رشد هوش مصنوعی رقابت بر سر برق، آب و تراشه را تشدید کرده است

یک پاسخ چت‌جی‌پی‌تی از «ابر» به معنای واقعی کلمه پایین نمی‌آید. جایی روی زمین، تراشه‌هایی مشغول محاسبه‌اند، شبکه برق آن‌ها را تغذیه می‌کند، سامانه خنک‌کننده گرما را بیرون می‌کشد و زنجیره‌ای از کارخانه‌ها، نیروگاه‌ها و خطوط انتقال پشت تجربه چندثانیه‌ای کاربر ایستاده است. گزارش AI Index 2026 استنفورد می‌گوید ظرفیت برق مراکز داده مرتبط با AI تا پایان سال ۲۰۲۵ به حدود ۲۹.۶ گیگاوات رسیده است؛ مقیاسی که نشان می‌دهد هوش مصنوعی دیگر فقط یک نرم‌افزار جذاب نیست، بلکه به یکی از مصرف‌کنندگان جدی زیرساخت فیزیکی تبدیل شده است.

این مصرف از دو مسیر می‌آید. اول آموزش مدل‌هاست؛ همان مرحله سنگینی که حجم عظیمی از داده و محاسبات برای ساخت مدل استفاده می‌شود. مسیر دوم استنتاج یا Inference است؛ یعنی هر بار که کاربر سؤالی می‌پرسد و مدل اجرا می‌شود. در سال‌های اولیه بیشتر نگرانی‌ها روی آموزش بود، اما وقتی میلیون‌ها یا میلیاردها درخواست روزانه وارد سیستم می‌شود، اجرای مداوم مدل اهمیت بیشتری پیدا می‌کند. مقیاس تغییر را می‌توان در انتشار کربن دید: مقاله با استناد به گزارش استنفورد می‌گوید آموزش AlexNet در سال ۲۰۱۲ حدود ۰.۰۱ تن معادل دی‌اکسیدکربن تولید کرده بود، در حالی که برآورد آموزش Grok 4 در سال ۲۰۲۵ از ۷۲ هزار تن فراتر رفته است. مقایسه کامل نیست، اما تفاوت میان یک آزمایش دانشگاهی و صنعتی جهانی را به‌خوبی نشان می‌دهد.

همین رشد، مراکز داده را از انبارهای پنهان اینترنت به دارایی‌های استراتژیک تبدیل کرده است. آمریکا با بیش از ۵۴۰۰ مرکز داده در صدر جهان قرار دارد و این تمرکز یعنی کشوری که برق، زمین، شبکه و ظرفیت رایانشی بیشتری دارد، شانس بیشتری برای میزبانی و اجرای مدل‌های بزرگ خواهد داشت. با این حال حتی آمریکا هم به زنجیره تأمین جهانی وابسته است؛ بخش مهمی از ساخت تراشه‌های پیشرفته AI به TSMC در تایوان متکی است. بنابراین رقابت هوش مصنوعی فقط مسابقه مدل‌ها نیست؛ رقابت بر سر برق ارزان، تراشه، زمین، سرمایه و حتی امنیت زنجیره تأمین است.

آب، بخش کمتر دیده‌شده این داستان است. گزارش استنفورد برآورد می‌کند مصرف سالانه آب مرتبط با استنتاج GPT-4o می‌تواند در سناریوهای مختلف تا حدود ۱.۶ میلیون کیلو‌لیتر برسد. عدد دقیق به محل مرکز داده، فناوری خنک‌کننده، منبع برق و میزان استفاده وابسته است، اما پیام روشن است: در مقیاس بزرگ، آب دیگر متغیری حاشیه‌ای نیست. اگر مرکز داده در منطقه‌ای خشک ساخته شود، مسئله فقط قبض شرکت فناوری نیست؛ کشاورزی، شهرها و محیط‌زیست هم برای همان منبع رقابت می‌کنند. از طرف دیگر، افزایش بهره‌وری الزاماً مصرف کل را کاهش نمی‌دهد. اگر هر پاسخ ارزان‌تر و کم‌مصرف‌تر شود اما استفاده چند برابر رشد کند، «اثر بازگشتی» می‌تواند بخش بزرگی از صرفه‌جویی را خنثی کند.

اما فقط دیدن هزینه‌ها هم تصویر کاملی نمی‌دهد. گزارش AI Index ارزش سالانه ابزارهای هوش مصنوعی مولد برای مصرف‌کنندگان آمریکایی را تا اوایل سال ۲۰۲۶ حدود ۱۷۲ میلیارد دلار برآورد کرده است. مک‌کینزی نیز ارزش اقتصادی بالقوه سالانه AI مولد را تا ۴.۴ تریلیون دلار تخمین زده و گلدمن ساکس از امکان افزایش حدود ۷ درصدی تولید ناخالص داخلی جهان در بلندمدت گفته است. یعنی همان زیرساختی که برق و آب می‌بلعد، می‌تواند در طرف دیگر بهره‌وری، دانش، درمان، آموزش و ارزش اقتصادی تولید کند. بحث منطقی بنابراین «AI خوب است یا بد؟» نیست؛ سؤال این است که هر واحد مصرف منابع دقیقاً چه ارزشی می‌سازد و آن ارزش به چه کسانی می‌رسد.

مشکل اینجاست که هنوز برای پاسخ دقیق به همین سؤال داده کافی نداریم. شرکت‌ها معمولاً جزئیات کامل نوع سخت‌افزار، منبع برق، محل مراکز داده، مصرف آب و الگوی واقعی استفاده را منتشر نمی‌کنند و روش اندازه‌گیری هم استاندارد نیست. در نتیجه بحث عمومی میان دو افراط گیر می‌کند: یک طرف هر پرسش ساده را فاجعه زیست‌محیطی معرفی می‌کند و طرف دیگر هزینه زیرساختی را تقریباً نامرئی نشان می‌دهد. واقعیت احتمالاً جایی میان این دو است. یک درخواست ساده لزوماً بحران نمی‌سازد، اما میلیاردها درخواست، عامل‌های خودکار و مدل‌های بزرگ‌تر می‌توانند فشار واقعی ایجاد کنند. آینده AI فقط به مدل بهتر نیاز ندارد؛ به حسابداری دقیق‌تر برق، آب و کربن هم نیاز دارد. چون ابرهوش، هرچقدر هم مجازی به نظر برسد، در نهایت روی زمین و با منابع واقعی ساخته می‌شود.