Bilimsel makaleÜcretsiz okunur2025

Yapay Zekâyı Daha Az 'Susamış' Hale Getirmek: Yapay Zekâ Modellerinin Gizli Su Ayak İzini Ortaya Çıkarmak ve Ele Almak

Özgün başlık Making AI Less 'Thirsty': Uncovering and Addressing the Secret Water Footprint of AI Models

Communications of the ACM (Association for Computing Machinery (ACM)) · Pengfei Li, Jianyi Yang ve diğerleri

Li, Yang, Islam ve Ren, yapay zekânın işletme su ayak izi için bir yöntem sunar: kapsam 1 sahadaki soğutma suyu (WUE) ve kapsam 2 elektriğe gömülü su (PUE x EWIF). Yöntemi GPT-3 eğitimi ve çıkarımına uygular ve suyun karbonla birlikte raporlanmasını savunur.

Bu sayfada

Özet

Makale, Communications of the ACM'de 2025'te (cilt 68, sayı 7, s. 54-61) yayımlanmıştır; arXiv:2304.03271 ön baskısının v5 sürümü (26 Mart 2025) okunmuştur. DOI 10.1145/3724499'dur. Yazarlar Pengfei Li, Jianyi Yang, Mohammad A. Islam ve Shaolei Ren'dir. Yöntem, sahadaki soğutma suyunu (WUE ile) ve elektriğe gömülü suyu (PUE x EWIF ile) toplar ve çekimi tüketimden ayırır.

Yöntem GPT-3 eğitimine ve Microsoft'un ABD veri merkezi konumlarındaki çıkarıma uygulanır; ayrıca 2027 için küresel yapay zekâ su çekimini öngörür. Küresel yapay zekâ talebinin 2027'de 4,2-6,6 milyar m3 su çekimine yol açacağı öngörülür. GPT-3'ün Microsoft'un ABD veri merkezlerinde eğitimi toplam 5,4 milyon litre su tüketebilir; bunun 700.000 litresi kapsam 1 sahada tüketimdir. GPT-3, yaklaşık 10-50 orta uzunlukta yanıt için 500 ml'lik bir şişe 'içer'.

İyi su kalitesinde soğutma kulesi çekiminin yaklaşık yüzde 80'i buharlaşır (tüketilir). Veri merkezleri sunucu enerjisinin kWh'si başına yaklaşık 1-9 L buharlaştırır; Google'ın küresel yıllıklandırılmış değeri 1 L/kWh, yaz aylarında Arizona'daki büyük bir tesis 9 L/kWh'tir. Evaporatif destekli dış hava soğutması, dış hava yaklaşık 85 F'yi aştığında veya çok kuru olduğunda su gerektirir; eklenen suyun yaklaşık yüzde 70'i tüketilir (Meta'nın raporuna göre).

ABD ortalama elektrik su yoğunluğu faktörü (EWIF) 3,14 L/kWh alınmıştır; Tablo 1'de kWh başına toplam su Iowa'da 4,814 L ile Arizona'da 9,629 L arasında değişir. WUE ve EWIF'in mekânsal ve zamansal değişkenliği 'ne zaman ve nerede' sorusunu suya duyarlı zamanlama ve yer seçiminde bir kaldıraç yapar.

Öne çıkan noktalar

  1. Küresel yapay zekâ talebinin 2027'de 4,2-6,6 milyar m3 su çekimine yol açacağı öngörülür.
  2. GPT-3'ün Microsoft'un ABD veri merkezlerinde eğitimi toplam 5,4 milyon litre su tüketebilir; 700.000 litresi kapsam 1 sahada tüketimdir.
  3. GPT-3, yaklaşık 10-50 orta uzunlukta yanıt için 500 ml'lik bir şişe 'içer'.
  4. İyi su kalitesinde soğutma kulesi çekiminin yaklaşık yüzde 80'i buharlaşır; veri merkezleri sunucu enerjisi kWh'si başına yaklaşık 1-9 L buharlaştırır.
  5. Evaporatif destekli dış hava soğutması dış hava yaklaşık 85 F'yi aştığında veya çok kuruyken su gerektirir; eklenen suyun yaklaşık yüzde 70'i tüketilir (Meta'ya göre).
  6. ABD ortalama EWIF 3,14 L/kWh; Tablo 1'de kWh başına toplam su Iowa'da 4,814 L'den Arizona'da 9,629 L'ye değişir.
  7. Su, karbonla birlikte raporlanmalıdır.

Tasarımda kullanımı

  • Su çıktılarında çekimi tüketimden ayırın ve su kalitesi iyiyse soğutma kulesi tüketimini varsayılan olarak çekimin yaklaşık yüzde 80'i alın.
  • Konuma özgü WUE ve EWIF kullanın ve bir sahanın aylık WUE değerinin yıl boyunca nasıl değiştiğini gösterin.
  • Yapay zekâ eğitim salonları için suya duyarlı yük yerleştirmeyi ve zamanlamayı bir işletme senaryosu olarak destekleyin.

Aylık bülten · ücretsiz

Referans listeniz güncel kalsın

Ayda bir: yeni eklenen kaynaklar, Türkiye mevzuatındaki değişiklikler ve yaklaşan veri merkezi etkinlikleri.

SoSo CAD

Soğutma kapasitenizi tasarımla birlikte kontrol edin

SoSo CAD’de zonların ısı yükünü, kullanılabilir kapasitesini ve en büyük ünite kaybındaki kapasite dengesini inceleyin.

Demo iste
SoSo CAD soğutma çalışma alanında zon yükleri ve kapasite dengesi

Kimler okumalı

Yapay zekâ veri merkezlerinin su ayak izini hesaplayan tasarımcılar, sürdürülebilirlik analistleri ve araştırmacılar.

İlgili standartlar

  • ISO/IEC 30134-9 (WUE)

Yayın bilgileri

Yazarlar
Pengfei Li; Jianyi Yang; Mohammad A. Islam; Shaolei Ren
Yayıncı
Communications of the ACM (Association for Computing Machinery (ACM))
Yıl
2025
Belge numarası
arXiv:2304.03271
Cilt
68
Sayı
7
Sayfalar
54-61
Belge dili
İngilizce
Kaynak türü
Bilimsel yayın
Erişim
Ücretsiz okunur
Lisans
arXiv dağıtım izni — yeniden kullanım koşulları hak sahibine bağlıdır
Özgün lisans notu (İngilizce)

Read via the arXiv v5 preprint (26 Mar 2025), which carries the arXiv default non-exclusive licence. Published version in Communications of the ACM (2025). Citation only.

Künye

Pengfei Li; Jianyi Yang; Mohammad A. Islam; Shaolei Ren (2025). Making AI Less 'Thirsty': Uncovering and Addressing the Secret Water Footprint of AI Models. Communications of the ACM (Association for Computing Machinery (ACM)). arXiv:2304.03271. 68(7), 54-61. https://doi.org/10.1145/3724499

İçerik ve tüm hakları eser sahiplerine aittir. SoSo CAD yalnızca künye, kendi hazırladığı özet ve kaynağa bağlantı sunar; kaynakların içeriğinden sorumlu değildir.