Πόσο νερό χρησιμοποιεί η Τεχνητή Νοημοσύνη;

Σίγουρα έχετε ακούσει τα πάντα, από το «η Τεχνητή Νοημοσύνη πίνει ένα μπουκάλι νερό κάθε λίγες ερωτήσεις» μέχρι το «είναι ουσιαστικά μερικές σταγόνες». Η αλήθεια είναι πιο λεπτή. Το αποτύπωμα νερού της Τεχνητής Νοημοσύνης ποικίλλει ευρέως ανάλογα με το πού εκτελείται, τη διάρκεια της προτροπής σας και τον τρόπο με τον οποίο ένα κέντρο δεδομένων ψύχει τους διακομιστές του. Οπότε ναι, ο αριθμός τίτλου υπάρχει, αλλά κρύβεται μέσα σε μια σειρά από επιφυλάξεις.

Παρακάτω αναλύω με σαφήνεια τους αριθμούς που είναι έτοιμοι για λήψη απόφασης, εξηγώ γιατί οι εκτιμήσεις διαφωνούν και δείχνω πώς οι κατασκευαστές και οι καθημερινοί χρήστες μπορούν να συρρικνώσουν την παροχή νερού χωρίς να μετατραπούν σε μοναχούς της βιωσιμότητας.

Άρθρα που ίσως σας ενδιαφέρουν μετά από αυτό:

🔗 Τι είναι ένα σύνολο δεδομένων Τεχνητής Νοημοσύνης
Εξηγεί πώς τα σύνολα δεδομένων επιτρέπουν την εκπαίδευση στη μηχανική μάθηση και την ανάπτυξη μοντέλων.

🔗 Πώς η Τεχνητή Νοημοσύνη προβλέπει τις τάσεις
Δείχνει πώς η Τεχνητή Νοημοσύνη αναλύει τα μοτίβα για να προβλέψει αλλαγές και μελλοντικά αποτελέσματα.

🔗 Πώς να μετρήσετε την απόδοση της Τεχνητής Νοημοσύνης
Αναλύει βασικές μετρήσεις για την αξιολόγηση της ακρίβειας, της ταχύτητας και της αξιοπιστίας.

🔗 Πώς να μιλήσετε με την Τεχνητή Νοημοσύνη
Καθοδηγεί αποτελεσματικές στρατηγικές προτροπής για τη βελτίωση της σαφήνειας, των αποτελεσμάτων και της συνέπειας.

Πόσο νερό χρησιμοποιεί η Τεχνητή Νοημοσύνη; Γρήγοροι αριθμοί που μπορείτε πραγματικά να χρησιμοποιήσετε 📏

• Ανά προτροπή, τυπικό εύρος σήμερα: από υποχιλιοστόλιτρο για μια μέση προτροπή κειμένου σε ένα κύριο σύστημα, έως δεκάδες χιλιοστόλιτρα για μια μεγαλύτερη, υψηλότερης υπολογιστικής ισχύος απόκριση σε ένα άλλο. Για παράδειγμα, η λογιστική παραγωγής της Google αναφέρει μια μέση προτροπή κειμένου ~0,26 mL (συμπεριλαμβανομένης της πλήρους επιβάρυνσης εξυπηρέτησης) [1]. Η αξιολόγηση κύκλου ζωής της Mistral συνδέει μια απάντηση βοηθού 400 διακριτικών στα ~45 mL (οριακή συμπερασματολογία) [2]. Το πλαίσιο και το μοντέλο έχουν μεγάλη σημασία.

• Εκπαίδευση ενός μοντέλου πρωτοποριακής κλίμακας: μπορεί να φτάσει τα εκατομμύρια λίτρα , κυρίως από ψύξη και νερό που ενσωματώνεται στην παραγωγή ηλεκτρικής ενέργειας. Μια ευρέως αναφερόμενη ακαδημαϊκή ανάλυση εκτίμησε ~5,4 εκατομμύρια λίτρα για την εκπαίδευση ενός μοντέλου κλάσης GPT, συμπεριλαμβανομένων ~700.000 λίτρων που καταναλώνονται επιτόπου για ψύξη - και υποστήριξε τον έξυπνο προγραμματισμό για τη μείωση της έντασης του νερού [3].

• Κέντρα δεδομένων γενικά: οι μεγάλες εγκαταστάσεις καλύπτουν εκατοντάδες χιλιάδες γαλόνια την ημέρα κατά μέσο όρο σε μεγάλους φορείς εκμετάλλευσης, με υψηλότερες αιχμές σε ορισμένες εγκαταστάσεις ανάλογα με το κλίμα και τον σχεδιασμό [5].

Ας είμαστε ειλικρινείς: αυτά τα στοιχεία φαίνονται ασυνεπή στην αρχή. Είναι. Και υπάρχουν βάσιμοι λόγοι.

Μετρήσεις χρήσης νερού με τεχνητή νοημοσύνη ✅

Μια καλή απάντηση στο ερώτημα Πόσο νερό χρησιμοποιεί η τεχνητή νοημοσύνη; θα πρέπει να τσεκάρει μερικά κουτάκια:

1. Σαφήνεια ορίων
   Περιλαμβάνει μόνο ψύξης εντός των εγκαταστάσεων ή και εκτός των εγκαταστάσεων που χρησιμοποιείται από σταθμούς παραγωγής ηλεκτρικής ενέργειας; Η βέλτιστη πρακτική διακρίνει την άντληση νερού από την κατανάλωση νερού και τα πεδία 1-2-3, παρόμοια με τη λογιστική του άνθρακα [3].

2. Ευαισθησία τοποθεσίας
   Το νερό ανά kWh ποικίλλει ανάλογα με την περιοχή και το μείγμα δικτύου, επομένως η ίδια προτροπή μπορεί να έχει διαφορετικές επιπτώσεις στο νερό ανάλογα με το πού εξυπηρετείται - ένας βασικός λόγος για τον οποίο η βιβλιογραφία συνιστά προγραμματισμό με επίγνωση του χρόνου και του τόπου [3].

3. Ρεαλισμός του φόρτου εργασίας.
   Ο αριθμός αντικατοπτρίζει τις μέσες ωθήσεις παραγωγής , συμπεριλαμβανομένης της χωρητικότητας σε αδράνεια και του overhead του κέντρου δεδομένων, ή μόνο του επιταχυντή στην κορυφή; Η Google δίνει έμφαση στη λογιστική παρακολούθηση ολόκληρου του συστήματος (αδράνεια, CPU/DRAM και overhead του κέντρου δεδομένων) για συμπεράσματα, όχι μόνο στα μαθηματικά της TPU [1].

4. Τεχνολογία ψύξης
   Η ψύξη με εξάτμιση, η υγρή ψύξη κλειστού βρόχου, η ψύξη με αέρα και οι αναδυόμενες απευθείας στο τσιπ αλλάζουν δραματικά την ένταση του νερού. Η Microsoft λανσάρει σχέδια που αποσκοπούν στην εξάλειψη της χρήσης νερού ψύξης για ορισμένες εγκαταστάσεις επόμενης γενιάς [4].

5. Ώρα της ημέρας και εποχή
   Η θερμότητα, η υγρασία και οι συνθήκες του δικτύου μεταβάλλουν την αποτελεσματικότητα της χρήσης νερού στην πραγματική ζωή. Μια σημαντική μελέτη προτείνει τον προγραμματισμό σημαντικών εργασιών όταν και όπου η ένταση του νερού είναι χαμηλότερη [3].

Άντληση νερού έναντι κατανάλωσης νερού, εξήγηση 💡

• Απόσυρση = νερό που λαμβάνεται από ποτάμια, λίμνες ή υδροφορείς (κάποιο μέρος επιστρέφεται).

• Κατανάλωση = νερό που δεν επιστρέφεται επειδή εξατμίζεται ή ενσωματώνεται σε διαδικασίες/προϊόντα.

καταναλώνουν κυρίως νερό μέσω εξάτμισης. Η παραγωγή ηλεκτρικής ενέργειας μπορεί να απορροφήσει μεγάλους όγκους (μερικές φορές καταναλώνοντας μέρος αυτού), ανάλογα με την εγκατάσταση και τη μέθοδο ψύξης. Ένας αξιόπιστος αριθμός τεχνητής νοημοσύνης-νερού επισημαίνει τον οποίο αναφέρει [3].

Πού πηγαίνει το νερό στην Τεχνητή Νοημοσύνη: οι τρεις κουβάδες 🪣

1. Πεδίο εφαρμογής 1 - ψύξη επί τόπου
   Το ορατό μέρος: νερό που εξατμίζεται στο ίδιο το κέντρο δεδομένων. Επιλογές σχεδιασμού όπως η εξάτμιση έναντι του αέρα ή του υγρού κλειστού βρόχου καθορίζουν τη γραμμή βάσης [5].

2. Πεδίο εφαρμογής 2 - παραγωγή ηλεκτρικής ενέργειας
   Κάθε kWh μπορεί να φέρει μια κρυφή ετικέτα νερού. Το μείγμα και η τοποθεσία καθορίζουν το σήμα λίτρων ανά kWh που κληρονομεί το φόρτο εργασίας σας [3].

3. Πεδίο εφαρμογής 3 - αλυσίδα εφοδιασμού
   Η κατασκευή τσιπ βασίζεται σε εξαιρετικά καθαρό νερό κατά την κατασκευή. Δεν θα το δείτε σε μια μέτρηση «ανά προτροπή», εκτός εάν το όριο περιλαμβάνει ρητά τις ενσωματωμένες επιπτώσεις (π.χ., μια πλήρης ΑΚΖ) [2][3].

Πάροχοι με βάση τους αριθμούς, με λεπτομέρειες 🧮

• Η Google Gemini προτρέπει
  για τη μέθοδο σερβιρίσματος Full-stack (συμπεριλαμβανομένου του αδρανούς κόστους και του κόστους λειτουργίας). Το διάμεσο κείμενο προτρέπει για ~0,26 mL νερού μαζί με ~0,24 Wh ενέργειας. Τα στοιχεία αντικατοπτρίζουν την κίνηση παραγωγής και τα συνολικά όρια [1].

• Κύκλος ζωής Mistral Large 2
  Μια σπάνια ανεξάρτητη LCA (με ADEME/Carbone 4) αποκαλύπτει ~281.000 m³ για εκπαίδευση + πρώιμη χρήση και ένα οριακό συμπερασματικό εύρος ~45 mL για μια απάντηση βοηθού 400 διακριτικών

• Η φιλοδοξία της Microsoft για ψύξη με μηδενικό νερό
  Τα κέντρα δεδομένων επόμενης γενιάς έχουν σχεδιαστεί για να καταναλώνουν μηδενικό νερό για ψύξη , βασιζόμενα σε προσεγγίσεις απευθείας στο τσιπ. Οι διαχειριστικές χρήσεις εξακολουθούν να απαιτούν κάποια ποσότητα νερού [4].

• Γενική κλίμακα κέντρου δεδομένων.
  Οι μεγάλοι φορείς εκμετάλλευσης αναφέρουν δημόσια εκατοντάδες χιλιάδες γαλόνια την ημέρα κατά μέσο όρο σε μεμονωμένες εγκαταστάσεις. Το κλίμα και ο σχεδιασμός αυξάνουν ή μειώνουν τους αριθμούς [5].

• Η προηγούμενη ακαδημαϊκή βάση
  Η πρωτοποριακή ανάλυση της «διψασμένης τεχνητής νοημοσύνης» υπολόγισε εκατομμύρια λίτρα για την εκπαίδευση μοντέλων κατηγορίας GPT και ότι 10–50 απαντήσεις μεσαίου μεγέθους θα μπορούσαν περίπου να ισοδυναμούν με ένα των 500 mL - ανάλογα με το πότε/πού λειτουργούν [3].

Γιατί οι εκτιμήσεις διαφωνούν τόσο πολύ 🤷

• Διαφορετικά όρια
  Ορισμένα στοιχεία λαμβάνουν υπόψη μόνο την ψύξη επί τόπου . Άλλα προσθέτουν το νερό και την ηλεκτρική ενέργεια . Οι ΑΚΖ μπορούν να προσθέσουν την κατασκευή τσιπ . Μήλα, πορτοκάλια και φρουτοσαλάτα [2][3].

• Διαφορετικά φόρτα εργασίας
  Ένα σύντομο μήνυμα κειμένου δεν είναι μια μεγάλη πολυτροπική/εκτελούμενη εκτέλεση κώδικα. Οι στόχοι ομαδοποίησης, ταυτόχρονης δημιουργίας και καθυστέρησης αλλάζουν την αξιοποίηση [1][2].

• Διαφορετικά κλίματα και δίκτυα
  Ψύξη με εξάτμιση σε μια ζεστή, άνυδρη περιοχή ≠ ψύξη με αέρα/υγρό σε μια δροσερή, υγρή περιοχή. Η ένταση του νερού δικτύου ποικίλλει σημαντικά [3].

• Μεθοδολογίες προμηθευτών
  Η Google δημοσίευσε μια μέθοδο εξυπηρέτησης σε ολόκληρο το σύστημα. Η Mistral δημοσίευσε μια επίσημη LCA. Άλλοι προσφέρουν εκτιμήσεις σημείων με αραιές μεθόδους. Ένας ισχυρισμός υψηλού προφίλ για το "ένα δέκατο πέμπτο του κουταλιού του γλυκού" ανά προτροπή έγινε πρωτοσέλιδο - αλλά χωρίς λεπτομέρειες ορίων, δεν είναι συγκρίσιμος [1][3].

• Ένας κινούμενος στόχος
  Η ψύξη εξελίσσεται ραγδαία. Η Microsoft εφαρμόζει πιλοτικά την ψύξη χωρίς νερό σε ορισμένες εγκαταστάσεις. Η εφαρμογή αυτής της τεχνολογίας θα μειώσει το νερό στις εγκαταστάσεις, ακόμη και αν η ανάντη ηλεκτρική ενέργεια εξακολουθεί να φέρει σήμα νερού [4].

Τι μπορείτε να κάνετε σήμερα για να μειώσετε το υδάτινο αποτύπωμα της Τεχνητής Νοημοσύνης 🌱

1. Προσαρμόστε το μοντέλο στο σωστό μέγεθος.
   Τα μικρότερα, προσαρμοσμένα στις εργασίες μοντέλα συχνά προσφέρουν ακρίβεια, ενώ καταναλώνουν λιγότερο υπολογιστικό κόστος. Η αξιολόγηση του Mistral υπογραμμίζει ισχυρές συσχετίσεις μεγέθους προς αποτύπωμα - και δημοσιεύει αριθμούς οριακής συμπερασματολογίας, ώστε να μπορείτε να κάνετε συλλογισμούς σχετικά με τους συμβιβασμούς [2].

2. Επιλέξτε περιοχές με γνώμονα την κατανάλωση νερού.
   Προτιμήστε περιοχές με ψυχρότερα κλίματα, αποτελεσματική ψύξη και δίκτυα με χαμηλότερη ένταση νερού ανά kWh. Η εργασία της «διψασμένης τεχνητής νοημοσύνης» δείχνει ότι με επίγνωση του χρόνου και του τόπου βοηθάει [3].

3. Μετατόπιση φόρτου εργασίας στο χρόνο
   Προγραμματισμός εκπαίδευσης/συμπερασμάτων βαριάς παρτίδας για ώρες αποδοτικής χρήσης νερού (ψυχρότερες νύχτες, ευνοϊκές συνθήκες δικτύου) [3].

4. Ρωτήστε τον προμηθευτή σας για διαφανείς μετρήσεις.
   Ζήτηση νερού ανά ωφέλιμη ποσότητα , ορισμούς ορίων και εάν οι αριθμοί περιλαμβάνουν την αδρανή χωρητικότητα και τα γενικά έξοδα εγκατάστασης. Οι ομάδες πολιτικής πιέζουν για υποχρεωτική γνωστοποίηση ώστε να καταστούν δυνατές οι συγκρίσεις μεταξύ των δύο φάσεων [3].

5. Η τεχνολογία ψύξης έχει σημασία.
   Εάν χρησιμοποιείτε υλικό, αξιολογήστε την ψύξη κλειστού βρόχου/άμεσης σύνδεσης στο τσιπ . Εάν χρησιμοποιείτε cloud, προτιμήστε περιοχές/παρόχους που επενδύουν σε σχέδια water-light [4][5].

6. Χρήση γκρίζου νερού και επιλογές επαναχρησιμοποίησης.
   Πολλές πανεπιστημιουπόλεις μπορούν να υποκαταστήσουν μη πόσιμες πηγές ή να ανακυκλώσουν εντός κυκλικών κύκλων. Οι μεγάλοι φορείς εκμετάλλευσης περιγράφουν την εξισορρόπηση των πηγών νερού και των επιλογών ψύξης για την ελαχιστοποίηση του καθαρού αντίκτυπου [5].

Ένα σύντομο παράδειγμα για να το κάνουμε πραγματικότητα (όχι καθολικός κανόνας): η μεταφορά μιας εργασίας εκπαίδευσης κατά τη διάρκεια της νύχτας από μια ζεστή, ξηρή περιοχή στα μέσα του καλοκαιριού σε μια πιο δροσερή, πιο υγρή περιοχή την άνοιξη - και η λειτουργία της εκτός αιχμής, σε πιο δροσερές ώρες - μπορεί να μετατοπίσει τόσο την κατανάλωση νερού εντός του χώρου εκτός του δικτύου . Αυτό είναι το είδος του πρακτικού, χαμηλού δραματικού προγραμματισμού επιτυχιών που μπορεί να ξεκλειδώσει [3].

Συγκριτικός πίνακας: γρήγορες επιλογές για τη μείωση του κόστους νερού από την Τεχνητή Νοημοσύνη 🧰

(Η τιμή ("Η τιμή") είναι σχεδιαστικά εύκαμπτη - οι εφαρμογές ποικίλλουν.)

Βαθιά βουτιά: ο ρυθμός της πολιτικής γίνεται πιο δυνατός 🥁

Οι μηχανικοί φορείς ζητούν την υποχρεωτική γνωστοποίηση της ενέργειας και του νερού των κέντρων δεδομένων, ώστε οι αγοραστές και οι κοινότητες να μπορούν να κρίνουν το κόστος και τα οφέλη. Οι συστάσεις περιλαμβάνουν ορισμούς πεδίου εφαρμογής, αναφορές σε επίπεδο τοποθεσίας και καθοδήγηση χωροθέτησης - επειδή χωρίς συγκρίσιμες μετρήσεις που λαμβάνουν υπόψη την τοποθεσία, διαφωνούμε στο σκοτάδι [3].

Βαθιά βουτιά: τα κέντρα δεδομένων δεν καταναλώνουν όλα τα δεδομένα με τον ίδιο τρόπο 🚰

Υπάρχει ένας επίμονος μύθος ότι «η ψύξη με αέρα δεν χρησιμοποιεί νερό». Όχι ακριβώς. Τα συστήματα με βαρύ αέρα συχνά απαιτούν περισσότερη ηλεκτρική ενέργεια , η οποία σε πολλές περιοχές μεταφέρει κρυφό νερό από το δίκτυο. Αντίθετα, η ψύξη με νερό μπορεί να μειώσει την ενέργεια και τις εκπομπές με κόστος το νερό επί τόπου. Οι μεγάλοι φορείς εκμετάλλευσης εξισορροπούν ρητά αυτούς τους συμβιβασμούς ανά τοποθεσία [1][5].

Βαθιά βουτιά: μια γρήγορη ανασκόπηση της πραγματικότητας σχετικά με τους ιογενείς ισχυρισμούς 🧪

Μπορεί να έχετε δει τολμηρές δηλώσεις ότι μια μόνο προτροπή ισούται με «ένα μπουκάλι νερό» ή, από την άλλη πλευρά, με «λίγες σταγόνες». Καλύτερη στάση σώματος: ταπεινότητα με μαθηματικά . Οι σημερινοί αξιόπιστοι βιβλιοστάτες είναι ~0,26 mL για μια μέση προτροπή παραγωγής με πλήρη επιβάρυνση μερίδας [1] και ~45 mL για μια απάντηση βοηθού 400 μαρκών (οριακή συμπερασματολογία) [2]. Ο πολυδιαφημισμένος «ένα δέκατο πέμπτο ενός κουταλακιού του γλυκού» δεν έχει δημόσιο όριο/μέθοδο. Αντιμετωπίστε τον σαν πρόγνωση καιρού χωρίς την πόλη [1][3].

Μικρές Συχνές Ερωτήσεις: Πόσο νερό χρησιμοποιεί η Τεχνητή Νοημοσύνη; Και πάλι, σε απλά ελληνικά 🗣️

• Τι πρέπει λοιπόν να πω σε μια συνάντηση;
  «Ανάλογα με την προτροπή, κυμαίνεται από σταγόνες έως μερικές γουλιές , ανάλογα με το μοντέλο, τη διάρκεια και το πού τρέχει. Η προπόνηση διαρκεί σε πισίνες , όχι σε λακκούβες». Στη συνέχεια, αναφέρετε ένα ή δύο παραδείγματα παραπάνω.

• Είναι η Τεχνητή Νοημοσύνη μοναδικά κακή;
  Είναι μοναδικά συγκεντρωμένη : τα τσιπ υψηλής ισχύος που είναι συσκευασμένα μαζί δημιουργούν μεγάλα φορτία ψύξης. Αλλά τα κέντρα δεδομένων είναι επίσης εκεί που η τεχνολογία με την καλύτερη απόδοση τείνει να προσγειώνεται πρώτα [1][4].

• Τι θα γινόταν αν απλώς μεταφέραμε τα πάντα σε ψύξη με αέρα;
  Μπορεί να μειώσετε την παροχή εντός του χώρου , αλλά να αυξήσετε την εκτός του χώρου μέσω ηλεκτρικού ρεύματος. Οι εξελιγμένοι χειριστές ζυγίζουν και τα δύο [1][5].

• Τι γίνεται με την τεχνολογία του μέλλοντος;
  Τα σχέδια που αποφεύγουν την ψύξη του νερού σε μεγάλη κλίμακα θα άλλαζαν τα δεδομένα για το Πεδίο Εφαρμογής 1. Ορισμένοι φορείς εκμετάλλευσης κινούνται προς αυτή την κατεύθυνση. Η ανάντη ηλεκτρική ενέργεια εξακολουθεί να μεταφέρει σήμα νερού μέχρι να αλλάξουν τα δίκτυα [4].

Τελικές παρατηρήσεις - Πολύ μακροσκελές, δεν το διάβασα 🌊

• Ανά προτροπή: σκεφτείτε υποχιλιοστόλιτρο έως δεκάδες χιλιοστόλιτρα , ανάλογα με το μοντέλο, το μήκος της προτροπής και το σημείο εκτέλεσης. Διάμεση προτροπή ~0,26 mL σε μία κύρια στοίβα. ~45 mL για απάντηση 400 διακριτικών σε μια άλλη [1][2].

• Εκπαίδευση: εκατομμύρια λίτρα για μοντέλα αιχμής, καθιστώντας κρίσιμη την τεχνολογία προγραμματισμού, χωροθέτησης και ψύξης [3].

• Τι να κάνετε: μοντέλα σωστού μεγέθους, επιλογή περιοχών με γνώμονα την κατανάλωση νερού, μετατόπιση βαρέων εργασιών σε πιο δροσερές ώρες, προτίμηση προμηθευτών που αποδεικνύουν σχέδια με φως νερού και απαίτηση διαφανών ορίων [1][3][4][5].

Ελαφρώς λανθασμένη μεταφορά για το τέλος: Η Τεχνητή Νοημοσύνη είναι μια διψασμένη ορχήστρα - η μελωδία είναι υπολογιστική, αλλά τα τύμπανα δροσίζουν και τροφοδοτούν το νερό. Κουρδίστε την μπάντα και το κοινό εξακολουθεί να ακούει τη μουσική χωρίς να ανοίγουν οι ψεκαστήρες. 🎻💦

Αναφορές

1. Ιστολόγιο Google Cloud - Πόση ενέργεια χρησιμοποιεί η Τεχνητή Νοημοσύνη της Google; Κάναμε τους υπολογισμούς (μεθοδολογία + ~0,26 mL μέση τιμή προτροπής, πλήρες overhead σερβιρίσματος). Σύνδεσμος
   (Τεχνική εργασία PDF: Μέτρηση των περιβαλλοντικών επιπτώσεων της παροχής Τεχνητής Νοημοσύνης σε κλίμακα Google .) Σύνδεσμος

2. Mistral AI - Η συμβολή μας σε ένα παγκόσμιο περιβαλλοντικό πρότυπο για την AI (LCA με ADEME/Carbone 4· ~281.000 m³ εκπαίδευση + έγκαιρη χρήση· ~45 mL ανά απάντηση 400-token Σύνδεσμος

3. Li et al. - Κάνοντας την Τεχνητή Νοημοσύνη λιγότερο «διψασμένη»: Αποκάλυψη και αντιμετώπιση του μυστικού υδάτινου αποτυπώματος των μοντέλων Τεχνητής Νοημοσύνης (εκπαίδευση εκατομμυρίων λίτρων , με επίγνωση του χρόνου και του τόπου , απόσυρση έναντι κατανάλωσης). Σύνδεσμος

4. Microsoft - Τα κέντρα δεδομένων επόμενης γενιάς καταναλώνουν μηδενικό νερό για ψύξη (σχεδιασμοί απευθείας στο τσιπ που στοχεύουν στην ψύξη χωρίς νερό σε ορισμένες τοποθεσίες). Σύνδεσμος

5. Κέντρα Δεδομένων Google - Βιώσιμη λειτουργία (αντισταθμίσεις ψύξης ανά τοποθεσία· αναφορά και επαναχρησιμοποίηση, συμπεριλαμβανομένων των ανακτημένων/γκρίζων υδάτων· τυπικές τάξεις μεγέθους καθημερινής χρήσης σε επίπεδο τοποθεσίας). Σύνδεσμος

Βρείτε την τελευταία λέξη της Τεχνητής Νοημοσύνης στο επίσημο κατάστημα βοηθών τεχνητής νοημοσύνης

Σχετικά με εμάς