Ρεύμα, νερό, κέντρα δεδομένων
ΤΝ & βιωσιμότητα
Η ΤΝ χρειάζεται ρεύμα, νερό και κέντρα δεδομένων. Το πραγματικό ερώτημα, τις περισσότερες φορές, δεν είναι αν ισχύει αυτό, αλλά πού η κατανάλωση γίνεται πράγματι σημαντική.
Θεωρία συστημάτων / αποδοτικότητα
R. Buckminster Fuller
„BuckminsterFuller cropped“ από άγνωστος (ανέβηκε από τον Emerson7 στη en.wikipedia), undatiert
Πηγή: Wikimedia Commons · Άδεια χρήσης: Public Domain (PD-old) · Πηγές εικόνων
Επεξεργασία: Αποκοπή και επεξεργασία από την Today is Life.
Ο Buckminster Fuller δεν ήθελε να μετράει την πρόοδο με το πόση τεχνολογία χρησιμοποιούμε, αλλά με το πόσο έξυπνα χειριζόμαστε τους περιορισμένους πόρους. Η αρχή του ήταν απλή: περισσότερα με λιγότερα. Λιγότερα υλικά, λιγότερη ενέργεια, λιγότερη σπατάλη, με ταυτόχρονα μεγαλύτερο όφελος. Στην ΤΝ το ερώτημα αυτό είναι πιο επίκαιρο από ποτέ. Πίσω από κάθε φαινομενικά αβαρή απάντηση βρίσκονται υπολογιστική ισχύς, ρεύμα, ψύξη και νερό. Η καλύτερη ΤΝ δεν είναι λοιπόν αυτόματα η μεγαλύτερη. Είναι αυτή της οποίας το όφελος δικαιολογεί το κόστος της.
Μια ερώτηση στο ChatGPT και κάπου ανάβει ένας μικρός λιγνιτικός σταθμός; Δεν είναι ακριβώς έτσι. Για πολύ καιρό κυκλοφορούσε ο αριθμός ότι ένα αίτημα στο ChatGPT καταναλώνει δέκα, είκοσι ή ακόμη και πενήντα φορές περισσότερη ενέργεια από μια αναζήτηση στη Google. Το πρόβλημα: αυτές οι συγκρίσεις προέρχονται από μια εποχή όπου η παραγωγική ΤΝ ήταν σαφώς λιγότερο αποδοτική από σήμερα. Επιπλέον, συγκρίνουν πράγματα που όλο και δυσκολότερα συγκρίνονται καθαρά.
Ένα τυπικό αίτημα κειμένου σε ένα σύγχρονο μοντέλο ΤΝ κινείται πλέον σε τάξη μεγέθους περίπου 0,2 έως 0,4 βατώρες. Η Google αναφέρει για ένα αίτημα κειμένου στο Gemini διάμεσο 0,24 Wh (Gemini Apps, μέτρηση Μαΐου 2025, δημοσίευση 21 Αυγούστου 2025· περιλαμβάνονται τσιπ, υπολογιστές υποδοχής, αχρησιμοποίητα αποθέματα και επιβάρυνση κέντρου δεδομένων). Η εκπαίδευση δεν περιλαμβάνεται. Η Epoch AI καταλήγει ανεξάρτητα, για ένα τυπικό αίτημα στο ChatGPT, σε περίπου 0,3 Wh. Ο Sam Altman ανέφερε για το ChatGPT 0,34 Wh. Είναι εκπληκτικά λίγο. Κι όμως το πρόβλημα δεν εξαφανίζεται με αυτό.
Πηγές: Epoch AI – How much energy does ChatGPT use?, Google – Measuring the environmental impact of AI inference
Το πρόβλημα δεν είναι η μία ερώτηση
Μια απλή ερώτηση έχει γίνει φτηνή. Μόνο που δεν κάνουμε μία ερώτηση, αλλά δισεκατομμύρια. Και πλέον δεν αφήνουμε την ΤΝ απλώς να ολοκληρώνει μια πρόταση. Της δίνουμε έγγραφα, την αφήνουμε να ερευνά, να προγραμματίζει, να παράγει εικόνες, να δημιουργεί βίντεο και να εκτελεί μόνη της agents πολλά βήματα εργασίας. Ακριβώς έτσι αλλάζει ο λογαριασμός.
Η Epoch AI εκτιμά ένα τυπικό αίτημα κειμένου σε περίπου 0,3 Wh. Σε πολύ μεγάλες εισόδους μπορεί να γίνει 2,5 Wh και σε εξαιρετικά μεγάλα πλαίσια ακόμη και περίπου 40 Wh. Το «Ένα αίτημα ΤΝ καταναλώνει X» έχει λοιπόν περίπου την ίδια σημασία με το «Μια διαδρομή με το αυτοκίνητο καταναλώνει X». Εξαρτάται, βέβαια, πού πηγαίνει κανείς.
Πηγή: Epoch AI – Κατανάλωση ενέργειας για διαφορετικά αιτήματα ΤΝ
Η ΤΝ γίνεται πιο αποδοτική. Κι όμως καταναλώνει όλο και περισσότερα.
Στην αρχή ακούγεται αντιφατικό, αλλά δεν είναι. Τα μοντέλα γίνονται πιο αποδοτικά. Τα τσιπ γίνονται πιο αποδοτικά. Τα κέντρα δεδομένων γίνονται πιο αποδοτικά. Η Google αναφέρει για παράδειγμα ότι η διάμεση ενεργειακή ανάγκη ενός αιτήματος κειμένου στο Gemini μειώθηκε μέσα σε ένα έτος κατά συντελεστή 33. Η ένδειξη αυτή του κατασκευαστή δεν έχει επαληθευτεί ανεξάρτητα, η κατεύθυνση όμως είναι αρκετά σαφής: η ΤΝ γίνεται σημαντικά πιο αποδοτική ανά υπολογιστική πράξη.
Μόνο που την χρησιμοποιούμε ταυτόχρονα όλο και πιο συχνά. Το 2025 τα κέντρα δεδομένων σε όλο τον κόσμο κατανάλωσαν, σύμφωνα με υπολογισμούς του Διεθνούς Οργανισμού Ενέργειας, περίπου 485 τεραβατώρες ρεύματος. Έως το 2030 μπορεί να γίνουν περίπου 950 τεραβατώρες, δηλαδή σχεδόν διπλασιασμός σε πέντε χρόνια. Η κατανάλωση ρεύματος ειδικά των κέντρων δεδομένων με στόχευση στην ΤΝ αυξάνεται ακόμη ταχύτερα και θα μπορούσε να τριπλασιαστεί στο ίδιο διάστημα.
Η αποδοτικότητα δεν λύνει λοιπόν αυτόματα το πρόβλημα. Μπορεί ακόμη και να γίνει μέρος του προβλήματος, επειδή ό,τι γίνεται φθηνότερο και αποδοτικότερο, κατά κανόνα το χρησιμοποιούμε και πιο συχνά.
485 → 950 TWh
Παγκόσμια κατανάλωση ρεύματος των κέντρων δεδομένων, 2025 → πρόβλεψη 2030 (IEA). Σχεδόν διπλασιασμός σε πέντε χρόνια.
100.000 νοικοκυριά
Ανάγκη ρεύματος ενός τυπικού κέντρου δεδομένων ΤΝ σήμερα: οι μεγαλύτερες προγραμματισμένες εγκαταστάσεις θα μπορούσαν να φτάσουν το εικοσαπλάσιο.
Ένα κέντρο δεδομένων είναι πλέον μια μάλλον μεγάλη πρίζα
Ένα τυπικό κέντρο δεδομένων ΤΝ μπορεί σήμερα να χρειάζεται τόσο ρεύμα όσο περίπου 100.000 νοικοκυριά. Και οι μεγαλύτερες εγκαταστάσεις που δημιουργούνται αυτή τη στιγμή μπορούν, σύμφωνα με τον Διεθνή Οργανισμό Ενέργειας, να φτάσουν ακόμη το εικοσαπλάσιο.
Πέρα από τον απόλυτο αριθμό, ενδιαφέρον έχει κυρίως η συγκέντρωση. Ένα νέο κέντρο δεδομένων ΤΝ δεν βρίσκεται «κάπου στο διαδίκτυο». Βρίσκεται σε συγκεκριμένο μέρος. Εκεί χρειάζεται γραμμές ρεύματος, μετασχηματιστές, ψύξη και ενδεχομένως νερό. Ο IEA προειδοποιεί ήδη ότι τα σημεία συμφόρησης του δικτύου θα μπορούσαν να καθυστερήσουν σημαντικό μέρος των προγραμματισμένων έργων κέντρων δεδομένων.
Το cloud δεν αιωρείται. Βρίσκεται σε μια αίθουσα.
Πηγή: IEA – Energy and AI
Και μετά υπάρχει και το νερό
Οι υπολογιστές, φυσικά, δεν πίνουν νερό. Τα κέντρα δεδομένων πίνουν. Το νερό χρησιμοποιείται, μεταξύ άλλων, για την ψύξη, και το πόσο χρειάζεται πραγματικά εξαρτάται σε μεγάλο βαθμό από την τοποθεσία, τη θερμοκρασία περιβάλλοντος, την τεχνολογία ψύξης και την παραγωγή ρεύματος. Και εδώ λοιπόν πρέπει να είναι κανείς προσεκτικός με εντυπωσιακούς μέσους όρους.
Η Google δίνει για το διάμεσο αίτημα κειμένου στο Gemini, για παράδειγμα, άμεση κατανάλωση νερού 0,26 χιλιοστόλιτρων, δηλαδή περίπου πέντε σταγόνες. Μια πολυσυζητημένη επιστημονική μελέτη κατέληξε αντίθετα για την εκπαίδευση του GPT-3 σε κέντρα δεδομένων των ΗΠΑ σε εκτιμώμενη άμεση κατανάλωση νερού περίπου 700.000 λίτρων. Και οι δύο αριθμοί μπορεί να ισχύουν ταυτόχρονα. Απλώς περιγράφουν εντελώς διαφορετικά πράγματα.
Ένα μεμονωμένο αίτημα είναι κάτι άλλο από την εκπαίδευση ενός μεγάλου μοντέλου. Και ένα κέντρο δεδομένων στη Φινλανδία έχει διαφορετικές συνθήκες ψύξης από ένα στην Αριζόνα. Γι' αυτό το «Πόσο νερό καταναλώνει η ΤΝ;» είναι ήδη το λάθος ερώτημα. Το καλύτερο είναι: ποια ΤΝ τρέχει πού, σε ποια υποδομή και με ποιο ενεργειακό και ποιο ψυκτικό σχεδιασμό;
Πηγές: Google – Κατανάλωση ενέργειας, CO₂ και νερού του Gemini, Μελέτη «Making AI Less Thirsty»
0,26 ml
Άμεση κατανάλωση νερού ενός μέσου αιτήματος κειμένου στο Gemini σύμφωνα με τη Google, περίπου πέντε σταγόνες.
700.000 λίτρα
Εκτιμώμενη άμεση κατανάλωση νερού για ολόκληρη την εκπαίδευση του GPT-3 σε κέντρα δεδομένων των ΗΠΑ.
552 τόνοι CO₂ για ένα μοντέλο ΤΝ;
Αυτός ο αριθμός ισχύει πράγματι, αλλά μόνο με μια σημαντική διευκρίνιση. Για την εκπαίδευση του GPT-3 υπολογίστηκε κατανάλωση ρεύματος περίπου 1.287 MWh και, ως αποτέλεσμα, εκπομπές περίπου 552 τόνων CO₂e. Αυτό ήταν το 2020.
Ο αριθμός δείχνει λοιπόν λιγότερο «πόσο κοστίζει η ΤΝ σήμερα» και περισσότερο κάτι άλλο, σχεδόν πιο ενδιαφέρον: πόσο έντονα αποφασίζουν η τοποθεσία, ο εξοπλισμός και το ενεργειακό μείγμα για το περιβαλλοντικό ισοζύγιο ενός μοντέλου. Στο αντίστοιχου μεγέθους ανοιχτό γλωσσικό μοντέλο BLOOM υπολογίστηκαν για την ίδια την εκπαίδευση, για παράδειγμα, μόνο περίπου 30 τόνοι CO₂e. Αν συμπεριληφθούν η υποδομή του κέντρου δεδομένων και ο εξοπλισμός, το ισοζύγιο ανεβαίνει ανάλογα.
Εκτός από το μέγεθος ενός μοντέλου, μετράει και το πού και το πώς υπολογίζουμε.
Πηγή: ARCEP – Generative AI: Environmental Issues and Challenges, 2026
Άρα καλύτερα να μη χρησιμοποιούμε ΤΝ;
Αυτό θα ήταν υπερβολικά απλό. Η ΤΝ καταναλώνει ενέργεια, αλλά ταυτόχρονα μπορεί να εξοικονομεί ενέργεια. Μπορεί να βελτιστοποιεί ηλεκτρικά δίκτυα, να ελέγχει πιο αποδοτικά τα κτίρια, να βελτιώνει βιομηχανικές διαδικασίες, να αναλύει ροές κυκλοφορίας ή να εντοπίζει σπατάλη υλικών και ενέργειας. Ο Διεθνής Οργανισμός Ενέργειας εξετάζει γι' αυτό ρητά και τις δύο πλευρές: τη μεγαλύτερη ενεργειακή ανάγκη λόγω ΤΝ και τη δυνατότητα της ΤΝ να μειώνει την κατανάλωση ενέργειας αλλού.
Το καθοριστικό ερώτημα δεν είναι λοιπόν αν η ΤΝ καταναλώνει ενέργεια. Φυσικά και καταναλώνει. Το πιο ενδιαφέρον ερώτημα είναι αν αυτό που κάνουμε με αυτή την ενέργεια αξίζει τον κόπο.
Η βιώσιμη ΤΝ δεν ξεκινά από τις τύψεις
Κανείς δεν χρειάζεται στο εξής να σκέφτεται πριν από κάθε prompt αν εξατμίζεται κάπου ένα ποτήρι νερό. Θα πρέπει όμως να αρχίσουμε να αντιμετωπίζουμε την ΤΝ όπως κάθε άλλη τεχνική υποδομή. Χρειαζόμαστε πραγματικά το μεγαλύτερο μοντέλο γι' αυτή την εργασία; Πρέπει κάθε διαδικασία να χρησιμοποιεί παραγωγική ΤΝ; Πρέπει δέκα agents να ερευνήσουν κάτι που θα μπορούσε να απαντήσει ένα ερώτημα σε βάση δεδομένων; Μπορεί ένα μικρότερο τοπικό μοντέλο να κάνει την ίδια δουλειά; Και τρέχει η ΤΝ μας εκεί όπου η ενέργεια μπορεί να παρέχεται όσο το δυνατόν αποδοτικότερα και φιλικότερα προς το κλίμα;
Αυτά δεν είναι επιχειρήματα κατά της ΤΝ. Είναι επιχειρήματα υπέρ της λογικής πληροφορικής.
Αυτό είναι το πραγματικό ερώτημα βιωσιμότητας
Επί δεκαετίες χτίζαμε λογισμικό ρωτώντας κυρίως: μπορεί ο υπολογιστής να το κάνει αυτό; Στην ΤΝ προστίθεται ένα δεύτερο ερώτημα: πρέπει πραγματικά να το κάνει κάθε φορά; Γιατί ένα μεμονωμένο αίτημα ΤΝ είναι πλέον εκπληκτικά αποδοτικό. Μερικά δισεκατομμύρια τέτοια αιτήματα δεν είναι πια.