به گزارش مدیاتی، مراکز داده هایپراسکیل آمریکا طی یک سال حدود ۸۲ تراواتساعت برق مصرف کردهاند؛ رقمی معادل ۱٫۸ درصد مصرف برق این کشور و بیشتر از مصرف سالانه ایالتهایی مانند میزوری، کنتاکی و نیوجرسی. این مصرف، که با رشد هوش مصنوعی شتاب گرفته، سالانه حدود ۲۵٫۷ میلیون تن دیاکسیدکربن تولید میکند.
دیتاسنترهای هوش مصنوعی در مقیاس مصرف برق یک ایالت
پژوهشگران دانشگاه هاروارد با بررسی دادههای ۴۰۳ مرکز داده هایپراسکیل در آمریکا، میزان مصرف برق این تأسیسات را در فاصله مه ۲۰۲۴ تا آوریل ۲۰۲۵ برآورد کردهاند. بر اساس برآورد اصلی، این مراکز در مجموع ۸۲ تراواتساعت برق مصرف کردهاند؛ اما در سناریوی حداکثری، رقم مصرف میتواند به ۹۹ تراواتساعت برسد.
برای درک ابعاد این عدد، مصرف ۹۹ تراواتساعت با برق مصرفی سالانه ایالتهایی مانند میشیگان و واشینگتن برابری میکند. حتی برآورد محافظهکارانهتر نیز از مصرف برق سالانه چند ایالت پرجمعیت آمریکا بیشتر است. این مقایسه نشان میدهد مراکز داده دیگر صرفاً مجموعهای از سرورها نیستند؛ بلکه به زیرساختهایی با اثرگذاری در مقیاس شبکه برق ملی تبدیل شدهاند.
رشد مدلهای زبانی بزرگ، سامانههای مولد هوش مصنوعی و خدمات ابری، مهمترین عامل افزایش تقاضا برای این مراکز است. آموزش مدلهای پیشرفته به هزاران یا حتی میلیونها پردازنده شتابدهنده نیاز دارد و اجرای مداوم آنها برای پاسخگویی به کاربران نیز بار مصرفی پایداری ایجاد میکند. در نتیجه، افزایش تقاضای محاسباتی همزمان با توسعه فیزیکی دیتاسنترها، ظرفیت تولید و انتقال برق را تحت فشار قرار داده است.
وابستگی به سوخت فسیلی و هزینه زیستمحیطی پردازش هوش مصنوعی
برآورد پژوهشگران نشان میدهد حدود ۵۴ درصد برق مصرفی مراکز داده هایپراسکیل از منابع فسیلی تأمین میشود. این وابستگی باعث شده فعالیت این تأسیسات در بازه یکساله بررسیشده، با انتشار حدود ۲۵٫۷ میلیون تن دیاکسیدکربن همراه باشد؛ رقمی که از نظر مقیاس، با انتشار کربن ۶۷ نیروگاه گاز طبیعی قابل مقایسه است.
شدت این اثر به محل استقرار دیتاسنتر و ترکیب منابع تولید برق در همان منطقه بستگی دارد. مرکزی که از شبکهای متکی بر گاز و زغالسنگ استفاده میکند، ردپای کربنی بسیار بیشتری از تأسیساتی خواهد داشت که برق خود را از منابع کمکربن یا تجدیدپذیر دریافت میکند. بااینحال، افزایش تقاضا برای برق پاک نیز بهتنهایی مسئله را حل نمیکند؛ زیرا ساخت نیروگاه، خطوط انتقال و سامانههای پشتیبان به زمان و سرمایهگذاری گسترده نیاز دارد.
مصرف آب نیز یکی دیگر از هزینههای پنهان زیرساخت هوش مصنوعی است. بسیاری از دیتاسنترهای بزرگ برای دفع گرمای تولیدشده در رکهای پردازشی به سامانههای خنکسازی آبی متکی هستند. بنابراین، رقابت بر سر برق در برخی مناطق با فشار بر منابع آب، افزایش قیمت زمین و نگرانی درباره اشغال اراضی گسترده همراه شده است.
ابهام در دادهها و افزایش مخالفتهای محلی
برآورد دقیق مصرف انرژی دیتاسنترها بهدلیل نبود شفافیت کافی دشوار است. بسیاری از شرکتهای فناوری، اطلاعات تفصیلی درباره مصرف برق، میزان استفاده واقعی از ظرفیت پردازشی و انتشار مستقیم یا غیرمستقیم آلایندهها را منتشر نمیکنند. پژوهش هاروارد نیز بخشی از دادههای تجاری و فرضیات مربوط به ظرفیت عملیاتی مراکز داده را مبنا قرار داده است؛ موضوعی که امکان راستیآزمایی مستقل همه ارقام را محدود میکند.
الکس د فریس-گائو، پژوهشگر دانشگاه آزاد آمستردام، معتقد است نتایج این مطالعه با برآوردهای آژانس بینالمللی انرژی همخوانی دارد؛ بااینحال، تفاوت در نحوه محاسبه ظرفیت و میزان بهرهبرداری میتواند نتایج نهایی را تغییر دهد. فرانچسکا دومینیچی از دانشگاه هاروارد نیز بر ضرورت انتشار دادههای دقیقتر از سوی شرکتهای فناوری تأکید کرده است تا پیامدهای واقعی توسعه هوش مصنوعی برای شبکه برق و محیطزیست روشنتر شود.
فشار اجتماعی در آمریکا همزمان با رشد مصرف انرژی افزایش یافته است. بر اساس نظرسنجی مورد اشاره در گزارش، ۷۶ درصد آمریکاییها با ساخت دیتاسنتر جدید در محل زندگی خود مخالفت کردهاند. نگرانی شهروندان فقط به آلودگی محدود نمیشود؛ افزایش بهای برق، مصرف آب، صدای تجهیزات خنککننده، ترافیک ساختوساز و تغییر کاربری زمین نیز در شکلگیری این مخالفتها نقش دارد.
نمونهای از این تنش در یوتا دیده میشود؛ جایی که طرح ساخت مرکزی با مساحتی حدود دو برابر منهتن مطرح شده است. برآوردها نشان میدهد این پروژه میتواند تقاضای اوج مصرف برق ایالت را تقریباً دو برابر کند. برخی پروژههای جدید نیز برای کاهش وابستگی به شبکه سراسری، به نیروگاههای گازی اختصاصی روی آوردهاند؛ راهکاری که ممکن است پایداری انرژی را افزایش دهد، اما انتشار گازهای گلخانهای و فشار محلی بر محیطزیست را بیشتر میکند.
هایپراسکیلکردن زیرساختها از نظر اقتصادی مزیتهایی مانند کاهش هزینه پردازش و افزایش بهرهوری عملیاتی دارد، اما همین تمرکز جغرافیایی، ریسکهای محلی را تشدید میکند. در چنین شرایطی، توسعه هوش مصنوعی به برنامهریزی همزمان برای ظرفیت شبکه، منابع آب، انرژی کمکربن و سازوکارهای شفاف گزارشدهی نیاز دارد؛ در غیر این صورت، هزینه واقعی پردازش ارزانتر و سریعتر، به جوامع محلی و زیرساخت عمومی منتقل خواهد شد.
منبع: زومیت









