⭐ נקודות עיקריות
- גוגל מציגה מתודולוגיה חדשה למדידת טביעת הרגל האנרגטית של הבינה המלאכותית, הכוללת חישוב אנרגיה, מים ופליטות פחמן לכל שאילתה.
- יעילות גבוהה יותר – על פי החברה, במהלך שנה אחת נרשמה ירידה של פי 33 בצריכת האנרגיה ופי 44 בטביעת הפחמן עבור מודלי Gemini.
- ההשוואות החיצוניות שונות משמעותית – הערכות אחרות מצביעות על צריכה גבוהה בהרבה, עד עשרות וואט\שעה לשאילתה במודלים החדשים.
- היעדר סטנדרט אחיד מוביל לפערים גדולים בנתונים ולצורך בתקינה מוסכמת למדידת ההשפעה הסביבתית של AI.
גוגל פרסמה מחקר חדש שמטרתו להעריך את טביעת הרגל האנרגטית של מערכות הבינה המלאכותית שלה, ובעיקר את צריכת האנרגיה, פליטות הפחמן ושימוש במים בעת ביצוע שאילתות במודלי Gemini.
מדובר באחת ההתייחסויות המקיפות ביותר שנעשו עד כה לנושא שמעסיק את תעשיית הטכנולוגיה והמדיניות הסביבתית – כמה חשמל באמת דורשת שאילתה אחת ל-AI, והאם הדבר מצדיק את ההשקעות בתשתיות עתק.
המתודולוגיה של גוגל
במרכז המחקר עומדת מתודולוגיה רחבה שלוקחת בחשבון לא רק את השבבים הגרפיים (GPU) או ה-TPU הפעילים, אלא גם:
- צריכת המעבדים (CPU) והזיכרון הנלווים בזמן הפעולה.
- מכונות רזרבה שנמצאות במצב המתנה כדי לעמוד בעליה פתאומית תעבורה.
- מערכות תומכות במרכזי הנתונים – קירור, הפצת חשמל ותשתיות נוספות.
- צריכת מים לקירור והקשר בין יעילות אנרגטית לבין שימוש במשאבים מקומיים.
הגישה הזו שונה מרוב ההערכות הציבוריות, שלרוב מתמקדות רק בצריכת השבבים הפעילים ומציגות נתונים “אופטימיים” שאינם משקפים את ההיקף המלא.
יעילות במודלי Gemini
על פי נתוני גוגל, במהלך שנה אחת נרשמה ירידה של פי 33 בצריכת האנרגיה הממוצעת לשאילתה ופי 44 בטביעת הפחמן. הירידה נובעת משילוב של כמה רכיבים:
- שימוש בארכיטקטורות יעילות יותר כמו Mixture-of-Experts.
- אלגוריתמים חדשים לצמצום חישובים, ביניהם Quantization ו-Speculative Decoding.
- חומרה ייעודית – דור חדש של שבבי TPU (Ironwood) בעלי שיפור משמעותי ביחס לדורות קודמים.
- מרכזי נתונים הפועלים ביעילות גבוהה במיוחד (PUE ממוצע של 1.09) עם שילוב הולך וגדל של מקורות אנרגיה מתחדשים.
הנתונים נועדו להמחיש כי גידול חד בביקוש לשירותי AI לא בהכרח מחייב עלייה דומה בצריכת החשמל.
השוואות חיצוניות
מחקרים והערכות אחרות מציירים תמונה מגוונת הרבה יותר. ישנם דיווחים על צריכת אנרגיה של כ־0.3-0.4 וואט-שעה לשאילתה במודלים כמו GPT-4o, בעוד שמודלים מתקדמים יותר, כדוגמת GPT-5, מוערכים כצורכים עשרות וואט-שעה לשאילתה אחת – היקף שניתן לתרגם לצריכת חשמל של מיליוני משקי בית ביום.
במקביל, חוקרים מצביעים על כך ששאילתת AI ממוצעת צורכת פי 10 יותר אנרגיה מחיפוש רגיל בגוגל.
הפערים בין ההערכות השונות אינם מקריים. הם נובעים מהיעדר מתודולוגיה אחידה ומחוסר שקיפות מלא מצד החברות.
בעוד שגוגל מציגה מתודולוגיה מלאה יחסית, מרבית החישובים החיצוניים נשענים על מדידות חלקיות או הערכות גסות.
גם ההקשר התפעולי משפיע מאוד – שאילתה קצרה מול שאילתה ארוכה, סוג המודל, הדור של החומרה ואפילו תמהיל ייצור החשמל במדינה בה פועל הדאטה סנטר.
התוצאה היא שאין כיום “מספר אמת” יחיד שניתן להציג, אלא טווח רחב של הערכות.
השוואות מהחיים האמיתיים
כדי להמחיש את סדרי הגודל, הנה טבלה המשווה בין צריכת האנרגיה של שאילתה ממוצעת במודל Gemini לבין פעולות יומיומיות מוכרות:
| פעולה | הנחת חישוב | צריכת אנרגיה משוערת | שווה ערך לפרומפטים |
|---|---|---|---|
| שאילתת Gemini | נתוני גוגל (2025) | 0.24Wh | 1 |
| דקת צפייה בטלוויזיה | מסך “LED 55 בצריכה ממוצעת של 100W | 1.67Wh | 7 |
| טעינה מלאה של סמארטפון | סוללת 4000mAh ב-3.85V | 15Wh | 60 |
*החישובים הם סדרי גודל בלבד. הטעינה בפועל כוללת הפסדים של חום והמרות מתח, כך שהצריכה מהשקע מעט גבוהה יותר.
מבט קדימה
הדיון סביב טביעת הרגל האנרגטית של הבינה המלאכותית צפוי להתעצם בשנים הקרובות.
ככל שהשימוש במודלים גדל, כך עולה הלחץ על חברות הטכנולוגיה להציג מדידה שקופה וסטנדרטים אחידים, בדומה לתחומים אחרים כמו דירוגי יעילות אנרגטית למכשירי חשמל.
המחקר של גוגל מהווה צעד חשוב בכיוון הזה, אך הוא גם ממחיש עד כמה השוק כולו זקוק לגישה מוסכמת שתאפשר לציבור להבין טוב יותר את המחיר הסביבתי של הבינה המלאכותית.
