AI ఎంత నీటిని ఉపయోగిస్తుంది?

"AI ప్రతి కొన్ని ప్రశ్నలకు ఒక బాటిల్ నీళ్ళు తాగుతుంది" నుండి "ఇది ప్రాథమికంగా కొన్ని చుక్కలు" వరకు మీరు ప్రతిదీ విన్నారని నేను పందెం వేస్తున్నాను. నిజం మరింత సూక్ష్మంగా ఉంటుంది. AI యొక్క నీటి అడుగుజాడలు అది ఎక్కడ నడుస్తుంది, మీ ప్రాంప్ట్ ఎంతసేపు ఉంటుంది మరియు డేటా సెంటర్ దాని సర్వర్‌లను ఎలా చల్లబరుస్తుంది అనే దాని ఆధారంగా విస్తృతంగా మారుతాయి. అవును, హెడ్‌లైన్ నంబర్ ఉంది, కానీ అది హెచ్చరికల గుట్టలో నివసిస్తుంది.

క్రింద నేను స్పష్టమైన, నిర్ణయానికి సిద్ధంగా ఉన్న సంఖ్యలను అన్‌ప్యాక్ చేస్తాను, అంచనాలు ఎందుకు విభేదిస్తాయో వివరిస్తాను మరియు బిల్డర్లు మరియు రోజువారీ వినియోగదారులు సుస్థిరత సన్యాసులుగా మారకుండా నీటి ట్యాబ్‌ను ఎలా కుదించవచ్చో చూపిస్తాను.

దీని తర్వాత మీరు చదవడానికి ఇష్టపడే కథనాలు:

🔗 AI డేటాసెట్ అంటే ఏమిటి
డేటాసెట్‌లు యంత్ర అభ్యాస శిక్షణ మరియు నమూనా అభివృద్ధిని ఎలా సాధ్యం చేస్తాయో వివరిస్తుంది.

🔗 AI ట్రెండ్‌లను ఎలా అంచనా వేస్తుంది
మార్పులు మరియు భవిష్యత్తు ఫలితాలను అంచనా వేయడానికి AI నమూనాలను ఎలా విశ్లేషిస్తుందో చూపిస్తుంది.

🔗 AI పనితీరును ఎలా కొలవాలి
ఖచ్చితత్వం, వేగం మరియు విశ్వసనీయతను అంచనా వేయడానికి అవసరమైన కొలమానాలను విచ్ఛిన్నం చేస్తుంది.

🔗 AI తో ఎలా మాట్లాడాలి
స్పష్టత, ఫలితాలు మరియు స్థిరత్వాన్ని మెరుగుపరచడానికి ప్రభావవంతమైన ప్రాంప్టింగ్ వ్యూహాలను మార్గనిర్దేశం చేస్తుంది.

AI ఎంత నీటిని ఉపయోగిస్తుంది? మీరు నిజంగా ఉపయోగించగల త్వరిత సంఖ్యలు 📏

• ప్రతి ప్రాంప్ట్‌కు, ఈ రోజుల్లో సాధారణ పరిధి: నుండి మిల్లీలీటర్ కంటే తక్కువ ఒక ప్రధాన స్రవంతి సిస్టమ్‌లో మధ్యస్థ టెక్స్ట్ ప్రాంప్ట్ కోసం పదుల మిల్లీలీటర్ల . ఉదాహరణకు, గూగుల్ యొక్క ప్రొడక్షన్ అకౌంటింగ్ ఒక మధ్యస్థ టెక్స్ట్ ప్రాంప్ట్‌ను ~0.26 mL అంచనా వేస్తుంది 400-టోకెన్ అసిస్టెంట్ ప్రత్యుత్తరాన్ని ~45 mL (మార్జినల్ ఇన్ఫరెన్స్)గా [2]. సందర్భం మరియు మోడల్ చాలా ముఖ్యమైనవి.

• ఫ్రాంటియర్-స్కేల్ మోడల్‌కు శిక్షణ ఇవ్వడం: వరకు విద్యుత్ ఉత్పత్తిని అందించగలదు మిలియన్ల లీటర్ల, ఎక్కువగా శీతలీకరణ మరియు విద్యుత్ ఉత్పత్తిలో పొందుపరచబడిన నీటి నుండి. విస్తృతంగా ఉదహరించబడిన విద్యా విశ్లేషణ ~5.4 మిలియన్ లీటర్లు GPT-తరగతి మోడల్‌కు శిక్షణ ఇవ్వడానికి ~700,000 లీటర్లు - మరియు నీటి తీవ్రతను తగ్గించడానికి స్మార్ట్ షెడ్యూలింగ్ కోసం వాదించారు [3].

• సాధారణంగా డేటా సెంటర్లు: పెద్ద సైట్లు రోజుకు వందల వేల గ్యాలన్ల , కొన్ని క్యాంపస్‌లలో వాతావరణం మరియు డిజైన్ ఆధారంగా అధిక శిఖరాలు ఉంటాయి [5].

నిజం చెప్పాలంటే: ఆ గణాంకాలు మొదట్లో అస్థిరంగా అనిపిస్తాయి. అవి అలాగే ఉన్నాయి. మరియు మంచి కారణాలు ఉన్నాయి.

AI నీటి వినియోగ కొలమానాలు ✅

దానికి మంచి సమాధానం AI ఎంత నీటిని ఉపయోగిస్తుంది అనే కొన్ని బాక్సులను తనిఖీ చేయాలి:

1. సరిహద్దు స్పష్టత
   ఇందులో ఆన్-సైట్ కూలింగ్ వాటర్ మాత్రమే ఉంటుందా లేదా ఆఫ్-సైట్ ఉపయోగించే విద్యుత్ ప్లాంట్లు విద్యుత్తును ఉత్పత్తి చేయడానికి నీటి ఉపసంహరణ vs నీటి వినియోగం కార్బన్ అకౌంటింగ్ [3] మాదిరిగానే

2. స్థాన సున్నితత్వం
   kWh కి నీరు ప్రాంతం మరియు గ్రిడ్ మిశ్రమం ప్రకారం మారుతుంది, కాబట్టి ఒకే ప్రాంప్ట్ అది ఎక్కడ సరఫరా చేయబడుతుందో దానిపై ఆధారపడి విభిన్న నీటి ప్రభావాలను కలిగి ఉంటుంది - సాహిత్యం సమయం-మరియు-స్థలం-అవగాహన షెడ్యూలింగ్‌ను [3].

3. పనిభారం వాస్తవికత
   ప్రతిబింబిస్తుందా మధ్యస్థ ఉత్పత్తి ప్రాంప్ట్‌లనులేదా గరిష్టంగా యాక్సిలరేటర్‌ను మాత్రమే ప్రతిబింబిస్తుందా? గూగుల్ TPU గణితాన్ని మాత్రమే కాకుండా, అనుమితి కోసం పూర్తి-సిస్టమ్ అకౌంటింగ్ (ఐడిల్, CPUలు/DRAM మరియు డేటా-సెంటర్ ఓవర్ హెడ్)ను నొక్కి చెబుతుంది [1].

4. శీతలీకరణ సాంకేతికత
   బాష్పీభవన శీతలీకరణ, క్లోజ్డ్-లూప్ లిక్విడ్ కూలింగ్, ఎయిర్ కూలింగ్ మరియు అభివృద్ధి చెందుతున్న డైరెక్ట్-టు-చిప్ ఉద్దేశించిన డిజైన్లను రూపొందిస్తోంది శీతలీకరణ నీటి వాడకాన్ని తొలగించడానికి కొన్ని తదుపరి తరం సైట్‌లకు

5. రోజు సమయం మరియు సీజన్
   వేడి, తేమ మరియు గ్రిడ్ పరిస్థితులు నీటి వినియోగ ప్రభావాన్ని ; ఒక ప్రభావవంతమైన అధ్యయనం నీటి తీవ్రత తక్కువగా ఉన్నప్పుడు మరియు ఎక్కడ ప్రధాన ఉద్యోగాలను షెడ్యూల్ చేయాలని సూచిస్తుంది [3].

నీటి ఉపసంహరణ vs నీటి వినియోగం, వివరించబడింది 💡

• ఉపసంహరణ = నదులు, సరస్సులు లేదా జలాశయాల నుండి తీసుకున్న నీరు (కొంత తిరిగి ఇవ్వబడింది).

• వినియోగం = నీరు తిరిగి ఇవ్వబడదు ఆవిరైపోవడం లేదా ప్రక్రియలు/ఉత్పత్తులలో కలిసిపోవడం వల్ల

కూలింగ్ టవర్లు ప్రధానంగా వినియోగిస్తాయి బాష్పీభవనం ద్వారా నీటిని తీసుకుంటుంది ప్లాంట్ మరియు శీతలీకరణ పద్ధతిని బట్టి, విద్యుత్ ఉత్పత్తి పెద్ద పరిమాణంలో నీటిని

AIలో నీరు ఎక్కడికి వెళుతుంది: మూడు బకెట్లు 🪣

1. స్కోప్ 1 - ఆన్-సైట్ శీతలీకరణ
   కనిపించే భాగం: డేటా సెంటర్‌లోనే నీరు ఆవిరైపోతుంది. బాష్పీభవన vs. గాలి లేదా క్లోజ్డ్-లూప్ ద్రవం బేస్‌లైన్‌ను సెట్ చేస్తాయి [5].

2. స్కోప్ 2 - విద్యుత్ ఉత్పత్తి
   ప్రతి kWh ఒక దాచిన నీటి ట్యాగ్‌ను కలిగి ఉంటుంది; మిశ్రమం మరియు స్థానం మీ పనిభారం వారసత్వంగా పొందే లీటర్ల-kWh సంకేతాన్ని నిర్ణయిస్తాయి [3].

3. స్కోప్ 3 - సరఫరా గొలుసు
   చిప్ తయారీ ఫ్యాబ్రికేషన్‌లో అల్ట్రా-ప్యూర్ వాటర్‌పై ఆధారపడి ఉంటుంది. సరిహద్దులో స్పష్టంగా ఎంబోడీడ్ ఇంపాక్ట్‌లు (ఉదా, పూర్తి LCA) చేర్చబడితే తప్ప మీరు దానిని “ప్రతి ప్రాంప్ట్” మెట్రిక్‌లో చూడలేరు [2][3].

సంఖ్యల వారీగా ప్రొవైడర్లు, స్వల్పభేదాలతో 🧮

• గూగుల్ జెమిని
  ఫుల్-స్టాక్ సర్వింగ్ పద్ధతిని (ఐడిల్ మరియు ఫెసిలిటీ ఓవర్ హెడ్ తో సహా) ప్రాంప్ట్ చేస్తుంది. మీడియన్ టెక్స్ట్ ప్రాంప్ట్ ~0.26 mL నీరు ~0.24 Wh శక్తితో పాటు; గణాంకాలు ఉత్పత్తి ట్రాఫిక్ మరియు సమగ్ర సరిహద్దులను ప్రతిబింబిస్తాయి [1].

• మిస్ట్రాల్ లార్జ్ 2 లైఫ్‌సైకిల్
  ఒక అరుదైన స్వతంత్ర LCA (ADEME/Carbone 4తో) ~281,000 m³ మరియు ~45 mL ఇన్ఫరెన్స్ మార్జినల్‌ను కోసం 400-టోకెన్ [2].

• మైక్రోసాఫ్ట్ యొక్క జీరో-వాటర్ కూలింగ్ ఆశయం
  రూపొందించబడ్డాయి కూలింగ్ కోసం సున్నా నీటిని వినియోగించేలా, ఇవి డైరెక్ట్-టు-చిప్ విధానాలపై ఆధారపడతాయి; నిర్వాహక ఉపయోగాలకు ఇప్పటికీ కొంత నీరు అవసరం [4].

• జనరల్ డేటా-సెంటర్ స్కేల్
  ప్రధాన ఆపరేటర్లు రోజుకు సగటున వందల వేల గ్యాలన్లను వ్యక్తిగత సైట్లలో

• మునుపటి విద్యాపరమైన ప్రాథమిక అంచనా ప్రకారం
  , "థర్స్టీ AI" విశ్లేషణలో మిలియన్ల లీటర్ల నీరు GPT-తరగతి నమూనాలకు శిక్షణ ఇవ్వడానికి 10–50 మధ్యస్థ సమాధానాలు సమానం కావచ్చని 500 mL - ఇది అవి ఎప్పుడు/ఎక్కడ నడుస్తాయనే దానిపై ఎక్కువగా ఆధారపడి ఉంటుంది [3].

అంచనాలు ఎందుకు అంతగా విభేదిస్తున్నాయి 🤷

• విభిన్న సరిహద్దులు
  కొన్ని గణాంకాలు ఆన్-సైట్ శీతలీకరణను మాత్రమే; మరికొన్ని విద్యుత్ నీటినికూడా కలపవచ్చు చిప్ తయారీని. ఆపిల్స్, నారింజలు మరియు ఫ్రూట్ సలాడ్ [2][3].

• విభిన్న వర్క్‌లోడ్‌లు
  ఒక చిన్న టెక్స్ట్ ప్రాంప్ట్ అనేది సుదీర్ఘమైన మల్టీమోడల్/కోడ్ రన్ కాదు; బ్యాచింగ్, ఏకకాలికత మరియు లేటెన్సీ లక్ష్యాలు వినియోగాన్ని మారుస్తాయి [1][2].

• విభిన్న వాతావరణాలు మరియు గ్రిడ్‌లు
  వేడి, శుష్క ప్రాంతంలో బాష్పీభవన శీతలీకరణ ≠ చల్లని, తేమతో కూడిన ప్రాంతంలో గాలి/ద్రవ శీతలీకరణ. గ్రిడ్ నీటి తీవ్రత విస్తృతంగా మారుతుంది [3].

• విక్రేత పద్ధతులు
  ఒక ప్రముఖ "టీస్పూన్‌లో పదిహేనవ వంతు" అనే వాదన వార్తల్లోకి వచ్చింది - కానీ సరిహద్దు వివరాలు లేకుండా, ఇది పోల్చదగినది కాదు [1][3].

• కదిలే లక్ష్యం
  ప్రయోగాత్మకంగా అమలు చేస్తోంది నీటి రహిత శీతలీకరణను ; అప్‌స్ట్రీమ్ విద్యుత్తు ఇప్పటికీ నీటి సంకేతాన్ని కలిగి ఉన్నప్పటికీ, వీటిని అమలు చేయడం వలన ఆన్-సైట్ నీరు తగ్గుతుంది [4].

AI నీటి పాదముద్రను తగ్గించడానికి మీరు ఈరోజే ఏమి చేయవచ్చు 🌱

1. మోడల్‌ను సరైన పరిమాణంలోకి మార్చండి.
   చిన్న, టాస్క్-ట్యూన్డ్ మోడల్‌లు తరచుగా తక్కువ కంప్యూట్‌ను వినియోగిస్తూనే ఖచ్చితత్వాన్ని సరిపోల్చుతాయి. మిస్ట్రాల్ యొక్క అంచనా బలమైన సైజ్-టు-ఫుట్‌ప్రింట్ సహసంబంధాలను నొక్కి చెబుతుంది - మరియు మార్జినల్ ఇన్ఫరెన్స్ సంఖ్యలను ప్రచురిస్తుంది, తద్వారా మీరు ట్రేడ్ఆఫ్‌ల గురించి తర్కించవచ్చు [2].

2. నీటి పొదుపు గల ప్రాంతాలను ఎంచుకోండి;
   చల్లని వాతావరణం, సమర్థవంతమైన శీతలీకరణ మరియు kWh కి తక్కువ నీటి తీవ్రత కలిగిన గ్రిడ్‌లు ఉన్న ప్రాంతాలకు ప్రాధాన్యత ఇవ్వండి; "థర్స్టీ AI" పని సమయం మరియు ప్రదేశం ఆధారిత షెడ్యూలింగ్ సహాయపడుతుందని చూపిస్తుంది [3].

3. సమయానికి మార్చండి
   నీటి-సమర్థవంతమైన గంటలు (చల్లని రాత్రులు, అనుకూలమైన గ్రిడ్ పరిస్థితులు) కోసం శిక్షణ/భారీ బ్యాచ్ అంచనాను

4. పారదర్శక మెట్రిక్స్ కోసం మీ విక్రేతను అడగండి.
   డిమాండ్ ప్రతి-ప్రాంప్ట్ నీటి, సరిహద్దు నిర్వచనాలు మరియు సంఖ్యలలో నిష్క్రియ సామర్థ్యం మరియు సౌకర్యం ఓవర్ హెడ్ ఉన్నాయి. ఆపిల్స్-టు-యాపిల్స్ పోలికలను సాధ్యం చేయడానికి విధాన సమూహాలు తప్పనిసరి బహిర్గతం కోసం ఒత్తిడి చేస్తున్నాయి [3].

5. కూలింగ్ టెక్నాలజీ ముఖ్యం.
   మీరు హార్డ్‌వేర్‌ను ఉపయోగిస్తుంటే, క్లోజ్డ్-లూప్/డైరెక్ట్-టు-చిప్ కూలింగ్‌ను; మీరు క్లౌడ్‌లో ఉంటే, వాటర్-లైట్ డిజైన్‌లలో [4][5].

6. బూడిద నీటిని మరియు పునర్వినియోగ ఎంపికలను ఉపయోగించండి
   అనేక క్యాంపస్‌లు త్రాగడానికి పనికిరాని వనరులను ప్రత్యామ్నాయం చేయవచ్చు లేదా లూప్‌లలో రీసైకిల్ చేయవచ్చు; పెద్ద ఆపరేటర్లు నికర ప్రభావాన్ని తగ్గించడానికి నీటి వనరులను సమతుల్యం చేయడం మరియు శీతలీకరణ ఎంపికలను వివరిస్తారు [5].

దీన్ని వాస్తవికంగా చేయడానికి ఒక చిన్న ఉదాహరణ (ఇది సార్వత్రిక నియమం కాదు): వేసవి మధ్యలో వేడి, పొడి ప్రాంతం నుండి వసంతకాలంలో చల్లని, తేమతో కూడిన ప్రాంతానికి రాత్రిపూట శిక్షణా ఉద్యోగాన్ని మార్చడం - మరియు దానిని ఆఫ్-పీక్, చల్లని గంటలలో నడపడం - ఆన్-సైట్ నీటి వినియోగం మరియు ఆఫ్-సైట్ (గ్రిడ్) నీటి తీవ్రత రెండింటినీ మార్చగలదు. షెడ్యూలింగ్ ద్వారా సాధించగల ఆచరణాత్మక, తక్కువ-తొందరపాటుతో కూడిన విజయం ఇది [3].

పోలిక పట్టిక: AI నీటి ఖర్చును తగ్గించడానికి త్వరిత ఎంపికలు 🧰

(“ధర” డిజైన్ ద్వారా మెత్తగా ఉంటుంది - విస్తరణలు మారుతూ ఉంటాయి.)

లోతుగా ఆలోచించండి: పాలసీ డ్రమ్ బీట్ మరింత బిగ్గరగా వినిపిస్తోంది 🥁

చేయాలని ఇంజనీరింగ్ సంస్థలు పిలుపునిచ్చాయి తప్పనిసరిగా బహిర్గతం . సిఫార్సులలో పరిధి నిర్వచనాలు, సైట్-స్థాయి రిపోర్టింగ్ మరియు సైటింగ్ మార్గదర్శకత్వం ఉన్నాయి - ఎందుకంటే పోల్చదగిన, స్థాన-అవగాహన కొలమానాలు లేకుండా, మనం చీకటిలో వాదిస్తున్నట్లే [3].

డీప్ డైవ్: డేటా సెంటర్లు అన్నీ ఒకే విధంగా సిప్ చేయవు 🚰

"గాలి శీతలీకరణ నీటిని ఉపయోగించదు" అనే ఒక నిరంతర అపోహ ఉంది. అది పూర్తిగా నిజం కాదు. గాలి ఎక్కువగా ఉపయోగించే వ్యవస్థలకు తరచుగా ఎక్కువ విద్యుత్, ఇది అనేక ప్రాంతాలలో కనిపించని నీటిని గ్రిడ్ నుండి నీటి శీతలీకరణ ఆన్-సైట్ నీటి వ్యయంతో విద్యుత్ మరియు ఉద్గారాలను తగ్గించగలదు. పెద్ద ఆపరేటర్లు ఈ లాభనష్టాలను సైట్ వారీగా స్పష్టంగా సమతుల్యం చేస్తారు [1][5].

డీప్ డైవ్: వైరల్ క్లెయిమ్‌లపై త్వరిత రియాలిటీ చెక్ 🧪

ఒకే ప్రాంప్ట్ "ఒక నీటి సీసా"కు సమానం అని, లేదా మరోవైపు, "కేవలం కొన్ని చుక్కలు" అని చెప్పే ధైర్యమైన ప్రకటనలను మీరు చూసి ఉండవచ్చు. మెరుగైన వైఖరి: గణితంలో వినయంనేటి విశ్వసనీయమైన పరిమితులు ~0.26 mL పూర్తి సర్వింగ్ ఓవర్‌హెడ్‌తో కూడిన మధ్యస్థ ఉత్పత్తి ప్రాంప్ట్ కోసం ~45 mL 400-టోకెన్ సహాయక ప్రత్యుత్తరం (మార్జినల్ ఇన్ఫరెన్స్) కోసం "టీస్పూన్‌లో పదిహేనవ వంతు" అనే వాదనకు బహిరంగ సరిహద్దు/పద్ధతి లేదు; నగరం లేని వాతావరణ సూచనలాగా దీనిని పరిగణించండి [1][3].

చిన్న ప్రశ్నలు: AI ఎంత నీటిని ఉపయోగిస్తుంది? మళ్ళీ, సాధారణ ఆంగ్లంలో 🗣️

• అయితే, నేను ఒక సమావేశంలో ఏమి చెప్పాలి?
  “ప్రతి ప్రాంప్ట్‌కు, చుక్కల నుండి కొన్ని గుక్కల వరకుమోడల్, నిడివి మరియు అది ఎక్కడ నడుస్తుంది అనేదానిపై ఆధారపడి, శిక్షణకు కొలనులంత అవసరం, గుంటలంత కాదు.” ఆ తర్వాత పైన ఒకటి లేదా రెండు ఉదాహరణలను ఉదహరించండి.

• AI ప్రత్యేకంగా చెడ్డదా?
  ఇది ప్రత్యేకంగా కేంద్రీకృతమై ఉంది: అధిక-శక్తి చిప్‌లు కలిసి ప్యాక్ చేయబడి పెద్ద శీతలీకరణ భారాన్ని సృష్టిస్తాయి. కానీ డేటా సెంటర్‌లు ఉత్తమ సామర్థ్య సాంకేతికత మొదట చేరే ప్రదేశాలు కూడా [1][4].

• మనం అన్నింటినీ ఎయిర్ కూలింగ్‌కు తరలిస్తే?
  తగ్గించవచ్చు ఆన్-సైట్ కానీ ఆఫ్-సైట్ నీటిని పెంచవచ్చు. అధునాతన ఆపరేటర్లు రెండింటినీ తూకం వేస్తారు [1][5].

• భవిష్యత్ సాంకేతికత గురించి ఏమిటి?
  డిజైన్‌లు నీటిని చల్లబరచకుండా నిరోధించే స్కోప్ 1కి గేమ్-ఛేంజర్‌గా ఉంటాయి. కొంతమంది ఆపరేటర్లు ఈ విధంగా కదులుతున్నారు; గ్రిడ్‌లు మారే వరకు అప్‌స్ట్రీమ్ విద్యుత్తు ఇప్పటికీ నీటి సంకేతాన్ని కలిగి ఉంటుంది [4].

చివరి వ్యాఖ్యలు - చాలా పొడవుగా ఉంది, నేను చదవలేదు 🌊

• ప్రతి ప్రాంప్ట్‌కు: ఆలోచించండి సబ్-మిల్లీలీటర్ నుండి పదుల మిల్లీలీటర్‌ల వరకుమోడల్, ప్రాంప్ట్ పొడవు మరియు అది ఎక్కడ నడుస్తుందో బట్టి మధ్యస్థ ప్రాంప్ట్ ~0.26 mL ఒక ప్రధాన స్టాక్‌పై 400-టోకెన్ ప్రత్యుత్తరానికి ~45 mL మరొకదానిపై

• శిక్షణ: మిలియన్ల లీటర్లు , షెడ్యూలింగ్, సైటింగ్ మరియు కూలింగ్ టెక్నాలజీని క్లిష్టంగా మారుస్తాయి [3].

• ఏమి చేయాలి: సరైన సైజు మోడల్‌లు, నీటి ఆధారిత ప్రాంతాలను ఎంచుకోండి, భారీ పనులను చల్లని గంటలకు మార్చండి, నీటి-కాంతి డిజైన్‌లను నిరూపించే విక్రేతలను ఇష్టపడండి మరియు పారదర్శక సరిహద్దులను డిమాండ్ చేయండి [1][3][4][5].

ముగింపులో కొంచెం లోపభూయిష్టమైన రూపకం: AI అనేది దాహంతో కూడిన ఆర్కెస్ట్రా - శ్రావ్యత కంప్యూట్, కానీ డ్రమ్స్ చల్లబరుస్తాయి మరియు గ్రిడ్ నీరు. బ్యాండ్‌ను ట్యూన్ చేయండి, మరియు ప్రేక్షకులు స్ప్రింక్లర్లు మోగకుండానే సంగీతాన్ని పొందుతారు. 🎻💦

ప్రస్తావనలు

1. గూగుల్ క్లౌడ్ బ్లాగ్ - గూగుల్ AI ఎంత శక్తిని వినియోగిస్తుంది? మేము లెక్కలు వేశాము (విధానం + ~0.26 mL మధ్యస్థ ప్రాంప్ట్, పూర్తి సర్వింగ్ ఓవర్‌హెడ్). లింక్
   (సాంకేతిక పత్రం PDF: గూగుల్ స్థాయిలో AIని అందించడం వల్ల కలిగే పర్యావరణ ప్రభావాన్ని కొలవడం.) లింక్

2. మిస్ట్రాల్ AI - AI కోసం ప్రపంచ పర్యావరణ ప్రమాణానికి మా సహకారం (ADEME/Carbone 4తో LCA; ~281,000 m³ శిక్షణ + ప్రారంభ వినియోగం; ~45 mL ప్రత్యుత్తరానికి 400-టోకెన్ , మార్జినల్ ఇన్ఫరెన్స్). లింక్

3. లీ మరియు ఇతరులు - AI కి “దాహం” తగ్గించడం: AI మోడళ్ల యొక్క రహస్య నీటి పాదముద్రను వెలికితీయడం మరియు పరిష్కరించడం శిక్షణ లక్షల లీటర్ల, సమయం మరియు ప్రదేశం ఆధారిత షెడ్యూలింగ్, ఉపసంహరణ vs. వినియోగం). లింక్

4. మైక్రోసాఫ్ట్ - తదుపరి తరం డేటాసెంటర్లు శీతలీకరణ కోసం సున్నా నీటిని వినియోగిస్తాయి (కొన్ని సైట్‌లలో నీటి రహిత శీతలీకరణను లక్ష్యంగా చేసుకుని డైరెక్ట్-టు-చిప్ డిజైన్‌లు). లింక్

5. గూగుల్ డేటా సెంటర్లు - స్థిరంగా పనిచేస్తున్నాయి (సైట్-బై-సైట్ కూలింగ్ ట్రేడ్-ఆఫ్‌లు; రిపోర్టింగ్ మరియు పునర్వినియోగం, తిరిగి పొందిన/గ్రేవాటర్‌తో సహా; సాధారణ రోజువారీ సైట్-స్థాయి వినియోగ ఆర్డర్‌లు పరిమాణం). లింక్

అధికారిక AI అసిస్టెంట్ స్టోర్‌లో తాజా AI ని కనుగొనండి

మా గురించి