ממחשוב לעלות סביבתית: נטל המשאבים של בינה מלאכותית

למה המתכות בתוך המכונות החכמות שלנו חשובות

מאחורי כל צ׳אטבוט ידידותי או יוצר תמונות יש עולם עצום נעלם של מתכות, כרייה וייצור. מאמר זה מסיר את הווילון הדיגיטלי כדי להראות שבינה מלאכותית (AI) אינה עניין של חשמל ונתונים בלבד. היא גם עניין של חומרה פיזית שמאפשרת אותה — החל בשבבים רבי-עוצמה ועד לרכיבים הכימיים הרבים שהם מכילים. ככל שמודלים של AI גדלים ומתקדמים, המחקר שואל שאלה פשוטה אך דחופה: מהו עלות החומרית של ההתקדמות הזו עבור הכוכב והאנשים הגרים בקרבת מכרות ומפעלים?

מצמיחת הביקוש למגבלות מציאותיות

המחברים מתחילים במיקום ה-AI בתוך סיפור רחב יותר של שימוש במשאבים. בשנים האחרונות מרכזי נתונים ושבבים מיוחדים הפכו למרכזיים להכול — משידור סטרימינג ועד שירותי ענן, וכעת גם ל-AI. תאגידי טכנולוגיה משקיעים מאות מיליארדי דולרים במרכזי נתונים חדשים, ועומסי העבודה של AI צפויים לשלוט בשימוש בהם עד סוף העשור. עד כה הוויכוח הציבורי התמקד בעיקר בכמה חשמל ומים מרכזים אלה צורכים. אך המכונות שבמרכזן תלויות ברשימה ארוכה של מתכות ומינרלים, חלקן נדירות, קשות לכרייה או רעילות בטיפול לקוי. המחקר טוען שעל מנת להעריך האם ה-AI בר-קיימא באמת, יש לצאת מעבר לספירת קילוואט-שעות ולהתחיל לספור גם קילוגרמים של חומר.

ממה שבבב AI אחד באמת עשוי

כדי להניח את הנושא التجريدي על עובדות מוצקות, החוקרים פירקו יחידת עיבוד גרפי נפוצה, ה-Nvidia A100, וניתחו כימית את תכולתה. הם זיהו 32 יסודות שונים, כולל מתכות נפוצות כמו נחושת, ברזל ובדיל, לצד כמויות קטנות של ניקל, בריום, אבץ וכמה מתכות יקרות כמו זהב וכסף. בולט כי כ-90 אחוזים ממסת השבב מורכבת ממתכות כבדות, וכשמונה-תשיעיות (כ-93%) מורכבים מיסודות המסווגים כמסוכנים בתנאי חשיפה טיפוסיים. לחלקים שונים בשבב תפקידים ומתכונים ייחודיים: גוף הקירור (heatsink) הוא כמעט נחושת טהורה לקירור, לוח המעגלים משלב נחושת וברזל עם תוספים נוספים, בעוד הליבה הקטנה של החישוב מרוכזת בסיליקון ובמגוון מתכות אחרות.

כמה שבבים דרושים כדי ללמד AI לדבר

בהמשך, המחקר מקשר בין עומס העבודה הדיגיטלי של אימון מודלים גדולים לנזק הפיזי ולבלאי של החומרה. מאמץ האימון נמדד ב-FLOPs, מונח סטנדרטי לספירת מספר החישובים הבסיסיים שמודל מבצע. על-ידי הערכת כמות ה-FLOPs ש-Nvidia A100 יכול לספק לאורך חיי השירות שלו, והשוואה זו לתקציבי חישוב שדווחו או נגזרו למודלים מרכזיים, המחברים מחשבים כמה כרטיסים מעשית "נצרכים" בהרצת אימון אחת. בהנחות ריאליות לגבי חיי השבב והיעילות, אימון של מודל שפת מדינה-מהשורה כמו GPT-4 צורך שקול לאלפי יחידות A100. עבור קבוצה של תשעה מודלים בולטים, דרישת החומר הכוללת נעה בטווח של מספר טונות של משאבים שנחצבו, רובם מתכות מסוכנות שמעוררות סיכונים בזמן הכרייה וההטמנה.

שיפורים קטנים בביצועים, חשבונות חומר גדולים

המאמר משווה אחר כך כיצד שיפור בביצועי המודל נמדד ביחס לנטל החומר ההולך וגדל הזה. באמצעות מבחנים סטנדרטיים בכישורי מתמטיקה, ידע כללי, קידוד, שאלות מדע ושיפוט יומיומי, המחברים מראים שמודלים חדשים, הרבה יותר גדולים, לעתים מספקים רק עליות ציון צנועות בהשוואה לקודמיהם, למרות שימוש בעשרות ואף מאות פעמים יותר חישוב. יכולות מסוימות, כגון פתרון בעיות מתמטיות מתקדמות, משתפרות באופן דרמטי אך נראות צרכניות משאבים במיוחד. אחרות, כמו היגיון פשוט יומיומי, מראות עליות מועטות גם כאשר עומסי האימון מזנקים. דפוס זה מרמז שהגדלה פשוטה של מודלים וחומרה היא נתיב יקר יותר ויותר להתקדמות — לא רק מבחינת אנרגיה אלא גם מבחינת חילוץ מתכות ופסולת אלקטרונית עתידית.

דרכים להאריך את חיי כל שבב

המחקר חוקר גם כיצד הנדסה טובה יותר עשויה להקל על עומס החומר. בולטים שני מנופים. ראשית, שיפור ניצול ה-GPU במהלך האימון יכול להפחית את מספר היחידות הנדרשות; העלאת הניצול מרמות נמוכות לגבוהות יכולה לצמצם את הביקוש ל-GPU ביותר ממחצית. שנית, הארכת חיי השירות הטיפוסיים של שבבים במרכזי נתונים — מכשנה לשנתיים או שלוש ואפילו חמש — מקטינה עוד את המספר הכולל שצריך לייצר ולבסוף להטמין. בשילוב צעדים אלה, המחברים מעריכים כי הביקוש היעיל ל-GPU לאימון מודל כמו GPT-4 יכול, מבחינה עקרונית, להיות מצומצם ביותר מ-90%. עם זאת, הם מזהירים שהשיפורים בעולם האמיתי תלויים בקירור, תחזוקה ועיצוב מערכות, וששיפורים ביעילות עלולים לפעמים לעודד שימוש רב יותר ב-AI ולבטל חלק מהחיסכון.

מה זה אומר לעתיד ה-AI

לסיום, המחברים טוענים שלא ניתן לשפוט את טביעת הרגל הסביבתית של ה-AI רק על-ידי מד חשמל. כל דור חדש של מודלים רבי-עוצמה בנוי על יסודות של נחושת, ניקל, ארסן, עופרת והרבה יסודות אחרים שנחפרים מהאדמה, לעתים באזורים עם יכולת מוגבלת לשלוט בזיהום ולהגן על עובדים. ככל שהשיפורים מבוססי-כוח גולמי מתחילים להאט, המחקר מציע שינוי סדרי עדיפויות: לכיוון ארכיטקטורות חכמות יותר, אלגוריתמים טובים יותר, נתונים איכותיים יותר וחומרה עמידה לאורך זמן, במקום רק כמות גדולה יותר של אותם שבבים. לקוראים היומיומיים, המסר הוא שהעוזרים הדיגיטליים וכלים יצירתיים אינם חסרי משקל. הם נושאים עלות חומרית נסתרת שחייבים להכיר ולנהל אם ה-AI עומד לצמוח בלי להעמיס על מגבלות המשאבים והזיהום של הפלנטה.

ציטוט: Falk, S., Kluge Corrêa, N., Luccioni, S. et al. From computation to environmental cost the resource burden of artificial intelligence. Commun Earth Environ 7, 397 (2026). https://doi.org/10.1038/s43247-026-03537-5

מילות מפתח: חומרי חומרה של בינה מלאכותית, השפעה סביבתית של GPU, הכשרת מודלים שפתיים גדולים, פסולת אלקטרונית, מיחשוב בר-קיימא