8 Minuter
Sammanfattning
En viral siffra — "varje ChatGPT-förfrågan använder 64 liter vatten" — har delats så ofta att den låter som en bekräftad fakta. Det är den inte. Sam Altman, OpenAI:s VD, bemötte kraftigt den siffran under ett evenemang som The Indian Express höll i Indien och kallade dessa påståenden om vattenförbrukning "grundlösa" och missvisande.
Bakgrund: hur myten uppstod
Kort och tydligt: den gamla berättelsen om massiv vattenanvändning kommer från en tid då vissa datacenter förlitade sig på evaporativ kylning. Den tekniken använder visserligen vatten. Men den har i stor utsträckning fasats ut i många moderna anläggningar till förmån för andra kylstrategier. Altman menar att de siffror som cirkulerar online ignorerar förändringar i infrastruktur och kylmetoder — och att de därigenom ger en förvrängd bild av hur mycket vatten system som ChatGPT faktiskt förbrukar.
Kylmetoder och varför siffrorna varierar
Det finns flera olika tekniker för att kylning av servrar i datacenter:
- Direkt luftkylning (luft-till-luft): där varm luft blåses ut och kyld luft återcirkuleras med hjälp av värmeväxlare; vattenförbrukningen är här i praktiken obetydlig.
- Vattenkylda kylkretsar (closed-loop water cooling): använder vatten i en sluten krets för att avleda värme från processorer; systemet kan kräva kylvatten men ofta i mycket små mängder och med återvinning.
- Evaporationstorn och evaporativ kylning: dessa använder avdunstning för att sänka vattentemperaturen och kan kräva betydande mängder kallt vatten om de används i stor skala.
- Adiabatiska och hybridlösningar: kombinerar luft- och vattenbaserad kylning och används ibland för att optimera både vatten- och energiförbrukning beroende på klimat och tillgänglig infrastruktur.
En del äldre uppskattningar drog slutsatser om vattenförbrukning baserat på datacenter som använde evaporativ kylning i regioner där vatten var relativt billigt eller kylmetoderna inte hade optimerats för vattenbesparing. Men många moderna hyperscale-datacenter byter till luftbaserad kylning, indirekt vattenkyld teknik eller återvinningssystem, vilket markant minskar vattenbehovet per CPU- eller GPU-timme.
Energi, skala och verklig klimatpåverkan
Betyder det att det inte finns någon miljöfråga alls? Absolut inte. Altman medgav att energianvändning är en riktig och växande oro. Skalan är avgörande. Enstaka förfrågningar kan använda en bråkdel av en kilowattimme; global efterfrågan på AI-tjänster, dygnet runt, växer dock snabbt. Det är den kumulativa energi- och effektbelastningen — inte isolerade per-fråga-siffror — som bör bekymra beslutsfattare, operatörer och nätägare.
Inference vs träning: två skilda energibilder
När man uppskattar energianvändning är det viktigt att skilja mellan:
- Träning: denna fas kräver ofta mycket stora beräkningsresurser under veckor eller månader och står för en stor del av den totala energiförbrukningen vid utveckling av stora språkmodeller.
- Inference (inference/serving): att svara på enstaka användarförfrågningar, vilket per operation ofta kräver betydligt mindre energi än träning, men som i summa blir betydande när antalet förfrågningar skalar upp till miljarder per dag.
Det gör att fokus enbart på "energi per fråga" blir missvisande; den rätta analysen behöver titta på total driftenergi, hur ofta modeller körs (u/hr), belastningsprofiler, samt hur mycket av nätverkets och datacentrets overhead som ska räknas in.
Altmans jämförelse: mänsklig intelligens vs maskin
Därefter lade Altman fram en provocerande jämförelse. Hur bedömer man energikostnaden för intelligens? Människor tar decennier att lära sig. Altman påpekade att en person konsumerar ungefär 20 års mat och metabol energi för att nå mogen kognitiv förmåga. Han beskrev också mänsklig kognition som en produkt av evolutionärt arbete från ungefär 100 miljarder människor som levt på jorden — en långsam, diffus och kostsam process.
Räkneexempel: metabolism i kWh
För att ge perspektiv kan man översätta energiinnehåll i mat till elektriska enheter. Ett förenklat exempel:
- En genomsnittlig daglig kalorimängd för en vuxen kan vara ~2 500 kcal per dag.
- 1 kcal (livsmedelskalori) motsvarar ungefär 0,001162 kWh.
- Därmed motsvarar 2 500 kcal ≈ 2,9 kWh per dag.
- Över 20 år (utan att ta hänsyn till åldersvariation eller förändrad ämnesomsättning) blir det cirka 21 000 kWh (= ~21 MWh) i metabol energi för en människas utveckling till vuxen kognition.
Denna typ av jämförelse är förenklad och gör inte rättvisa åt komplexiteten i biologisk utveckling, social inlärning eller hur evolutionära processer samverkar. Altmans poäng är dock konceptuell: jämförelser mellan mänsklig och artificiell intelligens bör ta hänsyn till hela energikostnaden bakom att uppnå en given förmåga — inte bara löpande kostnader per enskild arbetscykel.
Vad krävs för att AI ska bli verkligt hållbar?
Altmans slutsats var tydlig: om man vill göra en rättvis jämförelse, mät den energi som krävs för att en tränad AI-modell svarar på en fråga jämfört med den energi en människa använder för att ge samma svar. Med det måttet kan AI vara mer energieffektiv — men det förutsätter att elen bakom den är lågkoldioxid.
Ren energi som förutsättning
Så vad är åtgärden? Snabbare utbyggnad av ren el. Altman uppmanade till en snabb omställning till kärnkraft, vind och sol så att världen kan rymma ökande elbehov utan att förvärra klimatkrisen. Han framhöll att detta inte är ett frivilligt tillägg — det är ryggraden i en ansvarstagande uppskalning av AI.
Det innebär bland annat:
- Investeringar i ny elproduktion med låg koldioxidintensitet (sol, vind, vatten, avancerad kärnkraft).
- Lokala och regionala energiplaner som koordinerar datacenterplacering med elnätets kapacitet och förnybar produktionsprofil.
- Utnyttjande av PPA (power purchase agreements) och gröna certifikat för att matcha datacenterverksamhet med verifierad förnybar produktion.
Vatten-, energi- och klimatrapportering
En annan viktig punkt är transparens och standarder. I dag finns det ingen global, lagstadgad skyldighet för teknikföretag att publicera exakta, reviderade vatten- och energiavtryck. Ofta försöker oberoende forskare modellera påverkan med indirekta uppskattningar, vilket skapar stora spridningar i resultat.
För trovärdighet och policyarbete behövs tydligare ramverk:
- Standardiserade mätmetoder för vattenfotavtryck för datacenter (inklusive direkt vattenförbrukning, indirekt användning för elproduktion och återanvändning).
- Tydlig redovisning av Scope 1, 2 och 3-utsläpp relaterade till modellträning och drift.
- Extern revision och tredjepartsverifiering av utsläpps- och vattenrapporter.
Praktiska rekommendationer för operatörer och beslutsfattare
För att minska riskerna och skapa förutsägbarhet kan följande åtgärder vara vägledande:
- Placera nya datacenter i regioner med överkapacitet av förnybar el eller hög potential för lokal förnybar utbyggnad.
- Satsa på energieffektiv hårdvara och mjukvaraoptimering — exempelvis specialiserade AI-acceleratorer, kvantifieringstekniker och sparsamma modeller där det är möjligt.
- Investera i kylsystem som minskar både vatten- och energiförbrukning, samt infrastruktur för återanvändning av värme (värmeåtervinning till lokala fjärrvärmenät där det är möjligt).
- Upprätta tydliga rapporteringskrav och offentliggör detaljerade driftdata (energieffektivitet, PUE, vattenförbrukning, koldioxidintensitet per region).
- Delta i branschinitiativ för delning av bästa praxis, forskning om kylteknik och standardisering av mätmetoder.
Var går debatten nu?
Det finns än så länge en brist på juridiskt bindande krav för transparens kring de exakta vatten- och energifotavtrycken för stora teknikföretag. Samtidigt bidrar modeller för uppskattningar och oberoende studier till att öka förståelsen — men resultaten kan variera kraftigt beroende på antaganden om kylning, energimix och hur träning kontra inferens fördelas i beräkningen.
På vissa platser har datacenter påverkat elpriser och belastning i distributionsnäten, vilket skapar lokal socioekonomisk och infrastrukturell påverkan — något som måste hanteras genom planering, nätförstärkning och ibland genom att styra datacenter till områden med bättre nätkapacitet.
Från sensation till substans
Debatten och efterfrågan på transparens kommer att öka i takt med snabbare utbyggnad. Men om vi menar allvar med hållbar AI, bör samtalet skifta från sensationella rubriker om "litervisningar" till konkreta frågor om ren energi, infrastruktursatsningar och offentlig rapportering. Det innebär bättre datainsamling, gemensamma mätstandarder och stärkta incitament för att driva både energieffektivisering och gröna investeringar.
Att reducera miljöpåverkan från AI kräver både tekniska förbättringar och politiska beslut: snabbare utbyggnad av förnybar el, förbättrade kylsystem som minskar vattenanvändning där det är relevant, samt ökad transparens i rapportering. Tillsammans ger dessa åtgärder en väg framåt där AI kan skala utan att prisas i form av ökade koldioxidutsläpp eller onödig vattenstress.
Slutligen: att kritiskt granska data och antaganden är nödvändigt. Viral desinformation eller illa underbyggda uppskattningar hjälper varken allmänheten, investerare eller beslutsfattare. Tydligare mått, bättre forskning och öppnare rapportering ger ett mer robust underlag för beslut som balanserar innovation med ansvar och hållbarhet.
Källa: smarti
Kommentarer
Mikael
Oj, jämförelsen med 20 års matenergi var oväntad! 🤔 Intressant perspektiv men för förenklad. Snabb omställning till ren el måste bli prioritet, typ nu
datapuls
Hmm, 64 liter? Låter som clickbait ihopblandat med gamla datacenter. Visst energin är ett problem, men visa öppna data, tack.
Lämna en kommentar