هر پرامپت ChatGPT واقعاً چقدر آب مصرف می‌کند؟
گوگل برآورد کرده است که یک پرسش معمولی از چت‌بات جمینای حدود ۰٫۲۶ میلی‌لیتر آب مصرف می‌کند؛ یعنی تقریباً معادل پنج قطره آب. با این حال، اگر پژوهشگران آبی را که برای تولید برق موردنیاز مراکز داده مصرف می‌شود نیز در نظر بگیرند، این رقم به حدود ۰٫۷۲۵ میلی‌لیتر می‌رسد؛ یعنی ۱۷۹ درصد بیشتر. پژوهش‌های پیشین نشان می‌دهند که وقتی این میزان در مقیاس بزرگ بررسی شود، ردپای آبی می‌تواند بسیار بیشتر باشد. در یک مطالعه در سال ۲۰۲۳ که شائولِی رِن، استاد مهندسی برق و کامپیوتر در دانشگاه کالیفرنیا، ریورساید و پژوهشگر ردپای زیست‌محیطی هوش مصنوعی، از نویسندگان همکار آن بود، برآورد شد که یک مدل قدیمی‌تر ChatGPT می‌توانسته به ازای هر ۱۰ تا ۵۰ تعامل کاربر با چت‌بات، نیم لیتر آب مصرف کند.
درک میزان مصرف آب هوش مصنوعی در مقیاس‌های دیگر نیز دشوار است. بر اساس برآورد شرکت لیوایز که برنامه محیط زیست سازمان ملل متحد (UNEP) در سال ۲۰۲۶ به آن استناد کرده است، تولید یک شلوار جین می‌تواند به ۳۸۰۰ لیتر آب نیاز داشته باشد. ردپای آبی یک تی‌شرت نخی نیز حدود ۲۷۲۰ لیتر برآورد شده است، در حالی که مصرف جهانی قهوه و چای در طول یک سال حدود ۱۴۰ تریلیون لیتر آب را به خود اختصاص می‌دهد.
اگرچه این ارقام در مقایسه با برآورد مصرف آب برای یک پرامپت چت‌بات هوش مصنوعی بسیار بزرگ‌ترند، اما عواملی مانند آب باران، آبیاری و آب مرتبط با آلودگی ناشی از فعالیت‌های کشاورزی و تولیدی را نیز در بر می‌گیرند. نگرانی بزرگ‌تر این است که تقاضای تجمعی هوش مصنوعی با چه سرعتی در حال افزایش است و این آب در کجا مصرف می‌شود.
پژوهشی که رن از نویسندگان همکار آن بود و در سال ۲۰۲۵ منتشر شد، پیش‌بینی کرد که عملیات جهانی هوش مصنوعی تا سال ۲۰۲۷ می‌تواند سالانه بین ۴٫۲ تریلیون تا ۶٫۶ تریلیون لیتر آب برداشت کند؛ حجمی معادل چهار تا شش برابر برداشت سالانه آب در دانمارک. چنین مقیاسی از تقاضا این پرسش را مطرح می‌کند که هوش مصنوعی واقعاً چه میزان آب مصرف می‌کند، به‌ویژه در شرایطی که مراکز داده در مناطقی گسترش می‌یابند که از پیش با کمبود آب مواجه‌اند.
اما اگر تقاضای آبی هوش مصنوعی با چنین سرعتی در حال افزایش است، چرا هنوز تعیین میزان مصرف آب یک پرامپت واحد تا این حد دشوار است؟
برآوردها تا حد زیادی به این بستگی دارند که پژوهشگران چه چیزی را اندازه‌گیری می‌کنند. در مطالعه‌ای در سپتامبر ۲۰۲۶، پژوهشگران دانشگاه نورث‌ایسترن و دانشگاه بوستون چارچوبی با عنوان «هزینه آبی هوش» (WCI) ارائه کردند که آب مصرف‌شده به‌طور مستقیم در مراکز داده، آب موردنیاز برای تولید برق و کمبود آب در مناطق مختلف را در محاسبات خود لحاظ می‌کند. این چارچوب تا حدی توضیح می‌دهد که چرا برآورد گوگل پایین‌تر است: این شرکت تنها آبی را که در مراکز داده خود مصرف می‌شود در نظر گرفته و آب موردنیاز برای تولید برق را محاسبه نکرده است.
اما نسبت دادن یک عدد ثابت به هر پرامپت مشکل دیگری نیز دارد: همه درخواست‌ها به یک میزان پردازش نیاز ندارند.
رن می‌گوید: «می‌توان میزان مصرف را برای یک کار کاملاً مشخص و در شرایط عملیاتی معین برآورد کرد، اما دیگر نمی‌توان «یک پرامپت» را واحدی ثابت از کار در نظر گرفت. یک پرامپت ممکن است پاسخی کوتاه تولید کند یا برای انجام یک کار پیچیده، فرایند استدلال گسترده و فراخوانی‌های متعدد مدل را آغاز کند.»
برآوردهای قبلی رن بر پاسخ‌های نسبتاً ساده GPT-3 مبتنی بود. او توضیح می‌دهد که اگرچه مدل‌های جدیدتر هر توکن را با بهره‌وری بیشتری پردازش می‌کنند، یک درخواست واحد امروزی می‌تواند محاسبات بسیار بیشتری را فعال کند. حتی یک پاسخ کوتاه نیز لزوماً به معنای نیاز به پردازش کمتر نیست.
رن می‌گوید مهم است بین آب مصرف‌شده در مراکز داده و آب موردنیاز برای تولید برق تفاوت قائل شویم. او می‌گوید: «ممکن است یک مرکز داده در محل آب کمی مصرف کند، اما به تولید برق بیشتری متکی باشد که در جای دیگری آب اضافی مصرف می‌کند. این مبادله میان مصرف آب در محل و افزایش مصرف برق، به‌ویژه در تابستان و هنگام گرمای هوا، اهمیت زیادی دارد.»
عارف گاسیلُف، شریک شرکت Gasilov Group که در حوزه منابع طبیعی، انرژی و آب تخصص دارد، نیز درباره اینکه اساساً برآورد مصرف به ازای هر پرامپت تا چه اندازه اطلاعات مفیدی ارائه می‌دهد، تردید دارد.
سرورها می‌توانند هزاران درخواست را به‌طور هم‌زمان پردازش کنند، اما صرفاً به دلیل روشن و فعال بودن نیز برق مصرف می‌کنند. آبی که به یک پرامپت خاص نسبت داده می‌شود، معمولاً با استفاده از میانگین‌ها محاسبه می‌شود و مستقیماً اندازه‌گیری نمی‌شود.
گاسیلُف می‌گوید: «بخش بزرگی از مصرف به این مربوط می‌شود که سیستم روشن و فعال است، نه آن مقدار اندکی که با هر پرامپت به مصرف اضافه می‌شود.»
مصرف آب تنها نگرانی موجود نیست. مرکزی داده که از منابع آب فراوان استفاده می‌کند ممکن است فشار کمتری بر محیط اطراف خود وارد کند تا مرکزی که به یک شبکه آب شهری محدود یا چند سفره آب زیرزمینی در یک جامعه بیابانی وابسته است.
او می‌گوید: «این وضعیت می‌تواند تأثیر بسیار، بسیار بزرگ‌تری بر جامعه و منطقه محلی داشته باشد، چون سهم بسیار بیشتری از میزان مصرف محلی را به خود اختصاص می‌دهد.»
تلاش برای کاهش مصرف آب نیز می‌تواند با ملاحظاتی متقابل همراه باشد. گاسیلُف به سامانه‌های خنک‌کننده حلقه‌بسته اشاره می‌کند که به‌جای برداشت مداوم آب جدید، آب را دوباره استفاده می‌کنند. این سامانه‌ها می‌توانند مصرف آب در مراکز داده را کاهش دهند، اما برخی از آنها به برق بیشتری نیاز دارند و در نتیجه ممکن است مصرف آب در نیروگاه‌هایی را که برق موردنیاز آنها را تأمین می‌کنند افزایش دهند.
او همچنین تردید دارد که بهبود بهره‌وری بتواند هم‌پای رشد سریع استفاده از هوش مصنوعی پیش برود.
او می‌گوید: «بعید می‌دانم افزایش بهره‌وری آن‌قدر باشد که بتواند افزایش تعداد افرادی را که از این پلتفرم استفاده می‌کنند، جبران کند.»