Որքա՞ն ջուր է օգտագործում արհեստական բանականությունը։

Վստահ եմ՝ լսել եք ամեն ինչ՝ սկսած «Արհեստական բանականությունը մի քանի հարցից հետո մի շիշ ջուր է խմում» մինչև «դա, ըստ էության, մի քանի կաթիլ է» արտահայտությունը։ Իրականությունն ավելի նրբերանգային է։ Արհեստական բանականության ջրային հետքը լայնորեն տատանվում է՝ կախված նրանից, թե որտեղ է այն աշխատում, որքան ժամանակ է պահանջվում ձեր հարցումը ստանալու համար և ինչպես է տվյալների կենտրոնը սառեցնում իր սերվերները։ Այո, վերնագրի համարը գոյություն ունի, բայց այն գտնվում է մի շարք նախազգուշացումների ներքո։

Ստորև ես բացատրում եմ հստակ, որոշում կայացնելու պատրաստ թվեր, բացատրում եմ, թե ինչու են գնահատականները անհամապատասխան, և ցույց եմ տալիս, թե ինչպես կարող են շինարարներն ու առօրյա օգտագործողները կրճատել ջրի քանակը՝ առանց կայուն զարգացման վանականների վերածվելու։

Հոդվածներ, որոնք կարող են ձեզ դուր գալ կարդալ սրանից հետո

🔗 Ի՞նչ է արհեստական բանականության տվյալների հավաքածուն
Բացատրում է, թե ինչպես են տվյալների հավաքածուները հնարավորություն տալիս մեքենայական ուսուցման ուսուցման և մոդելների մշակման համար։

🔗 Ինչպես է արհեստական բանականությունը կանխատեսում միտումները
Ցույց է տալիս, թե ինչպես է արհեստական բանականությունը վերլուծում օրինաչափությունները՝ փոփոխությունները և ապագա արդյունքները կանխատեսելու համար։

🔗 Ինչպես չափել արհեստական բանականության արդյունավետությունը
Բաշխում է ճշգրտությունը, արագությունը և հուսալիությունը գնահատելու համար անհրաժեշտ չափանիշները։

🔗 Ինչպես խոսել արհեստական բանականության հետ
Ուղղորդում է արդյունավետ հուշող ռազմավարություններ՝ պարզությունը, արդյունքները և հետևողականությունը բարելավելու համար։

Որքա՞ն ջուր է օգտագործում արհեստական բանականությունը։ Հակիրճ թվեր, որոնք իրականում կարող եք օգտագործել 📏

Յուրաքանչյուր հուշման համար , այսօրվա բնորոշ միջակայքը՝ մեկ հիմնական համակարգում միջին տեքստային հուշման համար ենթամիլիլիտրից մինչև տասնյակ միլիլիտր՝ մեկ այլ համակարգում ավելի երկար, ավելի բարձր հաշվարկային պատասխանի համար: Օրինակ, Google-ի արտադրության հաշվառումը հաղորդում է միջին տեքստային հուշման մասին՝ ~0.26 մլ (ներառյալ ամբողջական սպասարկման վերադիր ծախսերը) [1]: Mistral-ի կյանքի ցիկլի գնահատումը 400 տոկեն օգնականի պատասխանը սահմանում է ~45 մլ (սահմանային եզրակացություն) [2]: Համատեքստը և մոդելը մեծ նշանակություն ունեն:
Սահմանային մասշտաբի մոդելի պատրաստումը. կարող է ծախսել միլիոնավոր լիտրեր , հիմնականում սառեցման և էլեկտրաէներգիայի արտադրության մեջ օգտագործվող ջրից: Լայնորեն մեջբերվող ակադեմիական վերլուծությունը գնահատել է GPT դասի մոդելի պատրաստման համար մոտ 5.4 միլիոն լիտր , այդ թվում՝ տեղում սառեցման համար սպառված մոտ 700,000 լիտր , և պնդում է ջրի ինտենսիվությունը նվազեցնելու համար խելացի ժամանակացույցի անհրաժեշտությունը [3]:
Տվյալների կենտրոնները ընդհանուր առմամբ. խոշոր կենտրոնները օրական ծախսում են հարյուր հազարավոր գալոններ , իսկ որոշ համալիրներում՝ ավելի բարձր գագաթնակետային ծավալներ՝ կախված կլիմայից և դիզայնից [5]:

Եկեք անկեղծ լինենք. այդ թվերը սկզբում անհամապատասխան են թվում։ Այո՛, և կան լավ պատճառներ։

Արհեստական ինտելեկտի ջրի օգտագործման չափանիշներ ✅

«Որքա՞ն ջուր է օգտագործում արհեստական բանականությունը» հարցի լավ պատասխանը պետք է մի քանի վանդակ նշի.

Սահմանների հստակություն. Արդյո՞ք այն ներառում է միայն տեղում գտնվող սառեցման ջուրը, թե՞ նաև էլեկտրակայանների կողմից էլեկտրաէներգիա արտադրելու համար օգտագործվող տեղից դուրս ջուրը : Լավագույն փորձը տարբերակում է ջրառը և ջրի սպառումը և ընդգրկում է 1-2-3 շրջանակները, նման ածխածնի հաշվառմանը [3]:
Տեղանքի զգայունություն։
Մեկ կՎտժ-ի հաշվով ջուրը տարբերվում է ըստ տարածաշրջանի և ցանցի, ուստի նույն հուշումը կարող է տարբեր ազդեցություն ունենալ ջրի վրա՝ կախված նրանից, թե որտեղ է այն մատուցվում. սա հիմնական պատճառն է, որ գրականությունը խորհուրդ է տալիս ժամանակի և վայրի հաշվի առնող ժամանակացույց կազմել [3]:
Աշխատանքային բեռի ռեալիզմ։
Արդյո՞ք թիվը արտացոլում է միջին արտադրության ցուցանիշները, ներառյալ անգործուն հզորությունը և տվյալների կենտրոնի ծանրաբեռնվածությունը, թե՞ միայն արագացուցիչը գագաթնակետին։ Google-ը եզրակացության համար շեշտը դնում է ամբողջ համակարգի հաշվառման վրա (անգործունություն, CPU/DRAM և տվյալների կենտրոնի ծանրաբեռնվածություն), այլ ոչ թե միայն TPU մաթեմատիկայի վրա [1]:
Սառեցման տեխնոլոգիա։ Գոլորշիացնող սառեցումը, փակ ցիկլով հեղուկային սառեցումը, օդային սառեցումը և ի հայտ եկող ուղիղ չիպային մոտեցումները կտրուկ փոխում են ջրի ինտենսիվությունը։ Microsoft-ը ներկայացնում է նոր սերնդի որոշակի կայաններում սառեցման ջրի օգտագործումը վերացնելու համար նախատեսված նախագծեր [4]:
Օրվա ժամանակը և եղանակը
Ջերմությունը, խոնավությունը և ցանցի պայմանները փոխում են ջրի օգտագործման արդյունավետությունը իրական կյանքում. մեկ ազդեցիկ ուսումնասիրություն առաջարկում է հիմնական աշխատանքները պլանավորել այն ժամանակ և այնտեղ, երբ ջրի ինտենսիվությունը ցածր է [3]:

Ջրի դուրսբերումն ընդդեմ ջրի սպառման, բացատրված է 💡

վերցվում է գետերից, լճերից կամ ջրատար հորիզոններից (մի մասը վերադարձվում է):
Սպառում = ջուր, որը չի վերադարձվում, քանի որ այն գոլորշիանում է կամ ներառվում է գործընթացների/արտադրանքի մեջ։

Սառեցման աշտարակները հիմնականում են սպառում գոլորշիացման միջոցով: Էլեկտրաէներգիայի արտադրությունը կարող է օգտագործել (երբեմն՝ սպառելով դրա մի մասը), կախված կայանից և սառեցման մեթոդից: Արհեստական բանականության ջրի հավաստի թիվը նշում է այն, ինչը այն հաղորդում է [3]:

Ուր է ջուրը գնում արհեստական ինտելեկտի մեջ. երեք դույլերը 🪣

Շրջանակ 1 - տեղում սառեցում։
Տեսանելի մասը՝ ջուրը գոլորշիանում է հենց տվյալների կենտրոնում։ Նախագծման ընտրությունները, ինչպիսիք են գոլորշիացումը օդի կամ փակ ցիկլի հեղուկի համեմատ, սահմանում են հիմքը [5]:
2-րդ ոլորտ՝ էլեկտրաէներգիայի արտադրություն։
Յուրաքանչյուր կՎտժ կարող է պարունակել թաքնված ջրի պիտակ։ Խառնուրդը և տեղանքը որոշում են, թե ձեր աշխատանքային բեռը ինչ լիտր/կՎտժ ազդանշան է ժառանգում [3]:
Շրջանակ 3 - մատակարարման շղթա
Չիպերի արտադրությունը հիմնված է գերմաքուր ջրի վրա: Դուք այն չեք տեսնի «յուրաքանչյուր հուշման» չափանիշում, եթե սահմանը հստակորեն չի ներառում մարմնավորված ազդեցությունները (օրինակ՝ ամբողջական LCA) [2][3]:

Մատակարարներ թվերով՝ նրբերանգներով 🧮

Google Gemini-ն հուշում է
Full-stack մատուցման մեթոդ (ներառյալ անգործունեության և օբյեկտի վերադիր ծախսերը): Միջին տեքստը հուշում է ~0.26 մլ ջուր՝ ~0.24 Վտժ էներգիայով. թվերը արտացոլում են արտադրական երթևեկությունը և համապարփակ սահմանները [1]:
Mistral Large 2-ի կյանքի ցիկլը։ Հազվագյուտ անկախ LCA-ն (ADEME/Carbone 4-ով) բացահայտում է մոտ 281,000 մ³ ՝ ուսուցման + վաղ օգտագործման համար, և մոտ 45 մլ՝ 400 տոկենանոց օգնականի պատասխանի համար [2]:
Microsoft-ի զրոյական ջրով սառեցման հավակնությունը։
Հաջորդ սերնդի տվյալների կենտրոնները նախագծված են զրոյական ջուր սառեցման համար՝ հենվելով ուղղակիորեն չիպին միանալու մոտեցումների վրա. վարչական նպատակներով դեռևս որոշակի քանակությամբ ջուր է պահանջվում [4]:
Ընդհանուր տվյալների կենտրոնի մասշտաբ։ Հիմնական օպերատորները հրապարակայնորեն հայտնում են առանձին վայրերում օրական միջինում հարյուր հազարավոր գալոնների սպառման մասին . կլիման և նախագծումը թվերը բարձրացնում կամ իջեցնում են [5]:
Ակադեմիական նախնական մակարդակը։ «Ծարավ արհեստական բանականության» հիմնարար վերլուծությունը գնահատել է GPT դասի մոդելների մարզման համար անհրաժեշտ միլիոնավոր լիտրեր , և որ 10-50 միջին չափի պատասխանները կարող են մոտավորապես հավասար լինել 500 մլ շշի՝ մեծապես կախված նրանից, թե երբ/որտեղ են դրանք օգտագործվում [3]:

Ինչո՞ւ են գնահատականները այդքան հակասական 🤷

Տարբեր սահմաններ
Որոշ թվեր հաշվի են առնում միայն տեղում սառեցումը, մյուսները՝ էլեկտրաէներգիայի և ջրի, իսկ տեղական ինքնակառավարման մարմինները կարող են ավելացնել չիպերի արտադրությունը: Խնձոր, նարինջ և մրգային աղցան [2][3]:
Տարբեր աշխատանքային բեռներ
Կարճ տեքստային հուշումը երկար մուլտիմոդալ/կոդային աշխատանք չէ. խմբաքանակային, զուգահեռական և լատենտության թիրախները փոխում են օգտագործումը [1][2]:
Տարբեր կլիմայական պայմաններ և ցանցեր։
Գոլորշիացնող սառեցում տաք, չորային շրջանում ≠ օդային/հեղուկային սառեցում զով, խոնավ շրջանում։ Ցանցային ջրի ինտենսիվությունը լայնորեն տարբերվում է [3]:
Վաճառողի մեթոդաբանություններ
Google-ը հրապարակեց համակարգային սպասարկման մեթոդ, Mistral-ը հրապարակեց պաշտոնական LCA: Մյուսները առաջարկում են միավորային գնահատականներ՝ օգտագործելով նոսր մեթոդներ: Բարձրակարգ «թեյի գդալի մեկ տասնհինգերորդի» մասին մեկ հուշման համար պահանջը վերնագրերում հայտնվեց, բայց առանց սահմանային մանրամասների այն համեմատելի չէ [1][3]:
Շարժվող թիրախ
։ Սառեցումը արագ զարգանում է։ Microsoft-ը փորձարկում է ջրազուրկ սառեցումը որոշակի վայրերում. դրա ներդրումը կնվազեցնի տեղում ջրի քանակը, նույնիսկ եթե վերին հոսանքի էլեկտրաէներգիան դեռևս ջրի ազդանշան է կրում [4]:

Ինչ կարող եք անել այսօր՝ արհեստական բանականության ջրային հետքը նվազեցնելու համար 🌱

Մոդելի չափսերը ճիշտ են։
Փոքր, առաջադրանքին համապատասխանեցված մոդելները հաճախ համապատասխանում են ճշգրտությանը՝ միաժամանակ ծախսելով ավելի քիչ հաշվողական ծախսեր։ Միստրալի գնահատականը ընդգծում է չափի և հետքի միջև ուժեղ փոխհարաբերությունները և հրապարակում է սահմանային եզրակացության թվեր, որպեսզի դուք կարողանաք դատողություններ անել փոխզիջումների վերաբերյալ [2]:
Ընտրեք ջրային ռեսուրսների օգտագործման առումով խելամիտ շրջաններ։
Նախապատվությունը տվեք ավելի զով կլիմա ունեցող, արդյունավետ սառեցման և ցածր ջրի ինտենսիվությամբ ցանցեր ունեցող շրջաններին մեկ կՎտժ-ի համար։ «ծարավ արհեստական բանականության» աշխատանքը ցույց է տալիս, որ ժամանակի և վայրի գիտակցմամբ ժամանակացույցը օգնում է [3]:
Ժամանակին տեղաշարժեք աշխատանքային բեռները։
Ջրախնայող ժամերի համար (ավելի զով գիշերներ, ցանցի բարենպաստ պայմաններ) պլանավորեք ուսուցումը/ծանր խմբաքանակների եզրակացությունը [3]:
Հարցրեք ձեր մատակարարին թափանցիկ չափանիշների մասին՝
պահանջարկը մեկ հուշման համար ջրի, սահմանների սահմանումների և այն մասին, թե արդյոք թվերը ներառում են պարապուրդի հզորությունը և օբյեկտի վերադիր ծախսերը: Քաղաքականության խմբերը պնդում են պարտադիր բացահայտման վրա՝ հնարավոր դարձնելով համեմատությունները [3]:
Սառեցման տեխնոլոգիան կարևոր է։
Եթե օգտագործում եք սարքավորումներ, գնահատեք փակ ցիկլով/ուղիղ չիպին միացվող սառեցումը։ Եթե աշխատում եք ամպային տեխնոլոգիաների վրա, նախապատվությունը տվեք այն տարածաշրջաններին/մատակարարներին, որոնք ներդրումներ են կատարում ջրային լույսերի նախագծերում [4][5]:
Օգտագործեք մոխրագույն ջուրը և վերօգտագործեք այլընտրանքներ։
Շատ համալսարաններ կարող են փոխարինել ոչ խմելու աղբյուրները կամ վերամշակել ցիկլերի շրջանակներում։ Խոշոր օպերատորները նկարագրում են ջրի աղբյուրների և սառեցման տարբերակների հավասարակշռումը՝ զուտ ազդեցությունը նվազագույնի հասցնելու համար [5]:

Հակիրճ օրինակ՝ իրականություն դարձնելու համար (ոչ թե համընդհանուր կանոն). գիշերային մարզման աշխատանքը ամռան կեսին տաք, չոր շրջանից գարնանը ավելի զով, խոնավ շրջան տեղափոխելը և այն ոչ գագաթնակետային, ավելի զով ժամերին գործարկելը կարող է փոխել ինչպես տեղում ջրի օգտագործումը, այնպես էլ տարածքից դուրս (ցանցից) ջրի ինտենսիվությունը: Ահա թե ինչպիսի գործնական, ցածր դրամատիկ հաղթանակի ժամանակացույց կարող է բացել [3]:

Համեմատական աղյուսակ. արագ ընտրություններ՝ արհեստական բանականության ջրի կորուստը նվազեցնելու համար 🧰

գործիք	լսարան	գին	ինչու է այն աշխատում
Փոքր, առաջադրանքների համար հարմարեցված մոդելներ	ML թիմեր, ապրանքային առաջատարներ	Ցածր-միջին	Մեկ տոկենի համար ավելի քիչ հաշվարկ = ավելի քիչ սառեցում + էլեկտրաէներգիա, ջուր. ապացուցված է LCA ոճի հաշվետվություններում [2]:
Տարածաշրջանի ընտրությունը ըստ ջրի/կՎտժ-ի	Ամպային ճարտարապետներ, գնումներ	Միջին	Անցում դեպի ավելի զով կլիմայական գոտիներ և ցածր ջրի ինտենսիվությամբ ցանցեր, զուգակցեք պահանջարկը հաշվի առնող երթուղիների հետ [3]:
Օրվա ժամային մարզումների պատուհաններ	MLO-ներ, ժամանակացույց կազմողներ	Ցածր	Ավելի զով գիշերները + ցանցի ավելի լավ պայմանները նվազեցնում են արդյունավետ ջրի ինտենսիվությունը [3]:
Ուղղակի չիպ/փակ ցիկլով սառեցում	Տվյալների կենտրոնի գործողություններ	Միջին-բարձր	Հնարավորության դեպքում խուսափում է գոլորշիացնող աշտարակներից՝ տեղում սպառումը կրճատելով [4]:
Հարցման տևողություն և խմբաքանակի վերահսկում	Հավելվածի մշակողներ	Ցածր	Սահմանափակեք փախչող տոկենները, խելացիորեն խմբաքանակավորեք, քեշավորեք արդյունքները. ավելի քիչ միլիվայրկյաններ, ավելի քիչ միլիլիտրեր [1][2]:
Մատակարարների թափանցիկության ստուգաթերթիկ	ՏՏ-ներ, կայուն զարգացման առաջատարներ	Անվճար	Պարտադրում է սահմանների հստակություն (տեղում և դրսում) և «խնձորից խնձոր» հաշվետվություն [3]:
Մոխրագույն ջուր կամ վերականգնված աղբյուրներ	Հարմարություններ, քաղաքապետարաններ	Միջին	Ոչ խմելու ջրի փոխարինումը թեթևացնում է խմելու պաշարների վրա ճնշումը [5]:
Ջերմության վերօգտագործման գործընկերություններ	Օպերատորներ, տեղական խորհուրդներ	Միջին	Ավելի լավ ջերմային արդյունավետությունը անուղղակիորեն կրճատում է սառեցման պահանջարկը և ստեղծում տեղական բարի համբավ [5]:

(«Գինը» դիզայնով փափուկ է՝ տեղակայումները տարբեր են։)

Խորը վերլուծություն. քաղաքականության թմբկահարությունն ավելի ու ավելի բարձր է դառնում 🥁

Ինժեներական մարմինները կոչ են անում պարտադիր կերպով բացահայտել տվյալների կենտրոնի էներգիայի և ջրի տվյալները, որպեսզի գնորդներն ու համայնքները կարողանան գնահատել ծախսերը և օգուտները: Առաջարկությունները ներառում են շրջանակի սահմանումներ, տեղանքի մակարդակի հաշվետվություններ և տեղակայման ուղեցույցներ, քանի որ առանց համեմատելի, տեղորոշման չափանիշների, մենք վիճում ենք անորոշության մեջ [3]:

Խորը վերլուծություն. տվյալների կենտրոնները բոլորը նույն կերպ չեն օգտագործում 🚰

Կա մի տարածված առասպել, որ «օդային սառեցումը ջուր չի օգտագործում»։ Ոչ այնքան։ Օդային ծանր համակարգերը հաճախ ավելի շատ էլեկտրաէներգիա են պահանջում , որը շատ շրջաններում ցանցից թաքնված ջուր է տեղափոխում. ընդհակառակը, ջրային սառեցումը կարող է կրճատել էլեկտրաէներգիան և արտանետումները տեղում ջրի հաշվին։ Խոշոր օպերատորները հստակորեն հավասարակշռում են այս փոխզիջումները տեղանք առ տեղանք [1][5]:

Խորը վերլուծություն. վիրուսային պնդումների վերաբերյալ արագ իրականության ստուգում 🧪

Դուք գուցե տեսած լինեք համարձակ հայտարարություններ, որ մեկ հուշումը հավասար է «ջրի շշի» կամ, մյուս կողմից, «մի քանի կաթիլի»։ Ավելի լավ կեցվածք. համեստություն մաթեմատիկայի հետ։ Այսօրվա հավաստի գրքակալները կազմում են մոտ 0.26 մլ միջին արտադրողականության հուշման համար՝ լրիվ սպասարկման վերադիր ծախսերով [1] և մոտ 45 մլ՝ 400 ժետոնից բաղկացած օգնականի պատասխանի համար (եզրակացություն) [2]։ Շատ տարածված «թեյի գդալի մեկ տասնհինգերորդի» պնդումը չունի հանրային սահման/մեթոդ. վերաբերվեք դրան որպես եղանակի կանխատեսման՝ առանց քաղաքի [1][3]։

Մինի-Հաճախակի տրվող հարցեր. Որքա՞ն ջուր է օգտագործում արհեստական բանականությունը։ Կրկին, պարզ լեզվով 🗣️

Այսպիսով, ի՞նչ պետք է ասեմ հանդիպման ժամանակ։
«Ըստ հուշման՝ այն տատանվում է կաթիլներից մինչև մի քանի կում, կախված մոդելից, երկարությունից և այն վայրից, որտեղ այն անցնում է։ Մարզումները տեղի են ունենում լողավազաններում, այլ ոչ թե ջրափոսերում»։ Այնուհետև մեջբերեք վերևում նշված մեկ կամ երկու օրինակ։
Արհեստական բանականությունը միանշանակ վատն է։
Այն եզակիորեն կենտրոնացված է. միասին կուտակված բարձր հզորության չիպերը ստեղծում են մեծ սառեցման բեռ։ Սակայն տվյալների կենտրոններն են նաև այն վայրերը, որտեղ լավագույն արդյունավետության տեխնոլոգիաները սովորաբար առաջին հերթին հայտնվում են [1][4]:
Ի՞նչ կլինի, եթե մենք պարզապես ամեն ինչ անցնենք օդային սառեցման ռեժիմի։
Դուք կարող եք կրճատել տեղում ջրի մատակարարումը, բայց ավելացնել տարածքից դուրս ջրի մատակարարումը էլեկտրաէներգիայի միջոցով։ Բարդ օպերատորները կշռադատում են երկուսն էլ [1][5]:
Իսկ ապագայի տեխնոլոգիաների մասին ի՞նչ կասեք։ Ջրի սառեցումը մեծ մասշտաբով խուսափող նախագծերը կարող են խաղի կանոնները փոխել Scope 1-ի համար։ Որոշ օպերատորներ շարժվում են այս ուղղությամբ. վերին հոսանքի էլեկտրաէներգիան դեռևս կրում է ջրի ազդանշան մինչև ցանցերի փոփոխությունը [4]:

Վերջնական դիտողություններ - Շատ երկար է, չեմ կարդացել 🌊

Յուրաքանչյուր հուշման համար՝ պատկերացրեք ենթամիլիլիտրից մինչև տասնյակ միլիլիտր, կախված մոդելից, հուշման երկարությունից և տեղից։ Միջին հուշումը ~0.26 մլ է մեկ հիմնական փաթեթի համար, ~45 մլ՝ 400-թոքենանոց պատասխանի համար մեկ այլ փաթեթի համար [1][2]:
Ուսուցում. միլիոնավոր լիտրեր առաջնային մոդելների համար, ինչը կարևոր է դարձնում ժամանակացույցի, տեղակայման և սառեցման տեխնոլոգիայի մշակումը [3]:
Ինչ անել. ճիշտ չափի մոդելներ, ջրային ռեսուրսների օգտագործմանը հարմար տարածաշրջաններ ընտրել, ծանր աշխատանքները տեղափոխել ավելի զով ժամերի, նախապատվությունը տալ ջրային լույսի նախագծեր առաջարկող մատակարարներին և պահանջել թափանցիկ սահմաններ [1][3][4][5]:

Վերջում մի փոքր թերի փոխաբերություն է. արհեստական բանականությունը ծարավ նվագախումբ է. մեղեդին հաշվարկային է, բայց հարվածային գործիքները սառեցնում են և ջուրը ցանցկացնում։ Կարգավորեք նվագախումբը, և հանդիսատեսը դեռ լսում է երաժշտությունը՝ առանց ջրցանների միացման։ 🎻💦

Հղումներ

Google Cloud Blog - Որքա՞ն էներգիա է օգտագործում Google-ի արհեստական բանականությունը: Մենք կատարեցինք հաշվարկներ (մեթոդաբանություն + ~0.26 մլ միջին պահանջ, լրիվ մատուցման ծախս): Հղում
(Տեխնիկական փաստաթուղթ PDF. Google-ի մասշտաբով արհեստական բանականության ներդրման շրջակա միջավայրի վրա ազդեցության չափում): Հղում
Mistral AI - Մեր ներդրումը AI-ի գլոբալ բնապահպանական ստանդարտում (LCA ADEME/Carbone 4-ով; ~281,000 մ³ ուսուցում + վաղ օգտագործում; ~45 մլ յուրաքանչյուր 400-թոքենի պատասխանի համար, սահմանային եզրակացություն): Հղում
Լի և այլք. - Արհեստական բանականության պակաս «ծարավ». Արհեստական բանականության մոդելների գաղտնի ջրային հետքի բացահայտումը և դրա լուծումը ( միլիոնավոր լիտրերի մարզում , ժամանակի և վայրի գիտակցմամբ ժամանակացույց, դուրսբերում ընդդեմ սպառման): Հղում
Microsoft - Հաջորդ սերնդի տվյալների կենտրոնները զրոյական ջուր են սպառում սառեցման համար (որոշակի վայրերում ջրազուրկ սառեցման նպատակով ուղղակիորեն չիպին միացվող նախագծեր): Հղում
Google տվյալների կենտրոններ - Կայուն գործունեություն (տարածք առ տեղ սառեցման փոխզիջումներ, հաշվետվությունների կազմում և վերօգտագործում, ներառյալ վերամշակված/մոխրագույն ջուրը, տեղանքի մակարդակի օրական օգտագործման սովորական կարգեր): Հղում

Գտեք արհեստական բանականության վերջին նորույթները պաշտոնական արհեստական բանականության օգնականների խանութում

Մեր մասին

Վերադառնալ բլոգ

Որքա՞ն ջուր է օգտագործում արհեստական ​​բանականությունը։ Հակիրճ թվեր, որոնք իրականում կարող եք օգտագործել 📏

Արհեստական ​​​​ինտելեկտի ջրի օգտագործման չափանիշներ ✅