ChatGPT’s Surprising Water Consumption

ChatGPT’s Surprising Water Consumption

ChatGPT’s Surprising Water Consumption

While the massive electricity demands and greenhouse gas emissions of generative artificial intelligence are widely discussed, the technology’s immense "thirst" for water remains a critical yet overlooked environmental issue. 

A recent finding published by the Association for Computing Machinery (ACM) reveals that a single, medium-sized GPT-3 query—defined as an input of about 800 words and a response under 300 words—requires approximately 500 milliliters of water. 

This means that having an AI tool write a standard email or answer a routine prompt consumes about the same amount of liquid as a standard 16-ounce water bottle sitting on an office desk.

This individual expenditure becomes alarming when scaled across the rapidly growing global infrastructure built to sustain AI. 

Tech companies are projected to spend $5.2 trillion by 2030 to construct advanced data centers, structures that house millions of high-powered servers requiring constant cooling. 

To put the scale into perspective, the onsite cooling systems of a single Google-owned data center consumed more than 6.07 billion gallons (23 billion liters) of fresh water in 2023. 

At this current trajectory, the collective water requirements of global AI data centers will eventually rival the annual water withdrawal needs of entire nations.

The local environmental impact is further compounded by the geographical placement of these tech hubs, which often conflicts with regional sustainability. 

Driven by various economic factors, nearly two-thirds of new AI facilities in the United States are being constructed in some of the country's most drought-prone regions. 

For instance, over 500 data centers are slated for areas experiencing severe water scarcity, including Texas, where these digital facilities are projected to account for nearly 9% of the entire state's total water consumption by the year 2040.

To combat this escalating ecological strain, researchers have proposed several structural solutions to make artificial intelligence more sustainable. 

Key recommendations include demanding greater corporate transparency through the mandatory tracking and public reporting of water footprints, which account for both localized cooling and off-site electricity generation. 

Additionally, experts suggest strategically shifting heavy AI model training workloads to data centers with superior water-use efficiency, or scheduling computation tasks during cooler, more water-efficient hours of the day.

Ultimately, individual behavioral shifts, such as self-rationing ChatGPT usage to save water, offer only microscopic benefits given that over a billion people interact with AI on a daily basis. 

Despite widespread public concern over tech's environmental footprint, corporate reliance on automated systems continues to accelerate rather than slow down. 

As data center expansion continues unabated, addressing AI’s massive consumption will require systemic industry overhauls and smarter regulatory policies rather than relying on standard consumer conservation habits.

ChatGPT की हैरान करने वाली पानी की खपत

हालांकि जेनरेटिव आर्टिफिशियल इंटेलिजेंस की भारी बिजली की मांग और ग्रीनहाउस गैस एमिशन पर काफी चर्चा होती है, लेकिन पानी के लिए टेक्नोलॉजी की बहुत ज़्यादा "प्यास" एक गंभीर लेकिन अनदेखा किया जाने वाला पर्यावरण का मुद्दा बना हुआ है।

एसोसिएशन फॉर कंप्यूटिंग मशीनरी (ACM) की हाल की एक खोज से पता चलता है कि एक मीडियम साइज़ की GPT-3 क्वेरी—जिसे लगभग 800 शब्दों का इनपुट और 300 शब्दों से कम का जवाब माना जाता है—के लिए लगभग 500 ml पानी की ज़रूरत होती है।

इसका मतलब है कि एक AI टूल से एक स्टैंडर्ड ईमेल लिखने या एक रूटीन प्रॉम्प्ट का जवाब देने में लगभग उतना ही लिक्विड खर्च होता है जितना ऑफिस डेस्क पर रखी एक स्टैंडर्ड 16-ounce पानी की बोतल में होता है।

यह अलग-अलग खर्च तब और भी खतरनाक हो जाता है जब इसे AI को बनाए रखने के लिए बनाए गए तेज़ी से बढ़ते ग्लोबल इंफ्रास्ट्रक्चर में देखा जाता है।

टेक कंपनियों द्वारा 2030 तक एडवांस्ड डेटा सेंटर बनाने पर $5.2 ट्रिलियन खर्च करने का अनुमान है, ये ऐसे स्ट्रक्चर हैं जिनमें लाखों हाई-पावर्ड सर्वर होते हैं जिन्हें लगातार कूलिंग की ज़रूरत होती है।

 पैमाने को समझने के लिए, Google के एक डेटा सेंटर के ऑनसाइट कूलिंग सिस्टम ने 2023 में 6.07 बिलियन गैलन (23 बिलियन लीटर) से ज़्यादा ताज़ा पानी इस्तेमाल किया।

अभी के हिसाब से, दुनिया भर के AI डेटा सेंटर की कुल पानी की ज़रूरतें आखिरकार पूरे देशों की सालाना पानी निकालने की ज़रूरतों से मुकाबला करेंगी।

इन टेक हब की ज्योग्राफिकल जगह की वजह से लोकल एनवायरनमेंट पर असर और भी बढ़ जाता है, जो अक्सर इलाके की सस्टेनेबिलिटी के साथ टकराव करता है।

अलग-अलग आर्थिक वजहों से, यूनाइटेड स्टेट्स में लगभग दो-तिहाई नई AI फैसिलिटी देश के कुछ सबसे ज़्यादा सूखे वाले इलाकों में बनाई जा रही हैं।

उदाहरण के लिए, टेक्सास सहित उन इलाकों में 500 से ज़्यादा डेटा सेंटर बनाए जाने हैं जहाँ पानी की बहुत ज़्यादा कमी है, जहाँ इन डिजिटल फैसिलिटी के साल 2040 तक पूरे राज्य की कुल पानी की खपत का लगभग 9% हिस्सा होने का अनुमान है।

इस बढ़ते इकोलॉजिकल दबाव से निपटने के लिए, रिसर्चर्स ने आर्टिफिशियल इंटेलिजेंस को और ज़्यादा सस्टेनेबल बनाने के लिए कई स्ट्रक्चरल सॉल्यूशन सुझाए हैं।

 खास सुझावों में वॉटर फुटप्रिंट्स की ज़रूरी ट्रैकिंग और पब्लिक रिपोर्टिंग के ज़रिए ज़्यादा कॉर्पोरेट ट्रांसपेरेंसी की मांग करना शामिल है, जिसमें लोकल कूलिंग और ऑफ-साइट बिजली बनाने, दोनों शामिल हैं।

इसके अलावा, एक्सपर्ट्स का सुझाव है कि AI मॉडल ट्रेनिंग के भारी वर्कलोड को सोच-समझकर ऐसे डेटा सेंटर्स में शिफ्ट किया जाए जहाँ पानी का इस्तेमाल बेहतर तरीके से हो, या दिन के ठंडे, ज़्यादा पानी बचाने वाले घंटों में कंप्यूटेशन के काम शेड्यूल किए जाएं।

आखिरकार, लोगों के व्यवहार में बदलाव, जैसे पानी बचाने के लिए ChatGPT के इस्तेमाल को खुद से राशन करना, सिर्फ़ बहुत कम फ़ायदे देते हैं, क्योंकि एक अरब से ज़्यादा लोग रोज़ AI के साथ इंटरैक्ट करते हैं।

टेक के एनवायरनमेंटल फुटप्रिंट पर लोगों की बड़ी चिंता के बावजूद, ऑटोमेटेड सिस्टम पर कॉर्पोरेट निर्भरता कम होने के बजाय बढ़ती जा रही है।

जैसे-जैसे डेटा सेंटर का विस्तार बिना रुके जारी है, AI की भारी खपत को ठीक करने के लिए स्टैंडर्ड कंज्यूमर कंजर्वेशन आदतों पर निर्भर रहने के बजाय इंडस्ट्री में सिस्टमैटिक बदलाव और बेहतर रेगुलेटरी पॉलिसी की ज़रूरत होगी।

చాట్‌జీపీటీ యొక్క ఆశ్చర్యకరమైన నీటి వినియోగం

జనరేటివ్ ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ యొక్క భారీ విద్యుత్ అవసరాలు మరియు గ్రీన్‌హౌస్ వాయు ఉద్గారాల గురించి విస్తృతంగా చర్చ జరుగుతున్నప్పటికీ, ఈ టెక్నాలజీకి నీటిపై ఉన్న అపారమైన "దాహం" అనేది ఒక కీలకమైన, అయినప్పటికీ పట్టించుకోని పర్యావరణ సమస్యగా మిగిలిపోయింది.

అసోసియేషన్ ఫర్ కంప్యూటింగ్ మెషినరీ (ACM) ప్రచురించిన ఒక ఇటీవలి పరిశోధన ప్రకారం, ఒకే ఒక్క, మధ్యస్థ-పరిమాణ GPT-3 క్వెరీకి—అంటే సుమారు 800 పదాల ఇన్‌పుట్ మరియు 300 పదాల లోపు ప్రతిస్పందన ఉన్నదానికి—దాదాపు 500 మిల్లీలీటర్ల నీరు అవసరమవుతుంది.

దీని అర్థం ఏమిటంటే, ఒక AI సాధనం ఒక ప్రామాణిక ఇమెయిల్ రాయడానికి లేదా ఒక సాధారణ ప్రాంప్ట్‌కు సమాధానం ఇవ్వడానికి, ఆఫీసు డెస్క్‌పై ఉండే ఒక ప్రామాణిక 16-ఔన్సుల నీటి సీసాకు సమానమైన ద్రవాన్ని వినియోగిస్తుంది.

AIని నిలబెట్టడానికి నిర్మించిన వేగంగా అభివృద్ధి చెందుతున్న ప్రపంచ మౌలిక సదుపాయాలకు ఈ ఒక్క ఖర్చును కలిపి చూసినప్పుడు, అది ఆందోళనకరంగా మారుతుంది.

నిరంతర శీతలీకరణ అవసరమయ్యే లక్షలాది అధిక-శక్తివంతమైన సర్వర్‌లకు ఆశ్రయం కల్పించే అధునాతన డేటా సెంటర్ల నిర్మాణానికి, 2030 నాటికి టెక్ కంపెనీలు 5.2 ట్రిలియన్ డాలర్లు ఖర్చు చేస్తాయని అంచనా.

 పరిమాణాన్ని అర్థం చేసుకోవాలంటే, గూగుల్ యాజమాన్యంలోని ఒకే ఒక్క డేటా సెంటర్‌లోని శీతలీకరణ వ్యవస్థలు 2023లో 6.07 బిలియన్ గ్యాలన్ల (23 బిలియన్ లీటర్ల) మంచినీటిని వినియోగించాయి.

ఈ ప్రస్తుత ధోరణి ప్రకారం, ప్రపంచవ్యాప్తంగా ఉన్న ఏఐ డేటా సెంటర్ల సమిష్టి నీటి అవసరాలు చివరికి మొత్తం దేశాల వార్షిక నీటి వినియోగ అవసరాలకు పోటీగా నిలుస్తాయి.

ఈ టెక్ హబ్‌ల భౌగోళిక స్థానం వల్ల స్థానిక పర్యావరణ ప్రభావం మరింత తీవ్రమవుతోంది, ఎందుకంటే ఇది తరచుగా ప్రాంతీయ సుస్థిరతకు విఘాతం కలిగిస్తుంది.

వివిధ ఆర్థిక కారకాల వల్ల, యునైటెడ్ స్టేట్స్‌లో కొత్తగా నిర్మిస్తున్న ఏఐ కేంద్రాలలో దాదాపు మూడింట రెండు వంతులు దేశంలో అత్యంత కరువు పీడిత ప్రాంతాలలో నిర్మించబడుతున్నాయి.

ఉదాహరణకు, టెక్సాస్‌తో సహా తీవ్ర నీటి కొరత ఉన్న ప్రాంతాలలో 500కు పైగా డేటా సెంటర్లు ఏర్పాటు కానున్నాయి. 2040 నాటికి ఈ డిజిటల్ కేంద్రాలు ఆ రాష్ట్రం మొత్తం నీటి వినియోగంలో దాదాపు 9% వాటాను కలిగి ఉంటాయని అంచనా.

పెరుగుతున్న ఈ పర్యావరణ ఒత్తిడిని ఎదుర్కోవడానికి, ఆర్టిఫిషియల్ ఇంటెలిజెన్స్‌ను మరింత సుస్థిరంగా మార్చేందుకు పరిశోధకులు అనేక నిర్మాణాత్మక పరిష్కారాలను ప్రతిపాదించారు.

 స్థానిక శీతలీకరణ మరియు బయట జరిగే విద్యుత్ ఉత్పత్తి రెండింటినీ పరిగణనలోకి తీసుకునే నీటి వినియోగాన్ని (వాటర్ ఫుట్‌ప్రింట్స్) తప్పనిసరిగా ట్రాక్ చేయడం మరియు బహిరంగంగా నివేదించడం ద్వారా, కార్పొరేట్ పారదర్శకతను పెంచాలని డిమాండ్ చేయడం కీలక సిఫార్సులలో ఒకటి.

అదనంగా, నిపుణులు అధిక నీటి వినియోగ సామర్థ్యం ఉన్న డేటా సెంటర్లకు భారీ AI మోడల్ శిక్షణ వర్క్‌లోడ్‌లను వ్యూహాత్మకంగా మార్చాలని, లేదా రోజులో చల్లగా, నీటిని మరింత పొదుపుగా వాడే సమయాల్లో కంప్యూటేషన్ పనులను షెడ్యూల్ చేయాలని సూచిస్తున్నారు.

ప్రతిరోజూ వంద కోట్లకు పైగా ప్రజలు AIతో సంకర్షణ చెందుతున్నందున, నీటిని ఆదా చేయడానికి ChatGPT వినియోగాన్ని స్వీయ-నియంత్రణ చేసుకోవడం వంటి వ్యక్తిగత ప్రవర్తనా మార్పులు చివరికి చాలా స్వల్ప ప్రయోజనాలను మాత్రమే అందిస్తాయి.

టెక్నాలజీ యొక్క పర్యావరణ ప్రభావంపై ప్రజలలో విస్తృత ఆందోళన ఉన్నప్పటికీ, ఆటోమేటెడ్ సిస్టమ్‌లపై కార్పొరేట్ ఆధారపడటం తగ్గడానికి బదులుగా వేగవంతమవుతూనే ఉంది.

డేటా సెంటర్ల విస్తరణ నిరంతరాయంగా కొనసాగుతున్నందున, సాధారణ వినియోగదారుల పొదుపు అలవాట్లపై ఆధారపడకుండా, AI యొక్క భారీ వినియోగాన్ని పరిష్కరించడానికి పరిశ్రమలో వ్యవస్థాగత సంస్కరణలు మరియు తెలివైన నియంత్రణ విధానాలు అవసరం.