Jak sztuczna inteligencja wpływa na środowisko?

Sztuczna inteligencja, zwana również SI lub AI (od angielskiego „artificial intelligence”), nie jest „niematerialna”. Każde zapytanie do modeli takich jak ChatGPT, Gemini czy Grok wymaga pracy centrów danych, które zużywają energię elektryczną i ogromne ilości wody potrzebnej do chłodzenia infrastruktury. Problemem nie jest pojedyncze pytanie, lecz skala globalnego wykorzystania AI.

AI nie działa „w chmurze”, a w centrach danych

Użytkownicy często postrzegają AI jako usługę cyfrową bez materialnych kosztów. W końcu mogą z niej korzystać bez płacenia za miesięczną subskrypcję. Niektóre firmy celowo zachęcają użytkowników do korzystania z ich usług AI, jak np. Google, który wyświetla propozycję chatbota Gemini na szczycie listy wyszukiwań, nad artykułami pisanymi przez człowieka. W praktyce jednak używanie SI nie jest darmowe – modele generatywne są obsługiwane przez energochłonne centra danych, które mają negatywny wpływ na środowisko. 

AI nie działa w „chmurze”, lecz w fizycznych budynkach pełnych serwerów, które trzeba stale zasilać i chłodzić. Modele AI, takie jak ChatGPT, Gemini czy Grok, działają na wyspecjalizowanych komputerach wyposażonych w Graphics Processing Units (GPU) – procesory graficzne. Choć GPU pierwotnie projektowano do grafiki i gier komputerowych, dziś są kluczowe dla AI, ponieważ potrafią wykonywać ogromną liczbę obliczeń jednocześnie. To właśnie ta równoległość sprawia, że nadają się do trenowania i obsługi dużych modeli językowych.

Można to porównać do różnicy między zwykłym procesorem (Central Processing Unit) – pracującym jak pojedynczy ekspert rozwiązujący zadania po kolei, a procesorem GPU – działającym jak tysiące specjalistów pracujących równolegle. W praktyce centra danych AI zawierają tysiące układów GPU połączonych w klastry, pracujących 24 godziny na dobę. Nowoczesne układy mogą pobierać setki watów energii na pojedynczy procesor, a całe klastry – megawaty mocy.

Znaczenie środowiskowe GPU

Im większy model AI i im więcej użytkowników go używa, tym więcej GPU musi pracować jednocześnie – a więc rośnie zużycie energii i potrzeba chłodzenia. Serwery AI produkują ogromne ilości ciepła – podczas pracy GPU wykonują biliony operacji matematycznych, zamieniając znaczną część energii elektrycznej w ciepło. Bez chłodzenia temperatura sprzętu mogłaby szybko przekroczyć bezpieczne poziomy i doprowadzić do awarii.

Dlatego centra danych wykorzystują rozbudowane systemy chłodzenia. Tradycyjnie stosowano chłodzenie powietrzem – systemy wentylatorów, klimatyzację przemysłową i przepływ zimnego powietrza między rzędami serwerów. Dziś jednak coraz częściej stosowane przy SI jest chłodzenie wodne. Woda lub specjalne ciecze odbierają ciepło od serwerów, transportują je do systemów chłodniczych i umożliwiają utrzymanie stabilnej temperatury.

To właśnie tutaj pojawia się środowiskowy koszt AI. W wielu centrach danych część wody odparowuje, wymaga wymiany lub jest stale pobierana z lokalnych zasobów wodnych. Dlatego rozwój infrastruktury AI może zwiększać presję na regiony narażone na stres wodny.

AI a stres wodny i anabiotyczny

Stres wodny to stan, w którym zapotrzebowanie na wodę przewyższa jej dostępność lub pogarsza się jej jakość. SI może go pogłębiać poprzez:

• wzrost poboru wody przez infrastrukturę AI,
• lokalną koncentrację infrastruktury technologicznej,
• zwiększone zapotrzebowanie energetyczne.

Nadmierna eksploatacja zasobów wodnych może nasilać zjawiska przyrodniczne wpływające na organizmy żywe, w tym stres anabiotyczny – reakcję roślin i ekosystemów na niekorzystne warunki naturalne, takie jak susza czy niedobór wody.
Dowiedz się więcej na stronie Stop Suszy! Start Retencji! (link)

Modele AI zużywają energię nawet do nauki

Proces „uczenia się” AI, czyli tzw. trening modelu, to proces, w którym AI zaczyna rozpoznawać wzorce w ogromnych zbiorach danych. Dla modeli językowych oznacza to analizę książek, stron internetowych, artykułów, kodu i wielu innych. Podczas treningu model wielokrotnie przewiduje kolejne słowa i koryguje własne błędy. To bardzo długi proces, który jest nie tylko obliczeniowo intensywny, ale także wymaga ogromnej liczby GPU. Może on trwać nawet miesiącami, pomimo pracy tysięcy procesorów jednocześnie.

Model uczy się, zanim zacznie odpowiadać użytkownikom. To jeden z najbardziej energochłonnych etapów rozwoju sztucznej inteligencji. Jego koszt środowiskowy obejmuje energię dla serwerów i chłodzenia, a pośrednio także wodę wykorzystywaną przez system energetyczny i centra danych.

Ślad węglowy pozostały po zwykłym zapytaniu

Po zakończeniu treningu model przechodzi do etapu inference – czyli codziennego odpowiadania użytkownikom. To właśnie dzieje się, gdy ktoś:

• pyta ChatGPT o przepis,
• używa Gemini do wyszukiwania informacji,
• generuje tekst lub obraz w AI.

Model nie uczy się wtedy od zera – wykorzystuje już wytrenowaną wiedzę, aby wygenerować odpowiedź. Inference jest mniej energochłonne niż trening pojedynczego modelu, ale odbywa się nieporównywalnie częściej. I tu pojawia się efekt skali.

Pojedyncza odpowiedź AI może wymagać niewielkiej ilości energii i chłodzenia, jednak miliony użytkowników, miliardy promptów i działanie usług 24/7 powodują, że całkowite zużycie energii i wody staje się bardzo znaczące. Codzienna obsługa ogromnej liczby zapytań wymaga nieustannej pracy centrów danych. To właśnie inference sprawia, że AI staje się stałym elementem globalnego zapotrzebowania na energię i zasoby wodne.

Zużycie energii i wody przez najpopularniejsze chatboty

Na wstępie musimy zaznaczyć, że dane są częściowo niejawne i firmy stosują różne metodologie, aby obliczyć swój ślad węglowy. 

ChatGPT

Pierwsze badania OpenAI sugerowały, że od 5 do 50 zapytań do ChatGPT może wiązać się z wykorzystaniem ok. 500 ml wody (bezpośrednio i pośrednio przez chłodzenie oraz produkcję energii). Nowsze deklaracje OpenAI wskazują jednak, że przeciętne zapytanie ChatGPT to:

• ok. 0,34 Wh energii,
• ok. 0,32 ml wody. 

W tym miejscu warto podkreślić, że dane te dotyczą pojedynczego zapytania i nie obejmują pełnych kosztów trenowania modeli oraz infrastruktury.

Gemini 

Google opublikował własne wyliczenia dla Gemini:

• ok. 0,24 Wh energii,
• ok. 0,26 ml wody na prompt („około pięciu kropli”). 

Jednak eksperci zwracają uwagę, że metodologia może nie obejmować całkowitego śladu wodnego, szczególnie wody zużywanej pośrednio przez elektrownie i pełną infrastrukturę energetyczną. 

Grok 

xAI nie publikuje pełnych danych środowiskowych dotyczących Groka. Według analiz, centrum danych xAI w Memphis może pobierać około 1,3 mln galonów wody dziennie (ok. 4,9 mln litrów) do chłodzenia swojej infrastruktury. 

Wpływ AI na środowisko lokalne

Iowa (USA) – gdy rozwój AI wpływa na lokalne zasoby wodne

Iowa, a szczególnie West Des Moines, stała się jednym z najczęściej przywoływanych przykładów środowiskowego kosztu AI. To właśnie tam znajdują się bazy Microsoftu wykorzystywane do rozwoju technologii związanych z ChatGPT oraz infrastruktura Google. Serwery obsługujące ich modele językowe generują ogromne ilości ciepła, dlatego wymagają intensywnego chłodzenia, często z wykorzystaniem wody.

Badania dotyczące infrastruktury Microsoft/OpenAI wskazywały, że wygenerowanie odpowiedzi przez AI może wiązać się ze zużyciem wody wykorzystywanej do chłodzenia i produkcji energii, a sam Microsoft odnotował około 34% wzrost globalnego zużycia wody między 2021 a 2022 rokiem, co firma częściowo powiązała z rozwojem AI. W Iowa wywołało to debatę o tym, jak duże centra wpływają na lokalne zasoby wodne – szczególnie w okresach wysokich temperatur i rosnącego ryzyka suszy. „Ile infrastruktury technologicznej może udźwignąć lokalny system wodny?” – to pytanie zadają sobie lokalni mieszkańcy, którzy zaczynają odczuwać problem braku wody i suszy. 

Memphis, Tennessee (USA) – Grok i społeczny konflikt wokół centrum danych xAI

Memphis stało się jednym z najbardziej kontrowersyjnych przykładów związanych z rozwojem sztucznej inteligencji i działalnością firmy xAI, rozwijającej Groka. Superkomputer Colossus, obsługujący modele AI, wymaga ogromnych ilości energii i intensywnego chłodzenia. Według analiz i relacji medialnych obiekt może zużywać około 1-1,3 mln galonów wody dziennie (około 3,8-4,9 mln litrów), a jego zapotrzebowanie energetyczne szacowane jest nawet na 1,1 GW mocy, czyli poziom porównywalny z zapotrzebowaniem dużego miasta. 

Rozwój inwestycji wywołał protesty lokalnych społeczności, szczególnie w południowym Memphis, gdzie mieszkańcy zwracają uwagę nie tylko na pobór zasobów wodnych, ale również na kwestie jakości powietrza i ekologicznej sprawiedliwości. Organizacje społeczne zarzucały xAI wykorzystywanie dziesiątek turbin gazowych bez pełnych pozwoleń środowiskowych, wskazując na dodatkowe emisje zanieczyszczeń. 

Virginia, Oregon i Irlandia – infrastruktura AI obciążająca sieci energetyczne

Wpływ AI nie ogranicza się do pojedynczych inwestycji. Coraz więcej badań wskazuje, że problemem staje się koncentracja centrów danych w wybranych regionach. Wirginia i Oregon w USA oraz Irlandia należą do miejsc szczególnie narażonych na rosnącą presję energetyczną związaną z AI. Modele prognostyczne sugerują, że rozwój infrastruktury generatywnej AI może prowadzić tam do przeciążenia lokalnych sieci, wzrostu konkurencji o energię oraz zwiększonego ryzyka konfliktów wokół zasobów wodnych i energetycznych.

Irlandia jest pod tym względem szczególnie wyrazistym przypadkiem. Według danych irlandzkiego urzędu statystycznego infrastruktura AI odpowiada za 22% całego mierzonego zużycia energii elektrycznej kraju w 2024 roku, podczas gdy w 2015 roku było to jedynie 5%. Zużycie energii przez ten sektor wzrosło tam o 531% między 2015 a 2024 rokiem. Skala ta sprawia, że centra danych zaczynają być postrzegane nie jako marginalny element gospodarki cyfrowej, lecz jako infrastruktura mająca realny wpływ na bezpieczeństwo energetyczne i politykę klimatyczną państw.

Sztuczna inteligencja a zrównoważony rozwój

Rosnący wpływ AI na środowisko nie oznacza, że sztuczna inteligencja stoi w sprzeczności ze zrównoważonym rozwojem. Coraz częściej podkreśla się, że kluczowe staje się nie samo korzystanie z technologii, lecz sposób projektowania i komunikowania jej wykorzystania. Odpowiedzialne podejście obejmuje m.in. większą transparentność firm technologicznych w zakresie zużycia energii i wody, wybór bardziej efektywnej infrastruktury, rozwój odnawialnych źródeł energii oraz świadome ograniczanie cyfrowego śladu węglowego. AI może wspierać ochronę środowiska – pomagać w analizie danych klimatycznych, zarządzaniu sieciami energetycznymi czy monitorowaniu zasobów wodnych – jednak jej rozwój powinien iść w parze z realną odpowiedzialnością za wykorzystywane zasoby.

Takie podejście wpisuje się również w działania Green Vision, inicjatywy realizowanej przez Agencję Marketingową Wide Vision, która koncentruje się na komunikacji projektów ekologicznych, edukacji ekologicznej i budowaniu społecznej świadomości wokół gospodarki wodnej oraz zmiany klimatu. Portfolio naszej agencji obejmuje m.in. działania związane z kampaniami społecznymi i projektami dotyczącymi retencji oraz przeciwdziałania skutkom suszy, takimi jak „Stop Suszy! Start Retencji!” czy „Wodne Sprawy”. W tym kontekście rozmowa o AI i środowisku nie sprowadza się wyłącznie do krytyki technologii, ale do pytania, jak rozwijać narastające problemy w sposób bardziej odpowiedzialny – z uwzględnieniem ograniczonych zasobów naturalnych i długofalowych skutków dla ekosystemów.

Dla Green Vision zrównoważony rozwój oznacza więc nie tylko promowanie proekologicznych działań, ale również podejmowanie tematów, które dopiero zaczynają być szerzej dostrzegane – takich jak ekosystemowy koszt cyfryzacji i sztucznej inteligencji. W świecie, w którym centra danych stają się równie ważną infrastrukturą jak elektrownie czy sieci wodociągowe, potrzebna jest świadoma debata o tym, jak pogodzić innowacje technologiczne z ochroną zasobów naturalnych i bezpieczeństwem wodnym przyszłych pokoleń.

Ślad węglowy AI i ukryty koszt modeli językowych

Dynamiczny rozwój sztucznej inteligencji coraz częściej analizowany jest nie tylko przez pryzmat innowacji, lecz także przez pryzmat wpływu sztucznej inteligencji na środowisko. Choć narzędzia oparte na AI wspierają biznes, edukację i naukę, ich działanie wiąże się z rosnącym zużyciem energii oraz emisjami. Eksperci zwracają uwagę, że ślad węglowy AI staje się jednym z istotnych wyzwań zrównoważonego rozwoju, szczególnie w czasie, gdy globalne zużycie energii stale rośnie, a znacząca część produkcji energii nadal opiera się na paliwach kopalnych. Pytanie nie brzmi już wyłącznie: co potrafią modele sztucznej inteligencji, lecz także jak ich funkcjonowanie wpływa na środowisko i zasoby naszej planety.

Jednym z najbardziej energochłonnych etapów jest szkolenie dużego modelu. Podczas tego procesu algorytm analizuje ogromne zbiory danych i uczy się przewidywania kolejnych słów lub wzorców. Im model ma więcej danych i większą liczbę parametrów, tym większe są wymagania obliczeniowe. Dobrym przykładem jest GPT-3, czyli poprzednik ChatGPT, którego szkolenie według szeroko cytowanych analiz zużyło około 1287 MWh energii elektrycznej i wygenerowało nawet około 550 ton CO₂, czyli setki ton dwutlenku węgla odpowiadających rocznym emisjom wielu gospodarstw domowych. To pokazuje, że trening jednego dużego modelu AI może oznaczać ogromny ślad węglowy, jeszcze zanim system trafi do użytkowników. W debacie o AI coraz częściej pojawia się więc temat emisji gazów cieplarnianych, emisji dwutlenku węgla oraz całkowitej skali emisji gazów cieplarnianych generowanych przez rozwój cyfrowej infrastruktury.

Wyzwania zrównoważonego rozwoju i koszty środowiskowe

Problem nie kończy się jednak na etapie treningu. Po wdrożeniu systemów AI rozpoczyna się codzienna obsługa milionów zapytań, czyli inference, które odpowiada za stale rosnące zapotrzebowanie AI na energię. Wraz z tym pojawia się również wzrost zapotrzebowania na wodę potrzebną do chłodzenia centrów danych. Temat ten nazywany jest po angielsku: „secret water footprint of AI” (ukryty ślad wodny AI) oraz „water footprint of AI models” (ślad wodny modeli AI). 

Infrastruktura AI posiada realny ślad wodny liczony często w milionach litrów wody zużywanych każdego dnia. Dane publikowane przez firmy technologiczne pokazują, że już w 2021 r. i 2022 r. wzrost inwestycji związanych z AI zbiegł się ze zwiększonym zużyciem zasobów wodnych i energetycznych. W skali świata centra danych odpowiadają za coraz większe ilości światowej energii elektrycznej, a prognozy sugerują, że rozwój AI może wymagać nawet setek terawatogodzin energii rocznie.

Jednocześnie rozwój AI nie musi oznaczać wyłącznie zagrożeń. Coraz większe znaczenie mają działania pozwalające zmniejszyć zużycie energii i negatywny wpływ na środowisko. Branża technologiczna inwestuje w bardziej wydajne procesory, inteligentną optymalizację pracy serwerów, odzysk ciepła oraz recykling komponentów elektronicznych. Coraz częściej mówi się także o wykorzystaniu AI w ochronie środowiska – do monitorowania jakości powietrza, prognozowania suszy czy zarządzania sieciami energetycznymi. Paradoks polega więc na tym, że zastosowanie sztucznej inteligencji może jednocześnie pomagać ograniczać emisję gazów cieplarnianych i generować nowe obciążenia dla klimatu. Dlatego branża AI stoi dziś przed zadaniem znalezienia równowagi między innowacją a odpowiedzialnością – tak, by szybki rozwój AI nie odbywał się kosztem środowiska naturalnego.

Problemem jest skala

Jedno pytanie do AI nie powoduje kryzysu wodnego. Jednak miliardy zapytań dziennie i wyścig technologiczny między firmami rozwijającymi sztuczną inteligencję przekładają się na rosnące zużycie energii i zasobów naturalnych. Sztuczna inteligencja staje się bardziej efektywna, tak więc liczba zastosowań i użytkowników rośnie szybciej. AI wymaga fizycznych centrów danych, a miejsca, gdzie jest ich najwięcej, są najbardziej obciążone i zagrożone pogłębionym lokalnym stresem wodnym. Chatboty takie jak ChatGPT, Gemini i Grok generują ślad wodny oraz energetyczny, który może być niebezpieczny dla lokalnych środowisk. Kluczem jest projektowanie bardziej odpowiedzialnej infrastruktury AI oraz transparentne informowanie społeczeństwa na temat zagrożeń z nią związanych. 

To tylko jeden z przykładów tematów, które poruszamy w ramach Green Vision i działań związanych z komunikacją środowiskową. Więcej o naszym podejściu, projektach i usługach przeczytasz tutaj.

Zajrzyj także na nasze profile w social media:
– Facebook
– Instagram
– LinkedIn
Tam dzielimy się realizacjami, kampaniami społecznymi oraz tematami związanymi z wodą, klimatem i odpowiedzialną komunikacją.