مقدمة: مرحباً بجيش تيكين!
مرحباً بجيش تيكين! بينما ينشغل العالم بالحديث عن وظائف الذكاء الاصطناعي، والتشات بوت، وثمن كروت الشاشة، هناك أزمة أكثر هدوءاً ولكن أخطر تتشكل في الخلفية: الماء.
الذكاء الاصطناعي لا يستهلك الكهرباء فقط؛ كل مرة ترسل Prompt إلى نموذج لغوي ضخم، أو تطلب صورة مولَّدة، أو تطلق خدمة تعتمد على AI في تطبيقك، هناك مكان ما في العالم يتبخر فيه الماء داخل برج تبريد أو تُسحب كميات كبيرة من المياه لتشغيل محطة كهرباء.
تقديرات عام 2025 تشير إلى أن استهلاك الماء المرتبط بالذكاء الاصطناعي وصل إلى مئات مليارات اللترات سنوياً، مع دراسة بارزة تُقدِّر الرقم بحوالي 765 مليار لتر، وهو ما يعني أنه تفوق على استهلاك صناعة المياه المعبأة عالمياً.
هذا المقال التحليلي يحاول الإجابة عن سؤال محوري: «استهلاك ماء الذكاء الاصطناعي؛ لماذا أصبحت نماذج AI تستهلك ماءً أكثر من كل صناعة قناني المياه؟»
في هذا التقرير ستتعرف على:
- أين وكيف يُستهلك الماء في دورة حياة AI: من مركز البيانات إلى محطة الطاقة.
- كم تُمثّل محادثة واحدة أو طلب واحد إلى LLM من ميليليترات أو قنينات ماء.
- كيف ولماذا تجاوز استهلاك ماء AI الطلب العالمي على المياه المعبأة، وما معنى ذلك للمدن والبلدان.
- ما هي الأرقام الحقيقية التي نشرتها مايكروسوفت، جوجل وغيرها عن استهلاك الماء.
- ما هي السيناريوهات المتوقعة حتى 2027–2030 إذا استمر نمو AI على نفس المنحنى.
- وأخيراً، ما هي حلول التخفيف التقنية والسياسية الممكنة.
من محادثة واحدة إلى قنينة ماء: كم يستهلك الذكاء الاصطناعي فعلاً؟
لفهم حجم المشكلة، نبدأ من المستوى الأقرب للمستخدم: طلب واحد أو محادثة واحدة.
التحليلات العلمية والإعلامية تُقسّم استهلاك ماء AI إلى مستويين:
- استهلاك مباشر في مركز البيانات: ماء يُستخدم في الموقع لتبريد الخوادم، غالباً عبر أبراج تبريد تعتمد على التبخر.
- استهلاك غير مباشر عبر توليد الكهرباء: ماء يُستهلك في محطات توليد الطاقة التي تزود هذه المراكز بالكهرباء.
أما على مستوى المستخدم النهائي، فالأرقام بدأت تصبح واضحة نسبياً:
- إحدى التقديرات تشير إلى أن كل 10 إلى 50 Prompt تُرسل إلى Chatbot ضخم، تعادل تقريباً 500 ميليليتر من الماء، أي قنينة ماء صغيرة.
- تقديرات أخرى تعطي نطاقاً يتراوح بين 0.26 ميليليتر و39 ميليليتر من الماء لكل طلب AI منفرد، تبعاً لكفاءة النموذج والبنية التحتية للطاقة.
- بحسب أرقام منشورة، أنظمة AI التابعة لـOpenAI مرتبطة باستهلاك يقارب 97.5 مليون لتر يومياً من الماء، بينما تستهلك AI لدى جوجل نحو 650 ألف لتر يومياً.
لو حوّلنا 97.5 مليون لتر إلى قنانٍ سعة 500 ميليليتر، نحصل على حوالي 195 مليون قنينة ماء يومياً مرتبطة بأعباء AI لدى مزوّد واحد كبير فقط.
العطش الخفي لمراكز البيانات: أبراج التبريد ومحطات الطاقة
جوهر المشكلة في طريقة عمل البنية التحتية الرقمية: الحسابات تتحول إلى حرارة، والحرارة تُزال بالماء.
1. أبراج التبريد: حيث يختفي الماء في الهواء
النماذج الضخمة تعمل في مراكز بيانات هائلة مليئة بمعالجات رسومية ووحدات تسريع متخصصة. هذه الشرائح تولد حرارة عالية جداً، خصوصاً أثناء التدريب، ويجب التخلص من تلك الحرارة بشكل مستمر.
الكثير من مراكز البيانات تستخدم أبراج تبريد تعتمد على التبخر لإنتاج ماء بارد يدور في نظام التبريد الداخلي.
النقاط الحرجة هنا:
- في الصيف، وفي المناطق ذات الرطوبة المنخفضة، يزداد التبخر وبالتالي استهلاك الماء بشكل كبير.
- كلما ازداد حمل AI على الخوادم، ازدادت كمية الحرارة المطلوب التخلص منها، وبالتالي تزايدت كميات الماء المتبخر.
2. الماء «خارج أسوار المركز»: أثر توليد الطاقة
حتى لو استخدم مركز البيانات تقنيات تبريد هوائي أو تبريد سائل داخلي يقلل التبخر المباشر، يبقى هناك استهلاك هائل للماء في محطات توليد الكهرباء التي تغذّيه.
في كثير من الدول، الجزء الأكبر من الكهرباء يأتي من محطات حرارية (فحم، غاز، نووي) إضافة إلى بعض أنواع الطاقة الكهرومائية، وكلها تعتمد على الماء للتبريد والعمليات الحرارية.
النتيجة:
- كل كيلوواط ساعة إضافي يستهلكه AI يعني زيادة في استهلاك الماء، سواء داخل المركز أو في محطة الطاقة.
- وبالتالي، «البصمة المائية» الفعلية للذكاء الاصطناعي أكبر بكثير من مجرد رقم استهلاك الماء المسجّل لمراكز البيانات.
3. نمو انفجاري في أحمال AI
السياق الصناعي يزيد الصورة قتامة:
- صناعة تخزين البيانات تنمو بمعدل يقارب 20٪ سنوياً.
- سوق الذكاء الاصطناعي العالمي ينمو بنحو 40٪ سنوياً.
مع هذا النمو المركّب، احتياجات الكهرباء والتبريد – وبالتالي الماء – لم يعد من السهل احتواؤها بالطرق التقليدية.
لماذا أصبحت الأرقام صادمة؟ مقارنة مع صناعة المياه المعبأة والمدن
هنا يأتي الجزء الذي جذب العناوين: المقارنة بين استهلاك ماء AI وبين صناعة المياه المعبأة، بل ومع استهلاك دول ومدن كاملة.
1. رقم الـ765 مليار لتر
تقديرات حديثة تشير إلى أن استهلاك الماء المرتبط بنشاطات الذكاء الاصطناعي في سنة واحدة قد وصل إلى حوالي 765 مليار لتر. هذه الكمية:
- تفوق استهلاك صناعة المياه المعبأة عالمياً كما تُشير تقارير إعلامية وتحليلية.
- وقد تمّت مقارنتها أيضاً مع الطلب العالمي على قناني المياه، مع استنتاج أن AI بإمكانه تجاوزه.
بمعنى آخر، لو جمعت كل مصانع تعبئة المياه في العالم في خط إنتاج واحد، فإن منظومة الذكاء الاصطناعي اليوم تشرب أكثر منها.
2. مقارنة مع استهلاك دول ومدن
دراسات نمذجة مستقبلية تُظهر أنه بحلول 2027 قد تتطلب أنشطة AI بين 4.2 و6.6 مليارات متر مكعب من الماء سنوياً. للمقارنة:
- هذا الرقم أكبر من سحب المياه السنوي لما يقارب نصف المملكة المتحدة.
- ويمكن أن يعادل أو يفوق استهلاك عدة مدن كبرى مجتمعة في سنة واحدة.
حين يصبح قطاع «رقمي» خالص – ظاهرياً – في نفس خانة الدول والمدن على جداول المياه، يتحول تلقائياً إلى ملف استراتيجي في سياسات المياه.
3. مؤشرات الشركات: مايكروسوفت وجوجل كنموذج
التقارير البيئية للشركات تعطي لمحة عملية عن حجم التحول:
- مايكروسوفت صرحت بأن استهلاكها العالمي للماء ارتفع بنحو 35٪ بين 2021 و2022، ليصل إلى حوالي 1.7 مليار جالون (قرابة 6.4 مليار لتر). هذه الكمية تكفي لملء أكثر من 2500 مسبح أولمبي.
- جوجل ذكرت زيادة تقارب 20٪ في استهلاكها المباشر للماء خلال نفس الفترة.
الشركتان تربطان جزءاً كبيراً من هذا الارتفاع المباغت بالطلب المتزايد على أعباء الذكاء الاصطناعي في مراكز بياناتهما.
خلف الكواليس: من تدريب النماذج الضخمة إلى الميليليترات لكل طلب
لفهم لماذا أصبح AI شديد العطش، يجب التفريق بين مرحلتي التدريب والاستدلال، والنظر في كفاءة الخوارزميات.
1. التدريب: الوحش الحقيقي لاستهلاك الموارد
مرحلة تدريب النماذج العملاقة هي الأكثر شراهة للطاقة والماء:
- آلاف من وحدات GPU أو TPU تعمل بأحمال قريبة من الحد الأقصى لأسابيع أو شهور.
- مراكز البيانات بحاجة إلى التخلص المستمر من حرارة هائلة، ما يزيد الطلب على التبريد وعلى تبخر الماء.
- الطاقة المطلوبة غالباً ما تأتي من منظومات توليد تعتمد بشكل كبير على الماء.
بعض الدراسات الأكاديمية (خارج نتائج البحث هنا) قدّرت أن تدريب نموذج واحد ضخم يمكن أن يستهلك كمية ماء توازي استهلاك مدينة صغيرة لعدة أيام، تبعاً لموقع مركز البيانات ونظام التبريد المستخدم.
2. الاستدلال: مليارات الطلبات الصغيرة تتحول إلى نهر
مرحلة الاستدلال (Serving) أقل استهلاكاً لكل عملية مفردة، لكنها ضخمة من حيث العدد:
- كل طلب، كل رسالة في Chatbot، أو كل نداء API يفعّل جزءاً من قدرة الحوسبة.
- كما سبق، التقديرات تضع استهلاك الماء لكل طلب بين 0.26 و39 ميليليتر.
- مع مليارات الطلبات يومياً عبر مختلف الخدمات والمنصات، تتراكم هذه الميليليترات إلى عشرات أو مئات ملايين اللترات في اليوم على مستوى المنظومة.
3. كفاءة الخوارزميات وتصميم النماذج
العامل الثالث هو الكفاءة:
- كل تحسين في معمارية النموذج أو خوارزمية التدريب يمكن أن يقلل عدد العمليات (FLOPs) اللازمة للحصول على نفس الأداء، ما يعني طاقة أقل وماء أقل لكل وحدة عمل.
- استخدام نماذج أصغر ومتخصصة لمهام ضيقة بدلاً من الاعتماد على نموذج عملاق شامل لكل شيء، يمكن أن يقلل البصمة المائية للمنظومة بشكل كبير.
- تحسين الكفاءة الخوارزمية يعني تقليص استهلاك الطاقة، وبالتالي تقليل استهلاك الماء بشكل غير مباشر.
سيناريوهات 2027–2030: عندما يتقاطع عطش AI مع كوكب عطِش
خبراء البيئة والبنية التحتية الرقمية يرسمون حالياً عدة مسارات محتملة للسنوات القادمة.
1. سيناريو «استمر كما أنت»
إذا استمرت وتيرة النمو دون تدخل جذري:
- قد يصل سحب الماء المرتبط بالذكاء الاصطناعي إلى نطاق 4.2–6.6 مليارات متر مكعب سنوياً بحلول 2027.
- يمكن أن ينافس AI قطاعات صناعية كاملة في استهلاك الماء، خاصة في المناطق المعرضة للجفاف.
- مناطق تركز مراكز البيانات قد تشهد منافسة مباشرة بين المراكز، المدن، والزراعة على نفس الموارد المائية.
2. الضغط على المناطق الجافة
بناء مراكز بيانات AI ضخمة في مناطق تعاني أصلاً من شح الماء يحمل مخاطرة كبيرة:
- هذه المناطق غالباً ما تعيش على هامش ضيق بين العرض والطلب بسبب تغير المناخ والاستخدام المفرط.
- إضافة مستهلك صناعي جديد بهذا الحجم يمكن أن ترفع احتمالات الانقطاعات، واحتجاجات السكان، وحتى القيود التنظيمية الصارمة.
3. سيناريو التخفيف: ماذا لو أخذنا القضية بجدية؟
في المقابل، يوجد مسار بديل أكثر تفاؤلاً إذا اتخذت الشركات والحكومات خطوات مبكرة:
- تحسين أنظمة التبريد: التحول إلى تبريد هوائي أو هجين أو تقنيات تبريد سائل ذات تبخر منخفض حيث يسمح المناخ، ما يقلل استهلاك الماء بشكل كبير.
- اختيار مواقع ذكية: بناء مراكز بيانات جديدة في مناطق ذات وفرة مائية أو مناخ ملائم للتبريد منخفض الماء، بعيداً عن الأحواض المتوترة.
- الطاقة المتجددة: زيادة الاعتماد على الشمس والرياح يقلل الارتباط بمحطات حرارية كثيفة الماء.
- رفع كفاءة النماذج: استثمار في خوارزميات أكثر كفاءة ومعالجات متخصصة يمكن أن يخفض عدد العمليات لكل مهمة، وبالتالي استهلاك الطاقة والماء.
- إعادة استخدام ومعالجة المياه: الاعتماد على مياه رمادية أو معالَجة للتبريد بدلاً من المياه الصالحة للشرب.
الخلاصة: نظرة مستقبلية
بصمة الماء للذكاء الاصطناعي تجاوزت خطاً رمزياً مهماً: حين يصبح استهلاكك للماء أكبر من استهلاك صناعة المياه المعبأة العالمية، وتبدأ تُقارن باستهلاك دول ومدن، فأنت لم تعد مجرد «عبء رقمي» صغير، بل لاعب رئيسي في معادلة المياه العالمية.
العوامل الحاسمة باتت معروفة: موقع مراكز البيانات، تقنية التبريد المستخدمة، مزيج الطاقة الذي يغذيها، وكفاءة النماذج والخوارزميات. شركات مثل جوجل ومايكروسوفت أعلنت نيتها تقليل أثرها المائي بشكل كبير بحلول 2030 عبر تحسين التبريد، إعادة استخدام الماء، والاعتماد على الطاقات المتجددة.
المطلوب الآن أن نتعامل مع الماء كمؤشر أساسي في تقييم بنية الذكاء الاصطناعي – جنباً إلى جنب مع الكربون والتكلفة والأداء. كل Prompt وكل عملية تدريب تحمل «فاتورة مائية» خفية، وكلما أسرعنا في كشفها وقياسها، زادت فرصنا في مواءمة عطش AI مع كوكب يزداد جفافاً.