عامل‌های هوش مصنوعی ۶۰۰ برابر بیشتر از چت‌های ساده انرژی مصرف می‌کنند

تصور کنید برنامه‌نویسی هستید که برای تسریع کارها، یک عامل هوش مصنوعی را به جای خود می‌گمارید، اما نمی‌دانید این دستیار دیجیتال در پشت صحنه، قبض برق شما را به شدت بالا می‌برد. شکاف پنهان انرژی در حالی نمایان شده که آزمایشگاه‌های AI در حال چرخش به سمت سیستم‌های خودمختار هستند. در حالی که این شرکت‌ها اغلب بر کارایی تک‌تک پرس‌وجوها تأکید می‌کنند، داده‌های جدید زیک هاوس‌فادر (Zeke Hausfather)، دانشمند اقلیم، نشان می‌دهد که یک تسک تک‌عاملی می‌تواند ۶۰۰ برابر بیشتر از یک پرامپت استاندارد در چت‌های متنی انرژی مصرف کند.

سال‌هاست شرکت‌هایی مثل گوگل و OpenAI با ارائه معیارهای پایین، افکار عمومی را آرام کرده‌اند. برای مثال، گوگل سال گذشته ادعا کرد که یک پرامپت متنی در Gemini به‌طور میانگین تنها ۰.۲۴ وات-ساعت (Wh) انرژی می‌برد؛ یعنی کمتر از ۹ ثانیه روشن بودن یک تلویزیون. سام آلتمن، مدیرعامل OpenAI نیز مصرف یک پرس‌وجو در ChatGPT را ۰.۳۴ وات-ساعت تخمین زد که تقریباً با جست‌وجوی گوگل در سال ۲۰۰۹ برابری می‌کند.

ماهیت فریبنده «پرامپت‌ها»

اما این اعداد فریبنده هستند. این ارقام فقط یک تبادل ساده را توصیف می‌کنند و واقعیت استقرار هوش مصنوعی در جریان‌های کاری حرفه‌ای را نادیده می‌گیرند. آن‌ها مدل‌های استدلالی — مثل شطرنج‌بازی که چند حرکت جلوتر را می‌بیند و قبل از جواب درنگ می‌کند — که توکن‌های بسیار بیشتری تولید می‌کنند، پردازش‌های چندوجهی، سامانه‌های چندعاملی و تولید کدهای پیچیده را در محاسبات خود نیاورده‌اند.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی هزینه‌های زیرساختی مدل‌های زبانی اشاره کردیم، مقیاس‌پذیری بدون بهینه‌سازی منجر به بحران انرژی می‌شود. هاوس‌فادر معتقد است «پرامپت» دیگر واحد مناسبی برای اندازه‌گیری نیست؛ درست همان‌طور که تعداد «سفرها» معیار خوبی برای میزان رانندگی نیست و آنچه اهمیت دارد، مسافت طی شده است. این موضوع به‌ویژه زمانی بحرانی می‌شود که آزمایشگاه‌های AI سیستم‌های عامل‌محور را مقیاس می‌کنند تا برای روزها، هفته‌ها یا حتی ماه‌ها به‌طور خودمختار اجرا شوند، که این امر می‌تواند منجر به جهشی نمایی در مصرف انرژی شود.

هاوس‌فادر برای اثبات این ادعا و با تکیه بر فشار صنعت به سمت جریان‌های کاری عامل‌محور، مصرف خود در Claude Code را طی هشت هفته رصد کرد. او دریافت که یک «پرامپت» دیگر واحد اندازه‌گیری مفیدی نیست، زیرا یک درخواست کاربر اغلب زنجیره‌ای از اقدامات خودمختار را فعال می‌کند. در این راستا، بررسی تفاوت هزینه‌های انرژی در اجرای مدل‌ها روی سخت‌افزار شخصی در مقابل ابری نشان می‌دهد که محیط اجرا نیز تأثیر مستقیمی بر این اعداد دارد.

شکاف انرژی در اعداد و ارقام

داده‌های هاوس‌فادر تفاوت تکان‌دهنده‌ای را در میزان توان مصرفی نشان می‌دهد. او ۱۱۳۸ پرامپت تایپ‌شده را رصد کرد که منجر به بیش از ۱۴ هزار فراخوانی مدل شد؛ یعنی به‌طور میانگین ۱۲ فراخوانی برای هر پرامپت.

جزئیات این مصرف انرژی تکان‌دهنده است:

• حجم توکن: مجموعاً ۳.۲ میلیارد توکن — تکه‌های کوچکی از متن، مثل برش‌های یک کیک طولانی که مدل تکه‌تکه می‌خورد — پردازش شد. هر پرامپت به‌طور میانگین ۲.۹ میلیون توکن مصرف کرد، در حالی که یک چت معمولی بدون جست‌وجوی وب یا استدلال، تنها هزار توکن می‌برد.
• سربار زمینه: ۹۶٪ این توکن‌ها مربوط به خواندن حافظه (Cache Reads) بود، زیرا عامل در هر یک از ۱۴ هزار گام، کل پنجره متنی (Context Window) — میزان متنی که مدل هم‌زمان در ذهن نگه می‌دارد، مثل میز کاری که جا برای چند ورق دارد — را دوباره می‌خواند. خروجی واقعی مدل که روی صفحه نمایش داده شد، تنها ۰.۴٪ از کل توکن‌های پردازش شده را تشکیل می‌داد.
• مصرف برق: یک جلسه میانگین در Claude Code حدود ۰.۶ کیلووات-ساعت برق مصرف کرد که ۵۰ برابر انرژی مورد نیاز برای شارژ یک گوشی هوشمند است.
• مجموع انرژی: تخمین کل مصرف او در هشت هفته، ۱۷۰ کیلووات-ساعت بود (با بازه عدم قطعیت بین ۷۰ تا ۳۳۰ کیلووات-ساعت) که با استفاده از سه روش تبدیل مستقل محاسبه شده است.

در شدیدترین روز، زمانی که چندین عامل به‌طور موازی در حال تحلیل گسترده داده‌های جغرافیایی بودند، هاوس‌فادر تخمین زد که عامل‌های AI او ۱۱ کیلووات-ساعت برق مصرف کرده‌اند. این رقم بیش از یک‌سوم مصرف روزانه یک خانوار متوسط در آمریکا است. به‌طور میانگین، مصرف روزانه او با Claude Code به ۳ کیلووات-ساعت رسید (در بازه ۱.۲ تا ۵.۹ کیلووات-ساعت)، که از مصرف روزانه دو یخچال بیشتر است.

در مقیاس سالانه، این سطح از استفاده سنگین از عامل‌ها، تقریباً ۱.۱ مگاوات-ساعت برق مرکز داده مصرف می‌کند (در بازه ۰.۴ تا ۲.۲ مگاوات-ساعت). این مقدار با روشن نگه داشتن یک خشک‌کن لباس برقی برای یک سال کامل برابری می‌کند.

ردپای کربنی و اثرات محیطی

این تغییر در الگوهای مصرف به این معناست که ردپای کربنی هوش مصنوعی به‌صورت نمایی در حال افزایش است. انتشار گازهای گلخانه‌ای سالانه از Claude Code برای هاوس‌فادر به ۳۶۸ کیلوگرم CO₂ معادل رسید، در حالی که ۱۰ پرامپت روزانه در چت‌های ساده، سالانه تنها ۰.۳ کیلوگرم تولید می‌کند.

برای درک بهتر این مقیاس، ۳۶۸ کیلوگرم CO₂ کمی بیشتر از یک سال استفاده از خشک‌کن لباس برقی (۲۶۲ کیلوگرم) و تقریباً نیمی از یک پرواز رفت و برگشت اکونومی از سان‌فرانسیسکو به نیویورک (۷۰۰ کیلوگرم) است. این مقدار حدود ۸ درصد از کل انتشار سالانه یک خودروی بنزینی معمولی در آمریکا و تقریباً ۲ درصد از ردپای کربنی سالانه یک آمریکایی متوسط را تشکیل می‌دهد. هاوس‌فادر این وضعیت را به‌گونه‌ای توصیف می‌کند که «به‌طور هم‌زمان هم یک منبع انتشار بزرگ است و هم بخش نسبتاً کوچکی از کل ردپای کربنی من».

برای کاربران تجاری، این یعنی «بهینگی» هوش مصنوعی یک سراب است. ارزش یک عامل در توانایی اجرای خودمختار برای روزها یا هفته‌هاست، اما این کاربرد، هزینه‌ای مستقیم و سنگین بر شبکه برق تحمیل می‌کند. اثر ثانویه این روند، تضادی رو به رشد میان افزایش بهره‌وری AI و اهداف پایداری محیط‌زیستی شرکت‌ها است.

مسیر دستیابی به هوش مصنوعی پاک

با این حال، راهکار لزوماً کاهش استفاده از AI نیست. هاوس‌فادر استدلال نمی‌کند که باید فداکاری کرد یا احساس گناه داشت؛ او اشاره می‌کند که خویشتن‌داری شخصی توسط گروه کوچکی از کاربران حرفه‌ای «نمی‌تواند منحنی مصرف را تغییر دهد». او پیشنهاد می‌کند که تسک‌های ساده به مدل‌های زبانی کوچک (SLM) سپرده شوند که ۵ تا ۷ برابر کمتر از مدل‌های پیشرو (Frontier Models) در هر توکن انرژی مصرف می‌کنند.

هاوس‌فادر استدلال می‌کند که بزرگ‌ترین اهرم، شدت کربنی خودِ الکتریسیته است. اگر این حجم از محاسبات با انرژی‌های پاک اجرا شوند، ردپای کربنی تا ۹۰٪ کاهش می‌یابد. این چالش بنیادی ما را به این پرسش می‌رساند که آیا نوآوری در انرژی‌های پاک می‌تواند عطش مدل‌های AI را سیر کند یا زیرساخت‌های فعلی پاسخگو نخواهند بود.

در حال حاضر، تقریباً ۷۵٪ از برق برنامه‌ریزی شده برای مراکز داده در آمریکا متکی به گاز طبیعی است. فرصت واقعی اینجاست که شرکت‌های AI سرمایه‌های کلان و فوریت خود را برای تسریع انرژی‌های زمین‌گرمایی یا هسته‌ای به کار گیرند تا شبکه‌ای را که اکنون تحت فشار قرار داده‌اند، پاک‌تر کنند. اگر این سرمایه‌گذاری اتفاق بیفتد، رونق هوش مصنوعی می‌تواند شبکه‌ی برق را پاک‌تر از آنچه یافت، ترک کند.

در آینده باید گزارش‌های مربوط به قراردادهای خرید برق (PPA) مراکز داده را دنبال کرد تا مشخص شود آیا آزمایشگاه‌های AI واقعاً روی انرژی‌های پاک جدید سرمایه‌گذاری می‌کنند یا صرفاً در حال خرید اعتبارات کربنی موجود هستند.

گام بعدی شما

• برای تسک‌های تکراری و ساده، از مدل‌های کوچک‌تر (مانند سری Flash یا Nano) استفاده کنید تا هزینه استنتاج و اثر محیطی را کاهش دهید.
• در گزارش‌های پایداری (Sustainability) شرکت خود، مصرف انرژی عامل‌های خودمختار را جدا از چت‌های ساده محاسبه کنید.
• گزارش‌های مربوط به قراردادهای خرید برق (PPA) مراکز داده را دنبال کنید تا ببینید آیا شرکت‌ها واقعاً روی انرژی پاک سرمایه‌گذاری می‌کنند یا فقط اعتبار خریدند.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell و بهینه‌سازی مصرف برق در لایه سخت‌افزار مراجعه کنید.