ابرهوش چقدر آب می خورد؟ درباره هزینه محیط زیستی هوش مصنوعی

ما عادت کرده ایم هوش مصنوعی را چیزی «نامرئی» بدانیم: ابر، فضای ابری، مدل هایی که در آسمان اینترنت شناورند. اما ابر، زمینی است. هر پاسخی که از یک مدل زبانی می گیریم، جایی روی زمین، در ساختمانی بتنی پر از رک های فلزی، با برق و آب واقعی تولید شده است. پرسش این یادداشت ساده است: تمدنی که می خواهد با ابرهوش آینده را بسازد، حاضر است برای ساختن آن چه چیزی از آینده بگیرد؟

## قاب فلسفی: مسئولیت در برابر آنچه دیده نمی شود

هانس یوناس، فیلسوف آلمانی، در کتاب «اصل مسئولیت» (۱۹۷۹) استدلال کرد که فناوری مدرن، دامنه ی عمل انسان را چنان گسترش داده که اخلاق سنتی — اخلاقی که فقط رابطه ی من و همسایه ی امروزم را تنظیم می کرد — دیگر کفایت نمی کند. ما امروز با هر انتخاب فناورانه، در سرنوشت کسانی دخالت می کنیم که هنوز به دنیا نیامده اند. مسئولیت، از این پس، آینده نگر است.

هوش مصنوعی، مصداق تمام عیار همین تز است. انقلاب صنعتی دودکش داشت و دودش دیده می شد؛ انقلاب دیجیتال اما خود را «پاک» جا زد. این همان «تکنوکراسی پنهان» است که پیش تر درباره اش نوشته ام: هزینه ای که دیده نمی شود، در حساب نمی آید؛ و آنچه در حساب نمی آید، در تصمیم هم نمی آید.

اما اعداد، این نامرئی بودن را رسوا می کنند. بر اساس گزارش به روزشده ی آژانس بین المللی انرژی (IEA) در سال ۲۰۲۶، دیتاسنترهای جهان در سال ۲۰۲۵ حدود ۴۸۵ تراوات ساعت برق مصرف کردند — نزدیک به ۱٫۵ درصد کل برق تولیدشده در جهان — و این رقم در یک سال ۱۷ درصد رشد کرده است. پیش بینی IEA برای ۲۰۳۰ نزدیک به ۹۵۰ تراوات ساعت است؛ یعنی سه درصد برق جهان، فقط برای ساختمان هایی که «ابر» را نگه می دارند. در آمریکا، تصویر تندتر است: آزمایشگاه ملی لارنس برکلی برآورد می کند دیتاسنترهای آمریکا در ۲۰۲۴ حدود ۱۹۲ تراوات ساعت (۴٫۷ درصد برق کشور) مصرف کرده اند و در سناریوی مرجع تا ۲۰۳۰ به ۶۴۹ تراوات ساعت — ۱۱٫۸ درصد — می رسند. گلدمن ساکس پیش بینی می کند تا ۲۰۳۰ حدود یک پنجم برق دیتاسنترهای جهان صرف خود هوش مصنوعی شود.

داستان آب، از برق هم گویاتر است. پژوهش مدل سازی شده ای که در ۲۰۲۵ منتشر شد، مصرف آب عملیاتی هوش مصنوعی جهان در همان سال را بین ۳۱۲ تا ۷۶۵ میلیارد لیتر برآورد می کند — بازه ای وسیع، چون شرکت ها مصرف هوش مصنوعی را از بقیه ی بار کاری تفکیک و افشا نمی کنند، و همین پنهان کاری خود بخشی از مسئله است. برای لمس مقیاس: آموزش مدل GPT-3 حدود ۷۰۰ هزار لیتر آب شیرین مصرف کرد؛ هر پرس وجوی ساده از چت بات، بین ۱۰ تا ۲۵ میلی لیتر آب می طلبد. در سمت کربن، آموزش GPT-3 حدود ۵۵۲ تن معادل CO₂ منتشر کرد و مدل Llama-3.1 با ۴۰۵ میلیارد پارامتر، با ۸٬۹۳۰ تن، رکورد بزرگ ترین رقم رسما افشاشده را دارد. اما نکته ی آموزنده، مدل BLOOM است: با وجود ۱۷۶ میلیارد پارامتر، فقط حدود ۲۵ تن منتشر کرد — چون روی شبکه ی برق کم کربن فرانسه آموزش دید. درس روشن است: در ردپای کربنی هوش مصنوعی، «کجا و با چه برقی» آموزش می بینی، گاهی مهم تر از «چقدر بزرگی» است.

و این اعداد دیگر در گزارش ها حبس نمانده اند؛ به خیابان رسیده اند. در ۲۰۲۶ مایکروسافت برای تامین برق دیتاسنترهایش سراغ بازگشایی واحد ازکارافتاده ی نیروگاه «تری مایل آیلند» رفت (حدود ۸۳۵ مگاوات)، گوگل قرارداد ۳٫۶ گیگاواتی با شرکت Constellation امضا کرد، و در آمریکا بیش از صد طرح ممنوعیت محلی ساخت دیتاسنتر مطرح شده است؛ تا جایی که آمازون برنامه ای یک میلیارد دلاری برای جلب رضایت جوامع محلی اعلام کرد. وقتی غول های فناوری برای برق به سراغ نیروگاه های هسته ای بازنشسته می روند، یعنی مسئله ی انرژی هوش مصنوعی دیگر یک «نگرانی محیط زیستی» نیست؛ یک واقعیت ژئوپلیتیک است.

## لنز ایرانی-اسلامی: امانت، لاضرر، و حساب غنم و غرم

حکمت اسلامی، رابطه ی انسان و طبیعت را با مفهوم «امانت» تعریف می کند: انسان خلیفه ی خداوند بر زمین است، نه مالک مطلق آن. امین، حق تصرف دارد اما تصرف او حساب دارد؛ و حسابی که پس داده نشود، خیانت در امانت است. مصرف آب و برق یک سرزمین برای آموزش مدل هایی که منفعتشان جهانی و خصوصی است، تصرف در امانت عمومی است — و امروز این تصرف، بی حساب انجام می شود.

قاعده ی «لاضرر و لاضرار» نیز همین جا به کار می آید. توسعه ای که آب شرب یک شهر را می بلعد، قبض برق همسایه را بالا می برد، یا شبکه ی برق کشوری را که با ناترازی دست وپنجه نرم می کند تحت فشار می گذارد، مصداق ضرر است؛ و هیچ پیشرفتی، هرقدر هم «هوشمند»، نمی تواند ضرر مسلم را توجیه کند.

و سوم، قاعده ی «الغنم بالغرم»: هر که بهره می برد، هزینه را هم باید بپردازد. امروز این معادله وارونه است: غنم ابرهوش — سود، قدرت، داده — خصوصی و فراملی است، اما غرم آن — آب، برق، کربن، گرمای شهرها — عمومی و محلی. این شکاف توزیعی، دقیقا همان بی عدالتی ای است که فقه اسلامی نسبت به آن حساسیت تاریخی دارد. وقتی فرهنگ مهندسی غالب، «هرچه بزرگ تر، بهتر» است و مدل ها در مسابقه ای بی پایان حجیم تر می شوند، این نه پیشرفت عقلانی که مصداق «اسراف» است؛ و اسراف در منطق قرآنی، نه یک عادت بد فردی که یک انحراف تمدنی است.

برای ایران، این بحث یک لایه ی راهبردی هم دارد. در حالی که برای ایران هنوز برآورد ملی معتبری از مصرف برق دیتاسنترها منتشر نشده — و همین سکوت آماری خود نشانه ی عقب ماندگی حکمرانی داده در کشور است — همسایگان جنوبی با پروژه هایی چون Stargate امارات و زیرساخت عظیم HUMAIN عربستان، خلیج فارس را به قطب زیرساخت هوش مصنوعی بدل می کنند. ایران در میانه ی ناترازی انرژی، بر سر یک دو راهی تمدنی ایستاده است: یا مصرف کننده ی منفعل ابر دیگران می ماند، یا صاحب زیرساختی می شود که از روز اول، حساب انرژی اش را دارد. «حاکمیت داده = حاکمیت سیاسی»؛ و امروز باید افزود: حاکمیت انرژی داده نیز همان حاکمیت سیاسی است.

## چارچوب تجویزی: چهار رکن حکمرانی سبز هوش مصنوعی

از این تحلیل، یک چارچوب چهاررکنی برای سیاست گذاری بیرون می آید — چارچوبی که هم برای جهان و هم برای ایران در حال تصمیم، کاربرد دارد:

**رکن اول: شفافیت الزامی.** گزارش دهی عمومی مصرف انرژی، آب و ردپای کربن هر مدل و هر دیتاسنتر باید از حالت داوطلبانه و ناقص امروز خارج شود. چنان که در آمریکا پیشنهاد شده دیتاسنترها مانند نیروگاه ها مجوز بگیرند و مصرفشان را افشا کنند، هیچ توسعه دهنده ای نباید بتواند هزینه ی محیط زیستی محصولش را «راز تجاری» بداند.

**رکن دوم: کارایی به مثابه فضیلت مهندسی.** درس BLOOM را باید جدی گرفت: مدل کوچک تر روی برق پاک، از غول روی برق کثیف، هم ارزان تر است هم اخلاقی تر. با توجه به اینکه بخش عمده ی مصرف آینده از «استنتاج» (میلیاردها پرس وجوی روزانه) می آید نه آموزش، بهینه سازی استنتاج باید به یک اولویت پژوهشی و صنعتی بدل شود.

**رکن سوم: عدالت توزیعی.** جوامعی که آب و برقشان صرف دیتاسنترها می شود، باید سهم واقعی از منافع ببرند — نه صدقه های تبلیغاتی، بلکه سازوکارهای قاعده مند: از تعرفه گذاری منصفانه تا مشارکت در تصمیم مکان یابی. این همان ترجمان امروزی «الغنم بالغرم» است.

**رکن چهارم: پیوند سیاست انرژی و سیاست هوش مصنوعی در ایران.** هر مگاوات ابری که ایران می سازد، باید در سند انرژی کشور جا داشته باشد؛ توسعه ی زیرساخت هوش مصنوعی بومی باید هم زمان با سرمایه گذاری در انرژی های پاک و مدیریت ناترازی پیش برود. هوش مصنوعی بدون برنامه ی انرژی، یا به خاموشی می رسد یا به وابستگی.

ابرهوش قرار است به ما کمک کند آینده را بسازیم. اما اگر ساختن آن، همین آینده را بسوزاند — آبش را بنوشد، برقش را ببلعد و هوایش را سنگین کند — چه کسی پاسخ گوست؟ پاسخ یوناس روشن بود: ما، در برابر کسانی که هنوز نیامده اند. و پاسخ حکمت ما نیز همین است: امین، روزی حساب پس می دهد.

---

*یادداشت علمی روزانه — ۲۷ مهر ۱۴۰۵ / ۱۸ اکتبر ۲۰۲۶*

*منابع داده ها: آژانس بین المللی انرژی (گزارش «پرسش های کلیدی انرژی و هوش مصنوعی»، به روزرسانی ۲۰۲۶)؛ آزمایشگاه ملی لارنس برکلی (گزارش مصرف انرژی دیتاسنترهای آمریکا، ۲۰۲۵)؛ گلدمن ساکس (۲۰۲۴–۲۰۲۵)؛ de Vries-Gao (Cell Patterns، ۲۰۲۵)؛ Li و همکاران (Making AI Less Thirsty)؛ Patterson و همکاران؛ گزارش های ۲۰۲۶ رویترز، بلومبرگ و TechCrunch درباره قراردادهای هسته ای هایپراسکیلرها.*