Hesaptan çevresel maliyete: yapay zekânın kaynak yükü

Akıllı makinelerimizin içindeki metaller neden önem taşıyor

Her dost canlısı sohbet botunun veya görüntü üreticinin ardında metal, madencilik ve üretimden oluşan geniş ve gizli bir dünya yatar. Bu makale, yapay zekânın (YZ) yalnızca elektrik ve veriden ibaret olmadığını göstermek için dijital perdenin arkasını aralıyor. Güçlü çiplerden bu çiplerin içerdiği çok sayıda kimyasal elemente kadar, YZ’yi mümkün kılan fiziksel donanım da işin önemli bir parçasıdır. YZ modelleri büyüdükçe ve daha yetenekli oldukça çalışma, gezegen için ve madenlerin ve fabrikaların yakınında yaşayan insanlar için bu ilerlemenin maddi maliyeti nedir sorusunu soruyor.

Artan talepten gerçek dünyadaki sınırlara

Yazarlar, YZ’yi kaynak kullanımının daha geniş bir hikâyesinin içine yerleştirerek başlıyor. Son yıllarda veri merkezleri ve özel çipler; akış hizmetlerinden bulut servislerine, şimdi de YZ’ye kadar her şeyin merkezine oturdu. Teknoloji devleri yeni veri merkezlerine yüzlerce milyar dolar akıtıyor ve YZ iş yüklerinin on yılın sonunda bunların kullanımını domine etmesi bekleniyor. Şimdiye kadar kamu tartışması esasen bu merkezlerin ne kadar elektrik ve su tükettiği üzerinde yoğunlaştı. Ancak bu merkezlerin çekirdeğindeki makineler seyrek, çıkarılması zor veya yanlış yönetildiğinde toksik olabilen uzun bir metal ve mineral listesine dayanıyor. Çalışma, YZ’nin gerçekten sürdürülebilir olup olmadığını değerlendirmek için kilovat-saatleri saymanın ötesine geçip kilogramlarla ifade edilen malzeme miktarlarını da saymaya başlamamız gerektiğini savunuyor.

Tek bir YZ çipinin gerçekten neyle yapıldığı

Bu soyut konuyu somut gerçeklerle temellendirmek için araştırmacılar yaygın olarak kullanılan bir grafik işlem birimini, Nvidia A100’ü parçalayıp kimyasal analizini yaptılar. Bakır, demir ve kalay gibi yaygın metallerin yanı sıra küçük miktarlarda nikel, baryum, çinko ve altın ile gümüş gibi birkaç değerli metal dahil olmak üzere 32 farklı element tespit ettiler. Çarpıcı şekilde, çipin kütlesinin yaklaşık yüzde 90’ı ağır metallerden oluşuyor ve kabaca yüzde 93’ü tipik maruziyet koşullarında tehlikeli olarak sınıflandırılan elementlerden meydana geliyor. Çipin farklı parçalarının ayrı görevleri ve bileşimleri var: soğutma için ısı dağıtıcı neredeyse saf bakır; devre kartı bakır ve demiri diğer katkılarla karıştırıyor; küçük işlem çekirdeği ise silikon ve çeşitli diğer metalleri yoğunlaştırıyor.

Bir YZ’yi konuşmayı öğretmek kaç çip ister

Çalışma daha sonra büyük YZ modellerinin eğitimi gibi dijital iş yükünü donanım üzerindeki fiziksel aşınma ve yıpranmayla ilişkilendiriyor. Eğitim çabası, bir modelin kaç temel hesaplama yaptığına dair standart bir sayı olan FLOP’larla ölçülür. Nvidia A100’ün faydalı ömrü boyunca kaç FLOP sağlayabileceğini tahmin ederek ve bunu önde gelen modeller için rapor edilen veya çıkarılan hesaplama bütçeleriyle karşılaştırarak yazarlar, tek bir eğitim çalışmasının fiilen kaç GPU’yu “tükettiğini” hesaplıyor. Çip ömrü ve verimliliği hakkında gerçekçi varsayımlar altında GPT-4 gibi son teknoloji bir dil modelinin eğitimi, binlerce A100 biriminin eşdeğerini tüketiyor. Dokuz önde gelen model seti için toplam malzeme talebi birkaç ton çıkarılmış kaynak aralığında düşüyor; bunların çoğu madencilik ve bertaraf sırasında risk oluşturan tehlikeli metallerdir.

Küçük performans kazanımları, büyük malzeme faturaları

Makale daha sonra model performansının bu artan donanım yüküne göre nasıl iyileştiğini karşılaştırıyor. Matematik becerileri, genel bilgi, kodlama, bilim soruları ve günlük akıl yürütme gibi standart testleri kullanarak yazarlar, çok daha büyük yeni modellerin genellikle öncekilere kıyasla yalnızca ılımlı puan artışları sunduğunu gösteriyor; oysa onlar onlarla kıyaslanamayacak derecede daha fazla—onlarca hatta yüzlerce kat—hesaplama kullanıyor. Gelişmiş matematiksel problem çözme gibi bazı yetenekler dramatik şekilde iyileşirken özellikle kaynak açgözlü görünüyor. Temel sağduyu akıl yürütmesi gibi diğerleri ise eğitim iş yükleri yükseldiğinde bile yalnızca küçük kazanımlar gösteriyor. Bu desen, modelleri ve donanımı ölçeklendirmenin enerji açısından olduğu kadar metal çıkarımı ve gelecekteki elektronik atık açısından da giderek maliyetli bir ilerleme yolu olduğunu düşündürüyor.

Her çipi daha uzun kullanmanın yolları

Çalışma ayrıca daha iyi mühendisliğin malzeme yükünü nasıl hafifletebileceğini araştırıyor. İki kaldıraç öne çıkıyor. Birincisi, eğitimin her GPU’yu ne kadar tam kullandığı iyileştirilerek gereken birim sayısı azaltılabilir; kullanım oranını düşük seviyelerden yüksek seviyelere çıkarmak GPU talebini yarıdan fazla küçültebilir. İkincisi, veri merkezlerindeki çiplerin tipik ömrünü—yaklaşık bir yıldan üç veya hatta beş yıla uzatmak—üretilmesi ve sonunda atılması gereken toplam sayıyı daha da keser. Bu önlemleri birleştirerek yazarlar, prensipte GPT-4 benzeri bir modeli eğitmek için gerekli etkin GPU talebinin yüzde 90’dan fazla azaltılabileceğini tahmin ediyor. Ancak gerçek dünya kazanımlarının soğutma, bakım ve sistem tasarımına bağlı olduğunu ve verimlilik iyileştirmelerinin bazen genel YZ kullanımını teşvik ederek bazı tasarrufları dengeleyebileceğini de uyarıyorlar.

Bu, YZ’nin geleceği için ne anlama geliyor

Sonuç olarak yazarlar, YZ’nin çevresel ayak izinin yalnızca elektrik ölçerlerle değerlendirilemeyeceğini savunuyor. Her yeni güçlü model nesnesi, genellikle kirliliği kontrol etme ve işçileri koruma kapasitesi sınırlı bölgelerden çıkarılan bakır, nikel, arsenik, kurşun ve yerin derinliklerinden gelen diğer birçok element üzerine inşa ediliyor. Kaba kuvvetle ölçekleme yoluyla elde edilen performans artışları azalmaya başladıkça çalışma öncelik değişimini öneriyor: yalnızca daha fazla aynı çiplerden ziyade daha akıllı mimariler, daha iyi algoritmalar, daha yüksek kaliteli veriler ve daha uzun ömürlü donanım yönüne. Günlük okuyucular için mesaj şu: dijital asistanlarımız ve yaratıcı araçlarımız ağırlıksız değil. Kaybolması veya göz ardı edilmemesi gereken gizli bir malzeme maliyeti taşıyorlar; YZ’nin gezegenin kaynak ve kirlilik sınırlarını aşmadan büyümesi için bu maliyetin kabul edilip yönetilmesi gerekiyor.

Atıf: 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

Anahtar kelimeler: YZ donanım malzemeleri, GPU çevresel etkisi, büyük dil modeli eğitimi, elektronik atık, sürdürülebilir bilişim