Τεχνητή νοημοσύνη: Ποια chatbots «καίνε» περισσότερο ρεύμα – Οι τεράστιες διαφορές σε ChatGPT, Claude και Gemini

Τεχνητή νοημοσύνη: Ποια chatbots «καίνε» περισσότερο ρεύμα – Οι τεράστιες διαφορές σε ChatGPT, Claude και Gemini
Photo: Shutterstock
Από τις απλές ερωτήσεις μέχρι τη δημιουργία εφαρμογών, το ενεργειακό κόστος της τεχνητής νοημοσύνης μπορεί να διαφέρει έως και χιλιάδες φορές. Νέες έρευνες αποκαλύπτουν τις μεγάλες αποκλίσεις μεταξύ των μοντέλων AI, την ώρα που οι τεχνολογικοί κολοσσοί δέχονται πιέσεις για μεγαλύτερη διαφάνεια σχετικά με το περιβαλλοντικό τους αποτύπωμα.
  • Μεγάλες διαφορές στην κατανάλωση ενέργειας καταγράφονται μεταξύ μοντέλων τεχνητής νοημοσύνης, ανάλογα με την πολυπλοκότητα της εργασίας και τις υποδομές που χρησιμοποιούνται.
  • Μια σύνθετη εργασία AI μπορεί να έχει έως και 10.000 φορές μεγαλύτερο περιβαλλοντικό αποτύπωμα από μια απλή ερώτηση, σύμφωνα με ανάλυση της Vals AI.
  • Μόλις 0,24 Wh καταναλώνει μια τυπική ερώτηση κειμένου στο Gemini, σύμφωνα με στοιχεία της Google, ενώ ανεξάρτητες εκτιμήσεις αποτυπώνουν πολύ υψηλότερη κατανάλωση για ορισμένες απαιτητικές εργασίες.

Η ραγδαία ανάπτυξη της τεχνητής νοημοσύνης δημιουργεί νέες προκλήσεις για το περιβάλλον, καθώς η αυξανόμενη χρήση εφαρμογών όπως το ChatGPT, το Claude και το Gemini συνοδεύεται από μεγαλύτερη ζήτηση ηλεκτρικής ενέργειας και αυξημένες ανάγκες υπολογιστικής ισχύος.

Ωστόσο, δεν έχουν όλα τα μοντέλα το ίδιο περιβαλλοντικό αποτύπωμα. Η ενέργεια που απαιτείται για την παραγωγή μιας απάντησης μπορεί να διαφέρει σημαντικά, ανάλογα με το μοντέλο, την πολυπλοκότητα της εργασίας και την τοποθεσία του data center που επεξεργάζεται το αίτημα.

Όπως αναφέρει το Bloomberg, ερευνητές επιχειρούν να υπολογίσουν με μεγαλύτερη ακρίβεια την ενεργειακή κατανάλωση και τις εκπομπές διοξειδίου του άνθρακα των συστημάτων AI, σε μια περίοδο που οι μεγαλύτερες τεχνολογικές εταιρείες εξακολουθούν να δημοσιοποιούν περιορισμένα στοιχεία.

Το ζήτημα αποκτά ιδιαίτερη σημασία καθώς η τεχνητή νοημοσύνη ενσωματώνεται σε ολοένα περισσότερες επιχειρηματικές δραστηριότητες, από την εξυπηρέτηση πελατών μέχρι την ανάπτυξη λογισμικού και την αυτοματοποίηση εργασιών.

Πόση ενέργεια χρειάζεται μια ερώτηση στο ChatGPT;

Κάθε φορά που ένας χρήστης υποβάλλει ένα ερώτημα σε ένα chatbot, το αίτημα μεταφέρεται σε ένα κέντρο δεδομένων, όπου ειδικοί επεξεργαστές εκτελούν τους υπολογισμούς που απαιτούνται για τη δημιουργία της απάντησης.

Η διαδικασία καταναλώνει ηλεκτρική ενέργεια και παράγει θερμότητα, γεγονός που καθιστά απαραίτητη τη λειτουργία συστημάτων ψύξης.

Σύμφωνα με τη σχετική έρευνα που επικαλείται το Bloomberg, η ψύξη μπορεί, σε ορισμένες εγκαταστάσεις, να αντιπροσωπεύει έως και το 40% της συνολικής ενεργειακής κατανάλωσης.

Παλαιότερη εκτίμηση του Electric Power Research Institute, το 2024, υπολόγιζε ότι μια ερώτηση στο ChatGPT μπορούσε να απαιτεί κατά μέσο όρο περίπου δεκαπλάσια ηλεκτρική ενέργεια από μια συμβατική αναζήτηση στη Google.

Ωστόσο, η σύγκριση βασιζόταν στις τεχνολογίες της συγκεκριμένης περιόδου και δεν μπορεί να χρησιμοποιηθεί ως σταθερός κανόνας για τα σημερινά μοντέλα.

Μια απλή ερώτηση μπορεί να απαιτεί ελάχιστους υπολογισμούς, ενώ ένα σύνθετο μαθηματικό πρόβλημα, η δημιουργία εικόνων ή η παραγωγή βίντεο μπορεί να χρειάζεται πολύ περισσότερη ενέργεια.

Έως 10.000 φορές μεγαλύτερο αποτύπωμα για σύνθετες εργασίες

Η διαφορά γίνεται ακόμη πιο έντονη στην περίπτωση των AI agents, δηλαδή συστημάτων τεχνητής νοημοσύνης που μπορούν να εκτελούν διαδοχικές εργασίες με περιορισμένη ανθρώπινη παρέμβαση.

Σύμφωνα με ανάλυση της Vals AI, η ανάπτυξη μιας εφαρμογής λογισμικού με τη χρήση τεχνητής νοημοσύνης μπορεί να έχει έως και 10.000 φορές μεγαλύτερο περιβαλλοντικό αποτύπωμα από μια απλή ερώτηση.

Αυτό συμβαίνει επειδή τα συγκεκριμένα συστήματα δεν περιορίζονται σε μία απάντηση, αλλά πραγματοποιούν πολλαπλούς υπολογισμούς, παράγουν κώδικα, ελέγχουν τα αποτελέσματα και επαναλαμβάνουν διαδικασίες έως ότου ολοκληρώσουν την εργασία.

Επομένως, το πραγματικό ενεργειακό κόστος δεν εξαρτάται αποκλειστικά από την επιλογή του chatbot, αλλά και από τον τρόπο με τον οποίο χρησιμοποιείται.

Claude, ChatGPT και Gemini: Ποια μοντέλα καταναλώνουν περισσότερο;

Οι διαφορές μεταξύ των μοντέλων αποτυπώνονται σε έρευνα του Sustainable AI Group, με επικεφαλής τον Νιντάλ Τζεγκάμ, που δημιούργησε εργαλείο εκτίμησης της ενεργειακής κατανάλωσης διαφορετικών συστημάτων τεχνητής νοημοσύνης.

Σύμφωνα με τις εκτιμήσεις των ερευνητών, τα μεγαλύτερα και πιο απαιτητικά μοντέλα καταναλώνουν συνήθως περισσότερη ενέργεια από τις ελαφρύτερες εκδόσεις τους.

Για παράδειγμα, το Claude Haiku της Anthropic εμφανίζει χαμηλότερες ενεργειακές απαιτήσεις σε σχέση με ισχυρότερα μοντέλα της ίδιας εταιρείας.

Στις μετρήσεις του ερευνητικού εργαλείου, το Claude Fable 5 εμφανίζει εκτιμώμενη κατανάλωση 76,2 Wh για το συγκεκριμένο σύνολο απαιτητικών εργασιών που εξετάζεται.

Πρόκειται για πολύ υψηλότερη κατανάλωση σε σύγκριση με μια τυπική, σύντομη ερώτηση κειμένου, χωρίς όμως αυτό να σημαίνει ότι κάθε χρήση του συγκεκριμένου μοντέλου απαιτεί τόση ενέργεια.

Αντίστοιχα, ορισμένα μοντέλα της OpenAI εμφανίζουν υψηλότερη εκτιμώμενη κατανάλωση από συγκεκριμένα κινεζικά μοντέλα, όπως το Qwen της Alibaba.

Η εικόνα, ωστόσο, δεν είναι μονοδιάστατη.

Ένα μικρότερο μοντέλο μπορεί να χρειαστεί περισσότερες λέξεις και μεγαλύτερη διαδικασία επεξεργασίας για να ολοκληρώσει την ίδια εργασία.

Σύμφωνα με τον Τζεγκάμ, το Claude Sonnet μπορεί σε ορισμένες περιπτώσεις να χρησιμοποιεί σχεδόν 60% περισσότερα tokens από το μεγαλύτερο Claude Opus, περιορίζοντας μέρος του ενεργειακού πλεονεκτήματός του.

Παρότι τα ελαφρύτερα μοντέλα είναι γενικά οικονομικότερα σε ενεργειακούς όρους, η πραγματική διαφορά εξαρτάται από την εργασία που καλούνται να εκτελέσουν.

Η Google υποστηρίζει ότι μείωσε την κατανάλωση του Gemini κατά 33 φορές

Από την πλευρά της, η Google έχει δημοσιοποιήσει στοιχεία για το ενεργειακό αποτύπωμα του Gemini.

Σύμφωνα με τεχνική μελέτη της εταιρείας, μια τυπική ερώτηση κειμένου στο Gemini Apps κατανάλωνε τον Μάιο του 2025 περίπου 0,24 βατώρες (Wh).

Η ποσότητα αυτή αντιστοιχεί στην ενέργεια που απαιτείται για λιγότερα από εννέα δευτερόλεπτα λειτουργίας μιας τηλεόρασης.

Η ίδια μέτρηση υπολόγισε επίσης ότι μια τυπική ερώτηση παρήγαγε περίπου 0,03 γραμμάρια ισοδύναμου διοξειδίου του άνθρακα και συνδεόταν με κατανάλωση περίπου 0,26 χιλιοστόλιτρων νερού.

Η εταιρεία ανέφερε ότι, χάρη σε βελτιώσεις στο λογισμικό, στα μικροτσίπ και στις υποδομές της, πέτυχε μέσα σε έναν χρόνο:

  • 33 φορές χαμηλότερη κατανάλωση ενέργειας ανά τυπική ερώτηση.
  • 44 φορές χαμηλότερο συνολικό αποτύπωμα άνθρακα ανά ερώτηση.

Οι συγκεκριμένοι αριθμοί αποτελούν μετρήσεις της ίδιας της Google και δεν είναι άμεσα συγκρίσιμοι με τις εκτιμήσεις ανεξάρτητων ερευνητών για διαφορετικά μοντέλα και εργασίες.

ΔΙΑΒΑΣΤΕ ΑΚΟΜΑ

Γιατί η τοποθεσία του data center αλλάζει τις εκπομπές

Εξίσου σημαντικός παράγοντας είναι η προέλευση της ηλεκτρικής ενέργειας που χρησιμοποιείται για τη λειτουργία των κέντρων δεδομένων.

Ένα μοντέλο που λειτουργεί σε εγκατάσταση με ηλεκτρική ενέργεια χαμηλών εκπομπών μπορεί να έχει μικρότερο αποτύπωμα άνθρακα από ένα αντίστοιχο σύστημα που τροφοδοτείται από δίκτυο με μεγάλη εξάρτηση από τον άνθρακα ή το φυσικό αέριο.

Για παράδειγμα, τα data centers στη Σκανδιναβία μπορούν να επωφελούνται από την ευρύτερη διαθεσιμότητα ηλεκτρικής ενέργειας χαμηλών εκπομπών, αλλά και από τις χαμηλότερες θερμοκρασίες που διευκολύνουν την ψύξη των εγκαταστάσεων.

Αντίθετα, σε περιοχές όπου η ηλεκτροπαραγωγή βασίζεται σε μεγάλο βαθμό στα ορυκτά καύσιμα, οι ίδιες υπολογιστικές εργασίες μπορούν να οδηγούν σε υψηλότερες εκπομπές.

Στις Ηνωμένες Πολιτείες αυξάνονται τα σχέδια κατασκευής νέων μονάδων φυσικού αερίου για την κάλυψη της ζήτησης ηλεκτρικής ενέργειας από τα data centers.

Η περιβαλλοντική οργάνωση Sierra Club προειδοποιεί ότι, εφόσον υλοποιηθούν όλα τα σχεδιαζόμενα έργα έως το 2030, οι εκπομπές που συνδέονται με τα νέα κέντρα δεδομένων θα μπορούσαν να ξεπεράσουν τις συνολικές εκπομπές άνθρακα του Μεξικού.

Πρόκειται, πάντως, για εκτίμηση που βασίζεται σε συγκεκριμένο σενάριο ανάπτυξης των υποδομών και όχι για βέβαιη πρόβλεψη.

Γιατί οι εταιρείες AI δέχονται πιέσεις για μεγαλύτερη διαφάνεια

Παρά την ταχεία ανάπτυξη της αγοράς τεχνητής νοημοσύνης, οι περισσότερες εταιρείες εξακολουθούν να δημοσιοποιούν περιορισμένα στοιχεία για την κατανάλωση των επιμέρους μοντέλων τους.

Η σύγκριση περιπλέκεται από τις διαφορετικές αρχιτεκτονικές μικροτσίπ, τις τεχνολογίες ψύξης, τις συνθήκες λειτουργίας των data centers και τις μεθόδους υπολογισμού των εκπομπών.

Επιπλέον, ορισμένες επιχειρήσεις χρησιμοποιούν πιστοποιητικά ανανεώσιμης ενέργειας για τον λογιστικό υπολογισμό του ανθρακικού αποτυπώματός τους.

Ωστόσο, η χρήση αυτών των μηχανισμών δεν σημαίνει απαραίτητα ότι οι εγκαταστάσεις τροφοδοτούνται συνεχώς από ηλεκτρική ενέργεια χωρίς εκπομπές.

Η Morningstar επισημαίνει ότι η έλλειψη διαφάνειας δημιουργεί δυσκολίες και για τους επενδυτές, οι οποίοι δεν μπορούν να αξιολογήσουν εύκολα την ενεργειακή αποδοτικότητα των εταιρειών AI.

Παράλληλα, οι αυξανόμενες απαιτήσεις δημοσιοποίησης περιβαλλοντικών στοιχείων στις ΗΠΑ και στην Ευρωπαϊκή Ένωση ενισχύουν την πίεση για καλύτερη καταγραφή των εκπομπών.

Πώς μπορούν οι επιχειρήσεις να μειώσουν έως και 30 φορές την κατανάλωση

Παρά την έλλειψη πλήρων δεδομένων, οι ειδικοί εκτιμούν ότι οι επιχειρήσεις έχουν ήδη τη δυνατότητα να περιορίσουν σημαντικά το ενεργειακό κόστος των εφαρμογών τεχνητής νοημοσύνης.

Μία από τις σημαντικότερες επιλογές αφορά τη χρήση του κατάλληλου μοντέλου για κάθε εργασία.

Για παράδειγμα, η σύνταξη ενός σύντομου email ή η περίληψη ενός απλού κειμένου δεν απαιτεί απαραίτητα ένα από τα μεγαλύτερα και πιο ενεργοβόρα μοντέλα της αγοράς.

Αντίστοιχα, οι πιο σύνθετες εργασίες μπορούν να ανατίθενται σε ισχυρότερα μοντέλα μόνο όταν οι πρόσθετες δυνατότητές τους είναι πραγματικά απαραίτητες.

Σύμφωνα με τον Τζον Μπίστλαϊν, επικεφαλής επιστημονικής έρευνας της Watershed, η επιλογή διαφορετικού μοντέλου για την ίδια εργασία μπορεί να οδηγήσει σε διαφορές ενεργειακής κατανάλωσης έως και 30 φορές.

Η αξιοποίηση καθαρότερων πηγών ηλεκτρικής ενέργειας και η βελτίωση της αποδοτικότητας των υπολογιστικών υποδομών μπορούν να μειώσουν περαιτέρω το περιβαλλοντικό αποτύπωμα.

Καθώς η τεχνητή νοημοσύνη μετατρέπεται σε βασικό εργαλείο της παγκόσμιας οικονομίας, η ενεργειακή αποδοτικότητα αναδεικνύεται σε νέο πεδίο ανταγωνισμού. Το ζητούμενο δεν είναι μόνο ποιο μοντέλο προσφέρει τις καλύτερες απαντήσεις, αλλά και πόση ενέργεια απαιτείται για να τις παράγει.

ΔΙΑΒΑΣΤΕ ΠΕΡΙΣΣΟΤΕΡΕΣ ΕΙΔΗΣΕΙΣ: