എഐയുടെ മറഞ്ഞിരിക്കുന്ന വില: ഡാറ്റാ സെന്ററുകൾ കുടിക്കുന്ന വൈദ്യുതിയും വെള്ളവും

AI Explained / Technology & Society

മേഘത്തിനും ഒരു വിലാസമുണ്ട്

ഫോണിൽ എഐയോട് ചോദ്യം ചോദിക്കുമ്പോൾ മറുപടി “cloud”ൽ നിന്ന് വരുന്നു എന്നു നാം പറയുന്നു. പക്ഷേ cloud ആകാശത്തിലെ മേഘമല്ല. ആയിരക്കണക്കിന് servers, ശക്തമായ AI chips, network equipment, cooling systems എന്നിവ നിറഞ്ഞ വലിയ കെട്ടിടങ്ങളാണ് data centres. അവയ്ക്ക് രാവും പകലും വൈദ്യുതി വേണം; ചൂട് പുറത്താക്കാൻ വെള്ളമോ വായുവോ refrigerant സംവിധാനങ്ങളോ വേണം. അതിനാൽ എഐയുടെ പരിസ്ഥിതി ചെലവ് ഒരു chat messageൽ കാണാനാവില്ലെങ്കിലും വൈദ്യുതി ഗ്രിഡിലും ജലസ്രോതസ്സിലും അത് യാഥാർഥ്യമാണ്.

വൈദ്യുതി ആവശ്യം എത്ര?

International Energy Agencyയുടെ 2025 Energy and AI റിപ്പോർട്ടിലെ base case പ്രകാരം ലോകത്തെ data centre വൈദ്യുതി ഉപഭോഗം 2030-ഓടെ ഏകദേശം 945 TWh ആയി ഇരട്ടിയാകാം. അത് അന്നത്തെ ആഗോള വൈദ്യുതി ഉപഭോഗത്തിന്റെ മൂന്ന് ശതമാനത്തിന് അല്പം താഴെയാണ്. 2024 മുതൽ 2030 വരെ data centre demand വർഷം ശരാശരി 15 ശതമാനം വളരുമെന്നാണ് കണക്ക്; മറ്റ് മേഖലകളുടെ മൊത്തം demand വളർച്ചയെക്കാൾ നാലിരട്ടിയിലധികം വേഗം. AI ഉപയോഗിക്കുന്ന accelerated serversന്റെ വൈദ്യുതി ആവശ്യമാണ് ഈ വർധനയുടെ വലിയ ഭാഗം.

എല്ലാ data centre ഉപയോഗവും AI അല്ല

സംഖ്യകൾ വായിക്കുമ്പോൾ ഒരു ജാഗ്രത വേണം. Data centres എഐയ്ക്കു പുറമെ ബാങ്കിങ്, streaming, cloud storage, സർക്കാർ സേവനങ്ങൾ, വ്യാപാര software എന്നിവയും നടത്തുന്നു. അതിനാൽ data centreന്റെ മുഴുവൻ footprint “AIയുടെത്” എന്ന് വിളിക്കുന്നത് തെറ്റാണ്. അതേസമയം AI trainingയും വലിയ തോതിലുള്ള inferenceഉം ഉയർന്ന ശേഷിയുള്ള chips ഉപയോഗിക്കുന്നതിനാൽ പുതിയ demandയെ ശക്തമായി മുന്നോട്ടു നയിക്കുന്നു. IEAയുടെ കണക്കിൽ accelerated servers 2030 വരെയുള്ള data centre demand വർധനയുടെ ഏകദേശം പകുതിയുമായി ബന്ധപ്പെടുന്നു.

വെള്ളം എവിടെ പോകുന്നു?

Servers പ്രവർത്തിക്കുമ്പോൾ വലിയ ചൂട് ഉണ്ടാകും. Cooling tower ഉപയോഗിക്കുന്ന ചില സംവിധാനങ്ങളിൽ വെള്ളത്തിന്റെ ഒരു ഭാഗം ആവിയായി ചൂട് പുറത്താക്കുന്നു—ഇതാണ് on-site അഥവാ direct water consumption. രണ്ടാമത്തെ പാത കാണാൻ ബുദ്ധിമുട്ടാണ്: data centre ഉപയോഗിക്കുന്ന വൈദ്യുതി നിർമ്മിക്കുന്ന power plantകളും വെള്ളം ഉപയോഗിക്കാം. Lawrence Berkeley National Laboratoryയുടെ 2024 U.S. report direct waterഉം electricity generationനോട് ബന്ധപ്പെട്ട indirect waterഉം വേർതിരിച്ച് കണക്കാക്കുന്നു. അതിന്റെ കണക്കുപ്രകാരം U.S. data centresന്റെ നേരിട്ടുള്ള ജലോപയോഗം 2023-ൽ ഏകദേശം 66 billion litres ആയിരുന്നു; സ്ഥലം, കാലാവസ്ഥ, cooling technology എന്നിവ അനുസരിച്ച് footprint വലിയ തോതിൽ മാറും.

“ഒരു ചോദ്യം = ഇത്ര വെള്ളം” എന്ന കണക്ക് എന്തുകൊണ്ട് തെറ്റിക്കാം?

സോഷ്യൽ മീഡിയയിൽ ഒരു എഐ ചോദ്യം ഇത്ര മില്ലിലിറ്റർ വെള്ളം ഉപയോഗിക്കുന്നു എന്ന ഒറ്റ സംഖ്യ കാണാം. എന്നാൽ workload-level water use 10,000 മടങ്ങിലധികം വ്യത്യാസപ്പെടാമെന്ന് Berkeley Lab പഠനം ചൂണ്ടിക്കാട്ടുന്നു. ഉപയോഗിക്കുന്ന serverന്റെ കാര്യക്ഷമത, വൈദ്യുതി വരുന്ന grid, cooling system, climate, server utilisation, ചോദ്യം നടത്തുന്ന സമയം എന്നിവയെല്ലാം ഫലം മാറ്റും. അതിനാൽ ഏകസംഖ്യ ബോധവൽക്കരണത്തിന് ആകർഷകമായാലും സർവസാധാരണ സത്യമല്ല. കമ്പനികൾ സ്ഥലപ്രകാരമുള്ള energy, carbon, water data പ്രസിദ്ധീകരിക്കുന്നതാണ് കൂടുതൽ ഉപകാരപ്രദം.

പ്രാദേശിക പ്രശ്നം ആഗോള ശതമാനത്തിൽ മറയും

ലോകതലത്തിൽ മൂന്ന് ശതമാനം ചെറിയതുപോലെ തോന്നാം. എന്നാൽ ഒരു വലിയ AI data centre ഒരു സ്ഥലത്ത് വൈദ്യുതി-സാന്ദ്രമായ ഫാക്ടറിയുടെ load പോലെ കേന്ദ്രീകരിക്കാം. IEA ചൂണ്ടിക്കാട്ടുന്നതുപോലെ data centre capacity കുറച്ച് പ്രദേശങ്ങളിൽ കൂട്ടമായി വരുമ്പോൾ local grid, transmission, ഭൂമി, ജലം എന്നിവയിൽ സമ്മർദ്ദം ഉയരും. ജലക്ഷാമമുള്ള പ്രദേശത്ത് evaporation cooling ഉപയോഗിക്കുന്നതും ജലസമ്പന്ന പ്രദേശത്ത് ഉപയോഗിക്കുന്നതും ഒരുപോലെയല്ല. പുതിയ പദ്ധതിക്ക് മുമ്പ് local water budget, വേനൽക്കാല demand, കർഷകരുടെയും വീടുകളുടെയും ആവശ്യം എന്നിവ തുറന്ന വിലയിരുത്തണം.

പരിഹാരം എഐ നിർത്തലാക്കൽ മാത്രം അല്ല

കൂടുതൽ കാര്യക്ഷമമായ chips-മോഡലുകൾ, ചെറിയ taskന് ചെറിയ model, server utilisation ഉയർത്തൽ, ചൂടുകുറഞ്ഞ സമയത്ത് flexible workloads നടത്തൽ, low-water cooling, treated wastewater, heat reuse എന്നിവ footprint കുറയ്ക്കാം. ശുദ്ധവൈദ്യുതി കൂട്ടുന്നതും ആവശ്യമാണ്; പക്ഷേ renewable certificate മാത്രം മതിയെന്നില്ല—data centre പ്രവർത്തിക്കുന്ന മണിക്കൂറിലും പ്രദേശത്തും ലഭ്യമായ വൈദ്യുതിയുടെ സ്വഭാവം പ്രധാനമാണ്. IEA base caseൽ 2030 വരെയുള്ള അധിക data centre demandന്റെ ഏകദേശം പകുതി renewables നിറവേറ്റുമെങ്കിലും natural gas, coal എന്നിവയും പങ്കാളികളാകുമെന്ന് കണക്കാക്കുന്നു.

കമ്പനികളും സർക്കാരും വെളിപ്പെടുത്തേണ്ടത്

മൊത്തം energy use, renewable matching രീതി, carbon emissions, direct water withdrawal-ഉം consumption-ഉം, watershed risk, cooling technology, efficiency metrics ആയ PUEയും WUEയും എന്നിവ വാർഷികമായി പ്രസിദ്ധീകരിക്കണം. പുതിയ data centreക്ക് grid connection നൽകുമ്പോൾ ചെലവ് സാധാരണ ഉപഭോക്താവിന്റെ ബില്ലിലേക്കു മാത്രം മാറ്റാതിരിക്കാൻ നയം വേണം. ജലാനുമതിയും community consultationഉം സുതാര്യമായിരിക്കണം. “net zero” പോലുള്ള headline വാഗ്ദാനങ്ങൾക്ക് പുറമെ absolute consumptionയും പ്രദേശപ്രകാരമുള്ള വിവരവും കാണണം.

Trainingയും inferenceഉം വേർതിരിക്കുക

വലിയ model ആദ്യമായി പരിശീലിപ്പിക്കുന്നത് വലിയ തോതിൽ computation ആവശ്യപ്പെടാം. എന്നാൽ ഒരു സേവനത്തിന്റെ ജീവിതകാലത്ത് കോടിക്കണക്കിന് ആളുകൾ ചോദിക്കുന്ന inference requestsന്റെ മൊത്തം footprintയും വലുതാകാം. model update എത്ര തവണ, ഓരോ മറുപടിക്കും എത്ര compute, cache ഉപയോഗിക്കുന്നുണ്ടോ, ചെറിയ model മതിയോ തുടങ്ങിയ തീരുമാനങ്ങൾ ബാധകമാണ്. “Training മാത്രം ചെലവേറിയതാണ്” എന്ന ധാരണ പൂർണ്ണമല്ല; ഉപയോഗം വ്യാപകമാകുമ്പോൾ കാര്യക്ഷമ inference അത്ര തന്നെ പ്രധാനമാണ്.

കാര്യക്ഷമതയുടെ തിരിച്ചടി

ഒരു AI task കൂടുതൽ efficient ആകുമ്പോൾ ഓരോ ഉപയോഗത്തിനും കുറച്ച് വൈദ്യുതി മതിയാകും. പക്ഷേ വിലകുറയുന്നതിനാൽ ഉപയോഗം നൂറിരട്ടി കൂടിയാൽ മൊത്തം demand ഉയരാം; ഇതിനെ rebound effect എന്നു പറയുന്നു. അതിനാൽ chip efficiency നേടിയാൽ മാത്രം പ്രശ്നം തീരില്ല. absolute energy-water use ലക്ഷ്യങ്ങൾ, demand planning, carbon-free supply, location choice എന്നിവയും ഒപ്പം വേണം. കാര്യക്ഷമതയും ഉത്തരവാദിത്തമുള്ള ഉപയോഗവും തമ്മിൽ മത്സരം അല്ല; രണ്ടും വേണം.

ചൂടിനെ ഒരു വിഭവമാക്കാമോ?

Serverൽ നിന്ന് പുറത്തുവരുന്ന heat ചില പ്രദേശങ്ങളിൽ സമീപ കെട്ടിടങ്ങൾ ചൂടാക്കാനോ industrial processൽ ഉപയോഗിക്കാനോ കഴിയും. ചൂടുള്ള കാലാവസ്ഥയിൽ അതിന്റെ പ്രയോജനം കുറയാം; പക്ഷേ absorption cooling പോലുള്ള സാങ്കേതിക വഴികൾ പരിശോധിക്കാം. മഴവെള്ളം, treated wastewater, closed-loop cooling എന്നിവ ശുദ്ധജലത്തിന്റെ സമ്മർദ്ദം കുറയ്ക്കാം. ഓരോ സ്ഥലത്തിനും ഒരേ പരിഹാരമില്ലെന്ന് ജലപഠനങ്ങൾ സൂചിപ്പിക്കുന്നു. കാലാവസ്ഥയും gridഉം watershedഉം ചേർത്ത് design ചെയ്യണം.

ഇന്ത്യ ചോദിക്കേണ്ട പ്രാദേശിക ചോദ്യങ്ങൾ

ഇന്ത്യയിൽ AI data centres വളരുമ്പോൾ സംസ്ഥാന electricity demand, വേനൽ peak, renewable availability, നഗരജലവിതരണം എന്നിവയെ ഒരുമിച്ച് കണക്കാക്കണം. തീരപ്രദേശവും വരൾച്ചാപ്രദേശവും ഒരേ cooling policy പിന്തുടരരുത്. തൊഴിലവസരവും നിക്ഷേപവും കണക്കാക്കുന്നതുപോലെ grid upgradeയുടെ ചെലവും ജലത്തിന്റെ opportunity costഉം രേഖപ്പെടുത്തണം. പൊതുജനങ്ങൾക്ക് ലളിതമായ environmental dashboard ലഭിച്ചാൽ അഭ്യൂഹത്തിന് പകരം തെളിവ് അടിസ്ഥാനമാക്കിയുള്ള ചർച്ച സാധ്യമാകും.

ഉപയോക്താവിന്റെ പങ്കും വലിയ ചിത്രം

ഓരോ സാധാരണ ചോദ്യത്തിനും കുറ്റബോധം വേണ്ട. വലിയ മാറ്റം data centre design, energy system, model efficiency, corporate transparency എന്നിവയിലാണ്. എന്നാൽ ഒരേ prompt വീണ്ടും വീണ്ടും അയക്കാതിരിക്കുക, ആവശ്യത്തിനനുസരിച്ചുള്ള ചെറിയ model തിരഞ്ഞെടുക്കുക, അനാവശ്യമായി നീളമുള്ള video/image generation ഒഴിവാക്കുക തുടങ്ങിയ ശീലങ്ങൾ demand കുറയ്ക്കാൻ സഹായിക്കും. പ്രധാനമായും നാം ചോദിക്കേണ്ടത് “എഐ ഉപയോഗിക്കണോ?” എന്നല്ല; “ഏത് എഐ, ഏത് ജോലിക്ക്, എത്ര resource ഉപയോഗിച്ച്, ആരുടെ ജല-വൈദ്യുതി ചെലവിൽ?” എന്നതാണ്. എഐയുടെ യഥാർത്ഥ വില സ്ക്രീനിലെ subscription feeയിൽ അവസാനിക്കുന്നില്ല.