do 96% efektywności | Wysoki koszt wdrożenia; konieczność przebudowy infrastruktury. |
| Gospodarka cyrkularna | Wykorzystanie wody szarej | Wymaga współpracy z infrastrukturą miejską. |
Inwestycje w dedykowane układy scalone AI (np. DPU od Microsoft) wykazują poprawę wydajności o 4x przy 3-krotnie mniejszym zużyciu energii w porównaniu do standardowego sprzętu, co pośrednio redukuje zapotrzebowanie na chłodzenie wodne.
Wnioski praktyczne i rekomendacje
1. Wdróż audyt intensywności zasobowej AI: Zmierz faktyczne zużycie tokenów w procesach biznesowych i przełóż je na szacunkowe zużycie wody (3,6 mL / 1000 tokenów GPT-4o) w celu rzetelnej oceny śladu ESG. 2. Skonfiguruj politykę conciseness w promptingu: Wymuś na poziomie systemowym stosowanie zwięzłych instrukcji i ograniczanie zbędnych kroków rozumowania (Reasoning Depth), co bezpośrednio redukuje liczbę przetwarzanych tokenów i energię chłodzenia. 3. Dywersyfikuj lokalizację obliczeń (Spatial-Temporal Shifting): Jeśli to możliwe, harmonogramuj duże zadania treningowe lub wsadowe (batch inference) na godziny nocne lub w regionach o niższym stresie wodnym, gdzie WUE jest korzystniejsze. 4. Zmierz ryzyko lokalizacji centrów danych: Przy wyborze dostawcy chmurowego żądaj danych o WUE dla konkretnych lokalizacji. Unikaj regionów o ekstremalnym stresie wodnym, aby zminimalizować ryzyko nagłych przerw w świadczeniu usług z powodów środowiskowych. 5. Priorytetyzuj dostawców z zamkniętym obiegiem chłodzenia: Preferuj infrastrukturę wykorzystującą chłodzenie cieczowe typu closed-loop lub chłodzenie adiabatyczne, które drastycznie ogranicza nieodwracalną konsumpcję słodkiej wody.
Źródła
- A Token-Level Framework for Quantifying ChatGPT’s Environ- mental Impacts and a Browser-Based Intervention for Reducing Prompt Resource Use
- AI and Water: Toward a Sustainable Digital Future – OpenEdition Journals
- AI boom has caused same CO2 emissions in 2025 as New York City, report claims
- Chapter 5 | Data Center Water Use – SUSTAINABLE DATA CENTERS ROADMAP
- How Big Tech Lobbied the EU to Hide Data Centers’ Environmental Toll | TechPolicy.Press
- Making AI Less “Thirsty”: Uncovering and Addressing the Secret Water Footprint of AI Models – arXiv
- Measuring AI’s damage to climate and health (Episode 6)
- Nvidia unveils cooling technology to reduce AI data centres’ water consumption
Dodaj komentarz