Ekologický dopad AI: Co se děje v pozadí?

Pokaždé, když využíváme umělou inteligenci, ať už pro generování či zpracování textů, obrázků, nebo videí, spouštíme v pozadí energeticky náročné procesy. Ty se promítají do spotřeby elektřiny, a dokonce i vody, kterou výpočetní zařízení a jejich chlazení potřebuje přímo i nepřímo.

Abychom mohli k AI přistupovat zodpovědněji, musíme pochopit, co se děje v pozadí. Pak si uvědomíme nejen to, že nejde o neomylný zdroj pravdy, ale i to, že má svůj dopad na životní prostředí.

Naše interakce s AI modely hodně závisí na zdrojích. Jak ale přesně naše psaní zpráv s těmito modely spotřebovává elektřinu a co víc, vodu? Odpověď leží v několika klíčových fázích.

Než je model připraven generovat odpovědi, projde náročným trénovacím procesem.

Velké jazykové modely (LLM) se učí pomocí samo-supervizovaného učení. Neučí se na datech s explicitními popisky, ale předpovídají následující slovo na základě předchozího kontextu. Díky tomu dokážou efektivně využít rozsáhlé nestrukturované texty.

Základem těchto modelů jsou transformery, které umožní efektivně zpracovat sekvence a zachytit dlouhodobé závislosti v textu. Během tréninku model prochází texty, předpovídá následující slova a podle chyb upravuje své vnitřní parametry. Tento proces běží na rozsáhlých datech, která zahrnují texty z internetu, knih, kódu a dalších zdrojů.

Pro efektivní strojové učení jsou klíčové dvě věci: kvalitní data a jejich dostatečné množství. Díky tomu se modely naučí imitovat lidskou interakci tak, že předpovídají, jaké slovo by mohlo následovat. Vycházejí přitom z předchozího kontextu, který si drží ve své paměti, takzvaném kontextovém okně.

Trénování je náročné nejen na energii pro výpočetní techniku, ale i na vodu. Trénování modelu GPT-3 v datových centrech společnosti Microsoft například spotřebovalo přibližně 700 000 litrů pitné vody ve formě parních emisí. Takové množství vody odpovídá třeba spotřebě potřebné k výrobě zhruba 320 elektromobilů Tesla.

Tato spotřeba vody plyne i z potřeby udržet servery v datových centrech na optimální teplotě. Chladí se často vodními systémy, kde voda absorbuje teplo generované servery a následně se odpařuje v chladicích věžích. Je to energeticky náročný proces, který vyvolává obavy o udržitelnost v době, kdy AI využíváme čím dál víc.

Velikost velkých jazykových modelů (LLM) určuje počet parametrů, tedy neuronů, které si lze představit jako váhy v neuronové síti. Tyto parametry ovlivňují, jak dobře model zachytí složité jazykové vzory a vztahy. Obecně platí, že čím víc parametrů model má, tím lépe rozumí přirozenému jazyku a dokáže ho generovat.

Malé modely, například s několika jednotkami miliard parametrů, provozujete lokálně na počítačích. Hodí se pro aplikace, kde záleží na bezpečnosti, rychlosti odezvy a nižších nárocích na hardware.

Naopak největší a nejvýkonnější modely, jako je LLaMA 3.1 se 405 miliardami parametrů, potřebují specializovaný hardware a infrastrukturu. K jejich provozu jsou nezbytné servery s vysokou kapacitou VRAM a výkonnými GPU. Provoz LLaMA 3.1 v režimu fp16 (přesnost vah, floating point) vyžaduje například přibližně 972 GB VRAM.

Tyto rozsáhlé modely se obvykle hostují v datových centrech, která poskytují potřebný výpočetní výkon a infrastrukturu pro jejich běh. Cloudové platformy jako Google Cloud Platform nebo Microsoft Azure nabízejí služby pro nasazení a správu těchto modelů včetně optimalizace výkonu a škálovatelnosti.

Jakmile zadáte prompt, požadavek okamžitě poputuje do datového centra, kde ho převezme specializovaný hardware. Každý krok zpracování vstupu a generování výstupu velkými jazykovými modely (LLM) přispívá k celkové spotřebě energie.

Čím větší a složitější model, tím víc energie spotřebuje. Každý krok od tokenizace po generování výstupu běží na specializovaném hardwaru, často na GPU jako NVIDIA H100.

Jak náročné tyto výpočty jsou?

Jediné GPU NVIDIA H100 (SXM) může mít spotřebu až 700 wattů. V datových centrech jsou tato GPU zapojena do racků, které spotřebují desítky kilowattů. Pro představu, se 700 Wh energie provozujete:

| Zařízení / Aktivita | Spotřeba | Doba provozu s 700 Wh | | --- | --- | --- | | NVIDIA H100 GPU (SXM) | 700 W | 1 hodina | | LED žárovka | 10 W | 70 hodin (cca 3 dny) | | Nabíjení chytrého telefonu | 15 Wh na nabití | Přibližně 46 nabití |

Provoz LLM generuje značné množství tepla. Datová centra proto používají pokročilé chladicí systémy, které spotřebovávají další energii i vodu. Chlazení může tvořit až 30–40 % celkové spotřeby energie datového centra. Průměrná spotřeba vody na chlazení může dosáhnout 1,8 litru na každou kWh energie. Některá datová centra tak spotřebují denně 11–19 milionů litrů vody, což odpovídá spotřebě města s 30 000 až 50 000 obyvateli.

Jednotlivý prompt může mít nízkou spotřebu, ale při miliardách dotazů denně se kumulativní dopad výrazně zvyšuje. Studie University of California, Riverside uvádí, že zpracování 5 až 50 AI promptů spotřebuje až 0,5 litru vody (převážně na chlazení).

Obecně platí, že reasoning modely jsou výrazně náročnější na energii než klasické modely. Vidíme to třeba u DeepSeeku, kde je verze V3 energeticky přibližně 8krát úspornější než R1. Podobně si vede model OpenAI o3 oproti GPT-4.1. Pro detailnější srovnání energetické náročnosti doporučuji pročíst následující článek.

Na obrázku níže je vidět výrazně vyšší využití tokenů u reasoning modelu R1 oproti klasickým modelům.

| Typ úlohy | Spotřeba energie / dotaz | Emise CO₂e / dotaz | Přirovnání spotřeby | | --- | --- | --- | --- | | Prosté vyhledávání | ~0,300 Wh | ~0,2 g | Napájení LED žárovky (10 W) po dobu ~2 minut | | ChatGPT (např. GPT-4o) | ~0,421 Wh | ~0,3 g | Napájení LED žárovky po dobu ~2,5–3 minut | | Energeticky náročnější modely (o3, DeepSeek) | ~23.82 Wh | ~23 g | Nabití mobilu ~3–4× |

Energie: cca 430 MWh denně, což odpovídá spotřebě přibližně 14 000 domácností (průměrná denní spotřeba 30 kWh).

Emise CO₂: přibližně 300 tun denně.

Spotřeba vody: až 10 milionů litrů denně.

Integrace LLM modelů (large language models) do digitálních nástrojů, se kterými se běžně setkáváme online, se stává novodobým trendem. Většina velkých vyhledávačů včetně Google Search dnes využívá AI modely k sumarizaci výsledků vyhledávání. Tento přístup ale kombinuje energetickou náročnost tradičního vyhledávání s dalšími výpočetními náklady na provoz LLM. Více si o tom přečtete zde.

Na rozdíl od alternativ jako DuckDuckGo či Ecosia Google aktuálně neumožňuje tyto AI funkce úplně vypnout, takže energetická stopa roste i u jednoduchého vyhledávání.

Přímý vztah mezi naším dotazem a reálnou spotřebou zdrojů ukazuje, že každá interakce s AI má svou energetickou, a tím i ekologickou cenu. Mezinárodní agentura pro energii (International Energy Agency) odhaduje, že globální spotřeba elektřiny ze strany datových center se do roku 2030 více než zdvojnásobí, na přibližně 945 terawatthodin (TWh). To je zhruba tolik, kolik dnes spotřebuje celé Japonsko.

Vzhledem k těmto nárokům se nabízejí dvě otázky: jak vlastně datová centra fungují, že tak žerou energii i vodu, a co můžeme dělat, abychom tuhle stopu minimalizovali?

Na první otázku, tedy co jsou datová centra, která jsou srdcem všech těchto procesů, a jaké konkrétní environmentální dopady jejich provoz nese, se zaměříme v další části. Na druhou otázku pak v posledním článku této trilogie.