هزينه پنهان چت‌ جي‌پي‌تي و دوستانش

هر پاسخي كه هوش مصنوعي مي‌نويسد از جايي در «ابر» نيست از تراشه‌هايي مي‌آيد كه در مراكز داده كار مي‌كنند، از شبكه برقي كه آن مراكز را تغذيه مي‌كند، از سامانه‌هاي خنك‌كننده‌اي كه گرماي سرورها را دفع مي‌كنند و از زنجيره تاميني كه از كارخانه‌هاي تراشه‌سازي تايوان تا نيروگاه‌ها و شبكه‌هاي انتقال برق امتداد دارد. هوش مصنوعي در ظاهر، يك فناوري نرم‌افزاري است. اما هرچه مدل‌ها بزرگ‌تر، كاربران بيشتر و عامل‌هاي هوشمند فعال‌تر مي‌شوند، واقعيت فيزيكي آن آشكارتر مي‌شود. پرسش اصلي ديگر فقط اين نيست كه مدل‌ها چقدر باهوش شده‌اند. پرسش اين است كه اين هوش چقدر برق، آب، سرمايه و زيرساخت مصرف مي‌كند؛ و آيا  ارزش  اقتصادي   و اجتماعي آن با  اين هزينه‌ها متناسب است؟

    هزينه فيزيكي يك انقلاب  ديجيتال

گزارش AI Index 2026 دانشگاه استنفورد تصويري روشن از افزايش سريع مصرف زيرساختي هوش مصنوعي ارائه مي‌دهد. طبق اين گزارش، ظرفيت برق مراكز داده مرتبط با AI تا پايان سال ۲۰۲۵ به حدود ۲۹.۶ گيگاوات رسيده است؛ عددي كه با اوج مصرف برق ايالت نيويورك مقايسه شده است. اين فقط ظرفيت تراشه‌ها نيست. بخش بزرگي از مصرف به سامانه‌هاي خنك‌كننده، شبكه، تجهيزات ذخيره‌سازي، منبع تغذيه و زيرساخت‌هاي جانبي مربوط مي‌شود. رشد ظرفيت برق مراكز داده مرتبط با هوش مصنوعي نشان مي‌دهد كه مصرف انرژي اين زيرساخت‌ها به سرعت در حال افزايش است و در پايان ۲۰۲۵ به حدود ۲۹.۶ گيگاوات رسيده؛ رقمي كه بيانگر تبديل هوش مصنوعي از يك فناوري نرم‌افزاري به يك مصرف‌كننده بزرگ زيرساختي است. رشد مصرف انرژي AI از دو مسير همزمان مي‌آيد. مسير اول آموزش مدل‌هاي بزرگ است؛ فرآيندي كه در آن مدل‌ها با حجم عظيمي از داده و محاسبات تنظيم مي‌شوند. مسير دوم استنتاج يا inference است؛ يعني همان زماني كه كاربر از مدل سوال مي‌پرسد و سيستم پاسخ توليد مي‌كند. در سال‌هاي نخست، توجه عمومي بيشتر به آموزش مدل‌ها بود، اما با افزايش تعداد كاربران، استنتاج به بخش مهم‌تري از ردپاي انرژي AI تبديل شده است. يك مدل ممكن است فقط يك بار آموزش ببيند، اما روزانه ميليون‌ها يا ميلياردها بار براي پاسخگويي به كاربران اجرا شود. در گزارش استنفورد، برآورد انتشار كربن آموزش برخي مدل‌ها نيز نشان‌دهنده جهش مقياس است. آموزش AlexNet در سال ۲۰۱۲ حدود ۰.۰۱ تن معادل دي‌اكسيدكربن توليد كرده بود. در مقابل، برآورد انتشار كربن آموزش Grok 4 در سال ۲۰۲۵ به بيش از ۷۲ هزار تن معادل دي‌اكسيدكربن رسيده است. اين مقايسه كامل و بي‌نقص نيست، چون روش آموزش، سخت‌افزار، منبع برق و اندازه مدل‌ها تفاوت زيادي دارد، اما مقياس تغيير را نشان مي‌دهد: AI امروز ديگر يك آزمايش دانشگاهي كم‌مصرف نيست. مصرف انرژي مدل‌هاي هوش مصنوعي براي پاسخ به يك پرامپت متوسط تفاوت چشمگيري دارد و از حدود ۵ تا بيش از ۲۳ وات‌ساعت متغير است، كه نشان مي‌دهد كارايي انرژي بين مدل‌هاي هم‌نسل الزاما با توانايي مدل هم‌راستا نيست.

    مراكز داده؛ كارخانه‌هاي جديد عصر AI

در دوره اينترنت، مراكز داده ستون فقرات اقتصاد ديجيتال بودند، اما اغلب از ديد كاربران پنهان مي‌ماندند. در عصر هوش مصنوعي، اين مراكز از زيرساخت پنهان به دارايي استراتژيك تبديل شده‌اند. گزارش استنفورد نشان مي‌دهد ايالات متحده با بيش از ۵۴۰۰ مركز داده با اختلاف زياد ميزبان بيشترين تعداد مراكز داده جهان است، اين تمركز جغرافيايي اهميت سياسي و اقتصادي دارد. كشوري كه زيرساخت رايانشي بيشتري دارد، ظرفيت بيشتري براي آموزش، اجراي مدل‌ها و ميزباني خدمات AI خواهد داشت. اما اين زيرساخت به‌شدت به زنجيره تامين جهاني وابسته است. تقريبا همه تراشه‌هاي پيشرفته AI توسط تعداد محدودي از شركت‌ها طراحي مي‌شوند و بخش مهمي از ساخت آنها به يك نقطه حساس يعني شركت TSMCدر تايوان وابسته است. به همين دليل، ردپاي فيزيكي AI فقط در مراكز داده امريكا يا اروپا خلاصه نمي‌شود؛ از معادن مواد خام و كارخانه‌هاي نيمه‌رسانا تا نيروگاه‌ها و سامانه‌هاي خنك‌كننده امتداد دارد. اين واقعيت، نگاه ما به هوش مصنوعي را تغيير مي‌دهد. AI فقط رقابت بر سر مدل بهتر نيست. رقابت بر سر برق ارزان، زمين مناسب، شبكه پايدار، تراشه پيشرفته، آب كافي و دسترسي به سرمايه نيز هست.

    آب؛ بخش كمتر ديده‌  شده

گزارش استنفورد برآورد مي‌كند كه مصرف سالانه آب براي استنتاج GPT-4o مي‌تواند در بازه‌اي بين حدود ۱.۳ تا ۱.۶ ميليون كيلو‌ليتر باشد. عددي كه در بيشترين برآورد، از نياز سالانه آب آشاميدني ۱.۲ ميليون نفر بيشتر است. مصرف آب به عوامل زيادي بستگي دارد و محاسبه دقيق آن ساده نيست. اما اهميت عدد در اين است كه نشان مي‌دهد مصرف آب AI در مقياس جهاني ديگر قابل ناديده گرفتن نيست. مساله زماني حساس‌تر مي‌شود كه مراكز داده در مناطق خشك يا تحت تنش آبي ساخته شوند. در چنين مناطقي، رقابت بر سر آب فقط ميان شركت‌هاي فناوري نيست؛ ميان كشاورزي، شهرها، صنعت و محيط‌زيست نيز هست. اگر يك مركز داده در منطقه‌اي پرآب ساخته شود، اثر آن با ساخت همان مركز در منطقه‌اي خشك يكسان نيست. تاريخ فناوري نشان مي‌دهد افزايش بهره‌وري هميشه به كاهش مصرف كل منجر نمي‌شود. گاهي ارزان‌تر و كارآمدتر شدن يك فناوري باعث استفاده بيشتر از آن مي‌شود پديده‌اي كه در اقتصاد انرژي با عنوان اثر بازگشتي شناخته مي‌شود. در AI نيز احتمال مشابهي وجود دارد. اگر هر پاسخ ارزان‌تر شود، ممكن است تعداد پاسخ‌ها چند برابر شود. صرف آب مرتبط با استنتاج GPT-4o در مقايسه با معيارهاي واقعي نشان مي‌دهد كه يك سال استفاده يا پردازش در مقياس جمعيتي مي‌تواند به اندازه مصرف آب ميليون‌ها نفر باشد، كه ابعاد فيزيكي و زيرساختي پنهان هوش مصنوعي را به‌وضوح برجسته مي‌كند.

    آيا اين هزينه‌ها ارزش دارد؟

براي قضاوت درباره مصرف انرژي و آب AI، فقط نگاه كردن به هزينه‌ها كافي نيست. هر فناوري بزرگ، هزينه زيرساختي دارد. برق، خودرو، اينترنت، كارخانه‌هاي صنعتي و شبكه‌هاي مخابراتي همگي منابع عظيمي مصرف كرده‌اند. پرسش درست اين است كه منافع اقتصادي و اجتماعي حاصل از اين مصرف چيست و چگونه توزيع مي‌شود. گزارش AI Index 2026 يك عدد قابل توجه در اين زمينه ارائه مي‌دهد: ارزش سالانه ابزارهاي هوش مصنوعي مولد براي مصرف‌كنندگان امريكايي تا اوايل ۲۰۲۶ حدود ۱۷۲ ميليارد دلار برآورد شده است. اين عدد بر پايه پرداخت مستقيم كاربران به شركت‌ها محاسبه نشده، بلكه به ارزش ادراكي و منفعتي اشاره دارد كه كاربران از استفاده از اين ابزارها دريافت مي‌كنند. به بيان ساده، بسياري از كاربران براي ابزارهايي كه اغلب رايگان يا كم‌هزينه در اختيارشان قرار گرفته‌اند، ارزش بسيار بالايي قائلند. اين همان نقطه‌اي است كه بحث AI از محيط‌زيست به اقتصاد كلان مي‌رسد. McKinsey برآورد كرده است هوش مصنوعي مولد مي‌تواند سالانه بين ۲.۶ تا ۴.۴ تريليون دلار ارزش اقتصادي بالقوه ايجاد كند. Goldman Sachs نيز در يكي از برآوردهاي شناخته‌شده خود گفته است AI مولد مي‌تواند در بلندمدت توليد ناخالص داخلي جهان را حدود ۷ درصد افزايش بدهد. PwC در گزارش‌هاي بازار كار خود نشان مي‌دهد صنايع و شركت‌هايي كه بيشتر در معرض استفاده از AI هستند، در برخي شاخص‌ها رشد بهره‌وري و درآمد به ازاي هر كارمند بالاتري داشته‌اند. IMF نيز AI را يك تغيير ساختاري در اقتصاد جهاني توصيف مي‌كند كه مي‌تواند رشد و بهره‌وري را افزايش دهد، اما هم‌زمان خطر تشديد نابرابري و جابه‌جايي شغلي را نيز به همراه دارد.

    مساله اصلي شفافيت است

براي پاسخ به اين سوال كه آيا منافع AI از هزينه‌هاي آن بيشتر است، به داده‌هاي دقيق نياز داريم. اما يكي از مشكلات مهم اين است كه اطلاعات مربوط به مصرف انرژي و آب مدل‌ها هنوز شفاف و استاندارد نيست. شركت‌ها معمولا همه جزييات مربوط به آموزش مدل، نوع سخت‌افزار، مكان مراكز داده، منبع برق، مصرف آب و ميزان استفاده واقعي را منتشر نمي‌كنند. حتي وقتي عددي منتشر مي‌شود، مقايسه ميان شركت‌ها دشوار است، چون روش محاسبه يكسان نيست. اين كمبود شفافيت باعث مي‌شود بحث عمومي ميان دو قطب نادرست گرفتار شود. از يك سو، روايت‌هايي شكل مي‌گيرد كه هر پرسش از چت‌بات را معادل مصرف عظيم آب يا برق معرفي مي‌كنند؛ روايت‌هايي كه اغلب ساده‌سازي‌شده‌اند. از سوي ديگر، شركت‌ها گاهي هزينه زيرساختي AI را كمرنگ نشان مي‌دهند و بيشتر درباره كارايي و انرژي پاك سخن مي‌گويند. واقعيت ميان اين دو قرار دارد. هر پرسش ساده الزاما فاجعه زيست‌محيطي نيست، اما ميلياردها پرسش، ميليون‌ها كاربر، عامل‌هاي خودكار، مدل‌هاي بزرگ‌تر و رقابت جهاني براي زيرساخت AI مي‌تواند به فشار واقعي بر شبكه برق، منابع آب و زنجيره تأمين منجر شود. به همين دليل، آينده AI فقط به مدل‌هاي بهتر نياز ندارد؛ به حسابداري انرژي بهتر نيز نياز دارد. كاربران، دولت‌ها و سرمايه‌گذاران بايد بدانند مدل‌ها چقدر مصرف مي‌كنند، مصرف آنها در كجا رخ مي‌دهد، برق آنها از چه منبعي مي‌آيد، چه ميزان آب مصرف مي‌كنند و در برابر اين هزينه، چه ارزش اقتصادي يا  اجتماعي ايجاد مي‌شود. 

    ابرهوش روي زمين ساخته مي‌شود

جذابيت هوش مصنوعي در اين است كه تجربه‌اي جادويي ايجاد مي‌كند. كاربر مي‌پرسد و سيستم پاسخ مي‌دهد. اما اين جادو روي زمين ساخته مي‌شود، نه در آسمان. پشت هر پاسخ، كارخانه‌هاي تراشه، مراكز داده، مهندسان برق، سامانه‌هاي خنك‌كننده، قراردادهاي انرژي، سرمايه‌گذاري‌هاي ميلياردي و منابع طبيعي قرار دارند. اين واقعيت نه به معناي توقف AI است و نه به معناي پذيرش بي‌قيدوشرط آن. معنايش اين است كه بحث درباره آينده هوش مصنوعي بايد از صفحه نمايش فراتر برود. اگر AI قرار است در آموزش، پزشكي، علم، صنعت و زندگي روزمره نقش بنيادي پيدا كند، بايد درباره زيرساخت آن نيز همآنقدر جدي حرف زد كه درباره توانايي‌هايش حرف مي‌زنيم. شايد مهم‌ترين پرسش اين نباشد كه هر پاسخ ChatGPT دقيقا چند وات‌ساعت انرژي مصرف مي‌كند. پرسش بزرگ‌تر اين است كه جهان براي چه نوع هوش مصنوعي حاضر است برق، آب و سرمايه مصرف كند. اگر AI به ابزاري براي افزايش دانش، كاهش اتلاف، بهبود درمان، آموزش بهتر و بهره‌وري واقعي تبديل شود، هزينه زيرساختي آن مي‌تواند بخشي از سرمايه‌گذاري تمدني تازه باشد. اما اگر بخش بزرگي از اين ظرفيت صرف توليد محتواي بي‌كيفيت، اتوماسيون سطحي و رقابت بي‌پايان مدل‌هاي بزرگ‌تر شود، ابرهوش آينده ممكن است بيش از آنكه مساله‌اي شناختي باشد، مساله‌اي مصرفي باشد. هوش مصنوعي از ابر نمي‌آيد. روي زمين ساخته مي‌شود. و آينده آن، همآنقدر كه به الگوريتم‌ها بستگي دارد، به برق، آب، تراشه و انتخاب‌هاي اقتصادي ما وابسته است.