وقتی یک پرسش را در یک دستیار هوش مصنوعی تایپ می‌کنید و پاسخ روی صفحه ظاهر می‌شود، احساس می‌کنید که اتفاقی نامرئی و بی‌وزن رخ داده است. اما این احساس، درست نیست. پشت آن پاسخ، ردیفی از سرورها نفس می‌کشد، آب برای خنک نگه‌داشتن آن‌ها جاری است، برق می‌سوزد، و در جایی از جهان، زمین زیر وزن یک دیتاسنتر نشسته است. این تصویر پنهان است؛ اما دیگر قابل نادیده‌گرفتن نیست.

گزارش تازه‌ای از مؤسسه آب، محیط‌زیست و سلامت دانشگاه سازمان ملل متحد، با عنوان «هزینه محیط‌زیستی مصرف انرژی هوش مصنوعی»، این تصویر را بادقت برای نخستین‌بار در مقیاس جهانی ترسیم کرده است.«هوش مصنوعی فقط کد نیست؛ پشت آن بتن، مس، سیلیکون، لیتیوم، آب، زمین و در نهایت پسماند الکترونیک قرار دارد.» پیام مرکزی گزارش روشن است: هر کیلووات‌ساعت برقی که برای آموزش یا اجرای مدل‌های هوش مصنوعی مصرف می‌شود، هم ردپای کربن دارد، هم ردپای آب و هم ردپای زمین. برچسب «پاک» یا «سبز» برای دیتاسنتری که از انرژی تجدیدپذیر استفاده می‌کند، بدون بررسی این سه عامل با هم می‌تواند ساده‌سازی خطرناکی باشد.

رشد انفجاری بار پنهان

ChatGPT در سال ۲۰۲۲ در پنج‌روز به بیش از یک میلیون کاربر رسید و در کمتر از دو ماه از مرز صد میلیون کاربر عبور کرد. تا میانه ۲۰۲۵، حدود هفتصد میلیون نفر از آن استفاده می‌کردند. این جهش فقط یک پدیده فناورانه نبود؛ آغاز دوره‌ای بود که در آن تولید روزمره متن، تصویر، کد، صدا و ویدئو به کمک مدل‌های مولد، انبوه و عادی شد.

اما همین رشد شتابان، بر زیرساختی سوار است که نه عادلانه توزیع شده و نه محیط‌زیستی بی‌هزینه دارد. گزارش یادآوری می‌کند که تنها شانزده درصد کشورهای جهان میزبان زیرساخت رایانش ابری تخصصی برای هوش مصنوعی‌اند و حدود نود درصد این ظرفیت در دو کشور آمریکا و چین متمرکز است.

این تمرکز، شکاف دیجیتال را عمیق‌تر می‌کند: برخی کشورها مدل‌ها را می‌سازند، زیرساخت را کنترل می‌کنند و قواعد دسترسی را تعیین می‌کنند؛ بسیاری دیگر فقط مصرف‌کننده‌اند و هیچ سهمی در تصمیم‌گیری ندارند.
هر آموزش، چقدر برق می‌خورد؟

صورت‌حساب محیط‌زیستی هوش مصنوعی از مرحله آموزش مدل‌ها آغاز می‌شود. آموزش مدل‌های پیشرفته نیازمند پردازش مجموعه‌داده‌های عظیم با استفاده از پردازنده‌های پرمصرف و سامانه‌های خنک‌کننده است. گزارش برآورد می‌کند که آموزش GPT-3 حدود یک‌ونیم گیگاوات ساعت برق در ۳۴ روز مصرف کرده است. اما GPT-4 جهشی بسیار بزرگ‌تر داشت: برآوردهای مستقل نشان می‌دهد آموزش آن احتمالاً بین پنجاه تا هفتاد گیگاوات ساعت برق در حدود صد روز مصرف کرده؛ یعنی چهل تا پنجاه و پنج برابر بیشتر از GPT-3.

این مصرف برق برای آموزش GPT-4 معادل برق سالانه خانگی صدها هزار نفر در جنوب صحرای آفریقا است. در کنار آن، صدها میلیون لیتر ردپای آبی برآورد شده است. «inference، یعنی پردازش روزمره درخواست‌های کاربران، هشتاد تا نود درصد کل مصرف انرژی هوش مصنوعی را تشکیل می‌دهد.» بااین‌حال گزارش هشدار می‌دهد که تمرکز صرف بر آموزش مدل‌ها می‌تواند گمراه‌کننده باشد. مرحله‌ای که از نظر تجمعی سنگین‌تر است، استفاده روزمره یا به‌اصطلاح تخصصی، inference است. هر پرسش کاربر شاید در ظاهر کم‌هزینه باشد، اما وقتی میلیاردها بار در روز تکرار شود، آن هزینه کوچک به باری عظیم تبدیل می‌شود.

ChatGPT به‌تنهایی حدود دونیم میلیارد پرامپت در روز پردازش می‌کند. اگر برای هر پرامپت متنی میانگین محافظه‌کارانه‌ای در نظر گرفته شود، مصرف سالانه آن به حدود سیصد و هشتاد و سه گیگاوات ساعت برق می‌رسد.

دیتاسنترها؛ کشوری که هیچ‌کس نمی‌بیند

دیتاسنترها قلب فیزیکی این جهان ظاهراً نامرئی‌اند. گزارش می‌گوید مصرف برق دیتاسنترهای جهان در سال ۲۰۲۵ حدود ۴۴۸ ترا وات‌ساعت بوده است. اگر دیتاسنترها یک کشور فرض می‌شدند، از نظر مصرف برق در رتبه یازدهم جهان قرار می‌گرفتند. این مصرف همراه با ردپایی معادل ۱۸۹ میلیون تن دی‌اکسیدکربن، چهار ونیم تریلیون لیتر آب و حدود شش‌هزاروهفتصد کیلومترمربع زمین است. پیش‌بینی گزارش این است که مصرف برق دیتاسنترها تا سال ۲۰۳۰ می‌تواند به بیش از ۹۴۵ ترا وات‌ساعت برسد؛ نزدیک به سه درصد مصرف برق پیش‌بینی‌شده کل جهان.

هوش مصنوعی یکی از محرک‌های اصلی این رشد است. در سال ۲۰۲۵، بارهای کاری مرتبط با AI حدود بیست درصد مصرف برق دیتاسنترها را تشکیل داده‌اند. اگر این سهم تا ۲۰۳۰ به چهل درصد برسد، مصرف برق سالانه هوش مصنوعی در دیتاسنترها می‌تواند به ۳۷۸ ترا وات‌ساعت برسد؛ برقی که می‌توانست نیاز خانگی سالانه بخش بزرگی از جمعیت جنوب صحرای آفریقا را برای بیش از دو سال تأمین کند.

سبز بودن کافی نیست

محل تولید برق هم به‌اندازه مقدار آن اهمیت دارد. همان مدل، همان سرور و همان دیتاسنتر، اگر با شبکه برق زغال‌سنگی کار کند، ردپای کربن بالاتری دارد؛ اگر با برقابی کار کند، ممکن است ردپای کربن پایین‌تر اما ردپای آب و زمین بالاتر باشد. گزارش تأکید می‌کند «کم‌کربن» بودن الزاماً به معنای «کم‌آب» یا «کم‌زمین» بودن نیست. در شبکه‌هایی که برقابی یا زیست‌انرژی سهم بالایی دارد، ممکن است فشار بر آب یا زمین افزایش یابد؛ بنابراین برچسب‌هایی مانند «سبز» یا «پایدار»، بدون بررسی هم‌زمان هر سه ردپا، ابزار بازاریابی است، نه اطلاعات. اینجاست که مفهوم عدالت محیط‌زیستی وارد بحث می‌شود. دیتاسنترها ممکن است در مناطقی ساخته شوند که با تنش آبی، فشار بر شبکه برق یا محدودیت زمین روبه‌رو هستند. جامعه محلی بار مصرف آب، اشغال زمین و آلودگی را تحمل می‌کند؛ اما درآمد شرکت‌های فناوری و دسترسی جهانی به خدمات AI، جای دیگری انباشته می‌شود. گزارش این وضعیت را «هزینه‌های محلی و منافع دوردست» می‌نامد.

یک تصویر، شصت برابر یک متن

مصرف هوش مصنوعی در همه کاربردها یکسان نیست. از نگاه کاربر، یک پرسش کوتاه، یک خلاصه متنی، یک تصویر و یک ویدئو همه «یک درخواست» به نظر می‌رسند. اما از نظر انرژی در جهان‌های متفاوتی قرار دارند. گزارش می‌گوید یک پرسش متنی معمول در سبک ChatGPT حدود دویست برابر پرمصرف‌تر از طبقه‌بندی ساده متن مانند فیلتر اسپم است. تولید یک تصویر معمولی حدود دوبرابرونه دهم وات‌ساعت برق مصرف می‌کند؛ یعنی حدود شصت برابر یک پاسخ کوتاه متنی. ویدئو، مرز پرمصرف‌تر این روند است: یک ویدئوی کوتاه پیچیده می‌تواند به‌اندازه دویست هزار طبقه‌بندی اسپم یا صدها تصویر تولیدشده با AI برق مصرف کند. این یعنی انتخاب مدل، طول پاسخ، قالب خروجی، وضوح تصویر و تنظیمات کاربر، همه متغیرهای محیط‌زیستی‌اند. ردپای AI فقط در آزمایشگاه شرکت‌های فناوری تعیین نمی‌شود؛ در رابط کاربری، تنظیمات پیش‌فرض و رفتار کاربران هم ساخته می‌شود.

پارادوکس بهره‌وری

یک تصور رایج این است که اگر مدل‌های هوش مصنوعی کارآمدتر شوند، مصرف انرژی کاهش می‌یابد. گزارش این فرض را با «اثر بازگشتی» یا پارادوکس جونز به چالش می‌کشد: وقتی فناوری کارآمدتر و ارزان‌تر می‌شود، مصرف آن می‌تواند آن‌قدر افزایش یابد که صرفه‌جویی اولیه خنثی یا حتی معکوس شود. در هوش مصنوعی، مدل‌های سریع‌تر و کم‌هزینه‌تر ممکن است استفاده را در موتورهای جست‌وجو، گوشی‌ها، نرم‌افزارهای اداری، آموزش، سرگرمی و تولید محتوا چندبرابر کنند؛ بنابراین بدون سقف‌گذاری، شفافیت و مدیریت تقاضا، بهره‌وری می‌تواند خود به موتور مصرف بیشتر تبدیل شود. هزینه‌های محیط‌زیستی AI به برق و آب محدود نمی‌شود. سخت‌افزار هوش مصنوعی به مواد معدنی حیاتی مانند لیتیوم، کبالت، مس و عناصر کمیاب وابسته است. استخراج و فراوری این مواد، به‌ویژه در کشورهایی با نظارت ضعیف‌تر، می‌تواند با آلودگی، مصرف آب، تخریب زمین و آسیب‌های اجتماعی همراه باشد.
در پایان عمر تجهیزات هم پسماند الکترونیک مسئله‌ای روبه‌رشد است. گزارش هشدار می‌دهد زیرساخت هوش مصنوعی تا سال ۲۰۳۰ می‌تواند سالانه تا دو ونیم میلیون تن پسماند الکترونیک تولید کند؛ معادل دورریختن حدود دویست و پنجاه برج ایفل در هر سال.

حکمرانی، نه توقف

پاسخ پیشنهادی گزارش، توقف نوآوری نیست. دانشگاه سازمان ملل شش اصل برای اکوسیستم مسئولانه هوش‌مصنوعی پیشنهاد می‌کند: شفافیت، بهره‌وری از مرحله طراحی، عدالت محیط‌زیستی، مسئولیت‌پذیری در کل چرخه عمر، همکاری جهانی و مصرف پایدار. این اصول یعنی شرکت‌ها باید مصرف انرژی و ردپای کربن، آب و زمین مدل‌ها را به‌صورت استاندارد و قابل‌مقایسه گزارش کنند. دولت‌ها باید دیتاسنترها را در برنامه‌ریزی انرژی، آب، زمین و حسابداری کربن وارد کنند. سرمایه‌گذاران باید این ردپاها را ریسک واقعی زیرساخت AI بدانند و کاربران و سازمان‌ها باید از مدل و قالبی استفاده کنند که متناسب با نیاز واقعی آنهاست، نه سنگین‌تر از آن.

«آینده پایدار AI نه با تبلیغ فناوری پاک، بلکه با سنجش، افشا، مسئولیت‌پذیری و تصمیم‌گیری عادلانه ساخته می‌شود.» این گزارش پرسشی جدی پیش پای سیاست‌گذاران و جامعه می‌گذارد: آیا جهان می‌خواهد هوش مصنوعی را فقط با معیار سرعت، دقت، سود و رقابت فناورانه بسنجد، یا هزینه واقعی آن را هم وارد معادله می‌کند؟

AI می‌تواند در مدیریت انرژی، پیش‌بینی اقلیم، پایش محیط‌زیست، بهبود بهره‌وری آب و کشاورزی و کاهش اتلاف منابع نقش مثبت داشته باشد. اما همین فناوری، اگر بدون شفافیت و حکمرانی گسترش یابد، می‌تواند به مصرف‌کننده بزرگ برق، آب، زمین و مواد معدنی تبدیل شود و بار آن را بر دوش جوامعی بگذارد که کمترین سهم را از منافعش دارند. هوش مصنوعی سبز نیست، مگر آنکه صورت‌حساب کاملش دیده شود؛ نه فقط برق دیتاسنتر، بلکه آب خنک‌سازی، زمین اشغال‌شده، معدن استخراج‌شده، تراشه فرسوده و پسماند رهاشده.