人工智能的环境成本：能源和水
竞争开发越来越复杂的人工智能系统带来了不断增加的生态账单。所需的基础设施基于专用芯片，对电力和水等基本资源有着贪婪的需求，引发了对长期可持续性的担忧。⚡
AI芯片的电力需求
图形处理单元和其他专用于训练和运行AI模型的处理器消耗大量能源。这种活动集中在数据中心，这些中心不间断运行，对现有电网造成压力。如果电力来自化石燃料，相关碳排放将与该行业同步增长。
能耗关键因素：- 训练模型：处理海量数据集来“教导”AI是最耗电的阶段。
- 执行推理：启动已训练的模型执行任务也需要持续的电力供应。
- 部署规模：数据中心和服务器的数量不断增加以满足全球需求，从而成倍增加总能耗。
为了让AI“冷静思考”，首先需要大量的炙热能源，然后需要大量的水来退烧。
水：冷却的关键资源
除了电力，这些中心还需要大量水来支持冷却系统。水对于防止服务器在高强度操作中过热至关重要。在已经遭受水资源压力的地区，这种工业用水可能直接与饮用水或灌溉用水竞争。
水的影响和管理：- 资源竞争：在干旱时期，用于冷却服务器的水可能加剧当地社区的水资源短缺。
- 透明度不足：并非所有公司都详细和标准化地报告用水量，这使得评估真实影响变得困难。
- 蒸发冷却：许多系统使用冷却塔蒸发水，从而消耗资源而非仅循环使用。
通往更可持续AI的道路
制造商不断寻求优化芯片设计，以更少的瓦特处理更多数据。然而，效率改进往往被更多基础设施的部署所抵消。专家强调迫切需要使用清晰指标测量和报告能源和用水。没有精确且可访问的数据，就不可能负责任地管理这些资源并最小化人工智能的环境足迹。🌍