Pojawiły się głosy twierdzące, że jedno zapytanie do ChatGPT generuje ogromne zużycie wody. Sam Altman jednak odrzuca te obawy, argumentując, że 38 tysięcy zapytań do ChatGPT zużywa tyle wody, ile potrzeba do wyprodukowania jednego migdała. Mimo postępów w chłodzeniu serwerowni, w tej sprawie istnieje wiele uproszczeń.
Altman przytoczył takie porównanie w podcaście Alexa Heatha (Sources Podcast by Alex Heath). Uzasadniał, że nowoczesne centra danych zużywają wodę porównywalną z dużymi biurowcami, głównie dla potrzeb zatrudnionych tam pracowników. Czy rzeczywiście jego twierdzenia są uzasadnione? Czy jest uprawniony do porównania zestawu zapytań do chatbota z produkcją tylko jednego migdała? Gdzie leżą kluczowe kwestie tej debaty?
Pierwszy trop prowadzi do wypowiedzi „okalającej” porównanie
Warto zauważyć, że tuż przed dokonaniem wspomnianego „wyliczenia” Altman zaznaczył, że nie ma przed sobą dokładnych danych, a jego argumenty opiera się na pamięci, możliwych nieścisłościach. Podkreślał, że chodzi o pełen bilans, wykraczający poza zużycie wody w jednym centrum danych. Niestety w jego porównaniu brakuje informacji o uwzględnionych modelach i rodzajach zapytań oraz o źródle tych danych. Trudno również znaleźć w Internecie podobne stwierdzenie, co utrudnia identyfikację stosowanej metodologii. Porównanie 38 tysięcy zapytań do chatbota z produkcją jednego migdała jest mocne, ale niekoniecznie dobrze osadzone w rzeczywistości. Trzeba je traktować z rezerwą.
W 2025 roku Altman wskazał, że jedno „średnie” zapytanie do ChatGPT zużywa około 0,32 mililitra wody. Również w tym przypadku brakowało informacji na temat metody, która doprowadziła do uzyskania tego wyniku. To sprytna taktyka: rzucić liczbą, nie podając dowodów, i pozostawić to w „eterze”. Tak dziś kształtują się „prawdy”, które mogą nie mieć oparcia w rzeczywistości, wystarczy, że pojawią się w odpowiednim kontekście i rozprzestrzenią się dalej. Niestety, społeczeństwo rzadko interesuje się prawdziwością tych informacji. Co więcej, wiele osób nie potrafi ich weryfikować i przyjmuje to, co widzi, czyta lub ogląda w Internecie, za pewnik.
Rozbieramy myśli Altmana na czynniki pierwsze
Możliwe, że Altman odnosi się do nowych technologii chłodzenia w centrach danych. Microsoft opisał już dwa lata temu system, w którym woda krąży pomiędzy serwerami a urządzeniami chłodniczymi w obiegu zamkniętym. Po wstępnym napełnieniu, instalacja ma za zadanie odprowadzać ciepło bez odparowywania wody i potrzeby dostarczania nowej: znacząco to ogranicza zużycie tego cennego zasobu. Jednak centra danych to nie tylko serwery, ale także infrastruktura dla pracowników, co obejmuje toalety, kuchnie itp. To właśnie tłumaczy odniesienia CEO OpenAI do biurowca. Jednakże nie dotyczy to wszystkich centrów danych, a jestem przekonany, że wiele z tych, w których działają modele OpenAI, nie korzysta z obiegu zamkniętego.
Amazon, który także korzysta z podobnej technologii, w 2026 roku „chwalił się”, że korzysta z systemów opartych na odparowywaniu wody podczas największych upałów. Woda w tym procesie stoi w obiegu, dzięki czemu schładza powietrze kierowane do kompleksu. Dodatkowo, zastąpienie chłodzenia opartego na odparowywaniu (tzw. chłodzenie wyparne) mechanicznych systemów zwiększa zapotrzebowanie na energię. Dlatego oszczędność wody wiąże się z koniecznością użycia dodatkowej energii, a ta również wymaga wody do produkcji. To właśnie tutaj kryją się największe pułapki porównania Altmana i należy mieć to na uwadze.
Kwestia rachunku za wodę to niuanse. Często bardzo skomplikowane
W raporcie Lawrence Berkeley National Laboratory z 2024 roku oszacowano bezpośrednie zużycie wody przez amerykańskie centra danych w 2023 roku na około 66 miliardów litrów, a pośrednie – związane z energią – na niemal 800 miliardów. To niestety obstare dane, jednak obejmują one cały sektor centrów danych w USA, który nie dotyczy wyłącznie sztucznej inteligencji. Część dotycząca energetyki była wyliczana na podstawie regionalnego miksu, nie uwzględniając specjalnych umów taryfowych ani kwestii związanych z generowaniem energii na miejscu.
W przypadku centrów danych, moim zdaniem korzystniej jest bazować na dużych liczbach, chociaż na ich podstawie nie da się określić „kosztu” jednego zapytania czy zestawu kilkudziesięciu zapytań do chatbota. Prawda jest taka, że nasza aktywność w systemach AI coś kosztuje – dużo lub mało… ale wszystko, co robimy, wiąże się z odpowiednim zużyciem. Nawet oglądanie filmu na Netflixie powoduje zużycie wody, zarówno jako element kosztów gospodarstwa domowego, jak i klienta usługi streamingowej, która musi gdzieś przechowywać swoje materiały (a więc również w serwerowni!). Badanie MIT z 2021 roku wskazuje, że jedna godzina oglądania filmu na Netflixie może generować zużycie od dwóch do nawet dwunastu litrów wody na godzinę. Obecnie wiele mogło się w tej kwestii zmienić, ale skala nadal robi wrażenie.
Dużą rolę w takich porównaniach oraz wyliczeniach odgrywa lokalizacja serwerowni oraz źródło energii. Nie da się dokładnie obliczyć swojego „śladu wodnego”, dzieląc po prostu swoją miesięczną liczbę zapytań przez 38 tysięcy, korzystając z „skali migdałowej” zaproponowanej przez Altmana. Najlepszym wnioskiem jest to, że Altman być może opiera się na prawidłowych wyliczeniach, ale brak możliwości ich weryfikacji. Samo wyliczenie, o którym wspomina, może być „nadmiernie optymistyczne”, a z pewnością pochodzi ono z wąskiego kręgu OpenAI, gdzie dąży się do tego, aby wyniki wyglądały jak najlepiej. Pamiętajcie, gdy ktoś z wyższych sfer ogłasza „objawioną prawdę”. Często nie ma w tym ani objawienia, ani rzeczywistej prawdy.