Berapa galon air yang digunakan ChatGPT?

CEO OpenAI Sam Altman secara terbuka menyatakan bahwa rata-rata Penggunaan kueri ChatGPT ≈0.000085 galon air (sekitar 0.32 mililiter, kira-kira seperlima belas sendok teh) dan ≈0.34 watt-jam listrik per kueri. Angka per kueri tersebut, jika dikalikan dalam skala besar, menjadi bermakna, tetapi tetap jauh lebih kecil daripada yang diklaim oleh banyak berita utama yang mengkhawatirkan sebelumnya — disediakan Anda menerima asumsi Altman tentang energi per kueri dan efisiensi penggunaan air dari pusat data yang melayani ChatGPT. Analisis independen menggunakan berbagai asumsi (terutama nilai Efektivitas Penggunaan Air (WUE)) yang berbeda menghasilkan angka yang bisa beberapa kali lebih tinggi atau lebih rendah.

Berapa banyak air yang sebenarnya digunakan oleh satu kueri ChatGPT?

Apa yang OpenAI (dan CEO-nya) katakan

Dalam pernyataan publiknya, CEO dan juru bicara OpenAI telah menawarkan angka air per permintaan yang sangat kecil: kira-kira 0.32 mililiter per kueri, yang dikonversi menjadi sekitar 0.000085 galon (≈8.45×10⁻⁵ gal). Jumlah tersebut kira-kira seperlima belas sendok teh air per kueri dan merupakan angka yang paling sering dikutip ketika perusahaan mencoba menunjukkan dampak marjinal yang kecil dari interaksi individu.

Mengapa estimasi independen berbeda

Peneliti independen dan LSM menggunakan pendekatan yang berbeda: mereka memperkirakan energi listrik yang dikonsumsi per permintaan, lalu mengalikannya dengan intensitas air (air yang digunakan per unit listrik) untuk mendapatkan angka air per kueri. Dua input yang umum digunakan adalah:

Energi per kueri. Beberapa perkiraan teknis memperkirakan respons gaya ChatGPT berada di kisaran 2–4 watt-jam (Wh) per kueri (2.9 Wh adalah perkiraan pusat yang umum dikutip). Itu adalah 0.0029 kWh per kueri.
Intensitas air (WUE / air per kWh). Metrik pusat data bervariasi berdasarkan desain dan wilayah. Efektivitas Penggunaan Air (WUE) yang sering dikutip sebagai “rata-rata industri” adalah sekitar 1.8 liter per kWh (≈0.475 galon/kWh) — tetapi nilai yang diukur sangat bervariasi (dari mendekati nol untuk sistem udara loop tertutup hingga beberapa liter per kWh untuk sistem evaporatif saat dilaporkan sebagai konsumsi atau penarikan).

Menggabungkan keduanya akan menghasilkan konversi yang mudah:

Menggunakan 2.9 Wh/kueri (0.0029 kWh) dan 1.8 L/kWh → 0.00522 L/kueri = 5.22 mililiter ≈ 0.00138 galon per kueri.

Perkiraan berbasis energi tersebut (~5 ml / 0.0014 gal) adalah satu orde besaran lebih besar dari angka per-query OpenAI (0.32 ml). Berbagai asumsi tentang energi per kueri, WUE, apakah akan memasukkan air tidak langsung dari pembangkit listrik, dan bagian model mana (pelatihan vs. inferensi) yang Anda alokasikan untuk "kueri" menjelaskan sebagian besar kesenjangan tersebut. Lihat di bawah untuk rentang dan analisis sensitivitas.

Bagaimana sistem pendingin pusat data mengubah listrik menjadi penggunaan air?

Apa arti “penggunaan air”: konsumsi vs penarikan

Frasa “air yang digunakan oleh pusat data” dapat memiliki arti yang berbeda:

Konsumsi di tempat (diuapkan): Air yang diuapkan di menara pendingin/sistem adiabatik dan tidak dikembalikan ke badan air setempat. Hal ini biasanya merupakan dampak paling besar terhadap stres air setempat.
Penarikan: Air yang diambil dari sumber (sungai, danau, akuifer) kemudian dikembalikan (mungkin lebih hangat atau diolah secara kimia). Pengambilan air dapat terjadi dalam jumlah besar bahkan ketika konsumsinya rendah.
Air tidak langsung (tertanam dalam listrik): Air yang digunakan untuk menghasilkan listrik yang menggerakkan pusat data (pembangkit termoelektrik, tenaga air, dll.). Banyak studi siklus hidup menambahkan hal ini.

Laporan dan regulator menggunakan berbagai kombinasi metrik ini. Untuk indikator operasional yang bermakna secara lokal, WUE (liter yang dikonsumsi per kWh energi TI) digunakan secara luas; untuk debat siklus hidup dan kebijakan, air tidak langsung dari pembangkit listrik sering ditambahkan.

Teknologi pendinginan dan intensitas air

Pendekatan pendinginan penting:

Pendingin air berpendingin udara / loop tertutup sistem dapat memiliki konsumsi air di lokasi sangat rendah (mendekati nol WUE) tetapi penggunaan energi listrik lebih tinggi dan kandungan air dalam listrik lebih tinggi.
Pendinginan evaporatif / menara pendingin (umum dimana biaya listrik atau efisiensi mendorong pilihan) mengonsumsi air berdasarkan desain; fasilitas besar telah didokumentasikan untuk menggunakannya jutaan galon per hari di daerah panas dan kering.

Sebuah tinjauan ketat (Nature/npj Clean Water) mendokumentasikan bahwa nilai konsumsi sangat bervariasi — dari hampir nol hingga 4.4 liter per kWh (dan penarikan yang bisa berkali-kali lipat lebih besar) tergantung pada desain dan iklim. Variabilitas inilah yang menjadi alasan utama mengapa angka air per kueri bervariasi lebih dari dua kali lipat.

Berapa galon per hari/tahun yang dikonsumsi ChatGPT dalam skala besar?

Skenario aritmatika — asumsi transparan

Mari kita hitung tiga skenario untuk satu Kueri ChatGPT menggunakan masukan yang umum dikutip, lalu skalakan ke total harian dengan asumsi volume kueri hipotetis.

Masukan

Energi per kueri: 2.9 Wh = 0.0029 kWh (perkiraan pusat).
Intensitas air (tiga kasus):
1. WUE Rendah: 0.2 L/kWh (sistem tertutup yang sangat hemat air).
2. Rata-rata industri WUE: 1.8 L/kWh (patokan yang digunakan secara luas).
3. WUE Tinggi: 4.4 L/kWh (batas atas yang diamati dalam literatur).

Hasil per kueri (liter dan galon):

WUE Rendah (0.2 L/kWh): 0.0029 × 0.2 = 0.00058 L = 0.58 ml ≈ 0.000153 gal.
Rata-rata WUE (1.8 L/kWh): 0.0029 × 1.8 = 0.00522 L = 5.22 ml ≈ 0.00138 gal.
WUE Tinggi (4.4 L/kWh): 0.0029 × 4.4 = 0.01276 L = 12.76 ml ≈ 0.00337 gal.
(Konversi: 1 L = 1000 ml; 1 L = 0.264172 gal.)

Contoh berskala (jika ChatGPT menangani 1 miliar kueri per hari):

WUE Rendah: 0.58 ml × 1e9 ≈ 580,000 liter/hari ≈ 153,000 galon/hari.
Rata-rata WUE: 5.22 ml × 1e9 ≈ 5.22 juta liter/hari ≈ 1.38 juta galon/hari.
WUE Tinggi: 12.76 ml × 1e9 ≈ 12.76 juta liter/hari ≈ 3.37 juta galon/hari.

Ini adalah angka ilustrasi yang masuk akal — angka ini menunjukkan bahwa penggunaan air secara agregat dapat bermakna bahkan ketika jumlah per kueri sangat kecilLaporan terbaru menunjukkan bahwa klaster fasilitas hyperscale sudah mengonsumsi ratusan juta hingga miliaran galon setiap tahunnya di beberapa daerah.

Mengapa pelatihan vs inferensi penting

Dua kualifikasi tambahan yang penting:

Model pelatihan (proses satu kali untuk membuat model) menggunakan energi yang sangat besar dan oleh karena itu dapat memiliki jejak air yang besar — tetapi konsumsi tersebut diamortisasi di banyak kueri inferensi mendatang. Estimasi untuk pelatihan bersifat spesifik model dan seringkali jauh lebih besar daripada jejak inferensi per kueri.
Kesimpulan (respons sehari-hari yang dilihat pengguna) adalah biaya berulang dan fokus perhitungan per-kueri di atas.

Pelaporan yang menggabungkan pelatihan dan inferensi tanpa alokasi yang jelas akan melebih-lebihkan jejak per kueri; sebaliknya, mengabaikan pelatihan akan mengecilkan jejak masa pakai model. Analisis independen dengan cermat menyatakan apa saja yang termasuk di dalamnya.

Berapa banyak air yang dikonsumsi untuk melatih model besar (seperti GPT-3/4)?

Melatih model transformator besar merupakan aktivitas sekali pakai yang jauh lebih intensif air dibandingkan menjawab pertanyaan individual. Sebuah analisis penting yang telah ditinjau sejawat/pra-cetak oleh Li dkk. (2023) memperkirakan bahwa pelatihan GPT-3 di pusat data skala besar AS bisa langsung menguapkan ~700,000 liter air tawar (≈ ~185,000 galon) selama pelatihan — dan mereka memproyeksikan penarikan air terkait AI mencapai miliaran meter kubik pada pertengahan 2020-an jika tren ini berlanjut. Contoh tersebut menunjukkan bahwa pelatihan dapat bersaing dengan waktu operasional berbulan-bulan dalam hal air absolut. arXiv

Intensitas air pelatihan berasal dari proses utilisasi tinggi yang panjang dan berkelanjutan pada kluster GPU padat yang dikombinasikan dengan sistem pendingin yang — tergantung pada desainnya — bergantung pada konsumsi air evaporatif yang signifikan. Pelatihan bersifat episodik tetapi berskala besar; inferensi bersifat berkelanjutan tetapi per unitnya kecil. Bersama-sama, keduanya menentukan jejak air seumur hidup model.

Mengapa latihan begitu haus?

Durasi dan intensitas: Latihan lari dapat berlangsung berhari-hari hingga berminggu-minggu dengan penggunaan daya hampir maksimum.
Fluks panas tinggi: GPU dan kemasan menghasilkan panas terkonsentrasi, yang sering kali memerlukan pendinginan yang efisien (dan terkadang dibantu air).
Skala: Pelatihan model mutakhir mungkin memerlukan ribuan GPU dalam rak berkluster.
Kendala regional: klaster pelatihan yang sama di wilayah kekurangan air dengan menggunakan pendinginan evaporatif jauh lebih buruk terhadap tekanan air lokal daripada klaster yang didinginkan oleh pendingin kering di iklim dingin.

Berita terkini apa yang memengaruhi jejak air ChatGPT?

Perluasan infrastruktur OpenAI dan pilihan lokasi

Laporan terbaru menunjukkan OpenAI secara aktif menjalankan proyek-proyek infrastruktur besar, termasuk surat pernyataan minat (letter of intent) yang menarik perhatian untuk proyek pusat data besar di Argentina — sebuah pengembangan yang, jika dibangun, akan memusatkan komputasi substansial di satu wilayah dan mengubah dinamika air/energi regional. Lokasi penting: wilayah pesisir atau lembap, akses ke air daur ulang, dan peraturan lokal, semuanya membentuk WUE.

Industri bergerak menuju desain yang lebih rendah air

Penyedia cloud utama sedang meluncurkan desain pusat data hemat air:Microsoft telah menerbitkan rencana dan studi kasus tentang desain generasi berikutnya yang dapat menjalankan beban kerja AI dengan air evaporatif di lokasi mendekati nol dengan mengadopsi pendinginan tingkat chip dan inovasi lainnya (diumumkan pada tahun 2024–2025). Lintasan rekayasa ini dapat secara signifikan mengurangi jejak air per kueri seiring waktu jika diterapkan secara luas.

Kesimpulan

Pertanyaan "berapa galon" sebenarnya sederhana. Angka per kueri seperti 0.000085 galon ukurannya sangat kecil dan membantu mengkomunikasikan bahwa layanan cloud modern dioptimalkan untuk energi dan air — tetapi hanya satu potong dari teka-teki ini. Kisah yang lebih besar adalah tentang konsumsi kumulatif, dampak jangka panjang dari pelatihan, dan lokasi fasilitas besar. Penelitian independen (Li dkk.), laporan laboratorium pemerintah (LBNL), dan komentar industri terkini (Altman) semuanya sepakat pada kesimpulan praktis yang sama: jejak air AI dapat dikelola — tetapi hanya dengan transparansi yang lebih baik, pilihan pendinginan yang lebih cerdas, efisiensi dalam desain model, dan penyelarasan kebijakan untuk melindungi sumber daya air lokal.

Untuk memulai, jelajahi model ChatGPT seperti GPT-5 Pro kemampuan dalam tempat bermain dan konsultasikan Panduan API untuk petunjuk terperinci. Sebelum mengakses, pastikan Anda telah masuk ke CometAPI dan memperoleh kunci API. API Komet menawarkan harga yang jauh lebih rendah dari harga resmi untuk membantu Anda berintegrasi.

Siap untuk berangkat?→ Daftar ke CometAPI hari ini !