Centra danych AI a woda: co mówią najnowsze badania i wpisy firm

Najnowsza pozycja w tym zestawie nie jest badaniem wody. To zbiór preprintów na arXiv przesłanych 30 października. Widać w nich, jak szybko badania nad AI skalują obciążenia obliczeniowe, które potem trzeba chłodzić. Jedna z prac, RTL-Interact, trenuje model o 32 mld parametrów, żeby generował i poprawiał projekty układów, korzystając z informacji zwrotnych z narzędzi EDA. Autorzy podają 48,7% ważonego Pass@1 w teście CVDP. Twierdzą, że ich Pattern-Aware Policy Optimization obniżyło średnią liczbę wywołań narzędzi o 63,8%. Mniej wywołań, więcej możliwości modelu: kierunek jest jasny.

Ma to znaczenie dla wody, bo chłodzenie centrów danych to warstwa fizyczna pod tym wszystkim. Żadne z 11 źródeł nie podaje bezpośredniej liczby zużycia wody dla konkretnego modelu AI. Najbliżej pomiaru jest wpis na blogu NVIDII. 22 października opisano w nim europejskie instytucje finansowe, które uruchamiają modele z otwartymi wagami na własnej infrastrukturze. Wpis mówi, że Revolut skaluje swój model bazowy PRAGMA na początkowo 80 mln klientów i jest zaprojektowany na trzykrotny wzrost. Podaje też, że asystent Finn od bunq dorównuje czołowym modelom zamkniętym przy 60% kosztu za odpowiedź. Żadna z tych liczb nie dotyczy wody i NVIDIA takiej nie podaje.

Co mówią dostawcy, a czego nie mówią

Ten sam wpis NVIDII wymienia Starling Bank, Lloyds, NatWest, Santander, LSEG i HSBC jako użytkowników otwartych modeli i przyspieszonego przetwarzania. To prezentacja produkcyjna, nie ujawnienie danych środowiskowych.

Drugi wpis NVIDII z 22 października dotyczy platformy Cosmos do modeli świata i danych syntetycznych. Firma podaje, że Porsche liczy na ograniczenie powtarzalnych jazd testowych dzięki Cosmos Data Factory o nawet 90%. Platforma ma też skracać cykle rozwojowe o nawet 85%, a ANYbotics wygenerował ponad 1 500 syntetycznych klipów wideo. Dane syntetyczne mogą ograniczyć testy fizyczne, ale nadal działają na procesorach graficznych w chłodzonych halach.

Trzeci wpis NVIDII, również z 22 października, opisuje wdrożenia w sektorze publicznym. Centrum e-Zdrowia buduje platformę obrazowania medycznego na DGX BasePOD i MONAI. System agentowy Ministerstwa Rodziny, Pracy i Polityki Społecznej jest projektowany dla ponad 400 urzędów pracy. Każdy z tych projektów to nowe zapotrzebowanie na moc obliczeniową. Blog twierdzi, że otwarte modele pozwalają rządom trzymać wrażliwe dane w kontrolowanym środowisku. O wodzie, którą te środowiska zużywają, nie mówi nic.

Nie istnieje żaden pierwotny zbiór danych o zużyciu wody przez jakikolwiek model AI ani centrum danych. Każda liczba dotycząca wody w tekstach wokół tematu pochodzi z nagłówków, których nie możemy podać jako faktu.

Ta luka to sedno sprawy. Strona badawcza publikuje szczegółowe liczby dotyczące wydajności. Strona dostawców publikuje liczby klientów i oszczędności. Wątku środowiskowego w materiale źródłowym praktycznie nie ma. Czytelnik, który chce się dowiedzieć, ile wody zużywa model taki jak RTL-Interact-32B na jeden cykl trenowania, tego nie znajdzie. Nie ma tego w pracy, we wpisach NVIDII ani w dwóch tekstach o bezpieczeństwie z tego zestawu.

Deklaracje wydajności to nie deklaracje wody

Dwa inne preprinty z 30 października zaostrzają ten punkt. BULLPEN, narzędzie do profilowania modeli, podaje, że jego kodery tekstu odpowiedzi zachowują co najmniej 91% pełnej skuteczności przy zaledwie 400 pytaniach. To 1,3% mocy obliczeniowej wnioskowania potrzebnej dla pełnej puli pytań. Praca o przycinaniu modeli mieszanki ekspertów podaje, że PEEP i DCEP przewyższają dotychczasowe rozwiązania. Osiągają to przy zatrzymaniu 75% i 50% ekspertów w DeepSeek-V2-Lite oraz w Qwen3-30B-A3B, modelu o 30 mld parametrów, z których 3 mld bierze udział w obliczeniach. Mniej obliczeń na zadanie powinno oznaczać mniej chłodzenia na zadanie, ale żaden z autorów nie przelicza tego na litry.

Jest też wątek bezpieczeństwa. Wpis Bruce'a Schneiera z 27 października relacjonował badania pokazujące, że modele AI mogą w sposób dowodliwy ukrywać dowolne zdolności. Autorzy udostępnili swoje modele „aby wspierać poprawę zabezpieczeń”.

26 października osobny wpis Schneiera opisał wynik dotyczący uprzedzeń w Qwen3-Coder. Aplikacje dla amerykańskiego wykonawcy z sektora obronnego były o 19% bardziej podatne na włamanie, a wersja dostosowana do zachodnich standardów zamykała tę lukę. Oba teksty dotyczą zaufania do wag modeli, nie wody. Trafiają tutaj tylko jako kontekst tego, jak mało niezależnego audytu wspiera obecnie ta dziedzina.

Jedynym źródłem spoza AI z twardą liczbą jest doniesienie CnEVPost z 27 października. Volkswagen rozważa użycie architektury współtworzonej z Xpeng w około 75% modeli nowej generacji marek Volkswagen, Skoda i Cupra. Szacowane oszczędności to od 4 mld do 5 mld euro, według Manager Magazin. To historia konsolidacji oprogramowania, ale pokazuje tę samą presję: koszty obliczeń i inżynierii są wszędzie ograniczane. Rozliczanie zużycia wody jeszcze za tym nie nadążyło.