आर्टिफिशियल इंटेलिजेंस के बड़े मॉडल जितनी तेजी से लोकप्रिय हो रहे हैं, उनके पीछे उतनी ही तेजी से बिजली, पानी और डेटा सेंटर इंफ्रास्ट्रक्चर की मांग बढ़ रही है. AI सिस्टम को चलाने वाले GPU बड़ी संख्या में गणनाएं एक साथ करते हैं, लेकिन इस प्रक्रिया में काफी गर्मी पैदा होती है. हार्डवेयर को सुरक्षित रखने के लिए इस गर्मी को लगातार बाहर निकालना पड़ता है.

AI डेटा सेंटरों में इस्तेमाल होने वाली cooling व्यवस्था इस संसाधन दबाव का अहम हिस्सा है. कई केंद्र evaporative cooling पर निर्भर हैं, जिसमें पानी की मदद से गर्मी हटाई जाती है और उसका एक हिस्सा भाप बनकर खत्म हो जाता है. ऐसे में AI सेवाओं के उपयोग में बढ़ोतरी का असर सिर्फ बिजली की खपत तक सीमित नहीं रहता, बल्कि पानी की उपलब्धता पर भी पड़ सकता है.

GPU की तेज गणना के साथ बढ़ती गर्मी

AI मॉडल को प्रशिक्षित करने के लिए बड़ी मात्रा में डेटा पर बार-बार गणना करनी पड़ती है. इसके लिए इस्तेमाल होने वाले Graphics Processing Units यानी GPUs हजारों गणनाएं समानांतर रूप से कर सकते हैं. यही क्षमता उन्हें AI के लिए उपयोगी बनाती है, लेकिन अधिक processing का सीधा असर बिजली की खपत और गर्मी पर पड़ता है.

स्रोत में Massachusetts Institute of Technology के शोध का हवाला देते हुए कहा गया है कि एक बड़े भाषा मॉडल को प्रशिक्षित करने में कई मिलियन लीटर ताजे पानी की जरूरत पड़ सकती है. इसी तरह, International Energy Agency के अनुमान के अनुसार 2030 तक AI डेटा सेंटर दुनिया की बिजली मांग के 8 फीसदी तक हिस्से से जुड़े हो सकते हैं. ये अनुमान मॉडल के आकार, डेटा सेंटर की जगह और cooling तकनीक के आधार पर बदल सकते हैं.

स्रोत में एक सामान्य ChatGPT query के लिए 0.32 मिलीलीटर पानी की खपत का आंकड़ा भी दिया गया है. हालांकि, ऐसी खपत मॉडल, डेटा सेंटर, मौसम, cooling व्यवस्था और query की प्रकृति के अनुसार अलग हो सकती है. इसलिए इसे सभी AI सेवाओं पर लागू होने वाला स्थिर आंकड़ा नहीं माना जाना चाहिए.

कम पानी वाली cooling और waste heat का इस्तेमाल

S&R Associates के public policy और knowledge management प्रमुख Deborshi Barat के मुताबिक liquid cooling और immersion cooling जैसी तकनीकें भविष्य में उपयोगी हो सकती हैं. Air-based cooling अपनाने और डेटा सेंटरों को कम जल-संकट वाले क्षेत्रों में स्थापित करने से भी पानी का दबाव घटाया जा सकता है.

डेटा सेंटरों से निकलने वाली अतिरिक्त गर्मी को बेकार जाने देने के बजाय आसपास के औद्योगिक या कृषि इस्तेमाल में लाने की संभावना पर भी चर्चा हो रही है. हालांकि, इसका व्यावहारिक उपयोग स्थानीय इंफ्रास्ट्रक्चर और परियोजना की डिजाइन पर निर्भर करेगा.

छोटे मॉडल और software स्तर पर बदलाव

International Institute for Sustainable Development से जुड़े Sushant Singh ने छोटे भाषा मॉडलों को एक संभावित विकल्प बताया है. उनके अनुसार छोटे मॉडल कई मामलों में समान या बेहतर accuracy दे सकते हैं और बड़े मॉडलों की तुलना में कम ऊर्जा तथा पानी की जरूरत रख सकते हैं.

Model compression computational load घटाने का एक तरीका है. इसके अलावा carbon-aware scheduling के जरिए AI workloads को ऐसे समय चलाया जा सकता है जब बिजली व्यवस्था में कम-कार्बन ऊर्जा की उपलब्धता अधिक हो. इससे कुल ऊर्जा मांग पूरी तरह खत्म नहीं होगी, लेकिन उसके पर्यावरणीय असर को कम किया जा सकता है.

नियमन और स्वच्छ ऊर्जा की भूमिका

Singh के मुताबिक कंपनियों द्वारा अलग-अलग custom large language models विकसित करने से संसाधनों की मांग बढ़ सकती है, क्योंकि कई मॉडल पहले से मौजूद प्रणालियों के हिस्सों का दोबारा इस्तेमाल करते हैं. उनका सुझाव है कि नियमन के जरिए मॉडल के आकार या token count पर कुछ सीमाएं और जवाबदेही तय की जा सकती है.

AI की ऊर्जा जरूरत को पूरी तरह खत्म करना संभव नहीं होगा. लेकिन स्रोत में सुझाए गए उपायों के अनुसार डेटा सेंटरों को renewable या कम-प्रदूषण वाली ऊर्जा, जैसे solar, hydro और कुछ मामलों में nuclear power, से जोड़ने पर जोर दिया जा सकता है. AI का विस्तार किस गति से होगा, इसका असर इस बात पर निर्भर करेगा कि उद्योग और सरकारें ज्यादा सक्षम मॉडल के साथ-साथ उनके संसाधन footprint को कितना महत्व देती हैं.