پاسخ یکسان، مصرف برق ۳۰ برابر بیشتر؛ تفاوت عجیب چت‌بات‌های هوش مصنوعی

هر بار که از ChatGPT یا کلاد سؤالی می‌پرسیم، در گوشه‌ای از جهان سرورهایی مشغول پردازش درخواست ما می‌شوند و برق مصرف می‌کنند؛ برقی که ممکن است از انرژی خورشیدی تأمین شده باشد یا از سوزاندن زغال‌سنگ و گاز طبیعی؛ اما هر درخواست از هوش مصنوعی دقیقاً چقدر انرژی مصرف می‌کند و چه مقدار گاز گلخانه‌ای وارد جو می‌شود؟ پاسخ به این سؤال پیچیده‌تر از چیزی است که تصور می‌کنیم.

استفاده از هوش مصنوعی به بخشی از زندگی روزمره تبدیل شده است. از نوشتن یک ایمیل ساده گرفته تا ساخت تصویر، تولید ویدئو و برنامه‌نویسی، میلیون‌ها نفر هر روز از چت‌بات‌ها کمک می‌گیرند. بااین‌حال، پشت پاسخ‌هایی که در چند ثانیه روی صفحه ظاهر می‌شوند، مجموعه‌ای عظیم از تراشه‌ها، سرورها و سیستم‌های خنک‌کننده فعالیت می‌کنند.

شرکت‌های بزرگ هوش مصنوعی آمریکا هنوز اطلاعات دقیق و کاملی درباره‌ی مصرف انرژی و میزان انتشار گازهای گلخانه‌ای سرویس‌های خود منتشر نکرده‌اند. انتشار چنین اطلاعاتی مستلزم افشای جزئیاتی درباره‌ی زیرساخت‌ها و فناوری‌های اختصاصی آن‌ها است که تمایلی به عمومی‌کردنشان ندارند.

به روایت بلومبرگ، پژوهشگران اکنون تلاش می‌کنند روش‌هایی برای اندازه‌گیری دقیق‌تر اثرات زیست‌محیطی هوش مصنوعی پیدا کنند؛ چون بدون چنین اطلاعاتی، مقایسه‌ی مدل‌ها و تصمیم‌گیری درباره‌ی پیامدهای گسترش این فناوری دشوار خواهد بود.

جان بیستلاین، مدیر بخش علمی شرکت Watershed که به کسب‌وکارها برای اندازه‌گیری اثرات زیست‌محیطی کمک می‌کند، می‌گوید شرکت‌ها و نهادهای نظارتی دیگر به برآوردهای سرانگشتی رضایت نمی‌دهند و به اعدادی نیاز دارند که بتوان صحت آن‌ها را بررسی کرد.

وقتی سؤالی را برای یک چت‌بات ارسال می‌کنید، درخواست شما به یکی از دیتاسنترهای ارائه‌دهنده‌ی سرویس فرستاده می‌شود. در آنجا تراشه‌های قدرتمند، معمولاً پردازنده‌های گرافیکی مخصوص محاسبات هوش مصنوعی، پردازش متن را آغاز می‌کنند.

مدل ابتدا نوشته‌ی شما را به واحدهای کوچک‌تری به نام «توکن» تقسیم می‌کند. سپس با انجام میلیاردها محاسبه، پاسخ را کلمه‌به‌کلمه تولید می‌کند. تمام این فعالیت‌ها به برق نیاز دارند و گرمای زیادی تولید می‌کنند.

برای جلوگیری از داغ‌شدن تراشه‌ها، دیتاسنترها به سیستم‌های خنک‌کننده‌ی قدرتمند مجهز شده‌اند. طبق گزارشی از ساشا لوچیونی، از پژوهشگران حوزه‌ی هوش مصنوعی پایدار، در برخی دیتاسنترها تا ۴۰ درصد انرژی مصرفی می‌تواند صرف خنک‌سازی شود.

اما همه‌ی درخواست‌ها به یک اندازه انرژی مصرف نمی‌کنند. پاسخ‌دادن به سؤالی ساده درباره‌ی دمای یک شهر معمولاً به محاسبات کمتری نسبت به حل مسئله‌ای پیچیده در فیزیک کوانتومی نیاز دارد. تولید تصویر و ویدئو نیز می‌تواند بسیار پرمصرف‌تر از تولید متن باشد.

مؤسسه‌ی پژوهش انرژی برق آمریکا (EPRI) در گزارشی در سال ۲۰۲۴ برآورد کرد که هر درخواست از نسل‌های قدیمی‌تر ChatGPT به‌طور متوسط حدود ۱۰ برابر یک جست‌وجوی معمولی در گوگل برق مصرف می‌کرد. البته این مقایسه به مدل‌ها و فناوری‌های آن زمان مربوط است و نمی‌توان آن را بدون بررسی تازه به تمام سرویس‌های امروزی تعمیم داد.

شرکت ارزیابی Vals AI در پژوهشی دریافت که اثر زیست‌محیطی استفاده از هوش مصنوعی برای ساخت یک اپلیکیشن نرم‌افزاری می‌تواند تا ۱۰ هزار برابر بیشتر از یک پرسش ساده باشد.

پژوهشگران همچنین تأکید می‌کنند که مصرف برق هنگام پاسخ‌گویی، تمام ماجرا نیست. برای محاسبه‌ی اثر واقعی هوش مصنوعی باید انرژی و منابع مصرف‌شده در ساخت تراشه‌ها، احداث دیتاسنترها، تولید تجهیزات خنک‌کننده و حتی دورریختن سخت‌افزارهای فرسوده را نیز در نظر گرفت.

برای مثال، مؤسسه‌ی زیست‌محیطی RMI برآورد کرده است که تولید سیمان موردنیاز برای ساخت زیرساخت‌های هوش مصنوعی آمریکا تا سال ۲۰۳۰ می‌تواند به‌اندازه‌ی انتشار سالانه‌ی گازهای گلخانه‌ای ۴۱۵ هزار خودرو آلودگی ایجاد کند.

ندال جغام، پژوهشگر گروه Sustainable AI، داشبوردی متن‌باز به نام CleerDash ساخته است که مصرف انرژی و انتشار کربن مدل‌های مختلف هوش مصنوعی را با یکدیگر مقایسه می‌کند.

ابزار یادشده برای مقایسه، شرایط یک دیتاسنتر آمریکایی با نیروگاه اختصاصی گاز طبیعی را مبنا قرار می‌دهد. نتایج نشان می‌دهند مقدار انرژی مصرفی به عوامل مختلفی بستگی دارد؛ ازجمله تعداد تراشه‌ها، نوع سخت‌افزار، تعداد درخواست‌هایی که هم‌زمان پردازش می‌شوند و تعداد توکن‌های تولیدشده.

براساس برآوردهای این گروه، برخی مدل‌های پیشرفته‌ی آمریکایی، ازجمله GPT-5.6 Terra، انرژی بیشتری نسبت‌به مدل‌هایی مانند Qwen علی‌بابا مصرف می‌کنند. بخشی از این اختلاف به معماری و روش پردازش مدل‌ها مربوط می‌شود.

به‌طور کلی، مدل‌های بزرگ‌تر و پیشرفته‌تر برای پاسخ‌گویی به مسائل پیچیده به محاسبات بیشتری نیاز دارند. برای مثال، مدل سبک Claude Haiku معمولاً انرژی بسیار کمتری نسبت‌به مدل پیشرفته‌تر Claude Fable 5 مصرف می‌کند.

جغام توضیح می‌دهد که مدل Claude Sonnet با وجود کوچک‌تر و ارزان‌تر بودن نسبت به Opus، برای جبران تفاوت توانایی خود تقریباً ۶۰ درصد توکن بیشتری تولید می‌کند. بنابراین، اگرچه مصرف انرژی آن به‌ازای هر توکن کمتر است، اختلاف مصرف کل انرژی دو مدل کاهش پیدا می‌کند.

پژوهشگران می‌گویند مدل‌های سبک‌تر در بیشتر کارهای قابل‌مقایسه همچنان کم‌مصرف‌تر هستند. برای نمونه، گروه Sustainable AI برآورد می‌کند که انجام یک کار چندمرحله‌ای با مدل Claude Fable حدود ۷۶٫۲ وات‌ساعت برق مصرف می‌کند. با فرض استفاده از برق نیروگاه گازی، انتشار کربن چنین عملیاتی تقریباً با انتشار ناشی از چهار بار شارژ گوشی هوشمند برابر خواهد بود.

شاید این مقدار برای یک درخواست چندان زیاد به نظر نرسد؛ اما وقتی روزانه میلیاردها درخواست پردازش می‌شود، مجموع مصرف انرژی و انتشار گازهای گلخانه‌ای به رقم بزرگی می‌رسد.

گوگل در گزارش زیست‌محیطی سال ۲۰۲۶ خود اعلام کرد یک درخواست متنی معمولی در اپلیکیشن‌های جمنای حدود ۰٫۲۴ وات‌ساعت برق مصرف می‌کند؛ تقریباً معادل تماشای کمتر از ۹ ثانیه تلویزیون.

گوگل می‌گوید از سال ۲۰۲۴ تا ۲۰۲۵ توانسته با بهینه‌سازی نرم‌افزار و سخت‌افزار، انرژی مصرفی هر درخواست متنی را ۳۳ برابر و ردپای کربنی آن را ۴۴ برابر کاهش دهد.

البته بسیاری از چنین آمارهایی بر پایه‌ی محاسبات داخلی شرکت‌ها منتشر می‌شوند و راستی‌آزمایی مستقل آن‌ها دشوار است. برای مثال، گوگل از تراشه‌های اختصاصی TPU استفاده می‌کند؛ اما اطلاعات فنی و امکان بررسی مستقل این سخت‌افزارها برای پژوهشگران بیرونی محدود است.

فرض کنید دو نفر دقیقاً یک سؤال را از یک مدل هوش مصنوعی می‌پرسند. یکی در کپنهاگ و دیگری در چارلستون آمریکا زندگی می‌کند. حتی اگر انرژی مصرفی دو درخواست یکسان باشد، میزان آلودگی ناشی از آن‌ها ممکن است متفاوت باشد.

دلیل این تفاوت، منبع تولید برق است. دیتاسنتری که انرژی خود را از باد، خورشید یا نیروگاه برق‌آبی دریافت می‌کند، معمولاً برای تولید همان مقدار برق گاز گلخانه‌ای کمتری نسبت‌به دیتاسنتری وابسته به زغال‌سنگ یا گاز طبیعی منتشر می‌کند.

البته محل زندگی کاربر لزوماً مشخص نمی‌کند درخواستش در کدام دیتاسنتر پردازش خواهد شد. آنچه اهمیت دارد محل واقعی پردازش درخواست و ترکیب منابع برق همان منطقه است.

کشورهای اسکاندیناوی به‌دلیل دسترسی به انرژی‌های تجدیدپذیر و آب‌وهوای سرد، برای توسعه‌ی دیتاسنترها جذاب شده‌اند. گوگل نیز در سپتامبر ۲۰۲۶ از سرمایه‌گذاری ۱۵٫۱ میلیارد دلاری در زیرساخت‌های هوش مصنوعی فنلاند خبر داد.

فرانسه هم به‌دلیل سهم بالای انرژی هسته‌ای و تجدیدپذیر در تولید برق، یکی از مقصدهای مهم توسعه‌ی زیرساخت‌های هوش مصنوعی اروپا محسوب می‌شود.

در آمریکا شرایط متفاوت است. طبق داده‌های اداره‌ی اطلاعات انرژی آن کشور، حدود ۲۴ درصد برق تولیدی نیروگاه‌های بزرگ در سال ۲۰۲۵ از منابع تجدیدپذیر تأمین شده بود. سهم سوخت‌های فسیلی نیز بسته به منطقه تفاوت زیادی دارد.

گسترش دیتاسنترها به افزایش تقاضا برای نیروگاه‌های گازی منجر شده است. مؤسسه‌ی Global Energy Monitor گزارش می‌دهد که ظرفیت نیروگاه‌های گازی پیشنهادی مرتبط با دیتاسنترهای آمریکا در نیمه‌ی نخست سال ۲۰۲۶ به ۱۸۹ گیگاوات رسید؛ تقریباً دو برابر ظرفیت پیشنهادی در کل سال ۲۰۲۵.

همچنین سازمان زیست‌محیطی Sierra Club هشدار داده است که اگر تمام دیتاسنترهای برنامه‌ریزی‌شده‌ی آمریکا طبق مجوزهای فعلی ساخته شوند، انتشار کربن آن‌ها تا سال ۲۰۳۰ ممکن است از کل انتشار سالانه‌ی مکزیک بیشتر شود.

در مقابل، بعضی مدل‌های آمریکایی انرژی بیشتری نسبت به نمونه‌های چینی مصرف می‌کنند. بنابراین، برای مقایسه‌ی ردپای کربنی آن‌ها باید هم مصرف واقعی مدل و هم منبع برق دیتاسنتر را در نظر گرفت.

نکته‌ی مهم دیگر این است که ادعای «انتشار خالص صفر» همیشه به معنای استفاده‌ی مستقیم از برق پاک نیست. بعضی شرکت‌ها با خرید گواهی انرژی تجدیدپذیر، انتشار کربن خود را در محاسبات جبران می‌کنند؛ درحالی‌که دیتاسنترهایشان همچنان از شبکه‌ی برقی استفاده می‌کنند که بخشی از انرژی آن با سوخت‌های فسیلی تولید می‌شود.

این برآورد را جان بیستلاین از شرکت Watershed مطرح می‌کند. به‌گفته‌ی او، انتخاب مدل کم‌مصرف‌تر یکی از مؤثرترین اقداماتی است که شرکت‌ها همین حالا می‌توانند برای کاهش مصرف انرژی هوش مصنوعی انجام دهند.

افزایش مصرف برق هوش مصنوعی فقط نگرانی فعالان محیط‌زیست نیست. سرمایه‌گذاران، دولت‌ها و حتی مشتریان سازمانی نیز می‌خواهند بدانند استفاده از این فناوری چه هزینه‌هایی برای محیط‌زیست دارد.

شرکت‌هایی که متعهد شده‌اند انتشار گازهای گلخانه‌ای خود را کاهش دهند، باید بتوانند سهم ابزارهای هوش مصنوعی را در میزان آلودگی فعالیت‌هایشان محاسبه کنند.

از سوی دیگر، توسعه‌ی نیروگاه‌های گازی و دیتاسنترها می‌تواند به افزایش آلودگی هوا و هزینه‌ی برق در مناطق اطراف منجر شود. همین نگرانی‌ها باعث شده برخی شهرها و ایالت‌های آمریکا با توسعه‌ی پروژه‌های جدید مخالفت کنند.

شرکت پژوهش سرمایه‌گذاری Morningstar هشدار داده است که نبود اطلاعات شفاف از شرکت‌های هوش مصنوعی، توانایی سرمایه‌گذاران را برای ارزیابی عملکرد زیست‌محیطی و بهره‌وری منابع کاهش می‌دهد.

در آمریکا، کمیسیون بورس و اوراق بهادار از طرح‌های پیشین برای الزام شرکت‌های بزرگ به گزارش انتشار کربن عقب‌نشینی کرده است؛ اما ایالت کالیفرنیا اجرای مقررات اختصاصی خود را آغاز می‌کند.

این مقررات شرکت‌هایی را که بیش از یک میلیارد دلار درآمد سالانه دارند و در کالیفرنیا فعالیت می‌کنند، به گزارش برخی از انواع انتشار گازهای گلخانه‌ای ملزم می‌کند. الزامات مربوط به انتشار غیرمستقیم در زنجیره‌ی تأمین نیز قرار است در مرحله‌ی بعد اجرا شود.

اتحادیه‌ی اروپا نیز با چارچوب گزارش‌دهی پایداری شرکت‌ها (CSRD) به‌دنبال شفاف‌ترکردن اثرات زیست‌محیطی کسب‌وکارها است. استانداردهای بین‌المللی دیگری مانند ISSB هم در کشورهای مختلف در حال اجرا هستند.

پژوهشگران امیدوارند این فشارهای قانونی و اقتصادی شرکت‌های هوش مصنوعی را به انتشار داده‌های دقیق‌تر وادار کند.

ساشا لوچیونی می‌گوید تا همین چند سال پیش بعضی شرکت‌ها تصور می‌کردند اندازه‌گیری انتشار کربن هوش مصنوعی امکان‌پذیر نیست؛ اما اکنون کارکنان، سهام‌داران و نهادهای نظارتی آن‌ها خواستار شفافیت شده‌اند.

انتخاب مدل مناسب، استفاده از دیتاسنترهایی با برق پاک‌تر و بهبود بازده تجهیزات نیز می‌توانند تفاوت قابل‌توجهی ایجاد کنند.

هوش مصنوعی قرار است کارهای بیشتری برای انسان انجام دهد؛ اما هرچه وظایف آن پیچیده‌تر می‌شود، منابع بیشتری هم مصرف می‌کند. مسئله فقط این نیست که یک سؤال از ChatGPT چند وات‌ساعت برق می‌خواهد؛ مسئله این است که میلیاردها درخواست روزانه، توسعه‌ی مدل‌های بزرگ‌تر و ساخت دیتاسنترهای جدید در مجموع چه اثری بر مصرف انرژی و انتشار گازهای گلخانه‌ای جهان خواهند گذاشت.