گزارش زیرساختی: مصرف ۱ تریلیون لیتر آب توسط مراکز داده تا ۲۰۲۸

تصور کنید برای هر پاسخ ساده‌ای که از یک چت‌بات می‌گیرید، مقدار قابل‌توجهی آب در جایی از کره زمین تبخیر شود. این دیگر یک فرضیه نیست، بلکه واقعیتِ سختِ زیرساختی است که صنعت هوش مصنوعی با آن دست‌وپنجه نرم می‌کند.

طبق گزارش آماری Exploding Topics، مراکز داده (Data Center) — که شبیه به قلب‌های تپنده و گرمی هستند که هرگز نباید متوقف شوند — تا سال ۲۰۲۸ سالانه بیش از ۱ تریلیون لیتر آب مصرف خواهند کرد. این رقم یعنی افزایش ۱۱ برابری نسبت به سطح مصرف در سال ۲۰۲۴ و نشانه‌ای از بحرانی است که از مرزهای محاسباتی فراتر رفته و به محیط‌زیست رسیده است.

در حالی که توجه همگان به خوشه‌های GPU (واحد پردازش گرافیکی) جلب شده، هزینه فیزیکی خنک‌سازی و تأمین برق به نقطه‌ای رسیده که دیگر نمی‌توان نادیده‌اش گرفت. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی پایداری مدل‌های زبانی اشاره کردیم، بخش بزرگی از این فشار محیطی برای کاربر نهایی نامرئی است و در اعماق شبکه‌های برق و نیروگاه‌های خنک‌کننده رخ می‌دهد.

شکاف زیرساختی و نیروی کار

به نقل از Exploding Topics، بحران آب عمدتاً نتیجه غیرمستقیم تولید انرژی است؛ ۹۲٪ از ردپای آبی این صنعت مربوط به تولید برقی است که تراشه‌های هوش مصنوعی را تغذیه می‌کند، نه خنک‌سازی مستقیم در محل مرکز داده.

هم‌زمان، تلاش برای تجسم فیزیکی هوش مصنوعی با واقعیت برخورد کرده است. شرکت Tau Robotics برنامه‌ای آزمایشی در سان‌فرانسیسکو آغاز کرد و ربات‌های انسان‌نمایی ۵۰ هزار دلاری را با نرخ ۳۰ دلار در ساعت برای نظافت منازل (مانند جارو زدن و پاک کردن سطوح) عرضه کرد. این طرح ۱۰۰۰ خانوار را هدف قرار داده تا استقرار شهری ربات‌ها سنجیده شود.

با این حال، این واحدها هنوز با استقلال عملیاتی فاصله زیادی دارند. الکساندر کخ، مدیرعامل این شرکت، اعتراف کرد که ربات‌ها قادر به بالا رفتن از پله‌ها نیستند و به تکنسین‌هایی نیاز دارند که با عینک‌های VR آن‌ها را از راه دور نظارت و هدایت کنند. این چالش‌ها در حالی رخ می‌دهد که پیشرفت‌های چشمگیری در آموزش مدل‌های جهانی ربات‌ها صورت گرفته است؛ برای نمونه، مدل DreamDojo انویدیا با تحلیل هزاران ساعت ویدیو تلاش کرد تا حس مشترک فیزیکی را به این ماشین‌ها بیاموزد.

کن گلدبرگ، متخصص رباتیک، هشدار داد که استقلال واقعی در نظافت منزل احتمالاً یک دهه دیگر زمان می‌برد و این دستگاه‌های سنگین هنوز خطری فیزیکی برای انسان‌ها هستند. در این مسیر، بهبود دقت آموزشی از طریق سخت‌افزارهای تخصصی حیاتی است، همان‌طور که حسگرهای عصبی Zander Labs توانستند دقت ربات‌های انسان‌نما را در تعامل با محیط ارتقا دهند.

اصطکاک‌های قانونی و آکادمیک

نگرانی‌های حریم خصوصی منجر به ممنوعیت‌های سریع نظارتی شده است. طبق اعلام سرویس دادگاه‌ها و تریبونال‌های اعلیت بریتانیا، استفاده از عینک‌های هوشمند Meta در تمامی دادگاه‌های کیفری، مدنی و خانواده در انگلستان و ولز ممنوع شد. این حکم به دلیل توانایی دوربین‌های این گجت‌ها در ضبط نامحسوس تصاویر است.

این تصمیم پس از حادثه‌ای در دادگاه عالی لندن اتخاذ شد که در آن مشکوک شدند یکی از طرفین دعوا، دستورات زنده را از طریق عینک دریافت می‌کند. چنین قابلیت‌هایی، این دستگاه‌ها را در محیط‌های حقوقی که محرمانه بودن شهادت‌ها حیاتی است، به یک تهدید تبدیل می‌کند.

در محیط‌های دانشگاهی نیز اثرات حرفه‌ای دیده می‌شود. گزارش The Chronicle of Higher Education از موج بازنشستگی زودهنگام اساتید در آمریکا خبر می‌دهد. این مدرسان دلیل اصلی را فروپاشی مقاله سنتی به عنوان ابزار ارزیابی می‌دانند؛ چرا که تقلب‌های گسترده توسط مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — فشار تدریس را غیرقابل تحمل کرده است.

چرخش‌های بازار و فنی

با وجود این اصطکاک‌ها، سرمایه‌ها همچنان به این بخش سرازیر است:

• شرکت Accel یک صندوق جهانی ۳.۵ میلیارد دلاری را در چهار بازوی تخصصی (آمریکا، اروپا، هند و یک صندوق رشد ۱.۳۵ میلیارد دلاری) بسته است که صندوق هند با استقبال بیش از حد مواجه شد.
• Suno AI با وجود نبردهای حقوقی با Universal Music Group و Sony Music بر سر داده‌های آموزشی، به ۱۰۰ میلیون کاربر و ۲ میلیون مشترک پولی رسیده است.
• کوین ویل، مدیر محصول سابق OpenAI، در حال جذب ۱۵۰ میلیون دلار سرمایه برای استارتاپی در حوزه «هوش مصنوعی برای علوم» با ارزش‌گذاری ۷۵۰ میلیون دلار است که نشان‌دهنده روند شکل‌گیری شرکت‌های «هوش مصنوعی عمودی» (Vertical AI) است.

در جبهه فنی، مهندسان Google استفاده از زبان Go را در کدنویسی‌های کمک‌گرفته از AI توصیه می‌کنند. استدلال آن‌ها این است که چون گلوگاه از «نوشتن کد» به «بازبینی کد» تغییر کرده، طراحی Go که اولویت را به خوانایی می‌دهد، تأیید حجم عظیم خروجی‌های تولید شده توسط عامل (Agent) را برای انسان آسان‌تر می‌کند.

هم‌زمان، OpenWALDO که توسط گریگوری کورتزر (بنیان‌گذار Rocky Linux) راه‌اندازی شده، مفهوم «صورت‌حساب مواد AI» (ABOM) را معرفی کرده است. این ابتکار با ایندکس کردن ۱۲۴ میلیارد توکن (Token) — تکه‌های کوچکی از متن شبیه برش‌های کیک که مدل می‌خورد — در ۷۵ میلیون سند، قصد دارد منشأ داده‌ها و تبار مدل‌ها را قابل حسابرسی کند.

گام بعدی شما

• اگر مدیر زیرساخت هستید، مصرف آب و انرژی را به عنوان ریسک عملیاتی در استراتژی ۲۰۲۸ خود بگنجانید.
• توسعه‌دهندگان را تشویق کنید تا برای بازبینی سریع‌تر کدهای تولیدی AI، زبان‌های با خوانایی بالا مثل Go را بررسی کنند.
• برای شفافیت در مدل‌های سازمانی، استانداردهای ABOM را دنبال کنید تا از مشکلات حقوقی داده‌های آموزشی پیشگیری کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.