به گزارش سایت طلا به نقل از گیزمودو، هوش مصنوعی علاوه بر مصرف انرژی، تشنه‌ی آب هم هست. بر اساس پژوهش‌های دانشگاهی، هر گفت‌وگوی کوتاه با مدل جی پی تی-۳ معادل مصرف یک بطری کوچک آب (حدود ۵۰۰ میلی‌لیتر) در مراکز داده هزینه دارد؛ همین مقدار آب برای نوشتن یک ایمیل ۱۰۰ کلمه‌ای هم مصرف می‌شود. این رقم شامل آبی است که هم برای خنک‌سازی سرورها استفاده می‌شود و هم در نیروگاه‌هایی که برق مراکز داده را تأمین می‌کنند مصرف می‌شود. البته میزان واقعی مصرف به موقعیت جغرافیایی، شرایط آب‌وهوایی و نوع فناوری مرکز داده بستگی دارد.
دو جریان پنهان پشت هر پرسش هوش مصنوعی قرار دارد: نخست، آب موردنیاز برای خنک‌سازی سرورها که معمولاً با برج‌های تبخیری انجام می‌شود و مستقیماً از منابع محلی مثل رودخانه یا سفره‌های زیرزمینی برداشت می‌شود. دوم، آبی که در نیروگاه‌های برق (زغال‌سنگ، گاز، هسته‌ای یا حتی برق‌آبی) برای چرخه بخار و خنک‌سازی مصرف می‌شود. در مقابل، انرژی‌های بادی و خورشیدی تقریباً بدون مصرف آب کار می‌کنند. این تفاوت‌ها باعث می‌شود نوع انرژی و سیستم خنک‌سازی، اثر زیادی بر ردپای آبی هوش مصنوعی داشته باشند.
محل و زمان نیز اهمیت زیادی دارد. یک مرکز داده در ایرلند خنک و مرطوب می‌تواند ماه‌ها با حداقل مصرف آب کار کند، اما مرکزی در آریزونا در تابستان برای دفع گرما مجبور به مصرف مقادیر بالای آب است. حتی در طول روز هم تفاوت ایجاد می‌شود: در اوج گرما مصرف آب دو برابر شب است. برخی فناوری‌های نو مانند خنک‌سازی غوطه‌وری یا طراحی جدید مایکروسافت که مدعی «مصرف صفر آب» در بخش خنک‌سازی است، می‌توانند راه‌حل باشند، اما به دلیل هزینه و دشواری پیاده‌سازی هنوز فراگیر نشده‌اند.
نوع مدل هوش مصنوعی هم مهم است. مدل‌های پیچیده‌تر انرژی و آب بیشتری می‌طلبند. برای نمونه، یک پاسخ متوسط از جی پی تی-۵ حدود ۱۹.۳ وات‌ساعت انرژی مصرف می‌کند که معادل ۲۵ تا ۳۹ میلی‌لیتر آب است، در حالی‌که همین خروجی از جی پی تی-۴o تنها ۲ تا ۳.۵ میلی‌لیتر آب نیاز دارد. در مقایسه، گزارش گوگل نشان می‌دهد هر پرسش در سیستم جمنای تنها ۰.۲۶ میلی‌لیتر آب مصرف می‌کند. این اختلاف فاحش نشان می‌دهد بهینه‌سازی معماری مدل‌ها و زیرساخت‌ها می‌تواند تفاوت چشمگیری در ردپای آبی ایجاد کند.
در نهایت، اگرچه مجموع مصرف روزانه آب توسط میلیون‌ها پرسش هوش مصنوعی (مثلاً حدود ۹۷ میلیون لیتر برای جی پی تی-۵) قابل توجه است، اما هنوز بسیار کمتر از مصارفی مانند آبیاری چمن‌ها در آمریکا (۳۴ میلیارد لیتر روزانه) است. با این حال روند رشد سریع تقاضا برای هوش مصنوعی، ضرورت شفافیت شرکت‌ها و ارائه داده‌های دقیق را دوچندان می‌کند. استفاده از مراکز داده در مناطق خنک و پرآب، بازیافت آب و سرمایه‌گذاری در فناوری‌های خنک‌سازی نو می‌تواند آینده‌ای پایدارتر برای این صنعت فراهم کند.