زیک هاوسفادر، دانشمند حوزهٔ اقلیم، استفادهٔ هشتهفتهای خود از عامل برنامهنویسی عاملهای هوش مصنوعی را ثبت و تحلیل کرد. نتیجهٔ ثبتها نشان میدهد این سیستمها—که برای حل یک وظیفه چندین فراخوان مدل را بهصورت خودکار اجرا میکنند—بهطور قابلتوجهی انرژی بیشتری نسبت به برآوردهای سادهٔ «هر پرومپت» مصرف میکنند.
ردیابی دقیق استفاده از Claude Code
هاوسفادر تمام نشستهای خود با عامل برنامهنویسی Claude Code را پیگیری کرد. حاصلِ ردیابی هشت هفتهای عبارت است از 1,138 ورودی تایپشده که بیش از 14,000 فراخوان مدل و در مجموع حدود 3.2 میلیارد توکن تولید کرد. هر ورودی بهطور میانگین حدود 12 فراخوان داشت و هر نشست بهطور میانگین حدود 0.6 کیلوواتساعت برق مصرف کرد.
نکات کلیدی در دادهها
- تعداد بالای فراخوانها: ترکیب پرسشها و اجرای چندمرحلهای منجر به فراخوانهای متعدد برای هر ورودی شد.
- حجم توکنها: مجموعِ 3.2 میلیارد توکن نشاندهندهٔ بار محاسباتی و I/O قابلتوجه است.
- نسبت خروجی به پردازش: تنها بخش بسیار کوچکی از توکنهای پردازششده به خروجی قابلمشاهده تبدیل شد.
چرا ارقام رسمی کماهمیت جلوه کردهاند
شرکتهایی مانند OpenAI و گوگل در گزارشهای عمومی میانگین مصرف برای «یک پرومپت» را کمتر از یک واتساعت اعلام کردند؛ اما این برآوردها اغلب مراحل پنهان فرایند را در نظر نمیگیرند، از جمله بازتولید توکنها در فرایند استدلال، خوانشهای مکرر از حافظهٔ نهان (cache reads)، پردازشهای موازی و اجرای چندعامل همزمان. در نمونهٔ هاوسفادر تقریباً 96% توکنها خوانش از کش بودند و خروجی قابلمشاهده تنها حدود 0.4% از توکنهای پردازششده را تشکیل میداد، که نشان میدهد مصرف واقعی در کاربردهای پیچیده بسیار بالاتر است.
میزان مصرف: از هر پرومپت تا یک سال کامل
- مصرف هشتهفتهای تخمینی: حدود 170 کیلوواتساعت (بازهٔ احتمالی 70 تا 330 کیلوواتساعت).
- مصرف به ازای هر ورودی: نزدیک به 150 واتساعت—حدود 600 برابر رقم میانگین اعلامی برای یک پرومپت ساده.
- مصرف روزانه برای یک کاربر سنگین: میانگین حدود 3.0 کیلوواتساعت؛ در برخی روزها تا 11 کیلوواتساعت ثبت شد.
- مقیاسسازی به یک سال: حدود 1.1 مگاواتساعت برق مراکز داده و معادل تقریبی 370 کیلوگرم CO2 با ترکیب میانگین برق آمریکا.
پیامدها برای ردپای کربنی و زیرساختها
اجرای گسترده و مداوم عاملهای خودگردان میتواند مصرف انرژی زیرساختها را بهطور چشمگیری افزایش دهد. در چنین شرایطی تمرکز صرف بر کاهش مصرف به ازای هر پرومپت کافی نیست؛ کاهش کلی انتشار نیازمند تغییرات سیستمی است، از جمله انتقال دیتاسنترها به انرژی تجدیدپذیر و بازطراحی معماریهای مدل برای کاهش عملیات غیرضروری.
روششناسی و منابع عدم قطعیت
هاوسفادر شمار توکنها را مستقیم از لاگهای محلی Claude Code استخراج و تبدیل توکنها به مصرف برق را با سه روش مستقل و مجموعهای از فرضیات انجام داد. بنابراین اعداد ارائهشده برآوردهایی معقول اما نه قطعیاند. یک نقطهٔ کور مهم این است که مصرف انرژی واقعی به ازای هر توکن در مدلهای پیشرفته در شرایط عملیاتی گسترده بهطور عمومی و دقیق گزارش نمیشود.
اقدامات پیشنهادی برای توسعهدهندگان و شرکتها
- هدایت وظایف ساده به مدلهای سبکتر و اختصاص عاملها به وظایف که واقعاً نیاز به گردش چندمدلی دارند.
- بهینهسازی الگوریتمی برای کاهش خوانشهای تکراری، بهبود کارایی حافظهٔ زمینه و کمینهسازی فراخوانهای غیرضروری.
- افزایش شفافیت مصرف انرژی مدلها و گزارشدهی منظم در مورد مصرف دیتاسنترها (اطلاعات مراکز داده) و منابع انرژی مورد استفاده.
- سرمایهگذاری در دیتاسنترهای مبتنی بر انرژی تجدیدپذیر و طراحی معماریهایی که امکان بهرهگیری از منابع پاک را تسهیل کنند.
واحد «پرومپت» ابزار مفیدی برای مقایسههای ساده است؛ اما برای برآورد واقعی اثرات زیستمحیطی باید کل فرایندهای خودکار، الگوهای فراخوان مدل و دوام اجرای آنها را در نظر گرفت. تصمیمات طراحی، شفافیت دادهها و انتخاب منابع انرژی مراکز داده نقش تعیینکنندهای در کاهش ردپای زیستمحیطی هوشمصنوعی خواهند داشت.
