AI എത്ര വെള്ളം ഉപയോഗിക്കുന്നു?

"എല്ലാ ചോദ്യങ്ങളിലും AI ഒരു കുപ്പി വെള്ളം കുടിക്കുന്നു" മുതൽ "അടിസ്ഥാനപരമായി കുറച്ച് തുള്ളികൾ" വരെ നിങ്ങൾ കേട്ടിട്ടുണ്ടാകും എന്ന് ഞാൻ വിശ്വസിക്കുന്നു. സത്യം കൂടുതൽ സൂക്ഷ്മമാണ്. AI യുടെ ജലത്തിന്റെ അളവ് അത് എവിടെ പ്രവർത്തിക്കുന്നു, നിങ്ങളുടെ പ്രോംപ്റ്റ് എത്ര സമയമെടുക്കുന്നു, ഒരു ഡാറ്റാ സെന്റർ അതിന്റെ സെർവറുകളെ എങ്ങനെ തണുപ്പിക്കുന്നു എന്നതിനെ അടിസ്ഥാനമാക്കി വ്യാപകമായി മാറുന്നു. അതെ, തലക്കെട്ട് നമ്പർ നിലവിലുണ്ട്, പക്ഷേ അത് മുന്നറിയിപ്പുകളുടെ ഒരു കൂട്ടത്തിനുള്ളിൽ ജീവിക്കുന്നു.

താഴെ ഞാൻ വ്യക്തവും തീരുമാനത്തിന് തയ്യാറായതുമായ കണക്കുകൾ നിരത്തുന്നു, എസ്റ്റിമേറ്റുകൾ എന്തുകൊണ്ട് വിയോജിക്കുന്നു എന്ന് വിശദീകരിക്കുന്നു, കൂടാതെ ബിൽഡർമാരും ദൈനംദിന ഉപയോക്താക്കളും സുസ്ഥിരതാ സന്യാസികളായി മാറാതെ തന്നെ ജല ഉപഭോഗം എങ്ങനെ ചുരുക്കാമെന്ന് കാണിക്കുന്നു.

ഇതിനു ശേഷം നിങ്ങൾക്ക് വായിക്കാൻ ഇഷ്ടപ്പെട്ടേക്കാവുന്ന ലേഖനങ്ങൾ:

🔗 ഒരു AI ഡാറ്റാസെറ്റ് എന്താണ്?
ഡാറ്റാസെറ്റുകൾ മെഷീൻ ലേണിംഗ് പരിശീലനവും മോഡൽ വികസനവും എങ്ങനെ പ്രാപ്തമാക്കുന്നുവെന്ന് വിശദീകരിക്കുന്നു.

🔗 AI എങ്ങനെയാണ് ട്രെൻഡുകൾ പ്രവചിക്കുന്നത്
മാറ്റങ്ങളും ഭാവി ഫലങ്ങളും പ്രവചിക്കുന്നതിനായി AI പാറ്റേണുകൾ എങ്ങനെ വിശകലനം ചെയ്യുന്നുവെന്ന് കാണിക്കുന്നു.

🔗 AI പ്രകടനം എങ്ങനെ അളക്കാം
കൃത്യത, വേഗത, വിശ്വാസ്യത എന്നിവ വിലയിരുത്തുന്നതിനുള്ള അവശ്യ മെട്രിക്കുകൾ വിഭജിക്കുന്നു.

🔗 AI-യോട് എങ്ങനെ സംസാരിക്കാം
വ്യക്തത, ഫലങ്ങൾ, സ്ഥിരത എന്നിവ മെച്ചപ്പെടുത്തുന്നതിന് ഫലപ്രദമായ പ്രോംപ്റ്റിംഗ് തന്ത്രങ്ങൾ നയിക്കുന്നു.

AI എത്ര വെള്ളം ഉപയോഗിക്കുന്നു? നിങ്ങൾക്ക് യഥാർത്ഥത്തിൽ ഉപയോഗിക്കാൻ കഴിയുന്ന ദ്രുത സംഖ്യകൾ 📏

• ഇന്നത്തെ ഒരു പ്രോംപ്റ്റിന് സാധാരണ ശ്രേണി: ഒരു മുഖ്യധാരാ സിസ്റ്റത്തിൽ ഒരു മീഡിയൻ ടെക്സ്റ്റ് പ്രോംപ്റ്റിന് സബ്-മില്ലിലിറ്റർ മുതൽ മറ്റൊന്നിൽ ദൈർഘ്യമേറിയതും ഉയർന്നതുമായ കമ്പ്യൂട്ട് പ്രതികരണത്തിന് പതിനായിരക്കണക്കിന് മില്ലിലിറ്റർ മീഡിയൻ ടെക്സ്റ്റ് പ്രോംപ്റ്റ് ~0.26 mL (പൂർണ്ണ സെർവിംഗ് ഓവർഹെഡ് ഉൾപ്പെടുത്തിയിട്ടുണ്ട്) റിപ്പോർട്ട് ചെയ്യുന്നു [1]. മിസ്ട്രലിന്റെ ലൈഫ് സൈക്കിൾ അസസ്മെന്റ് ~45 mL (മാർജിനൽ ഇൻഫറൻസ്) [2] എന്ന 400-ടോക്കൺ അസിസ്റ്റന്റ് മറുപടിയെ . സന്ദർഭവും മോഡലും വളരെയധികം പ്രാധാന്യമർഹിക്കുന്നു.

• ഒരു ഫ്രോണ്ടിയർ-സ്കെയിൽ മോഡലിനെ പരിശീലിപ്പിക്കൽ: ദശലക്ഷക്കണക്കിന് ലിറ്ററുകളിലേക്ക് ഒഴുകാൻ കഴിയും , പ്രധാനമായും തണുപ്പിക്കൽ, വൈദ്യുതി ഉൽ‌പാദനത്തിൽ ഉൾച്ചേർത്ത വെള്ളം എന്നിവയിൽ നിന്ന്. വ്യാപകമായി ഉദ്ധരിച്ച ഒരു അക്കാദമിക് വിശകലനം, ഒരു ജിപിടി-ക്ലാസ് മോഡലിനെ പരിശീലിപ്പിക്കുന്നതിന് ~5.4 ദശലക്ഷം ലിറ്റർ ~700,000 ലിറ്റർ - കൂടാതെ ജല തീവ്രത കുറയ്ക്കുന്നതിന് സ്മാർട്ട് ഷെഡ്യൂളിംഗിനായി വാദിച്ചു [3].

• പൊതുവെ ഡാറ്റാ സെന്ററുകൾ: വലിയ സൈറ്റുകൾ പ്രതിദിനം ശരാശരി ലക്ഷക്കണക്കിന് ഗാലണുകൾ , ചില കാമ്പസുകളിൽ കാലാവസ്ഥയെയും രൂപകൽപ്പനയെയും ആശ്രയിച്ച് ഉയർന്ന കൊടുമുടികളുണ്ട് [5].

സത്യം പറഞ്ഞാൽ: ആ കണക്കുകൾ ആദ്യം പൊരുത്തക്കേടായി തോന്നും. അങ്ങനെയാണ്. അതിന് നല്ല കാരണങ്ങളുമുണ്ട്.

AI ജല ഉപയോഗ അളവുകൾ ✅

AI എത്ര വെള്ളം ഉപയോഗിക്കുന്നു എന്ന ചോദ്യത്തിന് ഒരു നല്ല ഉത്തരം, കുറച്ച് ബോക്സുകൾ പരിശോധിക്കണം:

1. അതിർത്തി വ്യക്തത
   ഓൺ-സൈറ്റ് കൂളിംഗ് മാത്രമേ ഉൾപ്പെട്ടിട്ടുള്ളൂ , അതോ പവർ പ്ലാന്റുകൾ വൈദ്യുതി ഉൽപ്പാദിപ്പിക്കാൻ ഓഫ്-സൈറ്റ് വെള്ളവും കാർബൺ അക്കൗണ്ടിംഗിന് സമാനമായി, വെള്ളം പിൻവലിക്കലും ജല ഉപഭോഗവും

2. സ്ഥല സംവേദനക്ഷമത
   ഓരോ kWh നും വെള്ളം പ്രദേശവും ഗ്രിഡ് മിശ്രിതവും അനുസരിച്ച് വ്യത്യാസപ്പെടുന്നു, അതിനാൽ ഒരേ പ്രോംപ്റ്റിന് അത് എവിടെയാണ് നൽകുന്നത് എന്നതിനെ ആശ്രയിച്ച് വ്യത്യസ്ത ജല ആഘാതങ്ങൾ ഉണ്ടാകാം - സമയ-സ്ഥല-അവബോധമുള്ള ഷെഡ്യൂളിംഗ് [3].

3. വർക്ക്‌ലോഡ് റിയലിസം
   ശരാശരി ഉൽ‌പാദന പ്രോംപ്റ്റുകളെ സംഖ്യ പ്രതിഫലിപ്പിക്കുന്നുണ്ടോ , അതിൽ നിഷ്‌ക്രിയ ശേഷിയും ഡാറ്റാ സെന്റർ ഓവർഹെഡും ഉൾപ്പെടുന്നു, അതോ പീക്കിലെ ആക്സിലറേറ്റർ മാത്രമാണോ? TPU ഗണിതത്തിന് മാത്രമല്ല, അനുമാനത്തിനായി Google പൂർണ്ണ-സിസ്റ്റം അക്കൗണ്ടിംഗിന് (നിഷ്‌ക്രിയം, CPU-കൾ/DRAM, ഡാറ്റാ-സെന്റർ ഓവർഹെഡ്) പ്രാധാന്യം നൽകുന്നു [1].

4. കൂളിംഗ് സാങ്കേതികവിദ്യ
   ബാഷ്പീകരണ കൂളിംഗ്, ക്ലോസ്ഡ്-ലൂപ്പ് ലിക്വിഡ് കൂളിംഗ്, എയർ കൂളിംഗ്, ഉയർന്നുവരുന്ന ഡയറക്ട്-ടു-ചിപ്പ് ചില പുതിയ തലമുറ സൈറ്റുകൾക്കായി കൂളിംഗ് വാട്ടർ ഉപയോഗം ഇല്ലാതാക്കാൻ ഉദ്ദേശിച്ചുള്ള ഡിസൈനുകൾ മൈക്രോസോഫ്റ്റ് പുറത്തിറക്കുന്നു

5. ദിവസത്തിലെ സമയവും സീസണും
   ചൂട്, ഈർപ്പം, ഗ്രിഡ് അവസ്ഥകൾ എന്നിവ ജല ഉപയോഗ ഫലപ്രാപ്തിയെ ; ജല തീവ്രത കുറവായിരിക്കുമ്പോഴും എവിടെയും പ്രധാന ജോലികൾ ഷെഡ്യൂൾ ചെയ്യണമെന്ന് ഒരു സ്വാധീനമുള്ള പഠനം നിർദ്ദേശിക്കുന്നു [3].

വെള്ളം പിൻവലിക്കൽ vs ജല ഉപഭോഗം, വിശദീകരിച്ചു 💡

• പിൻവലിക്കൽ = നദികളിൽ നിന്നോ തടാകങ്ങളിൽ നിന്നോ ജലാശയങ്ങളിൽ നിന്നോ എടുക്കുന്ന വെള്ളം (ചിലത് തിരികെ കൊണ്ടുവരുന്നത്).

• ഉപഭോഗം ബാഷ്പീകരിക്കപ്പെടുന്നതിനാലോ പ്രക്രിയകളിൽ/ഉൽപ്പന്നങ്ങളിൽ സംയോജിപ്പിക്കപ്പെടുന്നതിനാലോ വെള്ളം തിരികെ ലഭിക്കാത്തത്

കൂളിംഗ് ടവറുകൾ പ്രധാനമായും ബാഷ്പീകരണം വഴിയാണ് വെള്ളം ഉപയോഗിക്കുന്നത് പിൻവലിക്കാൻ (ചിലപ്പോൾ അതിന്റെ ഒരു ഭാഗം ഉപഭോഗം ചെയ്യും). വിശ്വസനീയമായ ഒരു AI-വാട്ടർ നമ്പർ ലേബലുകൾ അത് റിപ്പോർട്ട് ചെയ്യുന്നു [3].

AI-യിൽ വെള്ളം എവിടേക്കാണ് പോകുന്നത്: മൂന്ന് ബക്കറ്റുകൾ 🪣

1. സ്കോപ്പ് 1 - ഓൺ-സൈറ്റ് കൂളിംഗ്
   ദൃശ്യമായ ഭാഗം: ഡാറ്റാ സെന്ററിൽ തന്നെ വെള്ളം ബാഷ്പീകരിക്കപ്പെട്ടു. ബാഷ്പീകരണി vs. വായു അല്ലെങ്കിൽ ക്ലോസ്ഡ്-ലൂപ്പ് ദ്രാവകം അടിസ്ഥാനത്തെ സജ്ജമാക്കുന്നു [5].

2. സ്കോപ്പ് 2 - വൈദ്യുതി ഉൽപ്പാദനം
   ഓരോ kWh-നും ഒരു മറഞ്ഞിരിക്കുന്ന വാട്ടർ ടാഗ് വഹിക്കാൻ കഴിയും; മിശ്രിതവും സ്ഥാനവും നിങ്ങളുടെ ജോലിഭാരം പാരമ്പര്യമായി ലഭിക്കുന്ന ലിറ്റർ-ഓരോ kWh സിഗ്നലിനെ നിർണ്ണയിക്കുന്നു [3].

3. സ്കോപ്പ് 3 - വിതരണ ശൃംഖല
   ചിപ്പ് നിർമ്മാണം നിർമ്മാണത്തിൽ അൾട്രാ-പ്യുവർ വെള്ളത്തെ ആശ്രയിച്ചിരിക്കുന്നു. അതിർത്തിയിൽ വ്യക്തമായി ഉൾച്ചേർത്ത ആഘാതങ്ങൾ (ഉദാഹരണത്തിന്, ഒരു പൂർണ്ണ LCA) ഉൾപ്പെടുത്തിയിട്ടില്ലെങ്കിൽ, “പെർ പ്രോംപ്റ്റ്” മെട്രിക്കിൽ നിങ്ങൾ അത് കാണില്ല [2][3].

സംഖ്യാടിസ്ഥാനത്തിലുള്ള ദാതാക്കൾ, സൂക്ഷ്മതയോടെ 🧮

• ഗൂഗിൾ ജെമിനി
  ഫുൾ-സ്റ്റാക്ക് സെർവിംഗ് രീതി നിർദ്ദേശിക്കുന്നു (ഐഡിൽ, ഫെസിലിറ്റി ഓവർഹെഡ് ഉൾപ്പെടെ). മീഡിയൻ ടെക്സ്റ്റ് പ്രോംപ്റ്റ് ~0.26 മില്ലി വെള്ളത്തിനൊപ്പം ~0.24 Wh ഊർജ്ജം; കണക്കുകൾ ഉൽപ്പാദന ട്രാഫിക്കും സമഗ്രമായ അതിരുകളും പ്രതിഫലിപ്പിക്കുന്നു [1].

• മിസ്ട്രൽ ലാർജ് 2 ജീവിതചക്രം
  (ADEME/Carbon 4 ഉള്ള) ഒരു അപൂർവ സ്വതന്ത്ര LCA പരിശീലനത്തിനും ആദ്യകാല ഉപയോഗത്തിനും ~281,000 m³ 400-ടോക്കൺ മറുപടിക്ക് ~45 mL ഉം [2].

• മൈക്രോസോഫ്റ്റിന്റെ സീറോ-വാട്ടർ കൂളിംഗ് അഭിലാഷമായ
  , ഡയറക്ട്-ടു-ചിപ്പ് സമീപനങ്ങളെ ആശ്രയിച്ച്, തണുപ്പിക്കുന്നതിനായി സീറോ വാട്ടർ ഉപയോഗിക്കുന്നതിനാണ് രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്

• ജനറൽ ഡാറ്റാ-സെന്റർ സ്കെയിൽ
  പ്രധാന ഓപ്പറേറ്റർമാർ പ്രതിദിനം ശരാശരി ലക്ഷക്കണക്കിന് ഗാലണുകൾ ; കാലാവസ്ഥയും രൂപകൽപ്പനയും സംഖ്യകളെ കൂട്ടുകയോ കുറയ്ക്കുകയോ ചെയ്യുന്നു [5].

• ആദ്യകാല അക്കാദമിക് അടിസ്ഥാനം:
  സെമിനൽ "ദാർസ്റ്റി എഐ" വിശകലനം ജിപിടി-ക്ലാസ് മോഡലുകളെ പരിശീലിപ്പിക്കുന്നതിന് ദശലക്ഷക്കണക്കിന് ലിറ്റർ 10–50 ഇടത്തരം ഉത്തരങ്ങൾ 500 മില്ലി തുല്യമായിരിക്കും - അവ എപ്പോൾ/എവിടെ പ്രവർത്തിക്കുന്നു എന്നതിനെ വളരെയധികം ആശ്രയിച്ചിരിക്കുന്നു [3].

എന്തുകൊണ്ടാണ് കണക്കുകൾ ഇത്രയധികം വിയോജിക്കുന്നത് 🤷

• വ്യത്യസ്ത അതിരുകൾ
  ചില കണക്കുകൾ ഓൺ-സൈറ്റ് കൂളിംഗ് മാത്രമേ ; മറ്റുള്ളവ വൈദ്യുതിയുടെ വെള്ളം ചിപ്പ് നിർമ്മാണം ചേർത്തേക്കാം . ആപ്പിൾ, ഓറഞ്ച്, ഫ്രൂട്ട് സാലഡ് [2][3].

• വ്യത്യസ്ത വർക്ക്‌ലോഡുകൾ
  ഒരു ചെറിയ ടെക്സ്റ്റ് പ്രോംപ്റ്റ് ഒരു നീണ്ട മൾട്ടിമോഡൽ/കോഡ് റൺ അല്ല; ബാച്ചിംഗ്, കൺകറൻസി, ലേറ്റൻസി ടാർഗെറ്റുകൾ എന്നിവ ഉപയോഗത്തെ മാറ്റുന്നു [1][2].

• വ്യത്യസ്ത കാലാവസ്ഥകളും ഗ്രിഡുകളും
  ചൂടുള്ളതും വരണ്ടതുമായ പ്രദേശത്ത് ബാഷ്പീകരണ തണുപ്പിക്കൽ ≠ തണുത്തതും ഈർപ്പമുള്ളതുമായ സ്ഥലത്ത് വായു/ദ്രാവക തണുപ്പിക്കൽ. ഗ്രിഡ് ജല തീവ്രത വ്യാപകമായി വ്യത്യാസപ്പെടുന്നു [3].

• വെണ്ടർ രീതിശാസ്ത്രങ്ങൾ
  ഗൂഗിൾ ഒരു സിസ്റ്റം-വൈഡ് സെർവിംഗ് രീതി പ്രസിദ്ധീകരിച്ചു; മിസ്ട്രൽ ഒരു ഔപചാരിക എൽ‌സി‌എ പ്രസിദ്ധീകരിച്ചു. മറ്റുള്ളവർ സ്പാർസ് രീതികളിലൂടെ പോയിന്റ് എസ്റ്റിമേറ്റുകൾ വാഗ്ദാനം ചെയ്യുന്നു. ഒരു "ഒരു ടീസ്പൂണിന്റെ പതിനഞ്ചിലൊന്ന്" അവകാശവാദം വാർത്തകളിൽ ഇടം നേടി - എന്നാൽ അതിർത്തി വിശദാംശങ്ങളില്ലാതെ, അത് താരതമ്യപ്പെടുത്താനാവില്ല [1][3].

• ഒരു ചലിക്കുന്ന ലക്ഷ്യം
  തണുപ്പിക്കൽ വേഗത്തിൽ വികസിച്ചുകൊണ്ടിരിക്കുന്നു. ചില സ്ഥലങ്ങളിൽ മൈക്രോസോഫ്റ്റ് പരീക്ഷണാടിസ്ഥാനത്തിൽ ജലരഹിത തണുപ്പിക്കൽ ; അപ്‌സ്ട്രീം വൈദ്യുതി ഇപ്പോഴും ജല സിഗ്നൽ വഹിക്കുന്നുണ്ടെങ്കിൽ പോലും ഇവ നടപ്പിലാക്കുന്നത് ഓൺ-സൈറ്റ് ജലപ്രവാഹം കുറയ്ക്കും [4].

AI യുടെ ജലപ്രവാഹം കുറയ്ക്കാൻ ഇന്ന് നിങ്ങൾക്ക് എന്തുചെയ്യാൻ കഴിയും 🌱

1. വലത്-വലുപ്പമുള്ള മോഡൽ
   ചെറുതും ടാസ്‌ക്-ട്യൂൺ ചെയ്തതുമായ മോഡലുകൾ പലപ്പോഴും കൃത്യതയുമായി പൊരുത്തപ്പെടുന്നു, അതേസമയം കുറച്ച് കമ്പ്യൂട്ട് മാത്രമേ ബേൺ ചെയ്യുന്നുള്ളൂ. മിസ്ട്രലിന്റെ വിലയിരുത്തൽ ശക്തമായ വലുപ്പ-പാദമുദ്ര പരസ്പര ബന്ധങ്ങളെ അടിവരയിടുന്നു - കൂടാതെ ട്രേഡ്‌ഓഫുകളെക്കുറിച്ച് നിങ്ങൾക്ക് ന്യായവാദം ചെയ്യാൻ കഴിയുന്ന തരത്തിൽ മാർജിനൽ അനുമാന സംഖ്യകൾ പ്രസിദ്ധീകരിക്കുന്നു [2].

2. ജലാനുബന്ധ മേഖലകൾ തിരഞ്ഞെടുക്കുക.
   തണുത്ത കാലാവസ്ഥ, കാര്യക്ഷമമായ തണുപ്പിക്കൽ, kWh-ന് കുറഞ്ഞ ജല തീവ്രതയുള്ള ഗ്രിഡുകൾ എന്നിവയുള്ള പ്രദേശങ്ങൾ തിരഞ്ഞെടുക്കുക; "ദാഹിക്കുന്ന AI" പ്രവർത്തനം സമയ-സ്ഥല-അവബോധമുള്ള ഷെഡ്യൂളിംഗ് സഹായിക്കുന്നുവെന്ന് കാണിക്കുന്നു [3].

3. സമയബന്ധിതമായി ജോലിഭാരം മാറ്റുക.
   ജലക്ഷമതയുള്ള സമയങ്ങൾക്കായി പരിശീലനം/ഹെവി ബാച്ച് അനുമാനം ഷെഡ്യൂൾ ചെയ്യുക (തണുത്ത രാത്രികൾ, അനുകൂലമായ ഗ്രിഡ് സാഹചര്യങ്ങൾ) [3].

4. സുതാര്യമായ അളവുകൾക്കായി നിങ്ങളുടെ വെണ്ടറോട് ചോദിക്കുക,
   ഓരോ പ്രോംപ്റ്റ് വെള്ളത്തിന്റെയും ആവശ്യകത , അതിർത്തി നിർവചനങ്ങൾ, കൂടാതെ നമ്പറുകളിൽ നിഷ്‌ക്രിയ ശേഷിയും സൗകര്യ ഓവർഹെഡും ഉൾപ്പെടുന്നുണ്ടോ എന്ന്. ആപ്പിളും ആപ്പിളും തമ്മിലുള്ള താരതമ്യങ്ങൾ സാധ്യമാക്കുന്നതിന് നിർബന്ധിത വെളിപ്പെടുത്തലിനായി നയ ഗ്രൂപ്പുകൾ സമ്മർദ്ദം ചെലുത്തുന്നു [3].

5. കൂളിംഗ് സാങ്കേതികവിദ്യ പ്രധാനമാണ്
   നിങ്ങൾ ഹാർഡ്‌വെയർ ഉപയോഗിക്കുകയാണെങ്കിൽ, ക്ലോസ്ഡ്-ലൂപ്പ്/ഡയറക്ട്-ടു-ചിപ്പ് കൂളിംഗ് ; നിങ്ങൾ ക്ലൗഡിലാണെങ്കിൽ, വാട്ടർ-ലൈറ്റ് ഡിസൈനുകളിൽ [4][5].

6. ഗ്രേ വാട്ടർ, പുനരുപയോഗ ഓപ്ഷനുകൾ ഉപയോഗിക്കുക
   പല കാമ്പസുകളിലും കുടിവെള്ള സ്രോതസ്സുകൾ മാറ്റിസ്ഥാപിക്കാനോ ലൂപ്പുകൾക്കുള്ളിൽ പുനരുപയോഗം ചെയ്യാനോ കഴിയും; വലിയ ഓപ്പറേറ്റർമാർ മൊത്തം ആഘാതം കുറയ്ക്കുന്നതിന് ജലസ്രോതസ്സുകൾ സന്തുലിതമാക്കുന്നതും തണുപ്പിക്കുന്നതുമായ തിരഞ്ഞെടുപ്പുകൾ വിവരിക്കുന്നു [5].

ഇത് യാഥാർത്ഥ്യമാക്കുന്നതിനുള്ള ഒരു ദ്രുത ഉദാഹരണം (സാർവത്രിക നിയമമല്ല): വേനൽക്കാലത്തിന്റെ മധ്യത്തിൽ ചൂടുള്ളതും വരണ്ടതുമായ ഒരു പ്രദേശത്ത് നിന്ന് വസന്തകാലത്ത് തണുപ്പുള്ളതും ഈർപ്പമുള്ളതുമായ ഒരു പ്രദേശത്തേക്ക് ഒരു രാത്രി പരിശീലന ജോലി മാറ്റുന്നതിലൂടെ - ഓഫ്-പീക്ക്, തണുപ്പുള്ള സമയങ്ങളിൽ അത് പ്രവർത്തിപ്പിക്കുന്നതിലൂടെ - ഓൺ-സൈറ്റ് ജല ഉപയോഗവും ഓഫ്-സൈറ്റ് (ഗ്രിഡ്) ജല തീവ്രതയും മാറ്റാൻ കഴിയും. അതാണ് പ്രായോഗികമായ, കുറഞ്ഞ നാടകീയമായ വിജയ ഷെഡ്യൂളിംഗ് [3] അൺലോക്ക് ചെയ്യാൻ കഴിയുന്നത്.

താരതമ്യ പട്ടിക: AI യുടെ ജലച്ചെലവ് കുറയ്ക്കുന്നതിനുള്ള ദ്രുത തിരഞ്ഞെടുപ്പുകൾ 🧰

(“രൂപകൽപ്പന പ്രകാരം വില വളരെ കുറവാണ് - വിന്യാസങ്ങൾ വ്യത്യാസപ്പെടാം.)

ആഴത്തിലുള്ള അന്വേഷണം: നയതന്ത്ര ഡ്രംബീറ്റ് കൂടുതൽ ഉച്ചത്തിലാകുന്നു 🥁

നിർബന്ധമായും വെളിപ്പെടുത്തണമെന്ന് എഞ്ചിനീയറിംഗ് സ്ഥാപനങ്ങൾ ആവശ്യപ്പെടുന്നു, അതുവഴി വാങ്ങുന്നവർക്കും സമൂഹങ്ങൾക്കും ചെലവുകളും നേട്ടങ്ങളും വിലയിരുത്താൻ കഴിയും. സ്കോപ്പ് നിർവചനങ്ങൾ, സൈറ്റ്-ലെവൽ റിപ്പോർട്ടിംഗ്, സ്ഥലനിർണ്ണയ മാർഗ്ഗനിർദ്ദേശം എന്നിവ ശുപാർശകളിൽ ഉൾപ്പെടുന്നു - കാരണം താരതമ്യപ്പെടുത്താവുന്ന, സ്ഥലത്തെക്കുറിച്ചുള്ള അവബോധമുള്ള മെട്രിക്സുകൾ ഇല്ലാതെ, ഞങ്ങൾ ഇരുട്ടിൽ വാദിക്കുകയാണ് [3].

ആഴത്തിലുള്ള പഠനം: എല്ലാ ഡാറ്റാ സെന്ററുകളും ഒരേ രീതിയിൽ ഉപയോഗിക്കില്ല 🚰

"എയർ കൂളിംഗ് വെള്ളം ഉപയോഗിക്കുന്നില്ല" എന്നൊരു മിഥ്യാധാരണ നിലനിൽക്കുന്നുണ്ട്. അത്ര ശരിയല്ല. എയർ-ഹെവി സിസ്റ്റങ്ങൾക്ക് പലപ്പോഴും കൂടുതൽ വൈദ്യുതി , ഇത് പല പ്രദേശങ്ങളിലും ഗ്രിഡിൽ നിന്ന് മറഞ്ഞിരിക്കുന്ന വെള്ളം വാട്ടർ കൂളിംഗിന് ഓൺ-സൈറ്റ് വെള്ളത്തിന്റെ ചെലവിൽ വൈദ്യുതിയും ഉദ്‌വമനവും കുറയ്ക്കാൻ കഴിയും. വലിയ ഓപ്പറേറ്റർമാർ ഈ ട്രേഡ്-ഓഫുകൾ സൈറ്റ്-ബൈ-സൈറ്റ് [1][5] വ്യക്തമായി സന്തുലിതമാക്കുന്നു.

ആഴത്തിലുള്ള അന്വേഷണം: വൈറൽ അവകാശവാദങ്ങളെക്കുറിച്ചുള്ള ഒരു ദ്രുത യാഥാർത്ഥ്യ പരിശോധന 🧪

ഒരൊറ്റ പ്രോംപ്റ്റ് "ഒരു വാട്ടർ ബോട്ടിൽ" അല്ലെങ്കിൽ മറുവശത്ത്, "കുറച്ച് തുള്ളികൾ മാത്രം" എന്ന ധീരമായ പ്രസ്താവനകൾ നിങ്ങൾ കണ്ടിരിക്കാം. മികച്ച നിലപാട്: ഗണിതത്തോടുള്ള വിനയം . ഇന്നത്തെ വിശ്വസനീയമായ ബുക്കെൻഡുകൾ ഫുൾ സെർവിംഗ് ഓവർഹെഡുള്ള ഒരു മീഡിയൻ പ്രൊഡക്ഷൻ പ്രോംപ്റ്റിന് ~0.26 mL 400-ടോക്കൺ അസിസ്റ്റന്റ് മറുപടിക്ക് (മാർജിനൽ അനുമാനം) ~45 mL "ഒരു ടീസ്പൂൺ പതിനഞ്ചിലൊന്ന്" എന്ന ക്ലെയിമിന് ഒരു പൊതു അതിർത്തി/രീതി ഇല്ല; നഗരമില്ലാതെ ഒരു കാലാവസ്ഥാ പ്രവചനം പോലെ അതിനെ പരിഗണിക്കുക [1][3].

മിനി-പതിവ് ചോദ്യങ്ങൾ: AI എത്ര വെള്ളം ഉപയോഗിക്കുന്നു? വീണ്ടും, പ്ലെയിൻ ഇംഗ്ലീഷിൽ 🗣️

• അപ്പോൾ, ഒരു മീറ്റിംഗിൽ ഞാൻ എന്താണ് പറയേണ്ടത്?
  "ഓരോ പ്രോംപ്റ്റിനും, മോഡൽ, നീളം, അത് എവിടെയാണ് ഓടുന്നത് എന്നതിനെ ആശ്രയിച്ച്, തുള്ളികൾ മുതൽ കുറച്ച് സിപ്പുകൾ വരെ പരിശീലനം കുളങ്ങളിലാണ് , കുളങ്ങളിലല്ല." തുടർന്ന് മുകളിലുള്ള ഒന്നോ രണ്ടോ ഉദാഹരണങ്ങൾ ഉദ്ധരിക്കുക.

• AI വളരെ മോശമാണോ?
  ഇത് വളരെ കേന്ദ്രീകൃതമാണ് : ഉയർന്ന പവർ ചിപ്പുകൾ ഒരുമിച്ച് പായ്ക്ക് ചെയ്യുന്നത് വലിയ കൂളിംഗ് ലോഡുകൾ സൃഷ്ടിക്കുന്നു. എന്നാൽ ഏറ്റവും മികച്ച കാര്യക്ഷമതാ സാങ്കേതികവിദ്യ ആദ്യം എത്തുന്നത് ഡാറ്റാ സെന്ററുകളിലാണ് [1][4].

• നമ്മൾ എല്ലാം എയർ കൂളിംഗിലേക്ക് മാറ്റിയാലോ?
  ഓൺ-സൈറ്റ് വെള്ളം വെട്ടിക്കുറയ്ക്കാം ഓഫ്-സൈറ്റ് വെള്ളം വർദ്ധിപ്പിക്കാം. സങ്കീർണ്ണമായ ഓപ്പറേറ്റർമാർ രണ്ടും [1][5] തൂക്കിനോക്കുന്നു.

• ഭാവിയിലെ സാങ്കേതികവിദ്യയെക്കുറിച്ച് എന്താണ് പറയാനുള്ളത്?
  വെള്ളം തണുപ്പിക്കുന്നത് ഒഴിവാക്കുന്ന ഡിസൈനുകൾ സ്കോപ്പ് 1-ന് ഒരു ഗെയിം ചേഞ്ചർ ആയിരിക്കും. ചില ഓപ്പറേറ്റർമാർ ഈ വഴിക്ക് നീങ്ങുന്നു; ഗ്രിഡുകൾ മാറുന്നതുവരെ അപ്‌സ്ട്രീം വൈദ്യുതി ഇപ്പോഴും ഒരു ജല സിഗ്നൽ വഹിക്കുന്നു [4].

അന്തിമ കുറിപ്പുകൾ - വളരെ ദൈർഘ്യമേറിയതാണ്, ഞാൻ അത് വായിച്ചില്ല 🌊

• ഓരോ പ്രോംപ്റ്റിനും: മോഡൽ, പ്രോംപ്റ്റ് നീളം, അത് പ്രവർത്തിക്കുന്ന സ്ഥലം എന്നിവയെ ആശ്രയിച്ച് സബ്-മില്ലിലിറ്റർ മുതൽ പത്ത് മില്ലിലിറ്റർ വരെ എന്ന് കരുതുക ഒരു പ്രധാന സ്റ്റാക്കിൽ മീഡിയൻ പ്രോംപ്റ്റ് ~0.26 mL മറ്റൊന്നിൽ 400-ടോക്കൺ മറുപടിക്ക് ~45 mL

• പരിശീലനം: ദശലക്ഷക്കണക്കിന് ലിറ്റർ , ഷെഡ്യൂളിംഗ്, സിറ്റിംഗ്, കൂളിംഗ് സാങ്കേതികവിദ്യ എന്നിവ നിർണായകമാക്കുന്നു [3].

• എന്തുചെയ്യണം: ശരിയായ വലുപ്പത്തിലുള്ള മോഡലുകൾ, ജലാടിസ്ഥാനത്തിലുള്ള പ്രദേശങ്ങൾ തിരഞ്ഞെടുക്കുക, കനത്ത ജോലികൾ തണുത്ത സമയങ്ങളിലേക്ക് മാറ്റുക, വാട്ടർ-ലൈറ്റ് ഡിസൈനുകൾ തെളിയിക്കുന്ന വെണ്ടർമാരെ തിരഞ്ഞെടുക്കുക, സുതാര്യമായ അതിരുകൾ ആവശ്യപ്പെടുക [1][3][4][5].

അവസാനം പറയാൻ അല്പം പിഴവുള്ള ഒരു ഉപമ: AI ഒരു ദാഹിക്കുന്ന ഓർക്കസ്ട്രയാണ് - മെലഡി കമ്പ്യൂട്ട് ആണ്, പക്ഷേ ഡ്രമ്മുകൾ തണുപ്പിക്കുകയും വെള്ളം ഗ്രിഡ് ചെയ്യുകയും ചെയ്യുന്നു. ബാൻഡ് ട്യൂൺ ചെയ്യുക, സ്പ്രിംഗളറുകൾ അണയ്ക്കാതെ തന്നെ പ്രേക്ഷകർക്ക് സംഗീതം കേൾക്കാൻ കഴിയും. 🎻💦

അവലംബം

1. ഗൂഗിൾ ക്ലൗഡ് ബ്ലോഗ് - ഗൂഗിളിന്റെ AI എത്ര ഊർജ്ജം ഉപയോഗിക്കുന്നു? ഞങ്ങൾ കണക്ക് പരിശോധിച്ചു (രീതിശാസ്ത്രം + ~0.26 mL മീഡിയൻ പ്രോംപ്റ്റ്, ഫുൾ സെർവിംഗ് ഓവർഹെഡ്). ലിങ്ക്
   (സാങ്കേതിക പേപ്പർ PDF: ഗൂഗിൾ സ്കെയിലിൽ AI നൽകുന്നതിന്റെ പാരിസ്ഥിതിക ആഘാതം അളക്കൽ .) ലിങ്ക്

2. മിസ്ട്രൽ AI - AI-യുടെ ആഗോള പരിസ്ഥിതി നിലവാരത്തിലേക്കുള്ള ഞങ്ങളുടെ സംഭാവന (ADEME/Carbon 4 ഉള്ള LCA; ~281,000 m³ പരിശീലനം + ആദ്യകാല ഉപയോഗം; 400-ടോക്കൺ മറുപടിയിൽ ~45 mL , മാർജിനൽ ഇൻഫെറേഷൻ). ലിങ്ക്

3. ലി തുടങ്ങിയവർ - AI-യെ "ദാഹം" കുറയ്ക്കുന്നു: AI മോഡലുകളുടെ രഹസ്യ ജല കാൽപ്പാടുകൾ കണ്ടെത്തുകയും അഭിസംബോധന ചെയ്യുകയും ചെയ്യുന്നു ദശലക്ഷക്കണക്കിന് ലിറ്റർ പരിശീലനം , സമയ-സ്ഥല-അവബോധമുള്ള ഷെഡ്യൂളിംഗ്, പിൻവലിക്കൽ vs. ഉപഭോഗം). ലിങ്ക്

4. മൈക്രോസോഫ്റ്റ് - അടുത്ത തലമുറ ഡാറ്റാസെന്ററുകൾ തണുപ്പിക്കുന്നതിനായി പൂജ്യം വെള്ളം ഉപയോഗിക്കുന്നു (ചില സൈറ്റുകളിൽ ജലരഹിത തണുപ്പിക്കൽ ലക്ഷ്യമിടുന്ന ഡയറക്ട്-ടു-ചിപ്പ് ഡിസൈനുകൾ). ലിങ്ക്

5. ഗൂഗിൾ ഡാറ്റാ സെന്ററുകൾ - സുസ്ഥിരമായി പ്രവർത്തിക്കുന്നു (സൈറ്റ്-ബൈ-സൈറ്റ് കൂളിംഗ് ട്രേഡ്-ഓഫുകൾ; റിക്ലെയിമഡ്/ഗ്രേ വാട്ടർ ഉൾപ്പെടെ റിപ്പോർട്ടിംഗും പുനരുപയോഗവും; സാധാരണ ദൈനംദിന സൈറ്റ്-ലെവൽ ഉപയോഗ ഓർഡറുകൾ). ലിങ്ക്

ഔദ്യോഗിക AI അസിസ്റ്റന്റ് സ്റ്റോറിൽ ഏറ്റവും പുതിയ AI കണ്ടെത്തുക

ഞങ്ങളേക്കുറിച്ച്