Ο ψηφιακός κόσμος καταπίνει λαίμαργα το νερό που προορίζεται κανονικά για τους ανθρώπους

6/12/2025

Η κατανάλωση νερού των κέντρων δεδομένων τεχνητής νοημοσύνης: Μια υποτιμημένη περιβαλλοντική πρόκληση

 Η χρήση της τεχνητής νοημοσύνης (ΤΝ) και της μηχανικής μάθησης αυξάνεται ραγδαία στον σύγχρονο κόσμο και έχει εγείρει μια σειρά από ανησυχίες, συμπεριλαμβανομένων των περιβαλλοντικών επιπτώσεων αυτών των τεχνολογιών. Έχει γίνει μεγάλη δημόσια συζήτηση σχετικά με την κατανάλωση ενέργειας των κέντρων δεδομένων ΤΝ, αλλά σχεδόν καθόλου συζήτηση δεν έχει γίνει για την κατανάλωση νερού τους - μέχρι τώρα. (Ενημερωμένη έκδοση 2025)

Τι είναι τα κέντρα δεδομένων τεχνητής νοημοσύνης;

Τα κέντρα δεδομένων τεχνητής νοημοσύνης, γνωστά και ως κέντρα υπολογιστικής τεχνητής νοημοσύνης, είναι εγκαταστάσεις που στεγάζουν τους τεράστιους υπολογιστικούς πόρους και τις χωρητικότητες αποθήκευσης που επιτρέπουν σε chatbots όπως το ChatGPT να μαθαίνουν και να αποθηκεύουν πληροφορίες. Σε πολλά μέρη του κόσμου, τα κέντρα δεδομένων βρίσκονται σε τεράστιες αποθήκες που απαιτούν παροχή ρεύματος 24/7, με αυστηρά ελεγχόμενο εσωτερικό κλίμα για να διασφαλίζεται η βέλτιστη απόδοση της τεχνολογίας.

Ως εκ τούτου, τα κέντρα δεδομένων έχουν προσελκύσει αρνητική προσοχή από τα μέσα ενημέρωσης λόγω της τεράστιας ποσότητας ενέργειας που καταναλώνουν. Σύμφωνα με μια μελέτη ερευνητών του Πανεπιστημίου της Καλιφόρνια στο Ρίβερσαϊντ και του Πανεπιστημίου του Τέξας στο Άρλινγκτον με τίτλο «Κάνοντας την Τεχνητή Νοημοσύνη λιγότερο «διψασμένη»: Αποκαλύπτοντας και αντιμετωπίζοντας το μυστικό υδατικό αποτύπωμα των μοντέλων τεχνητής νοημοσύνης», εκτιμάται ότι τα κέντρα δεδομένων τεχνητής νοημοσύνης καταναλώνουν συνολικά το 2% της παγκόσμιας παραγόμενης ηλεκτρικής ενέργειας.(1)

Λιγότερο γνωστή, ωστόσο, είναι η ποσότητα νερού που καταναλώνουν αυτές οι εγκαταστάσεις. Το BBC News παρέθεσε πρόσφατα τα λόγια του Δρ. Venkatesh Uddameri, ειδικού στη διαχείριση υδάτινων πόρων, ο οποίος εξήγησε ότι ένα τυπικό κέντρο δεδομένων μπορεί να καταναλώσει μεταξύ 11 και 19 εκατομμυρίων λίτρων νερού ημερησίως - περίπου το ίδιο με μια πόλη 30.000 έως 50.000 κατοίκων. (2)

Σε περιοχές με πολλαπλά κέντρα δεδομένων, αυτό ασκεί σημαντική πίεση στους τοπικούς υδάτινους πόρους. Στη Βιρτζίνια, για παράδειγμα, η οποία έχει τη μεγαλύτερη συγκέντρωση κέντρων δεδομένων στον κόσμο, η κατανάλωση νερού αυξήθηκε κατά δύο τρίτα μεταξύ 2019 και 2023, από 4,28 δισεκατομμύρια λίτρα σε 7,0 δισεκατομμύρια λίτρα. (3)

Γιατί τα κέντρα δεδομένων καταναλώνουν τόσο πολύ νερό;

Τα κέντρα δεδομένων τεχνητής νοημοσύνης καταναλώνουν νερό με δύο τρόπους — άμεσα και έμμεσα — και το χρησιμοποιούν περισσότερο κατά τη «φάση εκπαίδευσης»: τη στιγμή που η τεχνητή νοημοσύνη λαμβάνει δεδομένα και προγραμματίζεται να αντιδράσει.

Έμμεση Κατανάλωση

Η έμμεση κατανάλωση αναφέρεται στο νερό που χρησιμοποιείται εκτός της εγκατάστασης για την παραγωγή ενέργειας. Ένα παράδειγμα αυτού θα μπορούσε να είναι το νερό που χρησιμοποιείται στους πύργους ψύξης των μονάδων παραγωγής ενέργειας με καύση άνθρακα. Παρόλο που τα κέντρα τεχνητής νοημοσύνης δεν καταναλώνουν άμεσα αυτό το νερό, η τεράστια ζήτηση ηλεκτρικής ενέργειας που έχουν σημαίνει ότι, σε σύγκριση με άλλους τύπους εγκαταστάσεων, χρησιμοποιείται περισσότερο νερό για να διατηρούνται τα κέντρα σε λειτουργία καθ' όλη τη διάρκεια της ημέρας.

Άμεση Κατανάλωση

Η άμεση κατανάλωση νερού αναφέρεται στο νερό που χρησιμοποιείται επιτόπου από το κέντρο δεδομένων για τους δικούς του σκοπούς ψύξης. Σχεδόν όλη η ενέργεια που παρέχεται στους διακομιστές του κέντρου δεδομένων μετατρέπεται σε θερμότητα, μια διαδικασία που επιδεινώνεται από το μέγεθος του εξοπλισμού. Για τη διατήρηση σταθερών θερμοκρασιών λειτουργίας, το νερό κυκλοφορεί μέσω ενός συστήματος εναλλάκτη θερμότητας για την ψύξη του εξοπλισμού και την αποφυγή υπερθέρμανσης.

Το νερό για σκοπούς ψύξης είναι επίσης απαραίτητο για την αντιμετώπιση των αλλαγών στην εξωτερική θερμοκρασία που προκαλούνται από τα εποχιακά καιρικά φαινόμενα. Αυτό είναι ιδιαίτερα ανησυχητικό δεδομένης της αυξανόμενης συχνότητας των θερμότερων καλοκαιριών και της επακόλουθης λειψυδρίας που γίνεται αισθητή παγκοσμίως. Αυτό εγείρει την πιθανή υποψία ότι τα κέντρα δεδομένων καταναλώνουν νερό που θα έπρεπε να προορίζεται για ευάλωτες κοινότητες. Αυτό το πρόβλημα είναι πιθανό να επιδεινωθεί καθώς η κλιματική κρίση εντείνεται και τα καιρικά φαινόμενα γίνονται ολοένα και πιο απρόβλεπτα.

Ενώ η κατανάλωση νερού μπορεί να είναι τεράστια, η μελέτη «Making AI Less ‘Thirsty’» υποδηλώνει επίσης ότι τα λιγότερο τεχνολογικά προηγμένα κέντρα δεδομένων θα μπορούσαν να καταναλώνουν έως και τρεις φορές περισσότερο νερό από τα αντίστοιχα σύγχρονα. Αυτό είναι ανησυχητικό, δεδομένου ότι έως το 2030, το ήμισυ του παγκόσμιου πληθυσμού προβλέπεται να υποφέρει από σοβαρή λειψυδρία.

Δύο σημαντικοί περιορισμοί

Ενώ αυτή η νέα ερευνητική εργασία είναι συναρπαστική, είναι σημαντικό να θυμόμαστε ότι τα δεδομένα σχετικά με αυτό το θέμα είναι λιγοστά. Εν μέρει επειδή έχει διεξαχθεί ελάχιστη έρευνα για τον προσδιορισμό της κατανάλωσης νερού των κέντρων δεδομένων και εν μέρει επειδή - όπως υποδηλώνει η εργασία - οι εταιρείες τεχνολογίας τείνουν να υποβαθμίζουν το πραγματικό κόστος της τεχνολογίας τεχνητής νοημοσύνης. Είναι επίσης σημαντικό να θυμόμαστε ότι, παρόλο που αυτή η έκθεση έχει λάβει ευρεία κάλυψη από τον Τύπο, αυτή η έρευνα και η μεθοδολογία της - από τον Μάιο του 2023 (ενημερώθηκε τον Απρίλιο του 2025) - δεν έχουν αξιολογηθεί από ομοτίμους. Ενώ αυτό δεν μειώνει τη δυνητική σημασία της έρευνας, σημαίνει ότι απαιτείται περαιτέρω διερεύνηση πριν μπορέσουμε να συνδέσουμε οριστικά καταδικαστικά στατιστικά στοιχεία με όλα τα κέντρα δεδομένων τεχνητής νοημοσύνης.

Τι μπορεί να γίνει γι' αυτό;

Εν τω μεταξύ, οι ερευνητές πίσω από το "Making AI Less 'Thirsty'" υποστηρίζουν ότι το πότε και το πού εκπαιδεύονται τα chatbots τεχνητής νοημοσύνης έχει τεράστιο αντίκτυπο στην ποσότητα νερού που καταναλώνουν. Η σημασία της γεωγραφικής θέσης κατά τον καθορισμό των τοποθεσιών των κέντρων δεδομένων θα πρέπει επομένως να αποτελεί υψηλή προτεραιότητα για τις εταιρείες τεχνολογίας, όπως και ο χρόνος της διαδικασίας εκπαίδευσης εντός του ημερολογιακού έτους.

Ωστόσο, μπορούν επίσης να ληφθούν μέτρα για τη μείωση της κατανάλωσης νερού ψύξης ενός κέντρου δεδομένων, ανεξάρτητα από την τοποθεσία του. Για παράδειγμα, οι μονάδες SIRION™ RO προσφέρουν υψηλό ρυθμό ροής και ενεργειακά αποδοτική τεχνολογία μεμβράνης αντίστροφης όσμωσης (RO).

Ως αποτέλεσμα, το 98% της διαλυμένης οργανικής ύλης μπορεί να αφαιρεθεί από τα λύματα ενός κέντρου δεδομένων, επιτρέποντάς τους να ανακυκλωθούν για χρήση σε πύργο ψύξης και μειώνοντας την κατανάλωση νερού — όλα αυτά εξοικονομώντας έως και 50% ηλεκτρική ενέργεια σε σύγκριση με ένα συμβατικό σύστημα. Όταν συνδυάζονται με τα συστήματα Ionsoft™, οι μονάδες αντίστροφης όσμωσης μπορούν να μειώσουν περαιτέρω την ποσότητα νερού που απορρίπτεται, επιτρέποντας στα κέντρα δεδομένων να λειτουργούν πιο βιώσιμα και να μειώνουν το λειτουργικό κόστος.

Τον Φεβρουάριο του τρέχοντος έτους, μια έκθεση του Εθνικού Κέντρου Μηχανικής Πολιτικής (NEPC) κάλεσε την κυβέρνηση του Ηνωμένου Βασιλείου να απαιτήσει από τις εταιρείες τεχνολογίας να γνωστοποιούν την κατανάλωση, την άντληση και τις πηγές νερού. (4) Επομένως, σύντομα ενδέχεται να καταστεί απαραίτητο οι εγκαταστάσεις των κέντρων δεδομένων να εφαρμόσουν πιο αποτελεσματικές λύσεις. Οι ειδικοί μας στην επεξεργασία νερού μπορούν να επισκεφθούν εγκαταστάσεις για να βελτιώσουν την αποδοτικότητα των υφιστάμενων συστημάτων ή να βοηθήσουν τους πελάτες στην ανάπτυξη νέων. Η εμπειρογνωμοσύνη τους διασφαλίζει ότι τα συστήματα λειτουργούν βέλτιστα με ελάχιστη σπατάλη και χαμηλότερη πιθανότητα διακοπής λειτουργίας. -Πηγή: veoliawatertechnologies.de

1 Making AI Less “Thirsty”: Uncovering and Addressing the Secret Water Footprint of AI Models - https://arxiv.org/abs/2304.03271
2  BBC News: Concern UK’s AI ambitions could lead to water shortages - https://www.bbc.co.uk/news/articles/ce85wx9jjndo
3 Demand for AI is driving data center water consumption sky high - https://techcrunch.com/2024/08/19/demand-for-ai-is-driving-data-center-water-consumption-sky-high/.
 4 Engineering Responsible AI: foundations for environmentally sustainable AI -  https://raeng.org.uk/media/2aggau2j/foundations-for-environmentally-sustainable-ai-nepc-report.pdf