Sandheden om ChatGPTs energiforbrug og vandaftryk

Viral påstand om ChatGPTs vandforbrug

En viral statistik — "hver ChatGPT-forespørgsel bruger 64 liter vand" — er blevet delt så ofte, at den lyder som en kendsgerning. Det er den ikke. Sam Altman, OpenAIs administrerende direktør, afviste kraftigt det tal under en tale på et arrangement arrangeret af The Indian Express i Indien og kaldte disse påstande om vandforbrug for "grundløse" og vildledende.

Kort og præcist: den gamle historie om massivt vandforbrug stammede fra en tid, hvor nogle datacentre brugte forstøvningsbaseret (evaporativ) køling. Den teknik bruger vand. Men den er stort set udfaset i mange moderne anlæg. Altman siger, at de tal, der cirkulerer online, ignorerer, hvordan infrastruktur og kølestrategier har ændret sig — og de giver et forvrænget billede af, hvad systemer som ChatGPT faktisk koster i vand.

Oprindelsen af påstanden og køling i datacentre

Påstanden om 64 liter per forespørgsel har rod i brede, grove estimater og i ældre driftstilstande, hvor nogle faciliteter anvendte evaporativ køling som primær metode. Evaporativ køling kan være effektiv i rigtige klimaforhold, men den bruger vand i processen med at bortlede varme fra servere. Når sådanne metoder anvendes uden moderne optimering eller recirkulation, kan samlede tal for vandforbrug se store ud — især hvis man relaterer total forbrug over tid til antallet af individuelle forespørgsler.

Kølingsteknikker: fra forstøvning til luft og væske

Der findes flere almindelige kølemetoder i datacentre, og deres vand- og energiprofil varierer betydeligt:

• Evaporativ/forstøvningskøling: Effektiv i varme, tørre klimaer, men kan bruge betydelige mængder vand, hvis ikke anlægget er designet til vandbesparelse eller genbrug.
• Air cooled (luftkøling): Almindelig i mange moderne datacentre; primært luftbevægelse og varmevekslere betyder typisk lavere vandforbrug, men kan have højere el-forbrug afhængigt af krav til køling.
• Væskekøling og immersion cooling: Flydende kølesystemer og direkte immersion kan være mere energieffektive ved fjernelse af varme direkte fra komponenter; de har varierende krav til vand, afhængigt af varmevekslerens design.
• Hybrid- og kontekstafhængige systemer: Moderne datacentre kombinerer ofte teknikker for at optimere både energiforbrug og vandforbrug under forskellige vejrforhold.

Moderne anlæg prioriterer ofte løsninger, som reducerer både el- og vandforbrug, fordi begge dele påvirker både driftsomkostninger og miljøaftryk. Det gør mange ældre estimater mindre relevante i 2024–2026-konteksten.

Energiforbrug, skala og kumulativ belastning

Altman indrømmer, at energibrug er en legitim og voksende bekymring. Én forespørgsel kan bruge en brøkdel af en kilowatt-time; det er ikke kontroversielt. Men når brugen af AI-systems som ChatGPT vokser globalt og døgnet rundt, akkumuleres belastningen hurtigt. Den relevante størrelse for beslutningstagere er ikke den isolerede per-forespørgsel-måling, men den kumulative energi- og effektbelastning på elnettet og på de infrastrukturelle ressourcer.

Målinger, nøgletal og misforståelser

Der er en række metrics og tekniske begreber, som hjælper med at læse og sammenligne datacenters miljøpåvirkning:

• PUE (Power Usage Effectiveness): Forholdet mellem den samlede mængde strøm brugt af datacentret og strømmen brugt af IT-udstyret. Et lavere PUE indikerer højere energieffektivitet i drift og køling.
• KWh per inference (spørgsmål): Et estimat af elektricitet brugt per AI-forespørgsel; kan variere kraftigt med modelstørrelse, hardware (GPU/TPU), batch-størrelser og optimeringsniveau.
• Carbon intensity (CO2 pr. kWh): Hvis den elektricitet, der driver et datacenter, er kulstofintensiv, vil samme energiforbrug have meget forskellig klimaeffekt.

Moderne optimeringer — software- og hardwareacceleratorer, batchbehandling, kvantisering af modeller, brug af specialiserede chips — kan reducere energiforbruget per inference betydeligt sammenlignet med tidligere generationer af AI-drift.

Human vs. AI: hvordan måler vi intelligensens energikost?

Altman fremlagde en provokerende sammenligning: hvordan vurderer man egentlig energikostnaden ved intelligens? Mennesker bruger årtier på at lære. Altman påpegede, at et menneske omtrent forbruger energi svarende til 20 års føde og metabolisk aktivitet for at nå moden kognitiv evne. Han betegnede også menneskelig kognition som resultatet af evolutionære processer over milliarder af menneskelige liv — et langsomt, diffust og dyrt udviklingsforløb.

Hans pointe var pragmatisk: en rimelig sammenligning er at måle den energi, en færdigtrænet AI-model bruger for at svare på et spørgsmål, mod den energi en person bruger for at svare på samme spørgsmål. Med denne måleenhed kan AI fremstå mere effektiv, især når modellen kører på lav-kulstof strøm. Men det forudsætter, at vi tager højde for hele værdikæden: træning (som kan være meget energitung), drift, køling og infrastruktur.

Livscyklus-perspektivet

En helhedsvurdering kræver livscyklus-tænkning:

• Træningsfase: Træning af store sprogmodeller kan kræve store mængder beregningskraft og derfor stor energi. Optimeringer og genbrug af modeller kan mindske gentagen træningsbyrde.
• Infrastrukturfase: Produktion og drift af hardware (servere, netværk, kølesystemer) medregnes i det samlede miljøregnskab.
• Driftsfase (inference): Her måles energien per forespørgsel; effektiviseringer har stor betydning for kumulativt forbrug.

For at sammenligne menneske og maskine retfærdigt bør man også overveje tidshorisonten: mennesker lærer én gang og bruger viden kontinuerligt, mens AI kan skaleres til millioner af samtidige forespørgsler fra samme træningssæt.

Tekniske detaljer: hvordan reduceres både energi og vand?

Der er flere praktiske teknologier og driftsstrategier, som operatører anvender for at minimere både energiforbrug og vandforbrug:

• Effektiv varmeafledning: Moderne væskekølingsløsninger kan fjerne varme tættere på kilden, hvilket reducerer behovet for store ventilationssystemer og kan øge energieffektiviteten.
• Brug af kølemidler og varmegenvinding: Genvinding af spildvarme til fjernvarme eller industrielle processer kan forbedre den samlede energibalance.
• Intelligent workload-placement: Flyt workloads til tidspunkter eller regioner med lavere kulstofintensitet eller billigere overskudsenergi fra vedvarende kilder.
• Hardware-acceleratorer og optimeret software: Specialiserede chips, modelkomprimering og kvantisering kan reducere energiforbruget betydeligt per inference.
• Vandgenbrug og lukkede kølekredsløb: Når vand anvendes, kan lukkede systemer og recirkulation minimere nettovandforbruget.

Implementering af disse tiltag kræver investeringer, men de kan også reducere driftsomkostninger over tid og mindske risikoen for lokale ressourcemæssige konflikter.

Policy, gennemsigtighed og rapportering

Et centralt punkt i debatten er manglen på global lovgivningsmæssig forpligtelse for teknologivirksomheder til at offentliggøre præcise, reviderede målinger af deres vand- og energifodaftryk. Det betyder, at uafhængige forskere ofte må lave estimater ud fra indirekte data, som kan føre til store variationer i resultater og konklusioner.

Hvad kan forbedres i rapportering?

Der er flere konkrete skridt, som både virksomheder, regulatorer og civilsamfundet kan tage for at forbedre beslutningsgrundlaget:

• Standardiserede målemetoder: Udvikling af fælles standarder for rapportering af energiforbrug og vandforbrug i datacentre (f.eks. PUE, WUE — Water Usage Effectiveness).
• Uafhængig revision: Krav om tredjepartsrevision af miljødata for at sikre troværdighed og sammenlignelighed.
• Regional transparens: Mere granuleret information om hvor og hvornår belastning opstår, så lokale myndigheder kan planlægge netkapacitet og ressourcestyring.
• Incentiver for grøn energi: Økonomiske og regulatoriske incitamenter til at køre AI-infrastruktur på vedvarende eller lav-kulstof energi.

Uden disse elementer vil debatten ofte være præget af grovere estimater og sensationelle overskrifter, snarere end af operationel fakta og effektive løsninger.

Løsningen: hurtigere udrulning af ren energi

Altmans anbefalinger er tydelige: hvis vi vil rumme den stigende el-efterspørgsel fra AI uden samtidig at forværre klimakrisen, er en hurtig omstilling til ren energi afgørende. Det betyder investeringer i:

• Nuklear energi: Stabil, lav-emissions baseload-kapacitet.
• Vind: Skalerbar vedvarende energi til land og havvindmølleparker.
• Solenergi: Distribueret og skalerbar energi, ofte parret med batterilagring for at mindske variabilitet.

Altman hævdede, at dette ikke blot er et frivilligt supplement, men selve rygraden i en ansvarlig skalering af AI: uden ren strøm er det svært at argumentere for en netto-positiv miljøeffekt af udbredt AI-drift.

Infrastrukturinvesteringer og netstabilitet

Ud over produktion af elektricitet kræver en grøn omstilling også stærke investeringer i transmissions- og distributionsnettet, lagringskapacitet (batterier, pumped hydro, andre teknologier) og fleksible markedsmekanismer, der kan håndtere store, variable belastninger fra datacentre og andre moderne forbrugere.

Praktiske anbefalinger for interessenter

Her er en kort, praktisk liste over anbefalinger, rettet mod forskellige interessenter:

• For virksomheder (cloud- og AI-udbydere): Rapporter gennemsigtigt, invester i energieffektiv hardware og væskekøling, og prioritér vedvarende energi-aftaler.
• For politikere og regulatorer: Indfør standarder for rapportering, støtte til netopgraderinger og incitamenter til at koble AI-arbejdslast til lav-kulstof energikilder.
• For forskere og civilsamfund: Udvikl bedre modeller for livscyklusvurdering, og arbejd for adgang til rådata, så estimater kan blive mere præcise.
• For offentligheden: Stil krav om gennemsigtighed og forstå forskellen mellem sensationelle påstande og dataunderbyggede analyser.

Konklusion: fra overskrifter til handling

Debatten omkring AI's miljøpåvirkning bør bevæge sig væk fra sensationelle overskrifter om liter vand per forespørgsel og over mod mere nuancerede spørgsmål om ren energi, infrastrukturoptimering, og offentlig rapportering. Der er helt berettigede miljømæssige bekymringer: energiforbruget stiger med skalaen, og lokal ressourcepåvirkning kan være reel i nogle regioner. Men mange af de mest delte tal er forældede eller generaliserede og tager ikke højde for moderne køle- og effektiviseringsteknikker.

Hvis målet er en bæredygtig AI-udvikling, må fokus ligge på at reducere den kumulative energi- og vandpåvirkning gennem teknisk innovation, strengere rapporteringsstandarder og en massiv optrapning af lav-kulstof energi. Kun sådan kan vi realistisk høste fordelene ved AI uden at forværre klima- og ressourceproblemer.

Hovedbudskab: Sensationelle tal om vandforbrug ved enkeltstående forespørgsler er ofte misvisende. Den relevante politik og teknologiindsats bør fokusere på kumulativt energiforbrug, ren strøm, køleteknologier og større gennemsigtighed i rapporteringen.