ابَرهوش یا ابرمصرف؟ هزینه پنهان چت‌ جی‌پی‌تی و دوستانش

هوش مصنوعی در ظاهر، یک فناوری نرم‌افزاری است. اما هرچه مدل‌ها بزرگ‌تر، کاربران بیشتر و عامل‌های هوشمند فعال‌تر می‌شوند، واقعیت فیزیکی آن آشکارتر می‌شود. پرسش اصلی دیگر فقط این نیست که مدل‌ها چقدر باهوش شده‌اند. پرسش این است که این هوش چقدر برق، آب، سرمایه و زیرساخت مصرف می‌کند؛ و آیا ارزش اقتصادی و اجتماعی آن با این هزینه‌ها متناسب است؟

هزینه فیزیکی یک انقلاب دیجیتال

گزارش AI Index 2026 دانشگاه استنفورد تصویری روشن از افزایش سریع مصرف زیرساختی هوش مصنوعی ارائه می‌دهد. طبق این گزارش، ظرفیت برق مراکز داده مرتبط با AI تا پایان سال ۲۰۲۵ به حدود ۲۹.۶ گیگاوات رسیده است؛ عددی که با اوج مصرف برق ایالت نیویورک مقایسه شده است. این فقط ظرفیت تراشه‌ها نیست. بخش بزرگی از مصرف به سامانه‌های خنک‌کننده، شبکه، تجهیزات ذخیره‌سازی، منبع تغذیه و زیرساخت‌های جانبی مربوط می‌شود.

رشد مصرف انرژی AI از دو مسیر هم‌زمان می‌آید. مسیر اول آموزش مدل‌های بزرگ است؛ فرایندی که در آن مدل‌ها با حجم عظیمی از داده و محاسبات تنظیم می‌شوند. مسیر دوم استنتاج یا inference است؛ یعنی همان زمانی که کاربر از مدل سؤال می‌پرسد و سیستم پاسخ تولید می‌کند. در سال‌های نخست، توجه عمومی بیشتر به آموزش مدل‌ها بود، اما با افزایش تعداد کاربران، استنتاج به بخش مهم‌تری از ردپای انرژی AI تبدیل شده است. یک مدل ممکن است فقط یک بار آموزش ببیند، اما روزانه میلیون‌ها یا میلیاردها بار برای پاسخ‌گویی به کاربران اجرا شود.

در گزارش استنفورد، برآورد انتشار کربن آموزش برخی مدل‌ها نیز نشان‌دهنده جهش مقیاس است. آموزش AlexNet در سال ۲۰۱۲ حدود ۰.۰۱ تن معادل دی‌اکسیدکربن تولید کرده بود. در مقابل، برآورد انتشار کربن آموزش Grok 4 در سال ۲۰۲۵ به بیش از ۷۲ هزار تن معادل دی‌اکسیدکربن رسیده است. این مقایسه کامل و بی‌نقص نیست، چون روش آموزش، سخت‌افزار، منبع برق و اندازه مدل‌ها تفاوت زیادی دارد، اما مقیاس تغییر را نشان می‌دهد: AI امروز دیگر یک آزمایش دانشگاهی کم‌مصرف نیست.

مراکز داده؛ کارخانه‌های جدید عصر AI

در دوره اینترنت، مراکز داده ستون فقرات اقتصاد دیجیتال بودند، اما اغلب از دید کاربران پنهان می‌ماندند. در عصر هوش مصنوعی، این مراکز از زیرساخت پنهان به دارایی استراتژیک تبدیل شده‌اند. گزارش استنفورد نشان می‌دهد ایالات متحده با بیش از ۵۴۰۰ مرکز داده با اختلاف زیاد میزبان بیشترین تعداد مراکز داده جهان است، این تمرکز جغرافیایی اهمیت سیاسی و اقتصادی دارد. کشوری که زیرساخت رایانشی بیشتری دارد، ظرفیت بیشتری برای آموزش، اجرای مدل‌ها و میزبانی خدمات AI خواهد داشت.

اما این زیرساخت به شدت به زنجیره تامین جهانی وابسته است. تقریباً همه تراشه‌های پیشرفته AI توسط تعداد محدودی از شرکت‌ها طراحی می‌شوند و بخش مهمی از ساخت آن‌ها به یک نقطه حساس یعنی شرکت TSMCدر تایوان وابسته است. به همین دلیل، ردپای فیزیکی AI فقط در مراکز داده آمریکا یا اروپا خلاصه نمی‌شود؛ از معادن مواد خام و کارخانه‌های نیمه‌رسانا تا نیروگاه‌ها و سامانه‌های خنک‌کننده امتداد دارد. این واقعیت، نگاه ما به هوش مصنوعی را تغییر می‌دهد. AI فقط رقابت بر سر مدل بهتر نیست. رقابت بر سر برق ارزان، زمین مناسب، شبکه پایدار، تراشه پیشرفته، آب کافی و دسترسی به سرمایه نیز هست.

آب؛ بخش کمتر دیده‌شده

گزارش استنفورد برآورد می‌کند که مصرف سالانه آب برای استنتاج GPT-4o می‌تواند در بازه‌ای بین حدود ۱.۳ تا ۱.۶ میلیون کیلو‌لیتر باشد. عددی که در بیشترین برآورد، از نیاز سالانه آب آشامیدنی ۱.۲ میلیون نفر بیشتر است. مصرف آب به عوامل زیادی بستگی دارد و محاسبه دقیق آن ساده نیست. اما اهمیت عدد در این است که نشان می‌دهد مصرف آب AI در مقیاس جهانی دیگر قابل نادیده گرفتن نیست.

مساله زمانی حساس‌تر می‌شود که مراکز داده در مناطق خشک یا تحت تنش آبی ساخته شوند. در چنین مناطقی، رقابت بر سر آب فقط میان شرکت‌های فناوری نیست؛ میان کشاورزی، شهرها، صنعت و محیط‌زیست نیز هست. اگر یک مرکز داده در منطقه‌ای پرآب ساخته شود، اثر آن با ساخت همان مرکز در منطقه‌ای خشک یکسان نیست.

تاریخ فناوری نشان می‌دهد افزایش بهره‌وری همیشه به کاهش مصرف کل منجر نمی‌شود. گاهی ارزان‌تر و کارآمدتر شدن یک فناوری باعث استفاده بیشتر از آن می‌شود پدیده‌ای که در اقتصاد انرژی با عنوان اثر بازگشتی شناخته می‌شود. در AI نیز احتمال مشابهی وجود دارد. اگر هر پاسخ ارزان‌تر شود، ممکن است تعداد پاسخ‌ها چند برابر شود.

آیا این هزینه‌ها ارزش دارد؟

برای قضاوت درباره مصرف انرژی و آب AI، فقط نگاه کردن به هزینه‌ها کافی نیست. هر فناوری بزرگ، هزینه زیرساختی دارد. برق، خودرو، اینترنت، کارخانه‌های صنعتی و شبکه‌های مخابراتی همگی منابع عظیمی مصرف کرده‌اند. پرسش درست این است که منافع اقتصادی و اجتماعی حاصل از این مصرف چیست و چگونه توزیع می‌شود.

گزارش AI Index 2026 یک عدد قابل توجه در این زمینه ارائه می‌دهد: ارزش سالانه ابزارهای هوش مصنوعی مولد برای مصرف‌کنندگان آمریکایی تا اوایل ۲۰۲۶ حدود ۱۷۲ میلیارد دلار برآورد شده است. این عدد بر پایه پرداخت مستقیم کاربران به شرکت‌ها محاسبه نشده، بلکه به ارزش ادراکی و منفعتی اشاره دارد که کاربران از استفاده از این ابزارها دریافت می‌کنند. به بیان ساده، بسیاری از کاربران برای ابزارهایی که اغلب رایگان یا کم‌هزینه در اختیارشان قرار گرفته‌اند، ارزش بسیار بالایی قائل‌اند.

این همان نقطه‌ای است که بحث AI از محیط‌زیست به اقتصاد کلان می‌رسد. McKinsey برآورد کرده است هوش مصنوعی مولد می‌تواند سالانه بین ۲.۶ تا ۴.۴ تریلیون دلار ارزش اقتصادی بالقوه ایجاد کند. Goldman Sachs نیز در یکی از برآوردهای شناخته‌شده خود گفته است AI مولد می‌تواند در بلندمدت تولید ناخالص داخلی جهان را حدود ۷ درصد افزایش دهد. PwC در گزارش‌های بازار کار خود نشان می‌دهد صنایع و شرکت‌هایی که بیشتر در معرض استفاده از AI هستند، در برخی شاخص‌ها رشد بهره‌وری و درآمد به ازای هر کارمند بالاتری داشته‌اند. IMF نیز AI را یک تغییر ساختاری در اقتصاد جهانی توصیف می‌کند که می‌تواند رشد و بهره‌وری را افزایش دهد، اما هم‌زمان خطر تشدید نابرابری و جابه‌جایی شغلی را نیز به همراه دارد.

مسئله اصلی شفافیت است

برای پاسخ به این سؤال که آیا منافع AI از هزینه‌های آن بیشتر است، به داده‌های دقیق نیاز داریم. اما یکی از مشکلات مهم این است که اطلاعات مربوط به مصرف انرژی و آب مدل‌ها هنوز شفاف و استاندارد نیست. شرکت‌ها معمولاً همه جزئیات مربوط به آموزش مدل، نوع سخت‌افزار، مکان مراکز داده، منبع برق، مصرف آب و میزان استفاده واقعی را منتشر نمی‌کنند. حتی وقتی عددی منتشر می‌شود، مقایسه میان شرکت‌ها دشوار است، چون روش محاسبه یکسان نیست.

این کمبود شفافیت باعث می‌شود بحث عمومی میان دو قطب نادرست گرفتار شود. از یک سو، روایت‌هایی شکل می‌گیرد که هر پرسش از چت‌بات را معادل مصرف عظیم آب یا برق معرفی می‌کنند؛ روایت‌هایی که اغلب ساده‌سازی‌شده‌اند. از سوی دیگر، شرکت‌ها گاهی هزینه زیرساختی AI را کم‌رنگ نشان می‌دهند و بیشتر درباره کارایی و انرژی پاک سخن می‌گویند.

واقعیت میان این دو قرار دارد. هر پرسش ساده الزاماً فاجعه زیست‌محیطی نیست، اما میلیاردها پرسش، میلیون‌ها کاربر، عامل‌های خودکار، مدل‌های بزرگ‌تر و رقابت جهانی برای زیرساخت AI می‌تواند به فشار واقعی بر شبکه برق، منابع آب و زنجیره تأمین منجر شود.

به همین دلیل، آینده AI فقط به مدل‌های بهتر نیاز ندارد؛ به حسابداری انرژی بهتر نیز نیاز دارد. کاربران، دولت‌ها و سرمایه‌گذاران باید بدانند مدل‌ها چقدر مصرف می‌کنند، مصرف آن‌ها در کجا رخ می‌دهد، برق آن‌ها از چه منبعی می‌آید، چه میزان آب مصرف می‌کنند و در برابر این هزینه، چه ارزش اقتصادی یا اجتماعی ایجاد می‌شود.

ابرهوش روی زمین ساخته می‌شود

جذابیت هوش مصنوعی در این است که تجربه‌ای جادویی ایجاد می‌کند. کاربر می‌پرسد و سیستم پاسخ می‌دهد. اما این جادو روی زمین ساخته می‌شود، نه در آسمان. پشت هر پاسخ، کارخانه‌های تراشه، مراکز داده، مهندسان برق، سامانه‌های خنک‌کننده، قراردادهای انرژی، سرمایه‌گذاری‌های میلیاردی و منابع طبیعی قرار دارند.

این واقعیت نه به معنای توقف AI است و نه به معنای پذیرش بی‌قیدوشرط آن. معنایش این است که بحث درباره آینده هوش مصنوعی باید از صفحه نمایش فراتر برود. اگر AI قرار است در آموزش، پزشکی، علم، صنعت و زندگی روزمره نقش بنیادی پیدا کند، باید درباره زیرساخت آن نیز همان‌قدر جدی حرف زد که درباره توانایی‌هایش حرف می‌زنیم.

شاید مهم‌ترین پرسش این نباشد که هر پاسخ ChatGPT دقیقاً چند وات‌ساعت انرژی مصرف می‌کند. پرسش بزرگ‌تر این است که جهان برای چه نوع هوش مصنوعی حاضر است برق، آب و سرمایه مصرف کند.

اگر AI به ابزاری برای افزایش دانش، کاهش اتلاف، بهبود درمان، آموزش بهتر و بهره‌وری واقعی تبدیل شود، هزینه زیرساختی آن می‌تواند بخشی از سرمایه‌گذاری تمدنی تازه باشد. اما اگر بخش بزرگی از این ظرفیت صرف تولید محتوای بی‌کیفیت، اتوماسیون سطحی و رقابت بی‌پایان مدل‌های بزرگ‌تر شود، ابرهوش آینده ممکن است بیش از آنکه مسئله‌ای شناختی باشد، مسئله‌ای مصرفی باشد.

هوش مصنوعی از ابر نمی‌آید. روی زمین ساخته می‌شود. و آینده آن، همان‌قدر که به الگوریتم‌ها بستگی دارد، به برق، آب، تراشه و انتخاب‌های اقتصادی ما وابسته است.