Оправдано ли чувство вины из-за ChatGPT? Мы тщательно изучили заявления Сэма Альтмана и раскрыли правду.
Стоит ли испытывать чувство вины за использование ChatGPT? Мы расследуем заявления Сэма Альтмана и разъясняем реальность использования искусственного интеллекта.
Самое важное, что вам нужно знать
- Основная разница в оценках потребления воды в системах искусственного интеллекта заключается в масштабе измерений; в то время как оценка Альтмана фокусируется на воде, непосредственно используемой для охлаждения на месте, другие исследования включают воду, потребляемую для выработки электроэнергии, которая может составлять 75% от общего водопотребления.
- Утверждение Сэма Альтмана о том, что 38 000 запросов к ChatGPT потребляют количество воды, эквивалентное одному миндальному ореху, основано на наилучших сценариях для современных устройств и нетребовательных запросов, в то время как независимые исследования показывают, что фактическое потребление может быть в сотни раз выше.
- Сравнивать потребление чат-ботов с миндалем — некорректно; хотя индивидуальное потребление невелико, общий объем миллиардов ежедневных запросов и операций по обучению моделей остается огромным, а центры обработки данных усиливают локальный дефицит воды в засушливых регионах.
Если вы проводите время в социальных сетях, вы, вероятно, сталкивались с концепцией « вины ИИ ». Суть в том, что каждый раз, когда вы просите ChatGPT составить вежливое электронное письмо или приготовить быстрый рецепт ужина, где-то на ферме серверов расходуется огромное количество чистой питьевой воды, чтобы чипсы не растворились.
Теперь Сэм Альтман , генеральный директор OpenAI , пытается развеять это широко распространенное мнение. В первом выпуске подкаста Sources с Алексом Хитом Альтман решительно оспорил представление о том, что простые приложения ИИ являются экологическими катастрофами.
В качестве контраргумента он сравнил продукт с популярной закуской.
38 000 запросов в ChatGPT = один миндальный орех? Мы тщательно изучили цифры, чтобы выяснить правду.
Смотрите на YouTube
По словам Альтмана, центры обработки данных, потребляющие миллионы галлонов воды, используют устаревшие технологии охлаждения. Он утверждал, что выполнение 38 000 запросов ChatGPT в современных центрах обработки данных потребляет столько же воды, сколько производство одного калифорнийского миндаля . Он признал, что приводит цифру по памяти и что она может быть не совсем точной, но настаивал на том, что она находится в допустимом диапазоне.
Это смелое заявление, призванное создать впечатление почти экологической нейтральности ежедневного использования чат-ботов. Но выдерживают ли эти цифры проверку, и стоит ли перестать беспокоиться об экологических издержках ваших запросов?
Расчеты: Сколько воды на самом деле потребляет миндаль?
Чтобы оценить утверждение Альтмана, мы должны начать с миндаля.
Калифорния производит около 80% мирового миндаля , и, согласно наиболее распространенной сельскохозяйственной оценке, затраты воды на выращивание одного миндального ореха составляют около 1.1 галлона (приблизительно 4.16 литра) . Отдельный анализ определяет общий водный след примерно в 12 литров (3.2 галлона) с учетом осадков и компенсации загрязнения. Миндаль известен как водоемкая культура, поскольку его деревья требуют постоянного полива в течение всего года.
Если мы серьезно отнесемся к коэффициенту Альтмана, используя прямую оценку орошения:
1 миндаль равен примерно 1.1 галлону (4,164 мл) воды.
38 000 запросов в ChatGPT = 1 миндаль
1 запрос ChatGPT = ~0.0000289 галлонов (~0.11 мл воды)
Для сравнения, стандартная лабораторная капля воды или глазная пипетка содержит около 0.05 мл.
Согласно подсчетам Альтмана, задавание вопроса на ChatGPT расходует примерно две капли воды.
Если эта цифра кажется вам смехотворно низкой по сравнению с тем, что вы читали ранее, вам не кажется. Она также не совсем совпадает с более ранними заявлениями Альтмана.
В июне 2025 года он написал в своем блоге «Мягкая сингулярность» , что типичный запрос в ChatGPT потребляет около 0.000085 галлонов воды, что составляет примерно 0.32 мл.
Используя эти данные вместе с общепринятыми оценками потребления миндаля, мы получаем около 11 000 запросов на один миндальный орех, а не 38 000. Его собственные данные указывают в том же направлении, но отличаются в деталях.
Откуда взялась история о том, что «искусственный интеллект истощает ваши запасы воды»?
Общественная дискуссия о потреблении воды искусственным интеллектом началась давно и восходит к широко обсуждаемому исследованию, проведенному учеными из Калифорнийского университета в Риверсайде и Техасского университета в Арлингтоне.
В исследовательской работе под названием «Как сделать ИИ менее «жаждущим »», опубликованной в черновом варианте в 2023 году, а затем в журнале Communications of the ACM в 2025 году, подсчитано, что короткий разговор, состоящий из 10–50 ответов от большой языковой модели (LLM), такой как GPT-3, потребляет приблизительно 500 миллилитров воды — эквивалент одной стандартной пластиковой бутылки воды. Это примерно 10–50 миллилитров на один ответ, что может быть в сотни раз больше, чем оценка Альтмана.
Итак, в чем причина такого большого расхождения?
Частично ответ кроется в используемом оборудовании и модели. Оценка Альтмана относится к несложным запросам, выполняемым на современной инфраструктуре с использованием актуальных моделей. Однако исследование Калифорнийского университета в Риверсайде анализировало модель GPT-3 на более старых системах.
لكن العامل الأكبر هو ما يحسبه كل رقم بالفعل. يكاد يكون تقدير Altman يعكس فقط مياه التبريد في الموقع، أي المياه المستهلكة مباشرة في مركز البيانات. أما رقم جامعة كاليفورنيا، ريفرسايد، فيشمل كلاً من التبريد في الموقع و Потребление воды на электростанциях для выработки электроэнергии, используемой этими серверами, представляет собой более широкий расчет, известный как водопотребление категорий 1 и 2. Независимые анализы показывают, что На долю производства электроэнергии может приходиться до 75% общего водопотребления. За одним-единственным запросом ИИ скрывается проблема. Это означает, что разрыв заключается не просто в разнице между старыми и новыми устройствами, а в том, где определены границы измерения.
В подкасте Альтман напрямую затронул вопрос устаревшего оборудования, утверждая, что предыдущие оценки основывались на системах испарительного охлаждения. В таких старых системах массивные градирни буквально испаряют пресную воду в атмосферу, чтобы охладить горячий воздух, исходящий от серверных стоек. После испарения эта вода теряется из местного водоема.
Альтман утверждал, что в современных сверхкрупных центрах обработки данных широко используются замкнутые системы жидкостного охлаждения, в которых вода или специальная охлаждающая жидкость циркулирует по герметичным трубам, подобно автомобильному радиатору, практически без потерь жидкости за счет испарения. В таких объектах, как заметил Альтман, потребление воды несопоставимо с потреблением воды в среднем коммерческом офисном здании со стандартными раковинами и туалетами.
Ирония: почему сравнение миндаля — всего лишь классический трюк Кремниевой долины.
Несмотря на то, что современные центры обработки данных, несомненно, повышают свою эффективность в расчете на единицу токена, сравнение команд чат-ботов с сельскохозяйственными культурами игнорирует ряд фундаментальных фактов.
Общий масштаб против индивидуальной вины. Вы можете использовать всего две капли воды, чтобы проверить формулу в электронной таблице, но OpenAI в настоящее время обслуживает около 900 миллионов активных пользователей в неделю, обрабатывая миллиарды команд ежедневно . Когда вы умножаете крошечные доли миллиметра в этом глобальном масштабе, плюс текущее обучение модели, которое, по оценкам исследователей из Калифорнийского университета в Риверсайде, потребляет сотни тысяч галлонов на начальном этапе, общая сумма остается огромной.
В данном регионе дефицит воды превышает среднемировые показатели. Миндальный сад в Центральной долине зависит от выделенных штатом водных ресурсов и существующих сельскохозяйственных ирригационных каналов. Центры обработки данных для ИИ, с другой стороны, часто строятся в пригородах и полузасушливых регионах (таких как Финикс, Северная Вирджиния, а также некоторые районы Техаса и Джорджии), где они напрямую зависят от муниципальных систем водоснабжения. Даже современное, эффективное сооружение может создавать нагрузку, конкурируя с жилыми кварталами во время экстремальной летней жары.
Не все запросы к ИИ одинаковы. Цифра Альтмана в 38 000 запросов основана на стандартном, упрощенном логическом мышлении, поэтому представьте себе базовые текстовые ответы GPT-40. Но отрасль быстро движется к моделям логического мышления и автономным агентам ИИ. Когда ИИ «думает» перед ответом, запускает код Python во внутренней, изолированной тестовой среде, осуществляет поиск в реальном времени в интернете и корректирует себя с помощью множества логических циклов, он потребляет гораздо больше вычислительной мощности на команду, чем простой чат-бот. Независимые исследователи указывают на то, что такие более ресурсоемкие задачи могут… Оно потребляет в несколько раз больше энергии.، وبالتالي تستهلك Plus من الماء.
Компромисс в плане энергопотребления. Когда операторы центров обработки данных отказываются от испарительного охлаждения воды, они часто заменяют его энергоемкими чиллерами, механическими тепловыми насосами и высокоскоростными вентиляторами. Короче говоря: сокращение потребления воды на месте часто означает значительное увеличение потребления электроэнергии из местной электросети, которая, в зависимости от способа выработки электроэнергии, имеет свой собственный косвенный водный и углеродный след.
Заключительные мысли
Утверждение Альтмана в значительной степени опирается на наилучшие сценарии для современных устройств с замкнутым контуром управления, игнорируя при этом огромные инфраструктурные требования для процветания ИИ. Его цифра в 38 000 запросов на миндалевидное тело может быть приемлемой в качестве приблизительной оценки одного легковесного запроса на новейшем оборудовании, но она отражает лишь часть картины и игнорирует траекторию развития отрасли.
Комментарии закрыты.