مقدمه: سلام به ارتش تکین!
سلام به ارتش تکین! در دورانی که همه درباره «انفجار هوش مصنوعی» حرف میزنند، یک حقیقت ناراحتکننده آرامآرام خودش را نشان میدهد: برای هر Prompt خلاقانه، هر تصویر مولد و هر مدل زبانی غولپیکر، جایی در جهان یک برج خنککننده دارد آب تبخیر میکند.
اگر تا دیروز دغدغه اصلیمان برق و گازهای گلخانهای بود، حالا دادههای تازه نشان میدهد مصرف آب مرتبط با هوش مصنوعی در سال ۲۰۲۵ به صدها میلیارد لیتر رسیده و حتی از مصرف آب کل صنعت آبمعدنی جهان جلو زده است. این فقط یک تیتر ترسناک نیست؛ این یعنی سرویسهایی مثل ChatGPT، Gemini، Claude و مدلهای پشت سرویسهای گیمینگ و کلاد، در عمل در حال رقابت با شهرها و کشاورزی برای منابع آبیاند.
در این پرونده تحلیلی میرویم سراغ این سوال کلیدی: «مصرف آب هوش مصنوعی؛ چرا مدلهای AI بیشتر از کل صنعت بطریسازی آب مصرف میکنند؟»
در این مقاله یاد میگیرید:
- دقیقاً کجا و چطور آب در فرایند هوش مصنوعی مصرف میشود؛ از دیتاسنتر تا نیروگاه.
- یک چت ساده با یک مدل زبانی، معادل چند میلیلیتر یا حتی چند بطری آب است.
- چطور مصرف آب AI در ۲۰۲۵ از کل تقاضای آبمعدنیها جلو زده و این یعنی چه برای شهرهای کمآب.
- کدام شرکتها (مایکروسافت، گوگل، OpenAI و...) آمار مصرف آب خود را منتشر کردهاند و عددهای واقعی چقدر است.
- چه سناریوهایی تا ۲۰۲۷–۲۰۳۰ پیشبینی شده و چرا پژوهشگران نسبت به «آبِ هوش مصنوعی» هشدار میدهند.
- و مهمتر از همه: چه راهحلهای فنی و سیاستگذاری برای مهار این تشنگی در دسترس است.
از یک چت ساده تا یک بطری آب؛ AI واقعاً چقدر آب میخورد؟
اول باید ابعاد ماجرا را روی میز بگذاریم. رسانههای جدی علمی و گزارشهای شرکتها چند لایه مصرف آب مرتبط با AI را تفکیک میکنند:
- مصرف مستقیم در دیتاسنتر: برای خنک کردن سرورهایی که مدلهای AI را اجرا میکنند، از برجهای خنککننده آبی استفاده میشود. این برجها با تبخیر آب، گرمای سرورها را میگیرند. هرچه بار پردازش AI بالاتر، تبخیر آب بیشتر.
- مصرف غیرمستقیم در تولید برق: بخش بزرگی از برق دیتاسنترها از نیروگاههای حرارتی، هستهای و برقآبی تأمین میشود که هرکدام برای تولید هر مگاواتساعت برق، حجم قابلتوجهی آب برای خنکسازی و فرایندها مصرف میکنند.
حالا برسیم به اعداد قابل لمس:
- مطالعاتی که روی مدلهای زبانی انجام شده، نشان میدهد هر ۱۰ تا ۵۰ دستور ورودی (Prompt) به سیستمی مثل یک Chatbot بزرگ، حدود ۵۰۰ میلیلیتر آب مصرف میکند؛ یعنی چیزی در حد یک بطری کوچک آب. این عدد میانگین است و بسته به راندمان مرکز داده، نوع خنکسازی و ترکیب نیروگاهها تغییر میکند.
- تحلیلهای دیگر تخمین زدهاند که به ازای هر درخواست AI، بین ۰٫۲۶ میلیلیتر تا ۳۹ میلیلیتر آب مصرف میشود؛ بازهای که وابسته به نوع مدل، سختافزار و زیرساخت انرژی است.
- طبق گزارش مشترک از عملکرد سرویسهای بزرگ، هوش مصنوعی اوپنایآی حدود ۹۷٫۵ میلیون لیتر در روز و AI وابسته به گوگل حدود ۶۵۰ هزار لیتر در روز آب مصرف میکند. این ارقام نشان میدهند که حتی تفاوت مقیاس میان شرکتها هم بسیار زیاد است.
برای اینکه نسبت را بهتر درک کنید: اگر ۹۷٫۵ میلیون لیتر را به بطری ۵۰۰ میلیلیتری تبدیل کنیم، فقط یک روز مصرف آبی که به فعالیت AI اوپنایآی گره خورده، معادل حدود ۱۹۵ میلیون بطری آب است. این فقط یک شرکت است، نه کل اکوسیستم.
تشنگی پنهان دیتاسنترها؛ از برج خنککن تا نیروگاه
ریشه این تشنگی در دو نقطه است: خود دیتاسنتر و جایی که برقش تولید میشود.
۱. برجهای خنککننده؛ جایی که آب تبخیر میشود
سرورهای AI در دیتاسنترها، هنگام اجرای مدلهای عظیم میلیاردپارامتری، گرمای بسیار زیادی تولید میکنند. برای مهار این گرما، بسیاری از مراکز داده از برجهای خنککننده آبی استفاده میکنند که با تبخیر آب، حرارت را دفع کرده و آب سرد تولید میکنند.
نکته مهم:
- در تابستان و در مناطق با رطوبت کم، این مصرف آب به شدت بالا میرود؛ چون برای رسیدن به همان اثر خنککنندگی، باید آب بیشتری تبخیر شود.
- هرچه سهم بار پردازشی AI در یک دیتاسنتر بیشتر باشد، توان حرارتی موردنیاز برای دفع گرما بالاتر و در نتیجه تبخیر آب بیشتر خواهد بود.
۲. مصرف آب «خارج از محدوده دیتاسنتر»
یک لایه پنهانتر هم وجود دارد که اغلب در بحثهای عمومی نادیده گرفته میشود: مصرف آب در زنجیره تأمین انرژی. حتی اگر دیتاسنتر شما مستقیماً از آب برای خنکسازی استفاده نکند، برقی که میخورد عمدتاً از جایی میآید که خودش تشنه است.
در بسیاری از کشورها، نیروگاههای ترموالکتریک (سوخت فسیلی و هستهای) برای خنکسازی توربینها و کندانسورها از حجم عظیمی آب استفاده میکنند. پژوهشها نشان میدهد تولید برق یکی از بزرگترین بخشهای برداشت آب در سطح ملی در بسیاری از اقتصادهاست.
یعنی:
- هر وات-ساعت اضافه مصرفی برای اجرای مدل AI، هم در دیتاسنتر میتواند آب مصرف کند، هم در نیروگاه.
- همین لایه دوم باعث میشود «ردپای آبی» هوش مصنوعی به مراتب بزرگتر از عددهای خام مصرف آب دیتاسنترها باشد.
۳. رشد انفجاری بار AI
صنعت ذخیرهسازی داده سالانه حدود ۲۰٪ رشد۴۰٪
چرا اعداد وحشتناک شدند؟ مقایسه با صنعت آبمعدنی و شهرهای بزرگ
جایی که بحث داغ میشود، مقایسه مصرف آب AI با شاخصهای ملموس مثل صنعت بطریسازی آب و مصرف آب شهرهاست.
۱. عدد شوکهکننده ۷۶۵ میلیارد لیتر
برآوردهای جدید نشان میدهد که مصرف آب مرتبط با هوش مصنوعی در یک سال اخیر به حدود ۷۶۵ میلیارد لیتر رسیده است. این رقم نهتنها از بسیاری از پیشبینیهای قبلی بالاتر است، بلکه با چند مقیاس آشنا مقایسه شده:
- گزارشها میگویند این حجم، از کل آب مورد استفاده صنعت آبمعدنی جهان بیشتر است.
- در برخی تحلیلها، این مقدار با تقاضای جهانی برای بطریهای آب مقایسه شده و نتیجه این است که فقط بخش AI میتواند از کل این بازار جلو بزند.
به زبان ساده: اگر کل بطریهای آبمعدنی جهان را یک سطل بزرگ فرض کنید، AI الان دارد از آن سطل جلو میزند.
۲. مقایسه با شهرها و کشورها
پژوهشهایی که رشد آینده را مدل کردهاند، تخمین میزنند توسعه AI و افزایش تقاضای جهانی برای آن ممکن است تا سال ۲۰۲۷ نیازمند ۴٫۲ تا ۶٫۶ میلیارد مترمکعب برداشت آب باشد. این عدد، معادل:
- بیشتر از برداشت سالانه آب نیمی از کشور انگلستان.
- چند برابر مصرف سالانه آب برخی کلانشهرهای بزرگ جهان.
وقتی یک فناوری نرمافزاری، در مقیاس کلان، وارد رنج مصرف آب یک کشور اروپایی میشود، دیگر بحث فقط صرفهجویی چند درصدی نیست؛ این یک مسأله استراتژیک است.
۳. جهش ناگهانی مصرف آب مایکروسافت و گوگل
دیتای رسمی شرکتها خودش بهترین آینه است:
- مایکروسافت گزارش داده مصرف آب جهانیاش از ۲۰۲۱ تا ۲۰۲۲ حدود ۳۵٪ افزایش یافته و به نزدیک ۱٫۷ میلیارد گالن (حدود ۶٫۴ میلیارد لیتر) رسیده است. این حجم آب میتواند بیش از ۲۵۰۰ استخر المپیک را پر کند.
- گوگل هم در همین بازه، افزایش حدود ۲۰٪ در مصرف مستقیم آب خود گزارش کرده است.
هر دو شرکت بهطور مستقیم اشاره کردهاند که این جهش مصرف، تا حد زیادی ناشی از رشد بار محاسبات هوش مصنوعی روی زیرساختشان است.
پشتپرده مدلهای بزرگ: از ChatGPT تا Gemini، هر پارامتر چند قطره؟
برای درک اینکه چرا مدلهای امروز «آبدوست» شدهاند، باید به لایه فنی نگاه کنیم.
۱. آموزش (Training)؛ جایی که تشنگی اوج میگیرد
بزرگترین بخش مصرف انرژی و آب در مدلهای عظیم، در مرحله آموزش رخ میدهد:
- هزاران GPU یا TPU برای هفتهها و بعضاً ماهها بهطور مداوم کار میکنند.
- دمای بالا = نیاز شدید به خنکسازی = تبخیر آب در برجهای خنککننده.
- برق موردنیاز این GPU فارمها در بسیاری از نقاط جهان، از نیروگاههایی میآید که آببر هستند.
چند مطالعه دانشگاهی تخمین زدهاند که آموزش یک مدل بزرگ تکی میتواند معادل مصرف آب یک شهر کوچک در چند روز تا چند هفته باشد؛ بسته به محل استقرار دیتاسنتر و روش خنکسازی. (این بخش بر اساس دانش عمومی و نه یک منبع مشخص در نتایج جستوجو است.)
۲. استنتاج (Inference)؛ میلیونها چت کوچک که به سیل تبدیل میشود
مرحله استنتاج شاید نسبت به آموزش، مصرف انرژی لحظهای کمتری روی هر GPU داشته باشد، اما تعداد درخواستها بهقدری عظیم است که مجموعاً به یک کوه تبدیل میشود:
- برای هر چت یا هر درخواست API، بخشی از یک GPU یا چند تراشه شتابدهنده فعال میشود.
- همانطور که دیدیم، تخمینها برای هر درخواست بین ۰٫۲۶ تا ۳۹ میلیلیتر آب است.
- وقتی صحبت از میلیاردها درخواست در روز میشود، همین چند میلیلیترها رویهم به صدها میلیون لیتر در روز میرسند.
۳. راندمان الگوریتمی و معماری مدل
یک نکته مهم که اغلب فراموش میشود: هرچه الگوریتمها و معماریها کارآمدتر باشند، برای انجام یک کار مشخص به پارامتر کمتر، FLOP کمتر و در نتیجه انرژی کمتر نیاز است؛ یعنی:
- مدلهای کوچکتر یا specialized برای کارهای محدود، در مقایسه با یک مدل عظیم همهکاره، ردپای آبی کمتری دارند.
- بهبود بازده الگوریتم AI مستقیماً مصرف انرژی و غیرمستقیم مصرف آب را پایین میآورد.
سناریوی تاریک ۲۰۲۷ تا ۲۰۳۰؛ آیا عطش AI از کنترل خارج میشود؟
پژوهشگران محیطزیست و متخصصان زیرساخت دیجیتال، چند سناریو برای آینده نزدیک ترسیم کردهاند.
۱. سناریوی رشد کنترلنشده
اگر روند فعلی بدون مداخله جدی ادامه پیدا کند:
- تا ۲۰۲۷ تقاضا برای آب مرتبط با AI میتواند به ۴٫۲ تا ۶٫۶ میلیارد مترمکعب برسد.
- مصرف آب سالانه AI ممکن است با مصرف سالانه آب دهها شهر بزرگ یا چند کشور متوسط برابری کند.
- این بار بهطور نامتوازن در مناطقی احساس میشود که دیتاسنترها در آنها متمرکزند؛ یعنی احتمالاً تنش آبی در اطراف قطبهای کلاد.
۲. تأثیر بر بحران آب در مناطق خشک
در مناطقی که همین حالا هم مرز تنش آبی را رد کردهاند، استقرار دیتاسنترهای AI میتواند شرایط را بدتر کند. اگرچه شرکتها تلاش میکنند مراکز داده را در جاهایی با منابع آبی مناسب بسازند، اما:
- مزیتهای مالیاتی، نزدیکی به کابلهای فیبر نوری و زیرساخت انرژی ارزان ممکن است بر ملاحظات آبی غلبه کند.
- مصرف آب دیتاسنتر میتواند با مصرف شهری و کشاورزی وارد رقابت مستقیم شود.
۳. سناریوی اصلاحمحور: اگر جدی شویم چه میشود؟
از آنطرف، اگر صنعت و رگولاتورها همزمان وارد عمل شوند، سناریوی معتدلتری روی میز است:
- استفاده از خنکسازی مبتنی بر هوا یا سیستمهای هیبریدی در مناطق با رطوبت مناسب، که مصرف آب را بهطور چشمگیر کاهش میدهد.
- انتقال تدریجی دیتاسنترها به انرژیهای تجدیدپذیر مثل خورشید و باد که وابستگی به نیروگاههای آببر را کمتر میکند.
- بهبود مداوم بازده الگوریتمی و استفاده از مدلهای کوچک تخصصی بهجای یک غول همهفنحریف برای همهچیز.
جمعبندی
مصرف آب هوش مصنوعی فقط یک «ساید افکت» کوچک نیست؛ وقتی مجموع ردپای آبی AI از کل صنعت بطریسازی آب و تقاضای جهانی آبمعدنی جلو میزند، یعنی داریم یک لایه جدید به بحران آب جهانی اضافه میکنیم.
مکان دیتاسنتر، نوع سیستم خنکسازی، ترکیب سبد انرژی، راندمان الگوریتمها و سیاستگذاری دولتها، همه تعیین میکنند که این فناوری چقدر «تشنه» باشد. شرکتهایی مثل گوگل و مایکروسافت وعده دادهاند تا ۲۰۳۰ مصرف آب خود را به سطح قابلقبولتری برسانند و روی خنکسازی کارآمدتر، تصفیه و بازیافت آب و انرژیهای تجدیدپذیر سرمایهگذاری کنند.
برای ما بهعنوان کاربر، توسعهدهنده یا سیاستگذار، مرحله بعدی این است که «ردپای آبی» را در کنار ردپای کربن ببینیم؛ هر Prompt، هر Training و هر سرویس AI، نهفقط چند وات برق، که چند لیتر آب هم پشت خودش دارد.