సస్టైనబిలిటీ మరియు జెనరేటివ్ AI అనేది ప్రధాన స్రవంతిలో రెండు హాట్ టాపిక్‌లు, మరియు "AIని తక్కువ దాహం" అని పిలిచే ఇటీవలి అధ్యయనం వాటి విభజనపై వెలుగునిచ్చింది. కొలరాడో రివర్‌సైడ్ విశ్వవిద్యాలయం మరియు యూనివర్శిటీ ఆఫ్ టెక్సాస్ ఆర్లింగ్‌టన్ పరిశోధకులు నిర్వహించిన ఈ అధ్యయనం, డేటా సెంటర్‌లను చల్లబరచడానికి భారీ మొత్తంలో విద్యుత్ మరియు నీరు అవసరమయ్యే AI శిక్షణ యొక్క పర్యావరణ ప్రభావాన్ని కొలుస్తుంది మరియు పోల్చింది. OpenAI యొక్క ChatGPT మరియు Google యొక్క బార్డ్ వంటి పెద్ద AI మోడల్‌లకు శిక్షణ ఇవ్వడానికి గణనీయమైన మొత్తంలో నీటిని వినియోగిస్తుందని అధ్యయనం కనుగొంది, మైక్రోసాఫ్ట్ మాత్రమే GPT-3కి శిక్షణ ఇవ్వడానికి 185,000 గ్యాలన్ల నీటిని ఉపయోగిస్తుంది. ఈ నీటి పరిమాణం అణు రియాక్టర్‌ను చల్లబరచడానికి ఎంత అవసరమో దానికి సమానం.
నీరు ఎక్కడ నుండి వస్తుంది మరియు ఎక్కడికి వెళుతుంది అనే దానిపై అధ్యయనం అనేక ప్రశ్నలను లేవనెత్తుతుంది. డేటా సెంటర్లలో ఉపయోగించే నీరు నదులు, సరస్సులు మరియు ఇతర మంచినీటి వనరుల నుండి వస్తుంది మరియు తుప్పు మరియు బ్యాక్టీరియాను నివారించడానికి ఇది శుభ్రంగా మరియు తాజాగా ఉండాలి. కూలింగ్ టవర్ల ద్వారా నీటిని గాలిలోకి విడుదల చేస్తారు, కానీ వర్షంగా తిరిగి రావడానికి సమయం పడుతుంది. అధ్యయనం నీటి వినియోగంపై దృష్టి పెడుతుంది, ఇక్కడే ఎక్కువ నీటి వినియోగం వస్తుంది.
కృత్రిమ మేధస్సు శిక్షణ డేటాను నిల్వ చేసే డేటా సెంటర్ల శీతలీకరణకు నీరు అవసరం మరియు ఉపయోగించిన నీటి పరిమాణం అనేక అంశాలపై ఆధారపడి ఉంటుంది. ఎయిర్-కూల్డ్ మరియు వాటర్-కూల్డ్ సిస్టమ్స్ అనేది డేటా సెంటర్లలో ఉపయోగించే రెండు ప్రధాన రకాల శీతలీకరణ వ్యవస్థలు. వాటర్-కూల్డ్ సిస్టమ్స్ సాధారణంగా ఎయిర్-కూల్డ్ సిస్టమ్స్ కంటే ఎక్కువ నీటిని వినియోగిస్తాయి కానీ శక్తి వినియోగం పరంగా మరింత సమర్థవంతంగా ఉంటాయి మరియు మెరుగైన శీతలీకరణ పనితీరును అందించగలవు.
కొన్ని డేటా సెంటర్లు తమ నీటి వినియోగాన్ని తగ్గించుకోవడానికి రీసైకిల్ లేదా రీక్లెయిమ్ చేసిన నీటిని ఉపయోగిస్తాయని గమనించడం ముఖ్యం. ఈ వ్యవస్థలను అమలు చేయడానికి అవసరమైన అదనపు నీటి వినియోగం గురించి టెక్ దిగ్గజాలకు తెలిసినప్పటికీ, పర్యావరణానికి పెద్ద ముప్పుగా మారకముందే ఈ భారీ వ్యవస్థల నీటి అడుగుజాడలను తగ్గించడం అవసరం, ముఖ్యంగా AI యొక్క పెరుగుతున్న ఆధారపడటం మరియు ప్రాముఖ్యతతో భవిష్యత్తులో ఊహించబడింది.
©️ Vygr Media Private Limited 2022. All Rights Reserved.
