AI કેટલું પાણી વાપરે છે?

મને ખાતરી છે કે તમે "AI દરેક થોડા પ્રશ્નો પર પાણીની બોટલ પીવે છે" થી લઈને "તે મૂળભૂત રીતે થોડા ટીપાં છે" સુધી બધું સાંભળ્યું હશે. સત્ય વધુ સૂક્ષ્મ છે. AI નું વોટર ફૂટપ્રિન્ટ તે ક્યાં ચાલે છે, તમારો પ્રોમ્પ્ટ કેટલો સમય ચાલે છે અને ડેટા સેન્ટર તેના સર્વરને કેવી રીતે ઠંડુ કરે છે તેના આધારે વ્યાપકપણે બદલાય છે. તો હા, હેડલાઇન નંબર અસ્તિત્વમાં છે, પરંતુ તે ચેતવણીઓના ઝાડમાં રહે છે.

નીચે હું સ્પષ્ટ, નિર્ણય લેવા માટે તૈયાર આંકડાઓ ખોલીશ, અંદાજો શા માટે અસંમત છે તે સમજાવીશ, અને બતાવીશ કે બિલ્ડરો અને રોજિંદા વપરાશકર્તાઓ ટકાઉપણુંના સાધુ બન્યા વિના પાણીનો વપરાશ કેવી રીતે ઘટાડી શકે છે.

આ પછી તમને વાંચવા ગમશે તેવા લેખો:

🔗 AI ડેટાસેટ શું છે?
ડેટાસેટ્સ મશીન લર્નિંગ તાલીમ અને મોડેલ વિકાસને કેવી રીતે સક્ષમ કરે છે તે સમજાવે છે.

🔗 AI વલણોની આગાહી કેવી રીતે કરે છે
ફેરફારો અને ભવિષ્યના પરિણામોની આગાહી કરવા માટે AI પેટર્નનું વિશ્લેષણ કેવી રીતે કરે છે તે બતાવે છે.

🔗 AI પ્રદર્શન કેવી રીતે માપવું
ચોકસાઈ, ગતિ અને વિશ્વસનીયતાનું મૂલ્યાંકન કરવા માટે આવશ્યક મેટ્રિક્સનું વિભાજન કરે છે.

🔗 AI સાથે કેવી રીતે વાત કરવી
સ્પષ્ટતા, પરિણામો અને સુસંગતતા સુધારવા માટે અસરકારક પ્રોત્સાહિત કરતી વ્યૂહરચનાઓનું માર્ગદર્શન આપે છે.

AI કેટલું પાણી વાપરે છે? તમે ખરેખર ઉપયોગ કરી શકો તેવા ઝડપી આંકડા 📏

• પ્રતિ પ્રોમ્પ્ટ, આજની લાક્ષણિક શ્રેણી: સબ-મિલિલીટરથી લઈને દસ મિલિલીટર સુધી . ઉદાહરણ તરીકે, ગૂગલનું ઉત્પાદન એકાઉન્ટિંગ મધ્ય ટેક્સ્ટ પ્રોમ્પ્ટ ~0.26 મિલી (સંપૂર્ણ સર્વિંગ ઓવરહેડ સહિત) નો અહેવાલ આપે છે [1]. મિસ્ટ્રલનું જીવનચક્ર મૂલ્યાંકન ~45 મિલી (સીમાંત અનુમાન) પર 400-ટોકન સહાયક જવાબ [2]. સંદર્ભ અને મોડેલ ખૂબ મહત્વ ધરાવે છે.

• ફ્રન્ટીયર-સ્કેલ મોડેલને તાલીમ આપવી: લાખો લિટરમાં ખર્ચ થઈ શકે છે , મોટે ભાગે ઠંડક અને વીજળી ઉત્પાદનમાં સમાવિષ્ટ પાણીમાંથી. વ્યાપકપણે ટાંકવામાં આવેલા શૈક્ષણિક વિશ્લેષણમાં GPT-ક્લાસ મોડેલને તાલીમ આપવા માટે ~5.4 મિલિયન લિટરનો ~700,000 લિટરનો સમાવેશ થાય છે - અને પાણીની તીવ્રતા ઘટાડવા માટે સ્માર્ટ શેડ્યૂલિંગ માટે દલીલ કરી હતી [3].

• સામાન્ય રીતે ડેટા સેન્ટર્સ: મોટી સાઇટ્સ દરરોજ લાખો ગેલનનો , કેટલાક કેમ્પસમાં આબોહવા અને ડિઝાઇન પર આધાર રાખીને ઊંચા શિખરો હોય છે [5].

ચાલો પ્રમાણિક રહીએ: શરૂઆતમાં તે આંકડાઓ અસંગત લાગે છે. તે છે. અને તેના સારા કારણો પણ છે.

AI પાણી-ઉપયોગ મેટ્રિક્સ ✅

"AI કેટલું પાણી વાપરે છે?" ના સારા જવાબ માટે થોડા બોક્સ ચેક કરવા જોઈએ:

1. સીમા સ્પષ્ટતા
   શું તેમાં ફક્ત સ્થળ પર ઠંડુ પાણીનો સમાવેશ થાય છે, કે વીજળી ઉત્પન્ન કરવા માટે પાવર પ્લાન્ટ બહારના પાણીનો પાણીના ઉપાડ વિરુદ્ધ પાણીના વપરાશ અને સ્કોપ્સ 1-2-3 ને અલગ પાડે છે, જે કાર્બન એકાઉન્ટિંગ [3] ની જેમ જ છે.

2. સ્થાન સંવેદનશીલતા
   પ્રતિ kWh પાણી પ્રદેશ અને ગ્રીડ મિશ્રણ પ્રમાણે બદલાય છે, તેથી એક જ પ્રોમ્પ્ટ ક્યાં પીરસવામાં આવે છે તેના આધારે વિવિધ પાણીની અસરો લઈ શકે છે - એક મુખ્ય કારણ કે સાહિત્ય સમય-અને-સ્થળ-જાગૃત સમયપત્રકની [3].

3. વર્કલોડ વાસ્તવવાદ
   શું સંખ્યા મધ્ય ઉત્પાદન સંકેતોને , જેમાં નિષ્ક્રિય ક્ષમતા અને ડેટા સેન્ટર ઓવરહેડનો સમાવેશ થાય છે, કે પછી ફક્ત ટોચ પર એક્સિલરેટરનો સમાવેશ થાય છે? ગૂગલ ફક્ત TPU ગણિત [1] પર જ નહીં, પરંતુ અનુમાન માટે પૂર્ણ-સિસ્ટમ એકાઉન્ટિંગ (નિષ્ક્રિય, CPU/DRAM અને ડેટા-સેન્ટર ઓવરહેડ) પર ભાર મૂકે છે.

4. ઠંડક ટેકનોલોજી
   બાષ્પીભવન ઠંડક, બંધ-લૂપ પ્રવાહી ઠંડક, હવા ઠંડક અને ઉભરતા ડાયરેક્ટ-ટુ-ચિપ ચોક્કસ આગામી પેઢીના સ્થળો માટે ઠંડકના પાણીના ઉપયોગને દૂર કરવા માટે ડિઝાઇન રજૂ કરી રહ્યું છે

5. દિવસનો સમય અને ઋતુ
   ગરમી, ભેજ અને ગ્રીડની સ્થિતિ વાસ્તવિક જીવનમાં પાણીના ઉપયોગની અસરકારકતામાં

પાણીનો ઉપાડ વિરુદ્ધ પાણીનો વપરાશ, સમજાવ્યું 💡

• ઉપાડ = નદીઓ, તળાવો અથવા જળાશયોમાંથી લેવામાં આવેલું પાણી (કેટલાક પાછું).

• વપરાશ = પાણી પાછું ન આવે કારણ કે તે બાષ્પીભવન થાય છે અથવા પ્રક્રિયાઓ/ઉત્પાદનોમાં સમાવિષ્ટ થાય છે.

કુલિંગ ટાવર્સ મુખ્યત્વે વપરાશ કરે છે પ્લાન્ટ અને ઠંડક પદ્ધતિના આધારે વીજળી ઉત્પાદન પાછું ખેંચી

AI માં પાણી ક્યાં જાય છે: ત્રણ ડોલ 🪣

1. સ્કોપ 1 - ઓન-સાઇટ કૂલિંગ
   દૃશ્યમાન ભાગ: ડેટા સેન્ટર પર જ પાણીનું બાષ્પીભવન. બાષ્પીભવન વિરુદ્ધ હવા અથવા બંધ-લૂપ પ્રવાહી બેઝલાઇન સેટ કરે છે [5].

2. કાર્યક્ષેત્ર 2 - વીજળી ઉત્પાદન
   દરેક kWh એક છુપાયેલ પાણીનો ટેગ લઈ શકે છે; મિશ્રણ અને સ્થાન તમારા કાર્યભારને વારસામાં મળેલા લિટર-પ્રતિ-kWh સિગ્નલને નિર્ધારિત કરે છે [3].

3. સ્કોપ 3 - સપ્લાય ચેઇન
   ચિપ મેન્યુફેક્ચરિંગ ફેબ્રિકેશનમાં અતિ-શુદ્ધ પાણી પર આધાર રાખે છે. તમે તેને "પ્રતિ પ્રોમ્પ્ટ" મેટ્રિકમાં જોશો નહીં સિવાય કે સીમામાં સ્પષ્ટપણે મૂર્ત અસરો (દા.ત., સંપૂર્ણ LCA) શામેલ હોય [2][3].

સંખ્યાઓ દ્વારા પ્રદાતાઓ, સૂક્ષ્મતા સાથે 🧮

• ગુગલ જેમિની
  ફુલ-સ્ટેક સર્વિંગ પદ્ધતિ (નિષ્ક્રિય અને સુવિધા ઓવરહેડ સહિત) સૂચવે છે. મધ્ય ટેક્સ્ટ પ્રોમ્પ્ટ ~0.26 મિલી પાણી સાથે ~0.24 Wh ઊર્જા; આંકડા ઉત્પાદન ટ્રાફિક અને વ્યાપક સીમાઓ દર્શાવે છે [1].

• મિસ્ટ્રલ લાર્જ 2 જીવનચક્ર
  એક દુર્લભ સ્વતંત્ર LCA (ADEME/કાર્બોન 4 સાથે) ~281,000 m³ અને 400-ટોકન માટે અનુમાન માર્જિનલ ~45 mL [2].

• માઈક્રોસોફ્ટની ઝીરો-વોટર કૂલિંગ મહત્વાકાંક્ષા
  ઠંડક માટે શૂન્ય પાણીનો ઉપયોગ કરવા માટે રચાયેલ છે , જે ડાયરેક્ટ-ટુ-ચિપ અભિગમો પર આધાર રાખે છે; એડમિન વપરાશકર્તાઓને હજુ પણ થોડું પાણી જરૂરી છે [4].

• સામાન્ય ડેટા-સેન્ટર સ્કેલ
  મુખ્ય ઓપરેટરો વ્યક્તિગત સ્થળોએ સરેરાશ દરરોજ લાખો ગેલનનો

• અગાઉની શૈક્ષણિક આધારરેખા
  મુખ્ય "તરસ્યા AI" વિશ્લેષણમાં GPT-વર્ગના મોડેલોને તાલીમ આપવા માટે લાખો લિટરનો 10-50 મધ્યમ જવાબો 500 mL જેટલા હોઈ શકે છે - તે ક્યારે/ક્યાં ચાલે છે તેના પર ભારે આધાર રાખે છે [3].

અંદાજો આટલા બધા અસંમત કેમ છે 🤷

• વિવિધ સીમાઓ
  કેટલાક આંકડા ફક્ત સ્થળ પર ઠંડકને ; અન્ય વીજળીનું પાણી ચિપ ઉત્પાદન ઉમેરી શકે છે . સફરજન, નારંગી અને ફળોનો કચુંબર [2][3].

• વિવિધ વર્કલોડ
  ટૂંકા ટેક્સ્ટ પ્રોમ્પ્ટ એ લાંબો મલ્ટિમોડલ/કોડ રન નથી; બેચિંગ, કોનકરન્સી અને લેટન્સી લક્ષ્યો ઉપયોગિતામાં ફેરફાર કરે છે [1][2].

• વિવિધ આબોહવા અને ગ્રીડ
  ગરમ, શુષ્ક પ્રદેશમાં બાષ્પીભવનશીલ ઠંડક ≠ ઠંડા, ભીના પ્રદેશમાં હવા/પ્રવાહી ઠંડક. ગ્રીડ પાણીની તીવ્રતા વ્યાપકપણે બદલાય છે [3].

• વિક્રેતા પદ્ધતિઓ
  ગૂગલે સિસ્ટમ-વ્યાપી સેવા પદ્ધતિ પ્રકાશિત કરી; મિસ્ટ્રલે ઔપચારિક LCA પ્રકાશિત કર્યું. અન્ય લોકો છૂટાછવાયા પદ્ધતિઓ સાથે પોઈન્ટ અંદાજ આપે છે. એક ઉચ્ચ-પ્રોફાઇલ "એક ચમચીનો પંદરમો ભાગ" પ્રતિ-પ્રોમ્પ્ટ દાવાએ હેડલાઇન્સ બનાવી - પરંતુ સીમા વિગતો વિના, તે તુલનાત્મક નથી [1][3].

• ગતિશીલ લક્ષ્ય
  કુલિંગ ઝડપથી વિકસી રહ્યું છે. માઇક્રોસોફ્ટ પાણી-મુક્ત કુલિંગનું ; આને રોલ આઉટ કરવાથી સાઇટ પર પાણી ઓછું થશે, ભલે ઉપરની તરફ વીજળી હજુ પણ પાણીનો સંકેત વહન કરે છે [4].

AI ના વોટર ફૂટપ્રિન્ટને ઘટાડવા માટે આજે તમે શું કરી શકો છો 🌱

1. મોડેલને જમણું-કદ આપો
   નાના, ટાસ્ક-ટ્યુન કરેલા મોડેલો વારંવાર ચોકસાઈ સાથે મેળ ખાય છે જ્યારે ઓછા કમ્પ્યુટને બર્ન કરે છે. મિસ્ટ્રાલનું મૂલ્યાંકન મજબૂત કદ-થી-ફૂટપ્રિન્ટ સહસંબંધોને રેખાંકિત કરે છે - અને સીમાંત અનુમાન નંબરો પ્રકાશિત કરે છે જેથી તમે ટ્રેડઓફ્સ વિશે તર્ક કરી શકો [2].

2. પાણી મુજબના પ્રદેશો પસંદ કરો
   ઠંડા વાતાવરણ, કાર્યક્ષમ ઠંડક અને kWh દીઠ ઓછી પાણીની તીવ્રતાવાળા ગ્રીડવાળા પ્રદેશોને પસંદ કરો; "તરસ્યા AI" કાર્ય બતાવે છે કે સમય અને સ્થળ-જાગૃત સમયપત્રક મદદ કરે છે [3].

3. કાર્યભાર સમયસર બદલો
   પાણી-કાર્યક્ષમ કલાકો માટે તાલીમ/ભારે બેચ અનુમાનનું સમયપત્રક (ઠંડી રાત્રિઓ, અનુકૂળ ગ્રીડ પરિસ્થિતિઓ) [3].

4. તમારા વિક્રેતાને પારદર્શક મેટ્રિક્સ માટે પૂછો.
   પ્રતિ-પ્રોમ્પ્ટ પાણીની માંગ , સીમા વ્યાખ્યાઓ, અને શું સંખ્યામાં નિષ્ક્રિય ક્ષમતા અને સુવિધા ઓવરહેડનો સમાવેશ થાય છે. નીતિ જૂથો સફરજનથી સફરજનની તુલના શક્ય બનાવવા માટે ફરજિયાત જાહેરાત માટે દબાણ કરી રહ્યા છે [3].

5. કૂલિંગ ટેક મહત્વ ધરાવે છે
   જો તમે હાર્ડવેર ચલાવો છો, તો ક્લોઝ્ડ-લૂપ/ડાયરેક્ટ-ટુ-ચિપ કૂલિંગનું ; જો તમે ક્લાઉડ પર છો, તો વોટર-લાઇટ ડિઝાઇનમાં [4][5].

6. ગ્રેવોટરનો ઉપયોગ કરો અને ફરીથી ઉપયોગ કરો વિકલ્પો
   ઘણા કેમ્પસ બિન-પીવાલાયક સ્ત્રોતોને બદલી શકે છે અથવા લૂપ્સમાં રિસાયકલ કરી શકે છે; મોટા ઓપરેટરો ચોખ્ખી અસર ઘટાડવા માટે પાણીના સ્ત્રોતોને સંતુલિત કરવા અને ઠંડકના વિકલ્પોનું વર્ણન કરે છે [5].

તેને વાસ્તવિક બનાવવા માટે એક ઝડપી ઉદાહરણ (સાર્વત્રિક નિયમ નથી): ઉનાળાના મધ્યમાં ગરમ, સૂકા પ્રદેશથી વસંતઋતુમાં ઠંડા, વધુ ભેજવાળા પ્રદેશમાં રાત્રિ તાલીમ કાર્યને ખસેડવું - અને તેને ઓછા-પીક, ઠંડા કલાકો દરમિયાન ચલાવવું - સ્થળ પર પાણીનો ઉપયોગ અને સ્થળની બહાર (ગ્રીડ) પાણીની તીવ્રતા બંનેને બદલી શકે છે. આ પ્રકારનું વ્યવહારુ, લો-ડ્રામા વિન શેડ્યુલિંગ [3] ને અનલૉક કરી શકે છે.

સરખામણી કોષ્ટક: AI ના પાણીના ભાવ ઘટાડવા માટેના ઝડપી વિકલ્પો 🧰

("કિંમત" ડિઝાઇન દ્વારા પાતળી છે - ડિપ્લોયમેન્ટ અલગ અલગ હોય છે.)

ઊંડાણમાં ડૂબકી લગાવો: નીતિના ઢોલના ધબકાર વધુ જોરથી વધી રહ્યા છે 🥁

એન્જિનિયરિંગ સંસ્થાઓ ફરજિયાત જાહેરાત જેથી ખરીદદારો અને સમુદાયો ખર્ચ અને લાભોનું મૂલ્યાંકન કરી શકે. ભલામણોમાં અવકાશ વ્યાખ્યાઓ, સાઇટ-સ્તર રિપોર્ટિંગ અને સાઇટિંગ માર્ગદર્શનનો સમાવેશ થાય છે - કારણ કે તુલનાત્મક, સ્થાન-જાગૃત મેટ્રિક્સ વિના, આપણે અંધારામાં દલીલ કરી રહ્યા છીએ [3].

ઊંડાણપૂર્વક વાંચો: બધા ડેટા સેન્ટરો એકસરખી રીતે પાણી પીતા નથી 🚰

એક સતત માન્યતા છે કે "એર કૂલિંગમાં પાણીનો ઉપયોગ થતો નથી." બિલકુલ નહીં. એર-હેવી સિસ્ટમ્સને ઘણીવાર વધુ વીજળીની , જે ઘણા પ્રદેશોમાં ગ્રીડમાંથી છુપાયેલું પાણી વોટર કૂલિંગ સાઇટ પરના પાણીની કિંમતે પાવર અને ઉત્સર્જનમાં ઘટાડો કરી શકે છે. મોટા ઓપરેટરો સાઇટ-બાય-સાઇટ [1][5] દ્વારા આ ટ્રેડ-ઓફને સ્પષ્ટપણે સંતુલિત કરે છે.

ઊંડાણપૂર્વક તપાસ: વાયરલ દાવાઓની ઝડપી વાસ્તવિકતા તપાસ 🧪

તમે કદાચ બોલ્ડ નિવેદનો જોયા હશે કે એક જ પ્રોમ્પ્ટ "પાણીની બોટલ" સમાન છે, અથવા, બીજી બાજુ, "ફક્ત થોડા ટીપાં". વધુ સારી મુદ્રા: ગણિત સાથે નમ્રતા . આજના વિશ્વસનીય બુકએન્ડ્સ સંપૂર્ણ સર્વિંગ ઓવરહેડ [1] સાથે મધ્યમ ઉત્પાદન પ્રોમ્પ્ટ માટે ~0.26 mL ~45 mL . ખૂબ જ શેર કરાયેલ "ચમચીનો પંદરમો ભાગ" દાવામાં જાહેર સીમા/પદ્ધતિનો અભાવ છે; તેને શહેર વિના હવામાન આગાહીની જેમ ગણો [1][3].

નાના-વાર વારંવાર પૂછાતા પ્રશ્નો: AI કેટલું પાણી વાપરે છે? ફરીથી, સાદા અંગ્રેજીમાં 🗣️

• તો, મીટિંગમાં મારે શું કહેવું જોઈએ?
  "પ્રતિ પ્રોમ્પ્ટ મુજબ, તે મોડેલ, લંબાઈ અને તે ક્યાં ચાલે છે તેના પર આધાર રાખીને, ટીપાંથી લઈને થોડા ચુસ્કીઓ સુધીની તાલીમમાં પુલની જરૂર પડે છે , ખાબોચિયા નહીં." પછી ઉપર એક કે બે ઉદાહરણો ટાંકો.

• શું AI ખાસ ખરાબ છે?
  તે ખાસ કરીને કેન્દ્રિત : હાઇ-પાવર ચિપ્સ એકસાથે પેક કરીને મોટા કૂલિંગ લોડ બનાવે છે. પરંતુ ડેટા સેન્ટર્સ એવા પણ છે જ્યાં શ્રેષ્ઠ કાર્યક્ષમતા ટેકનોલોજી પ્રથમ સ્થાને આવે છે [1][4].

• જો આપણે બધું જ એર કૂલિંગમાં ખસેડીએ તો શું?
  તમે સ્થળ પર પાણી ઘટાડી શકો છો પરંતુ સ્થળની બહાર પાણી વધારી શકો છો. સુસંસ્કૃત ઓપરેટરો બંનેનું વજન કરે છે [1][5].

• ભવિષ્યની ટેકનોલોજી વિશે શું?
  પાણી ઠંડુ ન થાય તેવી ડિઝાઇન સ્કોપ 1 માટે ગેમ-ચેન્જર હશે. કેટલાક ઓપરેટરો આ રીતે આગળ વધી રહ્યા છે; ગ્રીડ બદલાય ત્યાં સુધી અપસ્ટ્રીમ વીજળી હજુ પણ પાણીનો સંકેત વહન કરે છે [4].

અંતિમ ટિપ્પણી - ખૂબ લાંબો સમય, મેં તે વાંચ્યું નથી 🌊

• પ્રતિ પ્રોમ્પ્ટ: મોડેલ, પ્રોમ્પ્ટ લંબાઈ અને તે ક્યાં ચાલે છે તેના આધારે, સબ-મિલિલીટરથી દસ મિલીલીટર સુધી વિચારો એક મુખ્ય સ્ટેક પર મધ્ય પ્રોમ્પ્ટ ~0.26 મિલી બીજા [1][2] પર 400-ટોકન જવાબ માટે ~45 મિલી

• તાલીમ: લાખો લિટર , શેડ્યૂલિંગ, સાઇટિંગ અને કૂલિંગ ટેકને મહત્વપૂર્ણ બનાવે છે [3].

• શું કરવું: યોગ્ય કદના મોડેલો, પાણી મુજબના પ્રદેશો પસંદ કરો, ભારે કામોને ઠંડા કલાકોમાં ખસેડો, પાણી-પ્રકાશ ડિઝાઇન સાબિત કરતા વિક્રેતાઓને પસંદ કરો અને પારદર્શક સીમાઓની માંગ કરો [1][3][4][5].

અંતમાં થોડી ખામીયુક્ત રૂપક: AI એક તરસ્યો ઓર્કેસ્ટ્રા છે - મેલોડી ગણતરીની છે, પરંતુ ડ્રમ્સ ઠંડુ કરે છે અને પાણીને ગ્રીડ કરે છે. બેન્ડને ટ્યુન કરો, અને પ્રેક્ષકોને સ્પ્રિંકલર્સ બંધ કર્યા વિના પણ સંગીત મળે છે. 🎻💦

સંદર્ભ

1. ગૂગલ ક્લાઉડ બ્લોગ - ગૂગલનું એઆઈ કેટલી ઉર્જા વાપરે છે? અમે ગણિત કર્યું (પદ્ધતિ + ~0.26 મિલી સરેરાશ પ્રોમ્પ્ટ, સંપૂર્ણ સર્વિંગ ઓવરહેડ). લિંક
   (ટેકનિકલ પેપર પીડીએફ: ગૂગલ સ્કેલ પર એઆઈ પહોંચાડવાની પર્યાવરણીય અસરનું માપન .) લિંક

2. મિસ્ટ્રલ AI - AI માટે વૈશ્વિક પર્યાવરણીય ધોરણમાં અમારું યોગદાન (ADEME/કાર્બોન 4 સાથે LCA; ~281,000 m³ તાલીમ + પ્રારંભિક ઉપયોગ; 400-ટોકન જવાબ દીઠ ~45 mL લિંક

3. લી અને અન્ય - AI ને "તરસ્યા" ઓછી કરવી: AI મોડેલ્સના ગુપ્ત પાણીના પદચિહ્નને ઉજાગર કરવું અને સંબોધિત કરવું ( લાખો લિટર , સમય અને સ્થળ-જાગૃત સમયપત્રક, ઉપાડ વિરુદ્ધ વપરાશનું તાલીમ). લિંક

4. માઈક્રોસોફ્ટ - આગામી પેઢીના ડેટાસેન્ટર્સ ઠંડક માટે શૂન્ય પાણીનો ઉપયોગ કરે છે (ચોક્કસ સ્થળોએ પાણી-મુક્ત ઠંડકને લક્ષ્ય બનાવતી ડાયરેક્ટ-ટુ-ચિપ ડિઝાઇન). લિંક

5. ગૂગલ ડેટા સેન્ટર્સ - ટકાઉ રીતે કાર્યરત (સાઇટ-બાય-સાઇટ કૂલિંગ ટ્રેડ-ઓફ; રિપોર્ટિંગ અને પુનઃઉપયોગ, જેમાં પુનઃપ્રાપ્ત/ગ્રેવોટરનો સમાવેશ થાય છે; લાક્ષણિક દૈનિક સાઇટ-સ્તરના વપરાશના ક્રમ). લિંક

અધિકૃત AI સહાયક સ્ટોર પર નવીનતમ AI શોધો

અમારા વિશે