Сколько галлонов воды использует ChatGPT?

Генеральный директор OpenAI Сэм Альтман публично заявил, что в среднем Запрос ChatGPT использует ≈0.000085 галлона воды (около 0.32 миллилитров, примерно одна пятнадцатая чайной ложки) и ≈0.34 Вт·ч электроэнергии на запрос. Эта цифра на запрос, если её умножить на масштаб, становится значимой, но всё равно остаётся гораздо меньше, чем утверждалось во многих предыдущих тревожных заголовках — при условии Вы принимаете предположения Альтмана об энергопотреблении на запрос и эффективности водопользования в центрах обработки данных, обслуживающих ChatGPT. Независимые анализы с использованием различных предположений (особенно различных значений эффективности водопользования, WUE) дают цифры, которые могут быть в несколько раз выше или ниже.

Сколько воды на самом деле потребляет один запрос ChatGPT?

Что сказали OpenAI (и ее генеральный директор)

В публичных выступлениях генеральный директор OpenAI и представители компании назвали очень небольшую цифру потребления воды на один запрос: примерно 0.32 миллилитра на запрос, что преобразуется примерно в 0.000085 галлонов (≈8.45×10⁻⁵ галлонов). Это примерно одна пятнадцатая чайной ложки воды на запрос, и именно эту цифру чаще всего приводят, когда компании пытаются продемонстрировать незначительное маржинальное влияние отдельных взаимодействий.

Почему независимые оценки различаются

Независимые исследователи и НПО используют другой подход: они оценивают количество потребляемой электроэнергии за один запрос, а затем умножают его на интенсивность воды (расход воды на единицу электроэнергии) для получения показателя расхода воды на запрос. Два типичных типа входных данных:

• Энергия на запрос. Несколько технических оценок оценивают ответы в стиле ChatGPT примерно на уровне 2–4 ватт-часа (Вт·ч) на запрос (2.9 Вт·ч — это обычно цитируемая средняя оценка). 0.0029 кВтч по запросу.
• Удельный расход воды (WUE/вода на кВт·ч). Показатели центров обработки данных различаются в зависимости от проекта и региона. Часто упоминаемый «средний по отрасли» показатель эффективности водопользования (WUE) составляет около 1.8 литра на кВт·ч (≈0.475 галлона/кВт·ч) — но измеренные значения варьируются в широких пределах (от почти нуля для систем с замкнутым циклом циркуляции воздуха до нескольких литров на кВт·ч для испарительных систем, если они указываются как потребление или забор).

Сопоставив их, получаем простое преобразование:

• . 2.9 Вт·ч/запрос (0.0029 кВт·ч) и 1.8 л / кВтч → 0.00522 л/запрос = 5.22 миллилитров ≈ 0.00138 галлонов по запросу.

Эта оценка, основанная на энергии (~5 мл / 0.0014 галлона), на порядок больше, чем показатель OpenAI по каждому запросу (0.32 мл). Различия в предположениях об энергии на запрос, WUE, необходимости включения косвенной воды от производства электроэнергии и о том, какую часть модели (обучение или вывод) вы относите к «запросу», во многом объясняют этот разрыв. Диапазоны и анализ чувствительности см. ниже.

Как системы охлаждения центров обработки данных преобразуют электроэнергию в воду?

Что означает «использование воды»: потребление и забор воды

Фраза «вода, используемая центром обработки данных» может означать разные вещи:

• Потребление на месте (испаряющееся): Вода, испаряющаяся в градирнях/адиабатических системах и не возвращаемая в местные водоёмы. Это обычно приводит к наибольшему дефициту воды в регионе.
• Вывод: Вода, забираемая из источника (реки, озера, водоносного горизонта) и затем возвращаемая обратно (возможно, более тёплой или химически обработанной). Забор воды может быть значительным даже при низком потреблении.
• Косвенное водоснабжение (включенное в электричество): Вода используется для производства электроэнергии, питающей центры обработки данных (теплоэлектростанции, гидроэлектростанции и т. д.). Многие исследования жизненного цикла учитывают этот фактор.

В отчётах и ​​регулирующих органах используются различные комбинации этих показателей. В качестве эксплуатационного, локально значимого показателя широко используется показатель WUE (количество литров, потребляемых на кВт·ч энергии ИТ); в дискуссиях о жизненном цикле и политике часто учитывается косвенный расход воды, связанный с производством электроэнергии.

Технологии охлаждения и водоемкость

Подход к охлаждению имеет значение:

• Воздушное охлаждение / замкнутый контур охлажденной воды системы могут иметь очень низкое потребление воды на месте (близко к нулевому показателю WUE), но более высокое потребление электроэнергии и большее количество воды, содержащейся в электричестве.
• Испарительное охлаждение / градирни (обычно там, где выбор определяется стоимостью электроэнергии или эффективностью) потребляют воду по назначению; крупные предприятия, как было задокументировано, используют миллионы галлонов в день в жарких и сухих регионах.

Тщательный обзор (Nature/npj Clean Water) показал, что значения потребления сильно различаются — от почти нуля до 4.4 литра на кВт·ч (и забор воды может быть на порядки больше) в зависимости от конструкции и климата. Эта изменчивость — основная причина того, что данные по каждому запросу варьируются более чем на два порядка.

Сколько галлонов в день/год потребляет ChatGPT в таком масштабе?

Арифметика сценария — прозрачные предположения

Давайте вычислим три сценария для one Запрос ChatGPT с использованием часто цитируемых входных данных, а затем масштабирование до ежедневных итогов с учетом гипотетических объемов запросов.

входные

• Энергия на запрос: 2.9 Wh = 0.0029 кВтч (центральная оценка).
• Интенсивность воды (три случая):
  1. Низкий WUE: 0.2 л/кВт·ч (очень экономичные по расходу воды, закрытые системы).
  2. Средний показатель WUE по отрасли: 1.8 л/кВт·ч (широко используемый эталонный показатель).
  3. Высокий WUE: 4.4 л/кВт·ч (верхняя граница, указанная в литературе).

Результаты по запросу (литры и галлоны):

• Низкая ЭЭ (0.2 л/кВтч): 0.0029 × 0.2 = 0.00058 л = 0.58 мл ≈ 0.000153 галлон.
• Средняя ЭЭП (1.8 л/кВтч): 0.0029 × 1.8 = 0.00522 л = 5.22 мл ≈ 0.00138 галлон.
• Высокая ЭЭ (4.4 л/кВтч): 0.0029 × 4.4 = 0.01276 л = 12.76 мл ≈ 0.00337 галлон.
  (Перевод: 1 л = 1000 мл; 1 л = 0.264172 галлона.)

Масштабированный пример (если ChatGPT обрабатывает 1 миллиард запросов в день):

• Низкий WUE: 0.58 мл × 1e9 ≈ 580,000 л / сутки ≈ 153,000 галлона / день.
• Средний показатель WUE: 5.22 мл × 1e9 ≈ 5.22 млн литров/день ≈ 1.38 миллиона галлонов/день.
• Высокий WUE: 12.76 мл × 1e9 ≈ 12.76 млн литров/день ≈ 3.37 миллиона галлонов/день.

Это правдоподобные иллюстративные цифры — они показывают, что Общее потребление воды может быть значимым, даже если цифры по запросу невелики. Последние отчеты показывают, что кластеры гипермасштабных объектов уже потребляют от сотен миллионов до миллиардов галлонов ежегодно в некоторых регионах.

Почему обучение и выводы имеют значение

Необходимы два дополнительных квалификатора:

• Учебные модели (единоразовый процесс создания модели) потребляет огромное количество энергии и, следовательно, может иметь значительный водный след, но это потребление амортизируется за счет множества будущих запросов на вывод. Оценки для обучения зависят от конкретной модели и часто значительно превышают водный след для каждого запроса.
• вывод (ежедневные ответы, которые видят пользователи) — это повторяющиеся затраты и фокус расчетов по запросам, приведенных выше.

Отчёты, в которых смешаны обучение и вывод без чёткого распределения, завышают данные о следе модели на запрос; и наоборот, игнорирование обучения занижает данные о следе модели за всё время её существования. Независимые анализы тщательно указывают, какие данные они включают.

Сколько воды потребляет обучение большой модели (например, GPT-3/4)?

Обучение крупных моделей трансформаторов — гораздо более водоёмкое и разовое занятие, чем ответы на отдельные вопросы. В известном рецензируемом/предпечатном анализе, проведённом Ли и др. (2023), подсчитано, что обучение GPT-3 в гипермасштабных центрах обработки данных США могут непосредственно испаряется ~700 000 литров пресной воды (≈ ~185,000 галлона) во время учебного прогона — и они прогнозировали, что к середине 2020-х годов, если тенденция сохранится, водозабор, связанный с ИИ, составит миллиарды кубометров. Этот пример показывает, что по абсолютному объёму воды учебный прогон может конкурировать с многомесячной эксплуатационной работой. ArXiv

Интенсивность использования воды при обучении обусловлена ​​длительными, непрерывными прогонами с высокой нагрузкой на плотных кластерах графических процессоров в сочетании с системами охлаждения, которые, в зависимости от конструкции, требуют значительного расхода воды на испарение. Обучение эпизодическое, но объёмное; вывод непрерывный, но на единицу измерения небольшой. Вместе они определяют водный след модели за весь срок её службы.

---

Почему тренировки вызывают такую ​​жажду?

• Продолжительность и интенсивность: Тренировочные забеги могут длиться от нескольких дней до нескольких недель при почти максимальном использовании мощности.
• Высокий тепловой поток: Графические процессоры и корпусы создают концентрированное тепло, которое часто требует эффективного (иногда и водяного) охлаждения.
• Масштаб: Для обучения современных моделей могут потребоваться тысячи графических процессоров в кластерных стойках.
• Региональные ограничения: тот же учебный кластер в регионе с дефицитом воды, использующий испарительное охлаждение, гораздо хуже с точки зрения локального водного стресса, чем кластер, охлаждаемый сухими чиллерами в холодном климате.

Какие последние новости влияют на водный след ChatGPT?

Расширение инфраструктуры OpenAI и выбор местоположения

Согласно последним отчётам, OpenAI активно реализует крупные инфраструктурные проекты, включая резонансное письмо о намерениях по строительству крупного центра обработки данных в Аргентине. Этот проект, в случае реализации, позволит сконцентрировать значительные вычислительные мощности в одном регионе и изменить региональную динамику водо- и энергоснабжения. Местоположение имеет значение: прибрежные или влажные регионы, доступ к оборотной воде и местные правила — всё это определяет эффективность использования энергии.

Промышленность переходит на конструкции с более низким уровнем воды

Крупные поставщики облачных услуг внедряют водосберегающие проекты центров обработки данных: Microsoft опубликовала планы и примеры проектов следующего поколения, которые могут выполнять рабочие нагрузки ИИ с почти нулевой уровень испарения воды на объекте за счёт внедрения охлаждения на уровне чипа и других инноваций (анонсированных в 2024–2025 годах). Эти инженерные решения могут со временем существенно сократить потребление воды при каждом запросе, если будут широко внедрены.

Заключение

Вопрос «сколько галлонов» обманчиво прост. Число, которое нужно задать для каждого запроса, например 0.000085 галлонов обнадёживает своей малостью и помогает донести, что современные облачные сервисы оптимизированы с точки зрения потребления энергии и воды, но это только одна часть головоломки. Более общая история — о совокупном потреблении, долгосрочных эффектах обучения и о том, где расположены крупные объекты. Независимые исследования (Ли и др.), отчёты государственных лабораторий (LBNL) и недавние комментарии представителей отрасли (Альтман) сходятся в одном и том же практическом выводе: водный след ИИ можно контролировать, но только при условии большей прозрачности, более разумного выбора систем охлаждения, эффективности разработки моделей и согласования политики для защиты местных водных ресурсов.

Для начала изучите модель ChatGPT, такую ​​как ГПТ-5 Про Возможности в Детская Площадка и проконсультируйтесь с API-руководство для получения подробных инструкций. Перед доступом убедитесь, что вы вошли в CometAPI и получили ключ API. CometAPI предложить цену намного ниже официальной, чтобы помочь вам интегрироваться.

Готовы к работе?→ Зарегистрируйтесь в CometAPI сегодня !