ერთი AI ჩატბოტის პასუხი — რამდენიმე ასეული სიტყვა ChatGPT-დან თუ Gemini-დან — თავად კომპანიების გამოქვეყნებული მონაცემებით, დაახლოებით მეოთხედი-მესამედი ვატ-საათის ელექტროენერგიასა და წყლის რამდენიმე წვეთს მოითხოვს. ეს უმნიშვნელო რაოდენობაა — ნაკლები, ვიდრე ნათურის რამდენიმეწუთიანი მუშაობა ან ტელევიზორის ცხრაწამიანი ყურება. მაგრამ თუ ამას დღეში გაგზავნილ მილიარდობით მოთხოვნას და მათ მიღმა მდგომი დიდი ენობრივი მოდელების წვრთნაზე დახარჯულ ენერგიას დავამატებთ, სურათი მკვეთრად იცვლება: AI-ის გამოთვლითი მოთხოვნები დღეს მსოფლიოში ელექტროენერგიაზე ახალი მოთხოვნის ერთ-ერთი ყველაზე სწრაფად მზარდი წყაროა.
კონკრეტული რიცხვები
ყველაზე ზუსტი მონაცემი თავად ყველაზე მსხვილი AI სერვისების მფლობელი კომპანიებისგან მოდის. 2025 წლის ივნისში OpenAI-ის აღმასრულებელმა დირექტორმა სემ ალტმანმა დაწერა, რომ საშუალო ChatGPT მოთხოვნა დაახლოებით 0.34 ვატ-საათს მოიხმარს — „დაახლოებით იმდენს, რამდენსაც ღუმელი ერთ წამზე ოდნავ მეტ ხანში მოიხმარს" — და დაახლოებით 0.000085 გალონ (დაახლოებით 0.32 მილილიტრი) წყალს. Google-მ უფრო დეტალური მონაცემები გამოაქვეყნა Gemini-სთვის: 2025 წლის მაისის ანალიზის მიხედვით, მედიანური Gemini ტექსტური მოთხოვნა 0.24 ვატ-საათს, 0.03 გრამ CO2-ეკვივალენტს და 0.26 მილილიტრ წყალს — დაახლოებით ხუთ წვეთს — მოითხოვს. არც ერთი მონაცემი არ არის დამოუკიდებლად გადამოწმებული, და ორივე კომპანია არჩევითად განსაზღვრავს, რას გულისხმობს „საშუალო" მოთხოვნა — ღრმა კვლევა, გრძელი დოკუმენტები, სურათის გენერაცია და მსჯელობაზე დაფუძნებული მოთხოვნები მეტ ენერგიას ხარჯავს, ზოგჯერ ათჯერ და მეტჯერაც. მაგრამ ერთი შეხედვით, ერთი ტექსტური პასუხი თითქმის არაფერია იმასთან შედარებით, რასაც ადამიანები ყოველდღიურად ხარჯავენ ელექტროენერგიაზე.
წვრთნა კიდევ უფრო ძვირი ჯდება
ეს რიცხვები მხოლოდ მოდელის გამოყენებას ეხება — არა მის შექმნას. მოდელის წვრთნა ერთჯერადი, მაგრამ გაცილებით მასშტაბური ხარჯია, რომელიც გადაიხდება მანამ, სანამ მოდელი ერთ კითხვასაც კი უპასუხებს. კალიფორნიის უნივერსიტეტის (ბერკლი) 2021 წლის ხშირად ციტირებულმა კვლევამ დაადგინა, რომ GPT-3-ის წვრთნამ დაახლოებით 1,287 მეგავატ-საათი მოიხმარა — დაახლოებით იმდენივე, რამდენსაც 123 საშუალო ამერიკული ოჯახი წელიწადში ხარჯავს — და დაახლოებით 552 ტონა CO2 გამოყო. არც OpenAI-ს, არც Google-ს და არც Anthropic-ს არ გამოუქვეყნებია მსგავსი მონაცემები დღევანდელი წამყვანი მოდელებისთვის, რომლებიც, სავარაუდოდ, GPT-3-ზე გაცილებით მეტ მონაცემსა და გამოთვლით სიმძლავრეზეა გაწვრთნილი. სწორედ ეს გამჭვირვალობის ნაკლებობაა კამათის ცენტრში — ოფიციალური მონაცემების გარეშე, თანამედროვე წამყვანი მოდელის წვრთნის შეფასებული ხარჯი ერთმანეთისგან ათობით თუ ათასობით ჯერ განსხვავდება.
ნამდვილი ზრდა მონაცემთა ცენტრებშია
ცალკეული მოთხოვნა თუ ცალკეული წვრთნა არ არის ის, რაც ელექტროქსელებს ტვირთავს — მათი რაოდენობაა პრობლემა. საერთაშორისო ენერგეტიკის სააგენტოს (IEA) მონაცემებით, მსოფლიოს მონაცემთა ცენტრებმა 2024 წელს დაახლოებით 415 ტერავატ-საათი ელექტროენერგია მოიხმარეს — მსოფლიო მოხმარების დაახლოებით 1.5% — და ეს მაჩვენებელი 2030 წლისთვის თითქმის გაორმაგდება, დაახლოებით 945 ტერავატ-საათამდე (მსოფლიო მოხმარების თითქმის 3%). სააგენტო ამ ზრდის დიდ ნაწილს AI-ს მიაწერს: AI-სთვის ოპტიმიზებული სერვერების ელექტროენერგიის მოხმარება წელიწადში დაახლოებით 30%-ით იზრდება, ჩვეულებრივი სერვერების 9%-თან შედარებით, ხოლო დამატებული მოთხოვნის თითქმის 80% აშშ-სა და ჩინეთზე მოდის. უფრო მოწინავე ჩიპები საშუალებას იძლევა, იმავე მონაცემთა ცენტრის ფართობში მეტი AI გამოთვლითი სიმძლავრე განთავსდეს, მაგრამ ეს არ ამცირებს იმ ჩიპების მთლიან ელექტროენერგიის მოხმარებას, როცა ისინი დღე-ღამის განმავლობაში განუწყვეტლივ მუშაობენ.
წყლის საკითხი
წყალი სურათში ძირითადად გაგრილების გზით ჩნდება. მონაცემთა ცენტრები მჭიდროდ განლაგებული აპარატურის გამო დიდძალ სითბოს გამოყოფენ, და ბევრი მათგანი კვლავ აორთქლებით გაგრილების სისტემებს იყენებს, რაც სუფთა წყლის ხარჯვას მოითხოვს. ცალკეული მოთხოვნის დონეზე — Google-ის 0.26 თუ OpenAI-ის 0.32 მილილიტრი — წყლის ხარჯი უმნიშვნელოა, მაგრამ თუ მას დღეში მილიარდობით მოთხოვნაზე გადავთვლით და დავამატებთ ამ კომპანიების დანარჩენი ინფრასტრუქტურის გასაგრილებლად დახარჯულ წყალსაც, ერთი დიდი დაწესებულების წლიური მოხმარება ასობით მილიონ გალონს აღწევს. სწორედ ამიტომ არის წყალი — და არა მხოლოდ ელექტროენერგია — ახალი მონაცემთა ცენტრების მშენებლობის ადგილის შერჩევის ერთ-ერთი მთავარი საკამათო თემა.
რატომ იქცევა ეს ადგილობრივ დაპირისპირებად
რაც უფრო სწრაფად მიმდინარეობს AI-ზე ორიენტირებული მონაცემთა ცენტრების მშენებლობა, მით მეტდება ადგილობრივი წინააღმდეგობაც — არა ერთი ჩატბოტის პასუხის ენერგიის, არამედ იმ ქალაქებში ელექტროენერგიის გაძვირებული ტარიფების, წყლის რესურსების დაძაბულობისა და ქსელური სიმძლავრის სიმცირის გამო, სადაც ეს დაწესებულებები რეალურად შენდება. სწორედ ამ დაძაბულობის გამო შემოიღეს აშშ-ის არაერთმა შტატმა და ქალაქმა მონაცემთა ცენტრის მორატორიუმები — ახალი ნებართვების დროებითი შეჩერება, სანამ ენერგოკომპანიები საკმარის გენერაციულ სიმძლავრეს ვერ დაამატებენ.
მაშ, პრობლემაა თუ არა?
გულწრფელი პასუხი ასეთია: დამოკიდებულია, რას ვზომავთ. ერთი მოთხოვნის დონეზე, AI ჩატბოტის გამოყენება წვრილმანია, ვთქვათ, მანქანით მგზავრობასთან თუ ჭურჭლის სარეცხი მანქანის მუშაობასთან შედარებით. მაგრამ AI-ის ჯამური ენერგომოხმარება გაცილებით სწრაფად იზრდება, ვიდრე ელექტროენერგიაზე მოთხოვნის უმეტესი სხვა წყარო, კონცენტრირებულია რამდენიმე რეგიონში და — რადგან კომპანიები იშვიათად ავრცელებენ ინფორმაციას წვრთნის ხარჯებსა თუ დაწესებულების მთლიან წყლის მოხმარებაზე — გარეშე დამკვირვებლისთვის გაცილებით ძნელი გადასამოწმებელია, ვიდრე ერთი მოთხოვნის „მოწესრიგებული" რიცხვები გვაფიქრებინებს. საყურადღებო არა ერთი პასუხის ენერგომოხმარებაა, არამედ ის, თუ რამდენად სწრაფად შენდება მონაცემთა ცენტრები, რომლებიც მილიარდობით ასეთ მოთხოვნას პასუხობენ.
სიახლეებში
სწორედ ეს ზრდაა მიზეზი, რის გამოც ჩიპების მწარმოებლები კვლავ აფართოებენ სიმძლავრეს: TSMC-მა ცოტა ხნის წინ არიზონას ქარხნებისთვის დამატებით $100 მილიარდი გამოაცხადა, რითაც მისმა ჯამურმა აშშ-ურ ინვესტიციამ $265 მილიარდს მიაღწია. სწორედ ასეთი მასშტაბის მოწინავე ჩიპები აძლევს AI კომპანიებს საშუალებას, იმავე მონაცემთა ცენტრის ფართობში სულ უფრო მეტი გამოთვლითი სიმძლავრე — და, შესაბამისად, ელექტროენერგიის მოხმარებაც — მოაქციონ.