Ile wody ChatGPT używać?
Publiczne szacunki dot ChatGPT wahać się od ułamków do dziesiątek mililitrów na zapytanie. Oto dlaczego są one sprzeczne i co każdy z nich się liczy.
Jedyna publiczna średnia z pierwszej ręki mówi: a ChatGPT zapytanie zużywa około 0.000085 galonów amerykańskich wody, czyli około 0.32 mililitra. OpenAI dyrektor generalny Sam Altman opublikował tę liczbę w 2025 r., ale nie przedstawił obliczeń ani nie określił, jakie modele, lokalizacje i granice wodne one obejmują.
Niezależne badania przyniosły znacznie wyższe szacunki. W artykule z 2023 r. sugerowano około 500 ml na 20–50 odpowiedzi średniej długości, czyli około 10–25 ml każda, w zależności od tego, gdzie i kiedy system był uruchomiony. Liczby te nie są bezpośrednio porównywalne. Szczera odpowiedź jest taka ChatGPT zużycie wody jest różne, a informacje podawane do wiadomości publicznej nie są wystarczająco szczegółowe, aby obliczyć dokładną rozmowę.
Dane własne są wartościami średnimi
Altmana opublikowane oświadczenie podał dwie średnie operacyjne dla a ChatGPT zapytanie: około 0.34 Wh energii elektrycznej i 0.000085 galonów amerykańskich wody. Przeliczenie tego ostatniego daje w przybliżeniu 0.32 ml.
Jest to przydatne, ponieważ pochodzi od operatora, który może obserwować jego infrastrukturę i ruch. Jest ograniczony, ponieważ post nie ujawnia okresu pomiaru, rozkładu modeli, długości zapytania, granicy bezpośredniej i pośredniej ani sposobu leczenia.
Średnia może również ukrywać szeroki zakres. Krótka prośba i długa sesja rozumowania to różne zadania obliczeniowe. Wyszukiwanie, pliki, obrazy i narzędzia agenta mogą odwoływać się do kilku systemów. Figurkę najlepiej traktować jako drogowskaz na poziomie floty do zwykłego użytku, a nie jako wodomierz dołączany do każdego ChatGPT wiadomość.
Dlaczego szacunki akademickie są wyższe
Artykuł z 2023 r Sprawienie, że sztuczna inteligencja będzie mniej „spragniona” oszacowano zarówno wodę chłodzącą na miejscu, jak i wodę związaną z energią elektryczną. Badacze zamiast dokonywać pomiarów, modelowali konkretne lokalizacje centrów danych, pogodę i sieci energetyczne OpenAI prywatna flota.
Ich głównym przykładem było to, że butelka o pojemności 500 ml mogła pomieścić około 20–50 odpowiedzi. Zgodnie z założeniami artykułu odpowiada to 10–25 ml na odpowiedź. Nigdy nie obsługiwał opcji „jedna butelka na wiadomość”.
Modelowana usługa, założenia dotyczące infrastruktury i czas różnią się od późniejszej średniej Altmana. Ulepszono także sprzęt i chłodzenie. Granica obejmująca wodę do pośredniego wytwarzania energii będzie zwykle szersza niż granica skupiająca się na bezpośrednim chłodzeniu. Bez pasującej metodologii z OpenAI, nie możemy wyodrębnić, jaka część luki wynika z wydajności, a jaka z rachunkowości.
Zużycie wody zmienia się w zależności od miejsca i czasu
Chłodzenie wyparne zużywa wodę do odprowadzania ciepła z centrum danych. Kwota zależy od temperatury i wilgotności, sprzętu chłodzącego i obciążenia serwera. Obiekt wykorzystujący powietrze zewnętrzne lub chłodzenie w obiegu zamkniętym może zużywać mniej na miejscu.
Wytwarzanie energii elektrycznej może również zużywać wodę. Jego tempo zmienia się w zależności od lokalnego połączenia energii cieplnej, wiatru, słońca i innych źródeł. Zarówno zapotrzebowanie na chłodzenie, jak i skład sieci mogą zmieniać się z godziny na godzinę, zatem w przypadku tego samego zapotrzebowania modelowego może być przydzielana inna woda w różnych regionach.
Niedobór zmienia konsekwencje i wielkość. Mililitr w zlewni dotkniętej suszą ma inne znaczenie lokalne niż w regionie zasobnym w wodę. Średnia światowa nie jest w stanie tego wyrazić. Zobacz jak sztuczna inteligencja wykorzystuje wodę dla etapów bezpośrednich, pośrednich i produkcyjnych.
Szkolenia i żetony pozostają poza większością zapytań
W artykule akademickim oszacowano, że szkolenie GPT-3 w amerykańskich centrach danych Microsoftu mogłoby bezpośrednio zużywać około 700,000 litrów w swoim modelu. To nie jest informacja ujawniona OpenAI pomiarowe i nowsze ChatGPT modele mają różne przebiegi treningowe. Nie należy jej przedstawiać jako znanej sumy dla dzisiejszego produktu.
Udostępnianie wody szkoleniowej między zapytaniami jest wyborem księgowym. Przydział na zapytanie spada, jeśli model obsługuje więcej żądań, i rośnie, jeśli zostanie wcześniej wycofany. Woda została zużyta podczas treningu, a nie za każdym razem, gdy użytkownik naciśnie przycisk „Wyślij”.
Produkcja półprzewodników również wykorzystuje ultraczystą wodę, a budowa centrów danych ma wpływ na wcześniejsze etapy produkcji. Dane podawane przez konsumentów rzadko uwzględniają którykolwiek z nich, ponieważ wykorzystanie, żywotność sprzętu i alokacja łańcucha dostaw są niepewne. Wąskie szacunki operacyjne są nadal przydatne, ale nie stanowią całkowitej sumy całego cyklu życia.
Co się myli w porównaniu butelek?
Wyrażenie „ChatGPT wypija butelkę wody” sprawia, że modelowana alokacja brzmi jak wydarzenie fizyczne. Serwery nie otwierają butelki po nadejściu wiadomości. Systemy chłodzenia działają przy wielu obciążeniach, a badacze przydzielają część swojego zużycia na żądanie.
Porównanie zachęca również do stosowania stałej stawki. Nawet w oryginalnej pracy podano zakres odpowiedzi 20–50, ponieważ liczyła się lokalizacja i czas. Późniejsze liczby opisują ułamki mililitra. Wybór jednego punktu końcowego bez jego źródła i granicy zamienia niepewność w przynętę na kliknięcie.
Nasz dedykowany audyt —czy sztuczna inteligencja naprawdę używa butelki na wiadomość?— śledzi roszczenie. Wniosek nie jest taki, że sztuczna inteligencja nie zużywa wody. Polega to na tym, że jednostka, mianownik i zakres muszą przemieszczać się wraz z liczbą.
Co możesz zrobić z tą niepewnością?
Traktuj 0.32 ml jako OpenAI podana średnia, a nie dokładny pomiar. Traktuj 10–25 ml jako scenariusz badawczy dla innej granicy usługi, a nie prądu ChatGPT czytanie. Nie uśredniaj ich razem: stworzyłoby to liczbę nieobsługiwaną przez żadne źródło.
W przypadku zastosowań o mniejszym wpływie skup się na rozmowach, unikaj powtarzających się prób i korzystaj z zaawansowanego rozumowania lub generowanych multimediów, gdy zadanie to uzasadnia. Wybór mniejszego, odpowiedniego modelu może zmniejszyć obliczenia i obciążenie chłodnicze przypisane do odpowiedzi.
Dostawcy posiadają decydujące dane. Mogą publikować rozkłady według modelu i zadania, wody bezpośredniej i pośredniej, lokalizacji obiektów i zużycia sezonowego. Dopóki tak się nie stanie, odpowiedzialne szacunki powinny pozostać szerokie i jednoznaczne. Treechat kieruje się tą zasadą w swoim metodologia: pobór wody wynika z szacowanej energii i stałego współczynnika, a nie z bieżącego odczytu centrum danych.
Aby zapoznać się z porównaniami wizualnymi bez utraty zastrzeżeń, zob Zużycie wody AI a rzeczy codzienne. Kluczowa lekcja jest prosta: problem ochrony środowiska to zbiorcza kwestia infrastruktury lokalnej, a nie dosłowny łyk połykany przez ekran.