هزینه‌های زیست‌محیطی هوش مصنوعی بیش از حد بزرگنمایی شده است!

در روزگار چیرگی رسانه‌های اجتماعی ، گسترش اوهام و ترویج کژفهمی‌ها به سادگی میسر شده است؛ گویی استدلال‌های سست و کم‌بنیه، چونان بیماری‌های فصلی، در چرخه‌ای تناوبی شیوع می‌یابند. در برهه‌ی کنونی، انگاره‌ای رایج شده که هوش مصنوعی (Artificial Intelligence) را به شکلی یگانه و منحصر به فرد، متهم به آسیب رساندن به محیط زیست می‌داند، و اتهامات پرشمار درباره‌ی هزینه‌های زیست‌محیطی هوش مصنوعی، از اذهان عمومی تا محافل آکادمیک، در حال فوران و گسترش است.

لیکن، در این مجال، ما در پی آنیم که نقدی تحلیلی بر این مدعیات وارد سازیم؛ چرا که این ادعاها، میزان تأثیرات نامطلوب هوش مصنوعی را به شدت اغراق‌آمیز جلوه می‌دهند. هدف این متن، صرفاً ارائه آماری خشک نیست، بلکه نشان دادن این نکته‌ی بنیادین است که چگونه این دیدگاه‌ها، از درک بنیادین اقتصاد حاکم بر نسبت ما با جهان طبیعی، درکی نارسا دارند. ما سه مورد از رایج‌ترین استدلال‌ها را موشکافی خواهیم کرد تا پرده از حقیقتِ نسبت‌مندِ مصرف انرژی، مسئله‌ی کمیابی منابع و چارچوب‌های فکری حاکم بر دغدغه‌های زیست‌محیطی برداشته شود. آیا این نگرانی‌ها شایسته‌ی توجه‌اند یا صرفاً انعکاس جهل اقتصادی ما هستند؟ با هامیا ژورنال همراه شوید تا حقیقت ارقام و منطق بازار را در این ستیز مهم فکری، در ترازو نهیم.

استدلال نخست: سهم منابع و توهم اِسراف در هوش مصنوعی

محور اصلی نگرانی‌ها پیرامون هوش مصنوعی، معطوف به مصرف منابع آن است؛ به ویژه انرژی الکتریکی و آب. منتقدان بر این باورند که این میزان مصرف، فراتر از حد لازم، مخاطره‌آمیز و غیرضروری است. واقعیت آن است که آموزش و عملیاتی‌سازی مدل‌های زبان بزرگ (LLMs) نظیر چت‌جی‌پی‌تی (ChatGPT)، کلاد (Claude) و جِمینای (Gemini) در مقیاس وسیع، ناگزیر از وجود مراکز داده‌ی عظیم است. این مراکز، برای استمرار کارکرد خود، به منابع حیاتی برق و آب وابسته‌اند. از آنجایی که دامنه کاربرد هوش مصنوعی به طور پیوسته در حال گسترش است، پیش‌بینی می‌شود که مصرف این منابع در سال‌های آتی روند صعودی داشته باشد. از این منظر، دست‌کم، شائبه‌ی یک اسراف زیست‌محیطی جدی، مستلزم تأمل و نگرانی است.

حال، باید این پرسش را مطرح کرد که آیا این ادعاهای اغراق‌آمیز، بر پایه‌ای مستحکم استوارند؟ در پاسخ، نخست باید تصدیق کرد که مدل‌های زبان بزرگ، مقادیر قابل توجهی از برق و آب را به مصرف می‌رسانند؛ اما میزان واقعی این مصرف، به مراتب کمتر از تصویر عمومی ایجاد شده است. بسیاری از ارقام رایجی که درباره‌ی مصرف هوش مصنوعی ارائه می‌شوند، متکی بر برآوردهای منسوخ‌شده‌ی اولیه هستند. بر اساس تأیید سَم آلتمن (Sam Altman) از اوپن‌ای‌آی (OpenAI)، نتایج تحقیقات داخلی گوگل (Google) و تحلیل‌های مستقل، میزان برق مصرفی برای یک جستجوی واحد در یک مدل زبان بزرگ، تقریباً ۰.۳ وات ساعت است. این مقدار، ده برابر کمتر از برآوردهای پیشین (۳ وات ساعت برای هر جستجو) است. مصرف آب نیز کاهشی چشمگیر دارد؛ به طوری که سم آلتمن آن را حدود ۰.۲۶ میلی‌لیتر به ازای هر جستجو برآورد می‌کند.

با این اوصاف، میزان تجمیع‌شده‌ی مصرف برق و آب این سامانه‌ها چقدر است؟ متأسفانه، اکثر شرکت‌های فعال در این عرصه، این داده‌ها را به صورت عمومی منتشر نکرده‌اند؛ اما با تکیه بر اطلاعات موجود، می‌توان به برآوردهای تقریبی دست یافت. شرکت اوپن‌ای‌آی به آکسیوس (Axios) گزارش داده است که چت‌جی‌پی‌تی روزانه ۲.۵ میلیارد جستجو را پردازش می‌کند. با استفاده از تخمین‌های به‌روزشده‌ی ما برای هر جستجو، به ارقام روزانه‌ی زیر می‌رسیم: ۷۵۰ میلیون وات ساعت برق و ۶۵۰,۰۰۰ لیتر آب. این ارقام، که در نگاه اول عظیم می‌نمایند، باید در بستر کلان مصرف جامعه‌ی بشری مورد سنجش قرار گیرند تا پرده از حقیقتِ نسبت‌مندِ آن‌ها برداشته شود.

هنگامی که ارقام مزبور به صورت گسسته و ایزوله نگریسته می‌شوند، هاله‌ای از وحشت بر آن‌ها می‌نشیند که بسیار پررنگ‌تر از حقیقت درونی‌شان است. برای زدودن این توهم، شایسته است که مصرف انرژی مدل‌های زبان بزرگ (LLMs) را در قیاس با اَفعال جاری و روزمره‌ی زندگی انسان قرار دهیم تا معیار سنجش واقعی آشکار گردد.

برای درک بهتر تناسب مصرف، می‌توان به مقایسه‌های زیر توجه کرد و دریافت که سهم ما در چرخه‌ی مصرف انرژی، به اشکال گوناگون، ظهور می‌یابد:

• میزان برق مصرفی یک روز روشن ماندن یک یخچال خانگی (که مایه‌ی قوام زندگی روزمره است) برابر است با: ۱,۶۰۰ تا ۳,۳۰۰ پرسش از چت‌جی‌پی‌تی (ChatGPT).
• میزان برق مصرفی یک ساعت روشن گذاشتن یک فِر آشپزخانه (که در امر تأمین غذا حیاتی است) برابر است با: ۷,۶۰۰ پرسش از چت‌جی‌پی‌تی.
• میزان برق مصرفی خشک کردن یک محموله‌ی کوچک لباس با خشک‌کُن (در راستای بهداشت و رفاه) برابر است با: ۸,۳۰۰ پرسش از چت‌جی‌پی‌تی.

در حوزه‌ی مصرف آب، مقایسه به مراتب گویاتر است و اهمیت ناچیز این سهم را نمایان می‌سازد. بنا بر گزارش سازمان زمین‌شناسی ایالات متحده (US Geological Survey)، مصرف روزانه‌ی آب در ایالات متحده بالغ بر ۱.۲ تریلیون لیتر است. این حجم عظیم در برابر مصرف چت‌جی‌پی‌تی قرار می‌گیرد تا روشن شود که سهم این فناوری از کل مصرف روزانه‌ی آب در این کشور، تنها حدود ۰.۰۰۰۰۰۰۴۳ درصد است؛ سهمی که در مقیاس‌های کلان، تقریباً به صفر میل می‌کند.

هرچند این آمار کلی صرفاً به چت‌جی‌پی‌تی (ChatGPT) اختصاص دارد، اما از لحاظ منطقی، بعید به نظر می‌رسد که سایر مدل‌های زبان بزرگ رقیب، که سهم کمتری از بازار را در اختیار دارند، میزان مصرف برق یا آب بسیار بیشتری داشته باشند؛ به‌ویژه با در نظر گرفتن موقعیت چت‌جی‌پی‌تی به مثابه برجسته‌ترین و پیشرفته‌ترین سامانه‌ی هوش مصنوعی فعلی.

در نهایت، اگر قرار باشد که مصرف برق و آب هوش مصنوعی به منزله‌ی دلیلی برای اظهار نگرانی جدی عمومی تلقی شود، باید به این اصل منطقی اذعان کنیم که فهرست بلندبالایی از مصارف فوری‌تر و نگران‌کننده‌تر وجود دارند که شایسته‌ی توجه و اقدام اولیه‌ی ما هستند؛ زیرا عقلانیت حکم می‌کند که به موازات ارزش‌گذاری بر نوآوری، مقیاس اهمیت مسائل را نیز به درستی بسنجیم.

استدلال دوم: چالش کمیابی منابع و تدبیر بازار

فرض می‌کنیم که سنگینی بار مصرف آب و برق هوش مصنوعی، آن‌چنان که در استدلال نخست دیدیم، بیش از اندازه نباشد؛ با این وجود، این فناوری، منابع دیگری را به کار می‌گیرد که از حیث ماهیت، غیرقابل جایگزینی یا تجدیدپذیری‌اند. تراشه‌های پردازنده‌ی گرافیکی (GPU) که لازمه‌ی حیات مدل‌های زبان بزرگ (LLMs) هستند، با استفاده از مجموعه‌ای از فلزات و مواد کمیاب (Rare Materials) ساخته می‌شوند که ذخایر آن‌ها در زمین، نامتناهی نیست. این مواد شامل طلا (Gold)، تنگستن (Tungsten)، مس (Copper)، آلومینیوم (Aluminum) و موارد مشابه هستند. در این بستر، با توجه به ارزش و منفعت مشکوک هوش مصنوعی در شرایط کنونی، آیا نباید احتمال محدودسازی تولید آن را به منظور حفظ منابع ارزشمند طبیعی در نظر گرفت؟

در مقام پاسخ، باید اذعان داشت که ما در آینده‌ی نزدیک، با خطر “به پایان رسیدن” ذخایر فلزات کمیاب و گران‌بها در کره‌ی زمین مواجه نیستیم. برای مثال، سازمان زمین‌شناسی ایالات متحده (US Geological Survey یا USGS) تخمین می‌زند که ۵۴,۰۰۰ تا ۶۴,۰۰۰ تُن متریک (Metric Tonnes) طلا در ذخایر اثبات‌شده‌ی زیرزمینی باقی مانده است؛ در حالی که کل طلایی که در طول تاریخ بشر استخراج شده، تقریباً ۲۱۰,۰۰۰ تن بوده است. به همین ترتیب، برآوردهای این سازمان حاکی از آن است که ۶.۳ میلیارد تُن مس همچنان در دسترس است و تاکنون تنها ۷۰۰ میلیون تن از آن استخراج شده است. این ارقام نشان می‌دهند که ذخایر، به مراتب گسترده‌تر از مصرف تجمعی تاکنون بوده‌اند.

اما یک پرسش پایدار باقی می‌ماند: آیا در نهایت، این منابع رو به پایان نخواهند رفت؟ فارغ از میزان دقت ما در جیره‌بندی و تخصیص، ماهیت عرضه آن‌ها محدود (Finite) است. آیا این واقعیت بنیادین، نباید اندیشه‌ی ما را به خود مشغول سازد و موجبات نگرانی ما را فراهم آورد؟

منابع محدود، همیشه دغدغه‌ای حقیقی و مستمر برای بشر بوده‌اند. با این حال، تاریخ اقتصادی به روشنی نشان می‌دهد که بازارهای آزاد، به طور ذاتی در مدیریت محدودیت‌ها و کمبودهای منابع، مهارت شگرفی دارند. این امر از طریق دو مکانیزم پویا و حیاتی صورت می‌پذیرد: نخست، جیره‌بندی و تخصیص از طریق سازوکار قیمت و دوم، ایجاد انگیزه برای کشف و عرضه جایگزین‌ها (Substitutes) در بستر رقابت.

این فرایند تعدیل و پاسخگویی در بازار، بر دو پایه استوار است:

۱. جیره‌بندی مبتنی بر قیمت (Price-Related Rationing): هنگامی که میزان عرضه‌ی یک منبع کاهش می‌یابد، منطق بازار قیمت آن را به سمت بالا سوق می‌دهد. این افزایش قیمت، مشابه هر افزایش دیگری، به طور طبیعی منجر به کاهش مصرف آن منبع می‌گردد. مهم‌تر آنکه، منابع محدود موجود، با هدایت توسط انگیزه‌های قیمتی، به سوی باارزش‌ترین و سودمندترین خروجی‌ها (Highest-Valued Outputs) در اقتصاد تخصیص می‌یابند.

2. ترغیب به ابداع جایگزین‌ها (Incentivizing Substitutes): به طور همزمان، قیمت‌های بالاتر، فرصتی سودآور برای هر کارآفرین و مبتکری خلق می‌کند که بتواند یک جایگزین (Substitute) برای آن منبع کمیاب را به بازار عرضه کند. کشف موفق یک جایگزین، به فرد امکان می‌دهد تا محصول خود را با قیمتی پایین‌تر از قیمت بالای منبع کمیاب بفروشد و به سرعت بازاری گسترده برای کالای خود ایجاد نماید.

شواهد تاریخی به روشنی کارکرد این مکانیسم خودتنظیم‌گر بازار را نشان می‌دهند: در قرون ۱۶ و ۱۷ میلادی، چوب اصلی‌ترین منبع تأمین سوخت برای گرمایش و طبخ غذا بود. وسعت مصرف چوب به حدی رسید که یافتن و تأمین درختان در انگلستان به طور فزاینده‌ای دشوار گشت. نتیجه‌ی این کمیابی، افزایش ده برابری قیمت چوب در سال ۱۶۲۰ نسبت به سال ۱۵۴۰ بود. با کمیاب‌تر شدن جنگل‌ها، مردم انگلستان به شدت در پی جایگزینی ارزان‌تر بودند. در آن زمان، زغال سنگ (Coal) به عنوان یک سوخت بالقوه شناخته شده بود اما استفاده‌ی گسترده‌ای نداشت. اما زمانی که قیمت چوب به اوج رسید، زغال سنگ به یک انتخاب جذاب و وسوسه‌انگیز تبدیل شد. با تزریق سرمایه و نوآوری، زغال سنگ ارزان‌تر و در دسترس‌تر شد و در نهایت جای چوب را به عنوان سوخت انتخابی گرفت. امروز، به لطف این تغییر اقتصادی، انگلستان بار دیگر با درختان و جنگل‌ها پوشیده شده است. این نمونه، نشان می‌دهد که فشار قیمت چگونه مسیر نوآوری را به نفع رفاه انسان و حفظ طبیعت تغییر می‌دهد.

این امر حقیقتی غیرقابل انکار است که فلزات گران‌بها و کمیاب زمین، دارای محدودیت هستند؛ اما باید به این نکته بنیادین توجه کرد که در اقتصاد، همه‌ی منابع دارای ماهیت کمیاب‌اند. تاریخ به ما آموخته است که بازارها و نوآوری‌های ناشی از انگیزه‌های بازار، همواره قادر به مقابله موفق با کمبود منابع بوده‌اند. از این رو، هیچ دلیل منطقی وجود ندارد که گمان کنیم این سازوکارهای اثبات‌شده، این بار در مواجهه با چالش‌های منابع مورد نیاز هوش مصنوعی، نتوانند به طور مؤثر عمل کرده و راهگشای توسعه‌ی بیشتر انسانی باشند.

استدلال سوم: فراتر از مصرف، اتهام تباهی بوم‌شناختی

حتی با فرض پذیرش این نکته که سهم هوش مصنوعی ناچیز بوده و خطر پایان‌پذیری ذخایر طبیعی در افق نزدیک وجود ندارد، منتقدان بر این باورند که نفس فعالیت هوش مصنوعی، همچنان به آسیب‌های زیست‌محیطی دامن می‌زند. این فناوری، به دلیل وابستگی‌اش به منابع خام، ناگزیر در پیامدهای اقداماتی چون معدن‌کاری، جنگل‌زدایی (Deforestation) و آلودگی (Pollution) که حیات سیاره را تحت فشار قرار داده‌اند، شریک است. این تخریب‌های بوم‌شناختی (Ecological Damages) با گسترش کاربرد هوش مصنوعی، صرفاً مقیاس بیشتری خواهند یافت. از این منظر، صرف‌نظر از کمیت منابع مصرفی، تأثیر زیان‌بار هوش مصنوعی بر طبیعت، به‌تنهایی، مبنای کافی برای نگرانی جدی و عمومی است.

این نوع نگاه، مصداق بارز چیزی است که الکس اپستاین (Alex Epstein) آن را “چارچوب ضد تأثیر (Anti-Impact Framework)” می‌نامد؛ جهان‌بینی‌ای که حفظ محیط زیست در وضع موجود را بر هر ارزش دیگری ارجحیت می‌بخشد. در این بینش، به حداقل رساندن اثرگذاری ما بر طبیعت، به عنوان والاترین هدف غایی تلقی می‌گردد. نتیجه‌ی منطقی این ارتقاء، آن است که باید از هرگونه عملی که منجر به تغییر یا دگرگونی محیط طبیعی می‌شود، پرهیز و خودداری کنیم.

با وجود رواج گسترده‌ی این چارچوب در روزگار ما، از منظر فلسفی، می‌توان آن را عمیقاً ضدبشری دانست. تنها به واسطه‌ی دستکاری و شکل‌دهی انسان به محیط اطراف خود بوده که دستاوردهای مدرن ما (همچون افزایش دسترسی به کالری، رشد سرانه‌ی تولید ناخالص داخلی جهانی (GDP Per Capita) و افزایش امید به زندگی) امکان‌پذیر گشته‌اند. ضمن آنکه هیچ مخالفتی با ارزش محیط زیست نداریم، دیدگاه جایگزینی را پیشنهاد می‌کنیم: ما باید شکوفایی و رفاه انسان (Human Flourishing) را به عنوان والاترین خیر در نظام ارزشی خود قرار دهیم.

بر اساس این اصل عملیاتی، محیط زیست موجودیتی نیست که ما موظف به ستایش و دست نخورده گذاشتن آن باشیم، بلکه بستری است برای شکل‌گیری و ساماندهی مطابق با نیازها و اهداف انسان. اگر شکوفایی بشر مستلزم قطع درختان، حفاری برای مواد معدنی یا تغییر ژنتیکی محصولات کشاورزی باشد، عقلانیت حکم می‌کند که این اقدامات را به انجام رسانیم. محیط زیست، یک “تأمین‌کننده‌ی نیکوکار” نیست که بی‌قید و شرط، هر آنچه ما نیاز داریم در اختیارمان بگذارد، و ما نیز “انگل‌هایی” نیستیم که از برکات آن ارتزاق کنیم. محیط زیست صرفاً فضایی است که در آن زندگی می‌کنیم و باید آن را در جهت منافع عالیه‌ی خود تغییر دهیم.

البته، این موضع‌گیری به معنای نفی مطلق حفظ محیط زیست نیست. ایجاد پارک‌ها، ذخایر طبیعی و مناطق حفاظت‌شده، همگی اموری نیکو و ارزشمندند؛ اما این امور نیکو هستند به این دلیل که در خدمت منافع، علایق و خواسته‌های انسان قرار می‌گیرند، نه صرفاً به این دلیل که زیارتگاه‌های بی‌چون و چرای “مادر طبیعت” محسوب می‌شوند و دارای ارزش ذاتی مستقل از انسان باشند.

سخن پایانی: فرجام استدلال‌های ناقص و معیار نهایی سنجش

همانند تمامی مدها و اوهام زودگذر فکری، استدلال‌های سست و کم‌بنیه‌ی مطرح شده علیه تأثیر زیست‌محیطی هوش مصنوعی (AI) نیز سرانجام از مدار توجه و محبوبیت خارج خواهند شد. با این وجود، این مباحث، هدفی ارزشمند را دنبال می‌کنند: آشکار ساختن جهل اقتصادی (Economic Ignorance) و کژفهمی موجود در حوزه‌ی تخصیص منابع انرژی. در حالی که پیامد نهایی هوش مصنوعی بر سرنوشت جهان ما همچنان در پرده‌ی ابهام باقی مانده است، یک حقیقت را می‌توان با اطمینان تصدیق کرد: تأثیر زیست‌محیطی این فناوری، آن دلیلی نخواهد بود که مسیر شکوفایی و پیشرفت آن را متوقف سازد.

در این مقاله، تلاش شد استدلال‌های سه‌گانه‌ای را که علیه هزینه‌های زیست‌محیطی هوش مصنوعی (AI Environmental Costs) مطرح می‌شوند، موشکافی و ابهام‌زدایی شوند تا پرده از اغراق‌آمیز بودن این نگرانی‌ها برداشته شود. در وهله نخست، نشان داده شد که مصرف منابع حیاتی چون برق و آب توسط مدل‌های زبان بزرگ (LLMs)، در مقایسه با مصارف روزمره و کلان جامعه‌ی بشری، سهمی ناچیز و قابل چشم‌پوشی دارد. این ارقام، که در ابتدا عظیم می‌نمایند، باید در بستر کلان مصرف مورد سنجش قرار گیرند تا حقیقتِ نسبت‌مندِ آن‌ها آشکار گردد.

در گام دوم، به چالش کمیابی منابع (Resource Scarcity) پرداخته شد و استدلال شد که تاریخ اقتصادی به روشنی نشان می‌دهد که بازارهای آزاد، به طور ذاتی، در مدیریت محدودیت‌ها و کمبودهای منابع، از طریق سازوکار قیمت و ترغیب به ابداع جایگزین‌ها (Substitutes) مهارت شگرفی دارند. این تدبیر بازار، همواره مسیر نوآوری را به نفع رفاه انسان و حفظ طبیعت تغییر داده است. در نهایت، با نقد جهان‌بینی “چارچوب ضد تأثیر”، این اصل فلسفی را مطرح کردیم که شکوفایی و رفاه انسان (Human Flourishing) باید به عنوان والاترین خیر در نظام ارزشی ما قرار گیرد؛ بنابراین، محیط زیست صرفاً بستری است که باید در جهت منافع عالیه‌ی بشر تغییر و شکل داده شود.

در مجموع، این مباحث هدفی ارزشمند را دنبال می‌کنند: آشکار ساختن جهل اقتصادی و کژفهمی موجود در حوزه‌ی تخصیص منابع انرژی. اگرچه پیامد نهایی هوش مصنوعی بر سرنوشت جهان ما همچنان در پرده‌ی ابهام باقی مانده است، اما یک حقیقت را می‌توان با اطمینان تصدیق کرد: تأثیر زیست‌محیطی این فناوری، آن دلیلی نخواهد بود که مسیر شکوفایی و پیشرفت آن را متوقف سازد.

پرسش‌های متداول