ChatGPT konusunda suçluluk duymak haklı mı? Sam Altman'ın açıklamalarını inceledik ve gerçeği ortaya çıkardık.
ChatGPT kullanmaktan dolayı suçluluk duymalı mısınız? Sam Altman'ın iddialarını inceliyor ve yapay zekâ kullanımının gerçekliğini açıklığa kavuşturuyoruz.
Bilmeniz gereken en önemli şeyler
- Yapay zekâ su tüketimi tahminlerindeki büyük farklılık, ölçüm ölçeğinden kaynaklanmaktadır; Altman'ın tahmini doğrudan tesis içi soğutma suyuna odaklanırken, diğer çalışmalar elektrik üretimi için tüketilen suyu da içermekte olup bu da toplam su ayak izinin %75'ini temsil edebilir.
- Sam Altman'ın 38,000 ChatGPT sorgusunun bir bademin tükettiği suya eşdeğer su tükettiği iddiası, modern cihazlar ve hafif sorgular için en iyi senaryolara dayanmaktadır; oysa bağımsız çalışmalar gerçek tüketimin yüzlerce kat daha yüksek olabileceğini göstermektedir.
- Sohbet robotu tüketimini badem tüketimiyle karşılaştırmak yanıltıcıdır; bireysel tüketim düşük olsa da, milyarlarca günlük sorgu ve model eğitim işlemi toplam hacmi muazzamdır ve veri merkezleri kurak bölgelerde yerel su kıtlığını artırmaktadır.
Sosyal medyada zaman geçiriyorsanız, " yapay zeka suçluluğu" kavramıyla muhtemelen karşılaşmışsınızdır . Özü şu ki, ChatGPT'den kibar bir e-posta taslağı hazırlamasını veya hızlı bir akşam yemeği tarifi hazırlamasını istediğiniz her seferinde, bir yerlerdeki sunucu çiftliği, çiplerin erimesini önlemek için devasa miktarda temiz içme suyunu tüketiyor.
Şimdi ise OpenAI CEO'su Sam Altman , bu yaygın algıyı ortadan kaldırmaya çalışıyor. Alex Heath ile birlikte sunduğu Sources podcast'inin ilk bölümünde Altman, basit yapay zeka uygulamalarının çevresel felaketler olduğu algısına şiddetle karşı çıktı.
Karşı argümanı, popüler bir atıştırmalıkla yapılan bir karşılaştırmaydı.
38,000 ChatGPT sorgusu = bir badem mi? Gerçeği bulmak için rakamları inceledik.
YouTube'da izleyin
Altman'a göre, milyonlarca galon su tüketen veri merkezleri, eski soğutma teknolojilerine güveniyor. Modern tesislerde 38,000 ChatGPT sorgusu çalıştırmanın, tek bir Kaliforniya bademi üretmekle aynı miktarda su tükettiğini iddia etti . Bu rakamı hafızasından aktardığını ve tamamen doğru olmayabileceğini kabul etti, ancak doğru aralıkta olduğunu savundu.
Bu, günlük chatbot kullanımınızı neredeyse çevresel açıdan nötr göstermeyi amaçlayan çarpıcı bir iddia. Ancak bu rakamlar incelemeye dayanıyor mu ve isteklerinizin çevresel maliyeti konusunda endişelenmeyi bırakmalı mısınız ?
Hesaplamalar: Bir badem aslında ne kadar su tüketir?
Altman'ın iddiasını değerlendirmek için öncelikle bademden başlamalıyız.
Kaliforniya, dünyanın badem üretiminin yaklaşık %80'ini karşılıyor ve en yaygın tarımsal tahminlere göre tek bir badem yetiştirmenin su maliyeti yaklaşık 1.1 galon (yaklaşık 4.16 litre) . Ayrı bir analiz ise yağmur ve kirlilik telafisi hesaba katıldığında toplam su ayak izinin yaklaşık 12 litre (3.2 galon) olduğunu ortaya koyuyor . Bademler, ağaçlarının yıl boyunca sürekli sulama gerektirmesi nedeniyle su yoğun bir ürün olarak biliniyor.
Doğrudan sulama tahminini kullanarak Altman oranını ciddiye alırsak:
1 badem = yaklaşık 1.1 galon (4,164 ml) su
38,000 ChatGPT sorgusu = 1 badem
1 ChatGPT sorgusu = ~0.0000289 galon (~0.11 ml su)
0.11 ml'yi daha iyi anlamak için, standart bir laboratuvar su damlasının veya göz damlasının yaklaşık 0.05 ml olduğunu belirtelim.
Altman'ın verilerine göre, ChatGPT'de bir soru sormak yaklaşık iki damla su tüketiyor.
Bu rakam daha önce okuduklarınıza kıyasla son derece düşük görünüyorsa, yanılmıyorsunuz. Ayrıca Altman'ın önceki açıklamalarıyla da tam olarak örtüşmüyor.
Haziran 2025'te "Nazik Tekillik" başlıklı blog yazısında, tipik bir ChatGPT sorgusunun yaklaşık 0.000085 galon su tükettiğini , bunun da yaklaşık 0.32 ml'ye denk geldiğini yazdı.
Bu rakamı, badem tüketimine ilişkin yaygın tahminlerle birlikte kullandığımızda, badem başına 38,000 değil, yaklaşık 11,000 sorgulama elde ediyoruz. Kendi rakamları da aynı yöne işaret ediyor ancak ayrıntılarda farklılık gösteriyor.
“Yapay zekâ su kaynaklarınızı tüketiyor” hikayesi nereden çıktı?
Yapay zekanın su tüketimi hakkındaki kamuoyu tartışması, Kaliforniya Üniversitesi, Riverside ve Teksas Üniversitesi, Arlington'dan araştırmacıların öncülüğünde yapılan ve geniş yankı uyandıran bir çalışmaya kadar uzanıyor.
2023 yılında taslak olarak yayınlanan ve daha sonra 2025 yılında Communications of the ACM dergisinde yayımlanan “Yapay Zekayı Daha Az Su Tüketen Hale Getirmek ” başlıklı araştırma makalesi, GPT-3 gibi büyük bir dil modelinden (LLM) gelen 10 ila 50 yanıttan oluşan kısa bir konuşmanın yaklaşık 500 mililitre su tükettiğini tahmin ediyordu; bu da bir standart plastik su şişesine eşdeğerdir. Bu, yanıt başına yaklaşık 10 ila 50 mililitreye denk gelir ki bu da Altman'ın tahmininden yüzlerce kat daha yüksek olabilir.
Peki, bu büyük tutarsızlığın sebebi nedir?
Cevabın bir kısmı kullanılan donanım ve modelde yatıyor. Altman'ın tahmini, güncel modelleri çalıştıran modern altyapılarda gerçekleştirilen hafif sorgulara atıfta bulunuyor. Ancak Kaliforniya Üniversitesi, Riverside çalışması, GPT-3 modelini daha eski sistemlerde analiz etti.
Ancak en büyük faktör, her bir rakamın aslında neyi kapsadığıdır. Altman'ın tahmini neredeyse tamamen yerinde soğutma suyunu yansıtıyor; yani doğrudan veri merkezinde tüketilen suyu. Bununla birlikte, Kaliforniya Üniversitesi, Riverside'ın rakamı hem yerinde soğutmayı hem de bu sunucular tarafından tüketilen elektriği üretmek için enerji santrallerinde kullanılan suyu içeriyor; bu daha geniş bir hesaplama olup ölçek-1 ve ölçek-2 su tüketimi olarak bilinir. Bağımsız analizler, enerji üretim katmanının tek bir yapay zeka sorgusunun arkasındaki toplam su ayak izinin %75'ine kadarını oluşturabileceğini göstermektedir . Bu, farkın sadece eski ve yeni donanım meselesi olmadığı, ölçüm sınırlarının nerede olduğuyla ilgili olduğu anlamına gelir.
Altman, podcast'te eski ekipman sorununa doğrudan değinerek, önceki tahminlerin buharlaşmalı soğutma kullanan tesislere dayandığını savundu. Bu eski sistemlerde, devasa soğutma kuleleri, sunucu raflarından yayılan sıcak havayı soğutmak için atmosfere taze su buharlaştırır. Buharlaşan bu su, yerel su havzasından kaybolur.
Altman, modern, ultra büyük veri merkezlerinin, suyun veya özel bir soğutucunun, tıpkı bir araba radyatörü gibi, kapalı borulardan dolaştığı ve buharlaşma yoluyla neredeyse hiç sıvı kaybının olmadığı kapalı devre sıvı soğutma sistemlerini büyük ölçüde benimsediğini savundu. Altman, bu tesislerde su tüketiminin, standart lavabo ve tuvaletlere sahip ortalama bir ticari ofis binasının su tüketimiyle kıyaslanamayacak kadar düşük olduğunu gözlemledi.
İroni şu: Bademleri karşılaştırmak neden klasik bir Silikon Vadisi numarası?
Modern veri merkezlerinin token başına verimlilik açısından şüphesiz artış gösterdiği doğru olsa da, chatbot komutlarını tarımsal ürünlerle karşılaştırmak birkaç temel gerçeği göz ardı etmektedir.
Genel ölçek ile bireysel suçluluk arasındaki fark. Bir elektronik tabloda bir formülü kontrol etmek için sadece iki damla su kullanabilirsiniz, ancak OpenAI şu anda haftalık olarak yaklaşık 900 milyon aktif kullanıcıya hizmet veriyor ve günlük olarak milyarlarca komut işliyor . Bu küresel ölçekte milimetrenin küçük kesirlerini çarptığınızda, ayrıca Kaliforniya Üniversitesi, Riverside araştırmacılarının tahminlerine göre önceden yüz binlerce galon su tüketen devam eden model eğitimini de hesaba kattığınızda, toplam yine de muazzam bir rakam oluyor.
Yerel su kıtlığı küresel ortalamalardan daha fazladır. Orta Vadi'deki badem bahçesi, devlet su tahsislerine ve kurulu tarımsal sulama kanallarına bağımlıdır. Öte yandan, yapay zeka veri merkezleri genellikle banliyö topluluklarında ve yarı kurak bölgelerde (örneğin Phoenix, Kuzey Virginia ve Teksas ile Georgia'nın bazı bölgeleri) kurulur ve doğrudan belediye su sistemlerine bağımlıdırlar. Modern ve verimli bir tesis bile, aşırı yaz sıcak dalgaları sırasında yerleşim bölgeleriyle rekabet ettiğinde su sıkıntısına neden olabilir.
Tüm yapay zeka sorguları aynı değildir. Altman'ın 38,000 sorgu rakamı, standart, hafif mantık yürütmeye dayanmaktadır; örneğin, temel GPT-4 metin tabanlı yanıtlar. Ancak sektör hızla mantık yürütme modellerine ve otonom yapay zeka ajanlarına doğru ilerliyor. Yapay zeka cevap vermeden önce "düşündüğünde", dahili, izole bir test ortamında Python kodu çalıştırdığında, canlı web'de arama yaptığında ve birden fazla mantıksal döngü aracılığıyla kendini düzelttiğinde, basit bir sohbet robotuna göre komut başına önemli ölçüde daha fazla işlem gücü tüketir. Bağımsız araştırmacılar, bu daha ağır iş yüklerinin bir bottan birkaç kat daha fazla güç ve dolayısıyla daha fazla su tüketebileceğine dikkat çekmiştir.
Enerji takası. Veri merkezi operatörleri su buharlaştırmalı soğutmadan vazgeçtiklerinde, genellikle bunun yerine enerji yoğun soğutucular, mekanik ısı pompaları ve yüksek hızlı fanlar kullanırlar. Kısacası: yerinde su tüketimini azaltmak, genellikle yerel elektrik şebekesinden önemli ölçüde daha fazla elektrik çekmek anlamına gelir; bu da elektriğin nasıl üretildiğine bağlı olarak kendi dolaylı su ve karbon ayak izine sahiptir.
Son düşünceler
Altman'ın iddiası, yapay zekanın gelişmesi için gereken muazzam altyapı gereksinimlerini göz ardı ederken, modern, kapalı devre cihazlar için en iyi senaryolara büyük ölçüde dayanmaktadır. Amygdal başına 38,000 sorgu rakamı, en yeni donanımda tek bir hafif sorgunun kaba bir tahmini olarak kabul edilebilir; ancak bu, hikayenin yalnızca bir kısmını anlatır ve sektörün gidişatını göz ardı eder.
Yoruma kapalı.