המחיר הסביבתי של הבינה המלאכותית: טביעת הרגל המימית והאחריות שלנו

בינה מלאכותית פורצת דרך ומשנה את חיינו, אבל במחיר סביבתי כבד. האם אנחנו מודעים להשלכות?

בינה מלאכותית ניצבת במרכז מהפכה טכנולוגית המשנה פני תעשיות רבות, מניעה חדשנות חסרת תקדים ומשמשת דוגמה מובהקת לטכנולוגיה משבשת (Disruptive Technology). לצד ההזדמנויות הרבות שהיא מביאה בתחומים כמו בריאות, פיננסים וחינוך, התפשטותה המהירה מציבה אתגרים סביבתיים גורליים. אחת הסוגיות העיקריות היא טביעת הרגל המימית (Water Footprint) – חלק מטביעת הרגל האקולוגית של הבינה המלאכותית. טביעת הרגל המימית נובעת מהתלות הגבוהה של מרכזי הנתונים (Data Centers) – עמוד השדרה של תשתיות הבינה המלאכותית – בתהליכים עתירי מים לצורך קירור שרתים. מצב זה מעלה חששות כבדים בנוגע לקיימות ארוכת הטווח של פיתוח טכנולוגיות בינה מלאכותית.

משבר המים העולמי – איום גדול על מיליארדי בני אדם ברחבי העולם – רק מחריף על רקע הביקוש הגובר לאנרגייה לצורך הפעלת מערכות בינה מלאכותית. נכון להיום כ־4 מיליארד בני אדם סובלים ממחסור במים בכל שנה, ותחזיות מלמדות שעד שנת 2027 הפעילות העולמית של בינה מלאכותית עלולה להוביל לשימוש של 4.2 עד 6.6 מיליארד מטרים מעוקבים של מים בשנה – כמות החורגת מצריכת המים השנתית של מדינות שלמות (Li et al., 2023). נתונים אלו מדגישים את הצורך הדחוף בהתמודדות אחראית עם האתגר.

בינה מלאכותית בחיי היום יום: יתרונות ואתגרים

בינה מלאכותית כבר מזמן אינה נחלתם של מומחים ומומחיות בלבד: היא הפכה לחלק בלתי נפרד מחיי היום יום שלנו, לעיתים בלי שנשים לב לכך. תחומי הבריאות, התחבורה והתעסוקה מתבססים על כלי בינה מלאכותית מתקדמים המשפרים שירותים ומייעלים תהליכים. אבל לא רק מוסדות משתמשים בטכנולוגיה הזאת. אנו, הצרכנים, כבר מכירים היטב את השימוש בכלים כמו ChatGPT ודומיו. כלי בינה מלאכותית יוצרת (Generative AI) הפכו בתוך שנתיים לכלי עבודה בסיסיים. הם מסוגלים להפיק תוכן עשיר ולספק תשובות מורכבות בזמן אמת, והכול בזכות מיליוני חישובים המחושבים בכל שאילתה (Prompt) שאנו מזינים.

אולם מאחורי הפלא הטכנולוגי הזה מסתתר מחיר סביבתי כבד. כאמור, הלב הפועם של הבינה המלאכותית הוא מרכזי הנתונים (Data Centers), המשמשים לאחסון ועיבוד הכמויות האדירות של המידע. מרכזים אלו מייצרים חום עצום בעת פעילותם, והחום מחייב שימוש במערכות קירור עתירות אנרגייה ומשאבים, ובייחוד מים (Zuccon, Scells, & Zhuang, 2023).

כימות ההשפעה הסביבתית של ChatGPT

אומנם ההשפעה הסביבתית של טכנולוגיות בינה מלאכותית נסתרת מעינינו, אך היא רחוקה מלהיות זניחה. הוושינגטון פוסט בשיתוף חוקרים מאוניברסיטת קליפורניה בריברסייד יצא למשימה שאפתנית: לכמת את הנזק הסביבתי הנגרם משימוש יום־יומי בכלי בינה מלאכותית. כדי להמחיש את ההיקף התמקדו החוקרים בפעולה פשוטה שרבים נוקטים בשגרה: כתיבת מייל. המספרים מעוררים מחשבה:

• 519 מיליליטר מים נדרשים כדי להפיק מייל בן 100 מילים באמצעות מודל שפה כמו GPT-4 – יותר מבקבוק מים ממוצע.

• שימוש שבועי שנה שלמה בכלי שפה (LLM) כמו ChatGPT מסתכם בצריכה של 27 ליטר מים – שווה ערך לכ־1.43 כדי מים.

• אם 10 אחוזים מהעובדים בארצות הברית (כ־16 מיליון בני אדם) ישתמשו ב־ChatGPT פעם אחת בשבוע שנה שלמה, הצריכה הכוללת תגיע לכ־435 מיליון ליטר מים – כמות מקבילה לצריכת המים של כלל בתי האב במדינת רוד איילנד יום וחצי.

הנתונים מציגים מציאות מטרידה: היכולת לייצר תוכן או אינטראקציה בלחיצת כפתור מסתמכת על משאבי טבע יקרים. הבינה המלאכותית מספקת כלים רבי עוצמה לשיפור חיי היום יום, אבל גובה מחיר סביבתי כבד.

להבין את טביעת הרגל המימית של הבינה המלאכותית

המושג "טביעת רגל מימית" נוגע לכמות הכוללת של מים מתוקים המשמשים – ישירות ובעקיפין – לייצור סחורות ושירותים. כאשר מדובר בבינה מלאכותית, מרכזי הנתונים הם התורמים העיקריים לטביעת הרגל הזאת (Li et al., 2023). מרכזי הנתונים תלויים במערכות קירור עתירות מים. מערכות קירור אלו נועדו לשמור על טמפרטורות מיטביות של השרתים, הנדרשים לאימון והסקת מודלים של בינה מלאכותית (Tariq et al., 2023; Zuccon et al., 2023). מרכזי הנתונים משתמשים בכמויות גדולות של מים לצורך קירור, בייחוד במרכזים באזורים בעלי אקלים חם יותר. המים משמשים למגדלי קירור מבוססי אידוי או למערכות מים מקוררים הדורשות אספקה רציפה לשמירה על טמפרטורות מיטביות של השרתים.

מערכות קירור הן תנאי הכרחי לפעילות מרכזי הנתונים, אך נלוות להן עלויות סביבתיות כבדות. כיצד פועלות מערכות הקירור במרכזי הנתונים? כל שאילתה שאנו מזינים (למשל לכלי שפה כמו ChatGPT או LLM ואחרים) מפעילה שרשרת של אלפי חישובים מתקדמים בשרתים. תפקידם של החישובים הוא לבחור את המילים המדויקות ביותר לתגובה/לאינטראקציה עימנו. בעת החישובים האלה השרתים, שבמרכזי הנתונים, מייצרים חום. לצורך קירור הציוד ושמירה על תפקודו התקין יש שימוש במערכות מים. המים מעבירים את החום שנוצר במרכזי הנתונים למגדלי קירור, ושם הוא משתחרר מהמבנה, בדומה לאופן שבו גוף האדם מזיע כדי להתקרר. באזורים שבהם יש מחסור במים או שהחשמל זול יחסית יש שימוש במערכות מבוססות חשמל לקירור, אך גם פתרון זה גובה מחיר סביבתי כבד.

מרכזי הנתונים ותלותם הקריטית במים 

מרכזי נתונים – תשתית קריטית לפעילות הבינה המלאכותית – מייצרים כמויות חום עצומות בעת פעילותם. כדי לשמור על ביצועים מיטביים ולהבטיח תפקוד תקין של השרתים יש שימוש במערכות קירור. רוב מרכזי הנתונים מסתמכים על מערכות קירור מבוססות מים, הנחשבות יעילות וחסכוניות בכל הקשור לאנרגייה, אך בו בזמן צורכות כמויות עצומות של מים מתוקים.

באזורים כמו מדינת וירג'יניה בארצות הברית, שבהם יש ריכוז גבוה של מרכזי נתונים, אפשר לראות עלייה ניכרת בצריכת המים. בשנים 2019–2023 השימוש השנתי במים למרכזי נתונים בווירג'יניה עלה מ־1.13 ל־1.85 מיליארד גלונים, וכך גברה התחרות על משאבי המים המקומיים.

מקרים אחרים מדגישים את ההשלכות המקומיות של צריכת מים כה גבוהה. כך לדוגמה מרכזי הנתונים של גוגל בעיר בעיר דאלאס, אורגון, צרכו כמעט 25 אחוזים מאספקת המים המקומית. תופעה זו עוררה התנגדות בקרב הקהילה המקומית, והיא הביעה חשש מפני פגיעה בזמינות משאבים בסיסיים עבור התושבים והחקלאות. נתונים אלו מדגישים את האתגרים הסביבתיים שפעילות מרכזי הנתונים מציבה, בייחוד באזורים המתמודדים עם משאבים מוגבלים.

כיצד נוצרת טביעת הרגל המימית של הבינה המלאכותית?

כדי להשיב על שאלה זו צריך להבין את צריכת המים באתר ומחוצה לו. הצריכה באתר נוגעת לשימוש הישיר במים בתוך מרכזי הנתונים למטרות קירור. צריכה מחוץ לאתר נוגעת למים המשמשים לייצור החשמל המניע את מרכז הנתונים (Zuccon et al., 2023).

1. תוצאה עקיפה של ייצור חשמל

מרכזי נתונים צורכים כמויות אדירות של אנרגייה, ולעיתים קרובות מקורה של האנרגייה הוא בתחנות כוח תרמואלקטריות הפועלות על פחם או נפט גז טבעי (Li et al., 2023). תחנות אלו דורשות כמויות אדירות של מים לצורכי קירור. כך לדוגמה אימון מודלים גדולים של בינה מלאכותית כמו GPT-3 עם 175 מיליארד פרמטרים יכול לצרוך כמויות עצומות של חשמל – עד כ־1,287,000 קוט"ש (1,287 מגה ואט בשעה). צריכה זו שווה בקירוב לצריכת החשמל השנתית של 140 משקי הבית (בכל משק בית שני בני אדם) (Le Goff, 2024).

דרישות האנרגייה והמים של מודלי בינה מלאכותית יגדלו ככל שהם יהפכו מורכבים וחכמים יותר. כבר היום הם אחראים לכאחוז אחד מצריכת החשמל העולמית (Udea et al., 2024).

2. שימוש ישיר במים למערכות קירור

מרכזי נתונים, בייחוד באזורים חמים, מסתמכים על מערכות קירור מבוססות מים כגון מגדלי קירור אידוי או מערכות מים מקוררים. מערכות אלו זקוקות לאספקת מים רציפה כדי להתמודד עם החום העצום שנוצר בעת פעולת השרתים. 

השימוש העצים במים בָּא לידי ביטוי בבירור בכל הנוגע לאימון מודלים גדולים בתחום הבינה המלאכותית:

• אימון מודל GPT-3 במרכזי הנתונים של מיקרוסופט בארצות הברית דרש כ־700,000 ליטר של מים מתוקים המשמשים בייחוד לצורכי קירור (צריכת המים הייתה משולשת אם האימון היה נערך במרכזי הנתונים של מיקרוסופט באסיה, שכן האזור משפיע על היקף השימוש במים). כמות מים זו שוות ערך לייצור כ־45 קילוגרם של בשר בקר (ייצור בשר בקר נחשב לאחת הפעילויות החקלאיות הצורכות את כמות המים הגבוהה ביותר. כדי לייצר קילוגרם אחד של בשר בקר נדרשים כ־6,992 ליטר מים).

• אימון מודל השפה LLaMA-3 של מטא צורך כמות מים שוות ערך לייצור 4,439 קילוגרם של אורז, הדורש גם הוא משאבי מים רבים בתהליך הגידול.

• השוואות אלו מדגישות את טביעת הרגל המימית הנכבדת של אימון מודלים בתחום הבינה המלאכותית ואת הפוטנציאל שלה להתחרות בפעילויות אחרות הצורכות צריכה עצימה של מים (Li et al., 2023).

האסטרטגיות לצמצום טביעת הרגל המימית של בינה מלאכותית 

כדי לצמצם את ההשפעה השלילית של טכנולוגיות בינה מלאכותית ולשמור על קיימות סביבתית יש לאמץ גישה המבוססת על עקרונות ה־ESG – גישה המתמקדת בהשפעות סביבתיות, חברתיות וממשלתיות כאחד, לצד העצמה ופיתוח יכולות אוריינות טכנולוגית בקרב הציבור וקידום טכנולוגיה אחראית והסברתית (Explainable AI) מצידן של חברות.

1. חידושים טכנולוגיים: התשתית לקיימות סביבתית

שילוב טכנולוגיות מתקדמות במרכזי נתונים מאפשר צמצום ביכר בצריכת מים ואנרגייה לצד שמירה על ביצועים מיטביים של מערכות בינה מלאכותית. דוגמה טובה היא שימוש במערכות קירור נוזלי מתקדמות, המשמשות חלופה יעילה למערכות מבוססות מים מסורתיות ומאפשרות הפחתה של כמעט 50 אחוזים בצריכת המים. מערכות אלו מסייעות בצמצום ההשפעות הסביבתיות ומשפרות את יעילות הקירור שיפור ניכר (Richards et al., 2023). כמו כן העברת מרכז נתונים לאזורים בעלי אקלים נוח יותר או שימוש במערכות בזמנים קרות יותר מפחיתים למינימום את צורכי הקירור וכך תורמים לחיסכון במשאבים (Li et al., 2023).

2. קידום טכנולוגיה אחראית והסברתית (Explainable AI)

שילוב עקרונות שקיפות, אחריותיות והסברתיות בנוגע לפיתוח ולהשפעות הבינה המלאכותית מאפשר לשלב שילוב מועיל בין חדשנות טכנולוגית ובין שמירה על משאבי כדור הארץ. הינה כמה דוגמאות:

• שילוב נתוני צריכת מים ואנרגייה בנוגע לשימוש במודלים של בינה מלאכותית מאפשר לבעלי עניין לקבל מידע חיוני על ההשפעות הסביבתיות של המודלים. מידע זה מניע החלטת החלטות מושכלת ומעודד ניהול אחראי של משאבים (Li et al, 2023).

• פרסום דו"חות והנגשתם לבעלי העניין. גוגל, שפרסמה בדו"ח הסביבתי שלה עלייה של 48 אחוזים בפליטות גזי חממה עקב פעילויות בינה מלאכותית, ממחישה את חשיבות הדיווח הפומבי. נתונים אלו מדגישים את הצורך במעקב שקוף ואחראי אחר ההשפעות הסביבתיות וכן את הצורך בהערכת אפקטיביות מאמצי הקיימות.

• אחריות סביבתית (Environmental Responsibility By Design): פיתוח מודלים חסכוניים באנרגייה הדורשים פחות כוח חישובי ומפחיתים את צריכת המים והאנרגייה למטרות קירור הוא דוגמה למעורבות תאגידית אחראית בתהליכי הפיתוח (Egbemhenghe et al., 2023).

חובת השקיפות וההסברתיות (הנגשת המידע אודות השלכות הפיתוח והשימוש של כלי בינה מלאכותית בשפה מובנת) צריכה להפוך לסטנדרט בתעשייה. גישה זו תשפר את אמון הציבור, תבסס תהליכי פיתוח בינה מלאכותית על עקרונות של קיימות ואחריותיות ותצמצם השפעות שליליות על הסביבה.

3. מדיניות ורגולציה

כדי למתן את ההשפעות המסוכנות של בינה מלאכותית על הסביבה יש צורך בהתערבויות מדיניות מועילות (בדגש על "מועילות", וכאן יש קושי ניכר הודות להתפתחויות הטכנולוגיות הכה מואצות של השנים האחרונות). מדיניות מועילה צריכה לכלול תקנים מחייבים לתכנון תשתיות בנות קיימה המאפשרות לשלב בין יעילות תפעולית ובין שמירה על הסביבה. היא צריכה לכלול גם תמריצים לחברות המיישמות טכנולוגיה אחראית יישום מעשי ומסייעות לצרכניהן בהבנה, שליטה וצמצום נזקים סביבתיים הנגרמים משימוש בבינה מלאכותית.

אחריות בעידן הבינה המלאכותית

בעידן שבו מערכות בינה מלאכותית מעצבות מחדש תעשיות ומספקות פתרונות פורצי דרך בתחומים כמו רפואה, חינוך ופיננסים חשוב להכיר לא רק בהזדמנויות, אלא גם באתגרים. לצד היתרונות העצומים יש להאיר זרקור על טביעת הרגל הסביבתית של טכנולוגיות אלו – ובפרט, על צריכת האנרגייה והמים האדירה הכרוכה בתשתיותיהן. טביעת הרגל המימית של הבינה המלאכותית היא קריאת השכמה המחייבת פעולה מיידית.

הפתרונות אינם טכנולוגיים בלבד, אלא גם ערכיים. השקעה בטכנולוגיות חסכוניות, גיבוש רגולציה אחראית ושקיפות סביבתית יהפכו את הבינה המלאכותית לכוח מניע חיובי במקום למקור נזק סמוי. גישה של בינה מלאכותית ממוקדת אדם (Human-Centered AI) שה־OECD והאיחוד האירופי מובילים היא בגדר מסגרת מנחה לפיתוח טכנולוגיות המשרתות את צורכי האדם, רווחתו וערכיו בכל מחזור החיים של מערכות בינה מלאכותית.

האתגר העיקרי הניצב בפנינו אינו בחירה בין חדשנות לקיימות, אלא יצירת סינרגיה ביניהן. מערכות בינה מלאכותית יכולות להיות כוח מניע לשינוי חיובי בתחומים כמו חיזוי שינויי אקלים, ניהול משאבים ופתרון משברים אקולוגיים, אך כדי לממש פוטנציאל זה נדרשים תכנון ויישום אחראיים.

משבר המים העולמי מציב מבחן בפני תעשיית הבינה המלאכותית: המחויבת שלא רק להוביל חדשנות, אלא גם לשמש דוגמה לאחריות סביבתית. טביעת הרגל המימית של הטכנולוגיה אינה יכולה להישאר שקופה או לא מטופלת. באמצעות גישה הוליסטית המבוססת על חדשנות, שקיפות ואחריות אפשר לממש את הפוטנציאל הטמון בבינה המלאכותית בכל הנוגע לצמצום נזקים סביבתיים, ניהול משאבים ופתרון משברים אקולוגיים. טכנולוגיה היא כלי, היא אינה מטרה – ועלינו להשתמש בה (ולפתח אותה) באופן מאוזן ואחראי כדי להבטיח שהיא משרתת את הדורות הנוכחיים והבאים כאחד.

---

ד"ר לימור זיו היא מייסדת ומנכ"לית Humane AI. מרצה לבינה מלאכותית אחראית באוניברסיטת רייכמן ובאוניברסיטת בר־אילן. יועצת בינה מלאכותית בחברות פרטיות.

לקריאה על אתגרי הדאטה בבינה מלאכותית

https://www.calcalist.co.il/local_news/article/bkewdxve1x

רשימת המקורות:

Egbemhenghe, A. U., Ojeyemi, T., Iwuozor, K. O., Emenike, E. C., Ogunsanya, T. I., Anidiobi, S. U., & Adeniyi, A. G. (2023). Revolutionizing water treatment, conservation, and management: Harnessing the power of AI-driven ChatGPT solutions. Environmental Challenges, 13, 100782.‏

Le Goff, T. (2024, April). Environmental Law's principles applied to Artificial Intelligence: a path towards regulation?. In BILETA's 39th Annual Conference" Green and Digital: twin transitions?".

Li, P., Yang, J., Islam, M. A., & Ren, S. (2023). Making AI less" thirsty": Uncovering and addressing the secret water footprint of AI models. arXiv preprint arXiv:2304.03271. https://arxiv.org/pdf/2304.03271.

Richards, C. E., Tzachor, A., Avin, S., & Fenner, R. (2023). Rewards, risks and responsible deployment of artificial intelligence in water systems. Nature Water, 1(5), 422–432.

Tariq, R., Ali, M., Sheikh, N. A., Shahzad, M. W., & Xu, B. B. (2023). Deep learning artificial intelligence framework for sustainable desiccant air conditioning system: Optimization towards reduction in water footprints. International Communications in Heat and Mass Transfer, 140, 106538.

Ueda, D., Walston, S. L., Fujita, S., Fushimi, Y., Tsuboyama, T., Kamagata, K., ... & Naganawa, S. (2024). Climate change and artificial intelligence in healthcare: Review and recommendations towards a sustainable future. Diagnostic and interventional imaging.

Zuccon, G., Scells, H., & Zhuang, S. (2023, August). Beyond CO2 emissions: The overlooked impact of water consumption of information retrieval models. In Proceedings of the 2023 ACM SIGIR International Conference on Theory of Information Retrieval (pp. 283–289).