چرا تخمین‌های کربنی هوش مصنوعی در شرکت‌ها تا ۴۰ برابر بیش از واقعیت است؟

اگر برای محاسبه اثرات کربنی هوش مصنوعی از معیارهای استاندارد ICT استفاده می‌کنید، احتمالاً اعداد شما تا ۴۰ برابر بیشتر از واقعیت است. این شکاف محاسباتی باعث شده شرکت‌ها برای پاسخ به الزامات سخت‌گیرانه‌ی دستورالعمل گزارش‌دهی پایداری شرکاتی (CSRD) که از ژانویه ۲۰۲۴ اجرایی شده است، با چالش‌های جدی مواجه شوند.

تا پیش از این، سازمان‌ها متدی استاندارد برای گنجاندن اشتراک‌های API و محصولات SaaS مبتنی بر هوش مصنوعی در گزارش‌های Scope 3 نداشتند. طبق گزارش‌های موجود، اکثر شرکت‌ها یا این انتشارات را به‌طور کامل حذف می‌کنند یا بر معیارهای اقتصادی ورودی-خروجی (EEIO) تکیه می‌کنند که پروفایل‌های انرژی سخت‌افزارهای خاص هوش مصنوعی را نادیده می‌گیرد.

به نقل از مقاله‌ای که در ۱۰ ژوئن ۲۰۲۶ در arxiv.org منتشر شد، پژوهشگران یک چارچوب چهارلایه را پیشنهاد داده‌اند که دقت محاسبات را بر اساس داده‌های موجود مقیاس‌بندی می‌کند. جزئیات این متدولوژی عبارت است از:

• لایه ۱ (دقت بالا): برآورد مستقیم بر اساس توکن (Token) با استفاده از بنچمارک‌های انرژی GPU و شدت کربن تأییدشده از EPA eGRID ۲۰۲۳ و Ember ۲۰۲۳.
• ردپای آبی: ادغام داده‌های بهره‌وری مصرف آب بر اساس پژوهش‌های Li et al. (۲۰۲۵).
• لایه ۴ (پشتیبان): استفاده از عوامل EEIO مبتنی بر هزینه برای خدماتی که داده‌های مصرفی آن‌ها در دسترس نیست.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی بهینه‌سازی مصرف انرژی در مدل‌های زبانی اشاره کردیم، تفاوت بین تئوری و عمل در زیرساخت‌ها بسیار زیاد است. در یک مورد آزمایشی روی یک شرکت ۲۰۰ نفره اروپایی، این چارچوب را نشان داد که کل انتشار کربن کمتر از ۱ تن دی‌اکسید کربن معادل (tCO2e) است. این نتیجه ثابت می‌کند که مانع اصلی برای انطباق با CSRD، نه مقدار واقعی ردپای کربنی، بلکه نبودِ متدولوژی دقیق است.

این یافته‌ها فرضیات پیشین را با افشای یک تضاد حیاتی بین «آب و کربن» تغییر می‌دهد. بر اساس مستندات این پژوهش، شبکه برق سوئد که بر پایه انرژی برق‌آبی است، کمترین شدت کربن را دارد اما منجر به بالاترین ردپای مصرف آب می‌شود. این موضوع استراتژی‌های مکان‌یابی مرکز داده (Data Center) را از کاهش ساده‌ی کربن به یک عملیات پیچیده‌تر برای تعادل منابع تغییر می‌دهد.

گام بعدی شما

• مکان‌های جغرافیایی مراکز داده‌ی ارائه‌دهنده‌ی هوش مصنوعی خود را بررسی کنید تا تضاد آب-کربن را ارزیابی نمایید.
• در گزارش‌های پایداری ۲۰۲۶، از معیارهای عمومی ICT فاصله گرفته و به رویکرد لایه‌بندی‌شده بر اساس توکن روی آورید.
• میزان مصرف آب را به عنوان شاخصی مکمل در کنار شدت کربن پایش کنید.

این تغییر در متدولوژی تنها بخشی از پازل است؛ اثرات تغییر معماری سخت‌افزاری بر این اعداد را در تحلیل ما درباره‌ی تراشه‌های Blackwell بررسی کنید.