AI ਕਿੰਨਾ ਪਾਣੀ ਵਰਤਦਾ ਹੈ?

ਮੈਨੂੰ ਯਕੀਨ ਹੈ ਕਿ ਤੁਸੀਂ "AI ਹਰ ਕੁਝ ਸਵਾਲਾਂ 'ਤੇ ਪਾਣੀ ਦੀ ਬੋਤਲ ਪੀਂਦਾ ਹੈ" ਤੋਂ ਲੈ ਕੇ "ਇਹ ਅਸਲ ਵਿੱਚ ਕੁਝ ਬੂੰਦਾਂ ਹੈ" ਤੱਕ ਸਭ ਕੁਝ ਸੁਣਿਆ ਹੋਵੇਗਾ। ਸੱਚਾਈ ਹੋਰ ਵੀ ਸੂਖਮ ਹੈ। AI ਦਾ ਪਾਣੀ ਦਾ ਨਿਸ਼ਾਨ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਇਹ ਕਿੱਥੇ ਚੱਲਦਾ ਹੈ, ਤੁਹਾਡਾ ਪ੍ਰੋਂਪਟ ਕਿੰਨਾ ਸਮਾਂ ਹੈ, ਅਤੇ ਇੱਕ ਡੇਟਾ ਸੈਂਟਰ ਆਪਣੇ ਸਰਵਰਾਂ ਨੂੰ ਕਿਵੇਂ ਠੰਡਾ ਕਰਦਾ ਹੈ। ਤਾਂ ਹਾਂ, ਹੈੱਡਲਾਈਨ ਨੰਬਰ ਮੌਜੂਦ ਹੈ, ਪਰ ਇਹ ਚੇਤਾਵਨੀਆਂ ਦੇ ਇੱਕ ਝੁੰਡ ਦੇ ਅੰਦਰ ਰਹਿੰਦਾ ਹੈ।

ਹੇਠਾਂ ਮੈਂ ਸਪੱਸ਼ਟ, ਫੈਸਲੇ ਲੈਣ ਲਈ ਤਿਆਰ ਅੰਕੜੇ ਖੋਲ੍ਹਦਾ ਹਾਂ, ਸਮਝਾਉਂਦਾ ਹਾਂ ਕਿ ਅਨੁਮਾਨ ਕਿਉਂ ਅਸਹਿਮਤ ਹਨ, ਅਤੇ ਦਿਖਾਉਂਦਾ ਹਾਂ ਕਿ ਕਿਵੇਂ ਬਿਲਡਰ ਅਤੇ ਰੋਜ਼ਾਨਾ ਉਪਭੋਗਤਾ ਸਥਿਰਤਾ ਦੇ ਭਿਕਸ਼ੂ ਬਣੇ ਬਿਨਾਂ ਪਾਣੀ ਦੇ ਟੈਬ ਨੂੰ ਘਟਾ ਸਕਦੇ ਹਨ।

ਇਸ ਤੋਂ ਬਾਅਦ ਤੁਸੀਂ ਜੋ ਲੇਖ ਪੜ੍ਹਨਾ ਪਸੰਦ ਕਰ ਸਕਦੇ ਹੋ:

🔗 ਇੱਕ AI ਡੇਟਾਸੈਟ ਕੀ ਹੈ?
ਦੱਸਦਾ ਹੈ ਕਿ ਡੇਟਾਸੈੱਟ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਸਿਖਲਾਈ ਅਤੇ ਮਾਡਲ ਵਿਕਾਸ ਨੂੰ ਕਿਵੇਂ ਸਮਰੱਥ ਬਣਾਉਂਦੇ ਹਨ।

🔗 AI ਰੁਝਾਨਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਿਵੇਂ ਕਰਦਾ ਹੈ
ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਕਿਵੇਂ AI ਤਬਦੀਲੀਆਂ ਅਤੇ ਭਵਿੱਖ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਪੈਟਰਨਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦਾ ਹੈ।

🔗 ਏਆਈ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਕਿਵੇਂ ਮਾਪਣਾ ਹੈ
ਸ਼ੁੱਧਤਾ, ਗਤੀ ਅਤੇ ਭਰੋਸੇਯੋਗਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਜ਼ਰੂਰੀ ਮਾਪਦੰਡਾਂ ਨੂੰ ਤੋੜਦਾ ਹੈ।

🔗 ਏਆਈ ਨਾਲ ਕਿਵੇਂ ਗੱਲ ਕਰੀਏ
ਸਪਸ਼ਟਤਾ, ਨਤੀਜਿਆਂ ਅਤੇ ਇਕਸਾਰਤਾ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਪ੍ਰੇਰਣਾਦਾਇਕ ਰਣਨੀਤੀਆਂ ਦਾ ਮਾਰਗਦਰਸ਼ਨ ਕਰਦਾ ਹੈ।

AI ਕਿੰਨਾ ਪਾਣੀ ਵਰਤਦਾ ਹੈ? ਉਹ ਤੇਜ਼ ਨੰਬਰ ਜੋ ਤੁਸੀਂ ਅਸਲ ਵਿੱਚ ਵਰਤ ਸਕਦੇ ਹੋ 📏

• ਪ੍ਰਤੀ ਪ੍ਰੋਂਪਟ, ਅੱਜ ਆਮ ਰੇਂਜ: ਸਬ-ਮਿਲੀਲੀਟਰ ਤੋਂ ਲੈ ਕੇ ਦੂਜੇ 'ਤੇ ਲੰਬੇ, ਉੱਚ-ਗਣਨਾ ਜਵਾਬ ਲਈ ਦਸਾਂ ਮਿਲੀਲੀਟਰ ਤੱਕ ਮੱਧਮ ਟੈਕਸਟ ਪ੍ਰੋਂਪਟ ~0.26 ਮਿ.ਲੀ. ~45 ਮਿ.ਲੀ. (ਹਾਸ਼ੀਏ ਦਾ ਅਨੁਮਾਨ) [2] 'ਤੇ 400-ਟੋਕਨ ਸਹਾਇਕ ਜਵਾਬ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ । ਸੰਦਰਭ ਅਤੇ ਮਾਡਲ ਬਹੁਤ ਮਾਇਨੇ ਰੱਖਦੇ ਹਨ।

• ਇੱਕ ਫਰੰਟੀਅਰ-ਸਕੇਲ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ: ਲੱਖਾਂ ਲੀਟਰ ਤੱਕ ਪਹੁੰਚ ਸਕਦਾ ਹੈ , ਜ਼ਿਆਦਾਤਰ ਕੂਲਿੰਗ ਅਤੇ ਬਿਜਲੀ ਉਤਪਾਦਨ ਵਿੱਚ ਸ਼ਾਮਲ ਪਾਣੀ ਤੋਂ। ਇੱਕ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਹਵਾਲਾ ਦਿੱਤੇ ਗਏ ਅਕਾਦਮਿਕ ਵਿਸ਼ਲੇਸ਼ਣ ਨੇ ਇੱਕ GPT-ਕਲਾਸ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ~5.4 ਮਿਲੀਅਨ ਲੀਟਰ ਦਾ ~700,000 ਲੀਟਰ - ਅਤੇ ਪਾਣੀ ਦੀ ਤੀਬਰਤਾ ਨੂੰ ਘਟਾਉਣ ਲਈ ਸਮਾਰਟ ਸ਼ਡਿਊਲਿੰਗ ਲਈ ਦਲੀਲ ਦਿੱਤੀ [3]।

• ਆਮ ਤੌਰ 'ਤੇ ਡੇਟਾ ਸੈਂਟਰ: ਵੱਡੀਆਂ ਸਾਈਟਾਂ ਪ੍ਰਮੁੱਖ ਆਪਰੇਟਰਾਂ 'ਤੇ ਔਸਤਨ ਲੱਖਾਂ ਗੈਲਨ ਪ੍ਰਤੀ ਦਿਨ

ਆਓ ਇਮਾਨਦਾਰ ਬਣੀਏ: ਉਹ ਅੰਕੜੇ ਪਹਿਲਾਂ ਤਾਂ ਅਸੰਗਤ ਮਹਿਸੂਸ ਹੁੰਦੇ ਹਨ। ਉਹ ਹਨ। ਅਤੇ ਇਸਦੇ ਚੰਗੇ ਕਾਰਨ ਹਨ।

AI ਪਾਣੀ-ਵਰਤੋਂ ਮੈਟ੍ਰਿਕਸ ✅

"AI ਕਿੰਨਾ ਪਾਣੀ ਵਰਤਦਾ ਹੈ?" ਦੇ ਇੱਕ ਚੰਗੇ ਜਵਾਬ ਲਈ ਕੁਝ ਬਕਸਿਆਂ 'ਤੇ ਨਿਸ਼ਾਨ ਲਗਾਉਣਾ ਚਾਹੀਦਾ ਹੈ:

1. ਸੀਮਾ ਸਪੱਸ਼ਟਤਾ
   ਕੀ ਇਸ ਵਿੱਚ ਸਿਰਫ਼ ਸਾਈਟ 'ਤੇ ਠੰਢਾ ਪਾਣੀ ਸ਼ਾਮਲ ਹੈ, ਜਾਂ ਬਿਜਲੀ ਪੈਦਾ ਕਰਨ ਲਈ ਪਾਵਰ ਪਲਾਂਟਾਂ ਆਫ-ਸਾਈਟ ਪਾਣੀ ਪਾਣੀ ਦੀ ਨਿਕਾਸੀ ਬਨਾਮ ਪਾਣੀ ਦੀ ਖਪਤ ਅਤੇ ਸਕੋਪਸ 1-2-3 ਨੂੰ ਵੱਖਰਾ ਕਰਦਾ ਹੈ, ਜੋ ਕਿ ਕਾਰਬਨ ਅਕਾਊਂਟਿੰਗ [3] ਦੇ ਸਮਾਨ ਹੈ।

2. ਸਥਾਨ ਸੰਵੇਦਨਸ਼ੀਲਤਾ
   ਪਾਣੀ ਪ੍ਰਤੀ kWh ਖੇਤਰ ਅਤੇ ਗਰਿੱਡ ਮਿਸ਼ਰਣ ਦੇ ਅਨੁਸਾਰ ਵੱਖ-ਵੱਖ ਹੁੰਦਾ ਹੈ, ਇਸ ਲਈ ਇੱਕੋ ਪ੍ਰੋਂਪਟ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਇਸਨੂੰ ਕਿੱਥੇ ਪਰੋਸਿਆ ਜਾਂਦਾ ਹੈ, ਵੱਖ-ਵੱਖ ਪਾਣੀ ਦੇ ਪ੍ਰਭਾਵ ਲੈ ਸਕਦਾ ਹੈ - ਇੱਕ ਮੁੱਖ ਕਾਰਨ ਹੈ ਕਿ ਸਾਹਿਤ ਸਮਾਂ-ਅਤੇ-ਸਥਾਨ-ਜਾਗਰੂਕ ਸਮਾਂ-ਸਾਰਣੀ ਦੀ [3]।

3. ਵਰਕਲੋਡ ਯਥਾਰਥਵਾਦ
   ਕੀ ਸੰਖਿਆ ਮੱਧਮ ਉਤਪਾਦਨ ਪ੍ਰੋਂਪਟਾਂ ਨੂੰ , ਜਿਸ ਵਿੱਚ ਨਿਸ਼ਕਿਰਿਆ ਸਮਰੱਥਾ ਅਤੇ ਡੇਟਾ ਸੈਂਟਰ ਓਵਰਹੈੱਡ ਸ਼ਾਮਲ ਹਨ, ਜਾਂ ਸਿਰਫ਼ ਸਿਖਰ 'ਤੇ ਐਕਸਲੇਟਰ? ਗੂਗਲ ਅਨੁਮਾਨ ਲਈ ਪੂਰੇ-ਸਿਸਟਮ ਅਕਾਊਂਟਿੰਗ (ਨਿਸ਼ਕਿਰਿਆ, CPU/DRAM, ਅਤੇ ਡੇਟਾ-ਸੈਂਟਰ ਓਵਰਹੈੱਡ) 'ਤੇ ਜ਼ੋਰ ਦਿੰਦਾ ਹੈ, ਨਾ ਕਿ ਸਿਰਫ਼ TPU ਗਣਿਤ [1] 'ਤੇ।

4. ਕੂਲਿੰਗ ਤਕਨਾਲੋਜੀ
   ਈਵੇਪੋਰੇਟਿਵ ਕੂਲਿੰਗ, ਬੰਦ-ਲੂਪ ਤਰਲ ਕੂਲਿੰਗ, ਏਅਰ ਕੂਲਿੰਗ, ਅਤੇ ਉੱਭਰ ਰਹੇ ਡਾਇਰੈਕਟ-ਟੂ-ਚਿੱਪ ਕੁਝ ਅਗਲੀ ਪੀੜ੍ਹੀ ਦੀਆਂ ਸਾਈਟਾਂ [4] ਲਈ ਕੂਲਿੰਗ ਪਾਣੀ ਦੀ ਵਰਤੋਂ ਨੂੰ ਖਤਮ ਕਰਨ ਦੇ ਉਦੇਸ਼ ਨਾਲ ਡਿਜ਼ਾਈਨ ਪੇਸ਼ ਕਰ ਰਿਹਾ ਹੈ

5. ਦਿਨ ਦਾ ਸਮਾਂ ਅਤੇ ਮੌਸਮ
   ਗਰਮੀ, ਨਮੀ ਅਤੇ ਗਰਿੱਡ ਦੀਆਂ ਸਥਿਤੀਆਂ ਪਾਣੀ ਦੀ ਵਰਤੋਂ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਨੂੰ ; ਇੱਕ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਅਧਿਐਨ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ ਕਿ ਜਦੋਂ ਅਤੇ ਜਿੱਥੇ ਪਾਣੀ ਦੀ ਤੀਬਰਤਾ ਘੱਟ ਹੁੰਦੀ ਹੈ [3], ਉੱਥੇ ਮੁੱਖ ਕੰਮਾਂ ਨੂੰ ਤਹਿ ਕਰੋ।

ਪਾਣੀ ਕੱਢਣਾ ਬਨਾਮ ਪਾਣੀ ਦੀ ਖਪਤ, ਸਮਝਾਇਆ ਗਿਆ 💡

• ਕਢਵਾਉਣਾ = ਦਰਿਆਵਾਂ, ਝੀਲਾਂ, ਜਾਂ ਜਲ ਭੰਡਾਰਾਂ ਤੋਂ ਲਿਆ ਗਿਆ ਪਾਣੀ (ਕੁਝ ਵਾਪਸ ਕੀਤਾ ਗਿਆ)।

• ਖਪਤ = ਪਾਣੀ ਵਾਪਸ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ ਕਿਉਂਕਿ ਇਹ ਭਾਫ਼ ਬਣ ਜਾਂਦਾ ਹੈ ਜਾਂ ਪ੍ਰਕਿਰਿਆਵਾਂ/ਉਤਪਾਦਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋ ਜਾਂਦਾ ਹੈ।

ਕੂਲਿੰਗ ਟਾਵਰ ਮੁੱਖ ਤੌਰ 'ਤੇ ਵਾਸ਼ਪੀਕਰਨ ਰਾਹੀਂ ਪਾਣੀ ਦੀ ਖਪਤ ਕਰਦੇ ਹਨ ਕੱਢ (ਕਈ ਵਾਰ ਇਸਦਾ ਕੁਝ ਹਿੱਸਾ ਲੈਂਦਾ ਹੈ)। ਇੱਕ ਭਰੋਸੇਯੋਗ AI-ਪਾਣੀ ਨੰਬਰ ਲੇਬਲ ਜੋ ਇਹ ਰਿਪੋਰਟ ਕਰ ਰਿਹਾ ਹੈ [3]।

AI ਵਿੱਚ ਪਾਣੀ ਕਿੱਥੇ ਜਾਂਦਾ ਹੈ: ਤਿੰਨ ਬਾਲਟੀਆਂ 🪣

1. ਸਕੋਪ 1 - ਸਾਈਟ 'ਤੇ ਕੂਲਿੰਗ
   ਦਿਖਾਈ ਦੇਣ ਵਾਲਾ ਹਿੱਸਾ: ਡਾਟਾ ਸੈਂਟਰ 'ਤੇ ਹੀ ਪਾਣੀ ਦਾ ਭਾਫ਼ ਬਣਨਾ। ਵਾਸ਼ਪੀਕਰਨ ਬਨਾਮ ਹਵਾ ਜਾਂ ਬੰਦ-ਲੂਪ ਤਰਲ ਬੇਸਲਾਈਨ [5] ਸੈੱਟ ਕਰਦੇ ਹਨ।

2. ਸਕੋਪ 2 - ਬਿਜਲੀ ਉਤਪਾਦਨ
   ਹਰੇਕ kWh ਇੱਕ ਲੁਕਿਆ ਹੋਇਆ ਪਾਣੀ ਦਾ ਟੈਗ ਲੈ ਸਕਦਾ ਹੈ; ਮਿਸ਼ਰਣ ਅਤੇ ਸਥਾਨ ਤੁਹਾਡੇ ਵਰਕਲੋਡ ਨੂੰ ਵਿਰਾਸਤ ਵਿੱਚ ਮਿਲਣ ਵਾਲੇ ਲੀਟਰ-ਪ੍ਰਤੀ-kWh ਸਿਗਨਲ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਨ [3]।

3. ਸਕੋਪ 3 - ਸਪਲਾਈ ਚੇਨ
   ਚਿੱਪ ਨਿਰਮਾਣ ਨਿਰਮਾਣ ਵਿੱਚ ਅਤਿ-ਸ਼ੁੱਧ ਪਾਣੀ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਤੁਸੀਂ ਇਸਨੂੰ "ਪ੍ਰਤੀ ਪ੍ਰੋਂਪਟ" ਮੈਟ੍ਰਿਕ ਵਿੱਚ ਨਹੀਂ ਦੇਖ ਸਕੋਗੇ ਜਦੋਂ ਤੱਕ ਸੀਮਾ ਵਿੱਚ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਸ਼ਾਮਲ ਪ੍ਰਭਾਵ (ਜਿਵੇਂ ਕਿ, ਇੱਕ ਪੂਰਾ LCA) ਸ਼ਾਮਲ ਨਹੀਂ ਹੁੰਦਾ [2][3]।

ਸੰਖਿਆਵਾਂ ਦੁਆਰਾ ਪ੍ਰਦਾਤਾ, ਸੂਖਮਤਾ ਦੇ ਨਾਲ 🧮

• ਗੂਗਲ ਜੈਮਿਨੀ
  ਫੁੱਲ-ਸਟੈਕ ਸਰਵਿੰਗ ਵਿਧੀ (ਨਿਸ਼ਕਿਰਿਆ ਅਤੇ ਸਹੂਲਤ ਓਵਰਹੈੱਡ ਸਮੇਤ) ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ। ਮੱਧਮ ਟੈਕਸਟ ਪ੍ਰੋਂਪਟ ~0.26 ਮਿ.ਲੀ. ਪਾਣੀ ਦੇ ਨਾਲ ~0.24 Wh ਊਰਜਾ; ਅੰਕੜੇ ਉਤਪਾਦਨ ਟ੍ਰੈਫਿਕ ਅਤੇ ਵਿਆਪਕ ਸੀਮਾਵਾਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ [1]।

• ਮਿਸਟ੍ਰਲ ਲਾਰਜ 2 ਜੀਵਨ ਚੱਕਰ
  ਇੱਕ ਦੁਰਲੱਭ ਸੁਤੰਤਰ LCA (ADEME/ਕਾਰਬੋਨ 4 ਦੇ ਨਾਲ) ਸਿਖਲਾਈ + ਸ਼ੁਰੂਆਤੀ ਵਰਤੋਂ ਲਈ ~281,000 m³ 400-ਟੋਕਨ ਸਹਾਇਕ ਜਵਾਬ ਲਈ ਅਨੁਮਾਨ ਹਾਸ਼ੀਏ ~45 mL ਦਾ

• ਮਾਈਕ੍ਰੋਸਾਫਟ ਦੀ ਜ਼ੀਰੋ-ਵਾਟਰ ਕੂਲਿੰਗ ਅਭਿਲਾਸ਼ਾ
  ਅਗਲੀ ਪੀੜ੍ਹੀ ਦੇ ਡੇਟਾ ਸੈਂਟਰਾਂ ਨੂੰ ਕੂਲਿੰਗ ਲਈ ਜ਼ੀਰੋ ਪਾਣੀ ਦੀ ਖਪਤ ਕਰਨ , ਜੋ ਕਿ ਡਾਇਰੈਕਟ-ਟੂ-ਚਿੱਪ ਪਹੁੰਚਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ; ਐਡਮਿਨ ਵਰਤੋਂਕਾਰਾਂ ਨੂੰ ਅਜੇ ਵੀ ਕੁਝ ਪਾਣੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ [4]।

• ਜਨਰਲ ਡੇਟਾ-ਸੈਂਟਰ ਸਕੇਲ
  ਮੁੱਖ ਆਪਰੇਟਰ ਜਨਤਕ ਤੌਰ 'ਤੇ ਔਸਤਨ ਪ੍ਰਤੀ ਦਿਨ ਲੱਖਾਂ ਗੈਲਨ ਦੀ ; ਜਲਵਾਯੂ ਅਤੇ ਡਿਜ਼ਾਈਨ ਪੁਸ਼ ਨੰਬਰ ਉੱਪਰ ਜਾਂ ਹੇਠਾਂ [5]।

• ਪਹਿਲਾਂ ਦੀ ਅਕਾਦਮਿਕ ਬੇਸਲਾਈਨ
  ਮੁੱਖ "ਪਿਆਸੇ AI" ਵਿਸ਼ਲੇਸ਼ਣ ਨੇ GPT-ਕਲਾਸ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਲੱਖਾਂ ਲੀਟਰ ਦਾ 10-50 ਦਰਮਿਆਨੇ ਜਵਾਬ ਲਗਭਗ 500 mL ਬੋਤਲ ਦੇ ਬਰਾਬਰ ਹੋ ਸਕਦੇ ਹਨ - ਇਹ ਇਸ ਗੱਲ 'ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਉਹ ਕਦੋਂ/ਕਿੱਥੇ ਚੱਲਦੇ ਹਨ [3]।

ਅੰਦਾਜ਼ੇ ਇੰਨੇ ਅਸਹਿਮਤ ਕਿਉਂ ਹਨ 🤷

• ਵੱਖ-ਵੱਖ ਸੀਮਾਵਾਂ
  ਕੁਝ ਅੰਕੜੇ ਸਿਰਫ਼ ਸਾਈਟ 'ਤੇ ਕੂਲਿੰਗ ਨੂੰ ; ਦੂਸਰੇ ਬਿਜਲੀ ਦਾ ਪਾਣੀ ; LCA ਚਿੱਪ ਨਿਰਮਾਣ ਨੂੰ । ਸੇਬ, ਸੰਤਰੇ, ਅਤੇ ਫਲਾਂ ਦਾ ਸਲਾਦ [2][3]।

• ਵੱਖ-ਵੱਖ ਵਰਕਲੋਡ
  ਇੱਕ ਛੋਟਾ ਟੈਕਸਟ ਪ੍ਰੋਂਪਟ ਇੱਕ ਲੰਮਾ ਮਲਟੀਮੋਡਲ/ਕੋਡ ਰਨ ਨਹੀਂ ਹੁੰਦਾ; ਬੈਚਿੰਗ, ਕਨਕਰੰਸੀ, ਅਤੇ ਲੇਟੈਂਸੀ ਟੀਚੇ ਉਪਯੋਗਤਾ ਨੂੰ ਬਦਲਦੇ ਹਨ [1][2]।

• ਵੱਖ-ਵੱਖ ਜਲਵਾਯੂ ਅਤੇ ਗਰਿੱਡ
  ਗਰਮ, ਸੁੱਕੇ ਖੇਤਰ ਵਿੱਚ ਵਾਸ਼ਪੀਕਰਨ ਕੂਲਿੰਗ ≠ ਠੰਢੇ, ਗਿੱਲੇ ਖੇਤਰ ਵਿੱਚ ਹਵਾ/ਤਰਲ ਕੂਲਿੰਗ। ਗਰਿੱਡ ਪਾਣੀ ਦੀ ਤੀਬਰਤਾ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵੱਖਰੀ ਹੁੰਦੀ ਹੈ [3]।

• ਵਿਕਰੇਤਾ ਵਿਧੀਆਂ
  ਗੂਗਲ ਨੇ ਇੱਕ ਸਿਸਟਮ-ਵਿਆਪੀ ਸੇਵਾ ਵਿਧੀ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤੀ; ਮਿਸਟ੍ਰਲ ਨੇ ਇੱਕ ਰਸਮੀ LCA ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤਾ। ਦੂਸਰੇ ਸਪਾਰਸ ਵਿਧੀਆਂ ਦੇ ਨਾਲ ਬਿੰਦੂ ਅਨੁਮਾਨ ਪੇਸ਼ ਕਰਦੇ ਹਨ। ਇੱਕ ਉੱਚ-ਪ੍ਰੋਫਾਈਲ "ਇੱਕ ਚਮਚੇ ਦਾ ਪੰਦਰਵਾਂ ਹਿੱਸਾ" ਪ੍ਰਤੀ-ਪ੍ਰੋਂਪਟ ਦਾਅਵੇ ਨੇ ਸੁਰਖੀਆਂ ਬਣਾਈਆਂ - ਪਰ ਸੀਮਾ ਵੇਰਵੇ ਤੋਂ ਬਿਨਾਂ, ਇਹ ਤੁਲਨਾਯੋਗ ਨਹੀਂ ਹੈ [1][3]।

• ਇੱਕ ਚਲਦਾ ਟੀਚਾ
  ਕੂਲਿੰਗ ਤੇਜ਼ੀ ਨਾਲ ਵਿਕਸਤ ਹੋ ਰਹੀ ਹੈ। ਮਾਈਕ੍ਰੋਸਾਫਟ ਪਾਣੀ-ਮੁਕਤ ਕੂਲਿੰਗ ਦੀ ; ਇਹਨਾਂ ਨੂੰ ਰੋਲ ਆਊਟ ਕਰਨ ਨਾਲ ਸਾਈਟ 'ਤੇ ਪਾਣੀ ਘੱਟ ਜਾਵੇਗਾ ਭਾਵੇਂ ਉੱਪਰਲੀ ਬਿਜਲੀ ਅਜੇ ਵੀ ਪਾਣੀ ਦਾ ਸਿਗਨਲ ਰੱਖਦੀ ਹੈ [4]।

AI ਦੇ ਪਾਣੀ ਦੇ ਨਿਸ਼ਾਨ ਨੂੰ ਘਟਾਉਣ ਲਈ ਤੁਸੀਂ ਅੱਜ ਕੀ ਕਰ ਸਕਦੇ ਹੋ 🌱

1. ਮਾਡਲ ਨੂੰ ਸੱਜਾ-ਆਕਾਰ ਦਿਓ
   ਛੋਟੇ, ਟਾਸਕ-ਟਿਊਨ ਕੀਤੇ ਮਾਡਲ ਅਕਸਰ ਸ਼ੁੱਧਤਾ ਨਾਲ ਮੇਲ ਖਾਂਦੇ ਹਨ ਜਦੋਂ ਕਿ ਘੱਟ ਕੰਪਿਊਟ ਨੂੰ ਬਰਨ ਕਰਦੇ ਹਨ। ਮਿਸਟ੍ਰਲ ਦਾ ਮੁਲਾਂਕਣ ਮਜ਼ਬੂਤ ​​ਆਕਾਰ-ਤੋਂ-ਫੁੱਟਪ੍ਰਿੰਟ ਸਬੰਧਾਂ ਨੂੰ ਰੇਖਾਂਕਿਤ ਕਰਦਾ ਹੈ - ਅਤੇ ਸੀਮਾਂਤ ਅਨੁਮਾਨ ਨੰਬਰ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰਦਾ ਹੈ ਤਾਂ ਜੋ ਤੁਸੀਂ ਵਪਾਰ [2] ਬਾਰੇ ਤਰਕ ਕਰ ਸਕੋ।

2. ਪਾਣੀ ਦੇ ਹਿਸਾਬ ਨਾਲ ਖੇਤਰ ਚੁਣੋ।
   ਠੰਢੇ ਮੌਸਮ, ਕੁਸ਼ਲ ਕੂਲਿੰਗ, ਅਤੇ ਪ੍ਰਤੀ kWh ਘੱਟ ਪਾਣੀ ਦੀ ਤੀਬਰਤਾ ਵਾਲੇ ਗਰਿੱਡਾਂ ਵਾਲੇ ਖੇਤਰਾਂ ਨੂੰ ਤਰਜੀਹ ਦਿਓ; "ਪਿਆਸੇ AI" ਕੰਮ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਸਮਾਂ- ਅਤੇ ਸਥਾਨ-ਜਾਗਰੂਕ ਸਮਾਂ-ਸਾਰਣੀ ਮਦਦ ਕਰਦੀ ਹੈ [3]।

3. ਕੰਮ ਦੇ ਬੋਝ ਨੂੰ ਸਮੇਂ ਸਿਰ ਬਦਲੋ
   ਪਾਣੀ-ਕੁਸ਼ਲ ਘੰਟਿਆਂ ਲਈ ਸਿਖਲਾਈ/ਭਾਰੀ ਬੈਚ ਅਨੁਮਾਨ (ਠੰਡੀਆਂ ਰਾਤਾਂ, ਅਨੁਕੂਲ ਗਰਿੱਡ ਸਥਿਤੀਆਂ) [3]।

4. ਆਪਣੇ ਵਿਕਰੇਤਾ ਤੋਂ ਪਾਰਦਰਸ਼ੀ ਮੈਟ੍ਰਿਕਸ ਲਈ ਪੁੱਛੋ ਕਿ
   ਪ੍ਰਤੀ-ਪ੍ਰੋਂਪਟ ਪਾਣੀ ਦੀ ਮੰਗ , ਸੀਮਾ ਪਰਿਭਾਸ਼ਾਵਾਂ, ਅਤੇ ਕੀ ਸੰਖਿਆਵਾਂ ਵਿੱਚ ਵਿਹਲੀ ਸਮਰੱਥਾ ਅਤੇ ਸਹੂਲਤ ਓਵਰਹੈੱਡ ਸ਼ਾਮਲ ਹਨ। ਨੀਤੀ ਸਮੂਹ ਸੇਬ-ਤੋਂ-ਸੇਬ ਤੁਲਨਾਵਾਂ ਨੂੰ ਸੰਭਵ ਬਣਾਉਣ ਲਈ ਲਾਜ਼ਮੀ ਖੁਲਾਸੇ ਲਈ ਜ਼ੋਰ ਦੇ ਰਹੇ ਹਨ [3]।

5. ਕੂਲਿੰਗ ਤਕਨੀਕ ਮਾਇਨੇ ਰੱਖਦੀ ਹੈ
   ਜੇਕਰ ਤੁਸੀਂ ਹਾਰਡਵੇਅਰ ਚਲਾਉਂਦੇ ਹੋ, ਤਾਂ ਬੰਦ-ਲੂਪ/ਡਾਇਰੈਕਟ-ਟੂ-ਚਿੱਪ ਕੂਲਿੰਗ ਦਾ ; ਜੇਕਰ ਤੁਸੀਂ ਕਲਾਉਡ 'ਤੇ ਹੋ, ਤਾਂ ਪਾਣੀ-ਲਾਈਟ ਡਿਜ਼ਾਈਨ [4][5]।

6. ਸਲੇਟੀ ਪਾਣੀ ਦੀ ਵਰਤੋਂ ਕਰੋ ਅਤੇ ਮੁੜ ਵਰਤੋਂ ਦੇ ਵਿਕਲਪ
   ਬਹੁਤ ਸਾਰੇ ਕੈਂਪਸ ਗੈਰ-ਪੀਣਯੋਗ ਸਰੋਤਾਂ ਨੂੰ ਬਦਲ ਸਕਦੇ ਹਨ ਜਾਂ ਲੂਪਾਂ ਦੇ ਅੰਦਰ ਰੀਸਾਈਕਲ ਕਰ ਸਕਦੇ ਹਨ; ਵੱਡੇ ਆਪਰੇਟਰ ਸ਼ੁੱਧ ਪ੍ਰਭਾਵ ਨੂੰ ਘੱਟ ਤੋਂ ਘੱਟ ਕਰਨ ਲਈ ਪਾਣੀ ਦੇ ਸਰੋਤਾਂ ਨੂੰ ਸੰਤੁਲਿਤ ਕਰਨ ਅਤੇ ਕੂਲਿੰਗ ਵਿਕਲਪਾਂ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਨ [5]।

ਇਸਨੂੰ ਅਸਲ ਬਣਾਉਣ ਲਈ ਇੱਕ ਤੇਜ਼ ਉਦਾਹਰਣ (ਇੱਕ ਵਿਆਪਕ ਨਿਯਮ ਨਹੀਂ): ਗਰਮੀਆਂ ਦੇ ਮੱਧ ਵਿੱਚ ਇੱਕ ਗਰਮ, ਸੁੱਕੇ ਖੇਤਰ ਤੋਂ ਬਸੰਤ ਰੁੱਤ ਵਿੱਚ ਇੱਕ ਠੰਡੇ, ਵਧੇਰੇ ਨਮੀ ਵਾਲੇ ਖੇਤਰ ਵਿੱਚ ਰਾਤ ਭਰ ਸਿਖਲਾਈ ਦੇ ਕੰਮ ਨੂੰ ਤਬਦੀਲ ਕਰਨਾ - ਅਤੇ ਇਸਨੂੰ ਆਫ-ਪੀਕ, ਠੰਡੇ ਘੰਟਿਆਂ ਦੌਰਾਨ ਚਲਾਉਣਾ - ਸਾਈਟ 'ਤੇ ਪਾਣੀ ਦੀ ਵਰਤੋਂ ਅਤੇ ਆਫ-ਸਾਈਟ (ਗਰਿੱਡ) ਪਾਣੀ ਦੀ ਤੀਬਰਤਾ ਦੋਵਾਂ ਨੂੰ ਬਦਲ ਸਕਦਾ ਹੈ। ਇਹੀ ਕਿਸਮ ਦਾ ਵਿਹਾਰਕ, ਘੱਟ-ਡਰਾਮਾ ਜਿੱਤ ਸ਼ਡਿਊਲਿੰਗ [3] ਨੂੰ ਅਨਲੌਕ ਕਰ ਸਕਦਾ ਹੈ।

ਤੁਲਨਾ ਸਾਰਣੀ: AI ਦੇ ਪਾਣੀ ਦੇ ਟੋਲ ਨੂੰ ਘਟਾਉਣ ਲਈ ਤੇਜ਼ ਵਿਕਲਪ 🧰

("ਕੀਮਤ" ਡਿਜ਼ਾਈਨ ਦੇ ਹਿਸਾਬ ਨਾਲ ਪਤਲੀ ਹੈ - ਤੈਨਾਤੀਆਂ ਵੱਖ-ਵੱਖ ਹੁੰਦੀਆਂ ਹਨ।)

ਡੂੰਘੀ ਗੋਤਾਖੋਰੀ: ਨੀਤੀ ਢੋਲ ਦੀ ਬੀਟ ਉੱਚੀ ਹੁੰਦੀ ਜਾ ਰਹੀ ਹੈ 🥁

ਇੰਜੀਨੀਅਰਿੰਗ ਸੰਸਥਾਵਾਂ ਲਾਜ਼ਮੀ ਖੁਲਾਸੇ ਤਾਂ ਜੋ ਖਰੀਦਦਾਰ ਅਤੇ ਭਾਈਚਾਰੇ ਲਾਗਤਾਂ ਅਤੇ ਲਾਭਾਂ ਦਾ ਨਿਰਣਾ ਕਰ ਸਕਣ। ਸਿਫ਼ਾਰਸ਼ਾਂ ਵਿੱਚ ਸਕੋਪ ਪਰਿਭਾਸ਼ਾਵਾਂ, ਸਾਈਟ-ਪੱਧਰ ਦੀ ਰਿਪੋਰਟਿੰਗ, ਅਤੇ ਸਾਈਟਿੰਗ ਮਾਰਗਦਰਸ਼ਨ ਸ਼ਾਮਲ ਹਨ - ਕਿਉਂਕਿ ਤੁਲਨਾਤਮਕ, ਸਥਾਨ-ਜਾਗਰੂਕ ਮੈਟ੍ਰਿਕਸ ਤੋਂ ਬਿਨਾਂ, ਅਸੀਂ ਹਨੇਰੇ ਵਿੱਚ ਬਹਿਸ ਕਰ ਰਹੇ ਹਾਂ [3]।

ਡੂੰਘਾਈ ਨਾਲ ਸੋਚੋ: ਸਾਰੇ ਡੇਟਾ ਸੈਂਟਰ ਇੱਕੋ ਤਰੀਕੇ ਨਾਲ ਨਹੀਂ ਪੀਂਦੇ 🚰

ਇੱਕ ਮਿੱਥ ਹੈ ਕਿ "ਹਵਾ ਕੂਲਿੰਗ ਵਿੱਚ ਪਾਣੀ ਦੀ ਵਰਤੋਂ ਨਹੀਂ ਹੁੰਦੀ।" ਬਿਲਕੁਲ ਨਹੀਂ। ਹਵਾ-ਭਾਰੀ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਅਕਸਰ ਵਧੇਰੇ ਬਿਜਲੀ ਦੀ , ਜੋ ਕਿ ਬਹੁਤ ਸਾਰੇ ਖੇਤਰਾਂ ਵਿੱਚ ਗਰਿੱਡ ਤੋਂ ਲੁਕਿਆ ਹੋਇਆ ਪਾਣੀ ਪਾਣੀ ਦੀ ਕੂਲਿੰਗ ਸਾਈਟ 'ਤੇ ਪਾਣੀ ਦੀ ਕੀਮਤ 'ਤੇ ਬਿਜਲੀ ਅਤੇ ਨਿਕਾਸ ਨੂੰ ਘਟਾ ਸਕਦੀ ਹੈ। ਵੱਡੇ ਓਪਰੇਟਰ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਸਾਈਟ-ਦਰ-ਸਾਈਟ ਇਹਨਾਂ ਵਪਾਰ-ਬੰਦਾਂ ਨੂੰ ਸੰਤੁਲਿਤ ਕਰਦੇ ਹਨ [1][5]।

ਡੂੰਘਾਈ ਨਾਲ ਦੇਖੋ: ਵਾਇਰਲ ਦਾਅਵਿਆਂ 'ਤੇ ਇੱਕ ਤੇਜ਼ ਹਕੀਕਤ ਜਾਂਚ 🧪

ਤੁਸੀਂ ਸ਼ਾਇਦ ਦਲੇਰਾਨਾ ਬਿਆਨ ਦੇਖੇ ਹੋਣਗੇ ਕਿ ਇੱਕ ਸਿੰਗਲ ਪ੍ਰੋਂਪਟ "ਇੱਕ ਪਾਣੀ ਦੀ ਬੋਤਲ" ਦੇ ਬਰਾਬਰ ਹੈ, ਜਾਂ, ਦੂਜੇ ਪਾਸੇ, "ਸਿਰਫ਼ ਕੁਝ ਬੂੰਦਾਂ"। ਬਿਹਤਰ ਮੁਦਰਾ: ਗਣਿਤ ਦੇ ਨਾਲ ਨਿਮਰਤਾ । ਅੱਜ ਦੇ ਭਰੋਸੇਯੋਗ ਬੁੱਕਐਂਡ ਪੂਰੇ ਸਰਵਿੰਗ ਓਵਰਹੈੱਡ [1] ਦੇ ਨਾਲ ਇੱਕ ਮੱਧਮ ਉਤਪਾਦਨ ਪ੍ਰੋਂਪਟ ਲਈ ~0.26 ਮਿ.ਲੀ. ~45 ਮਿ.ਲੀ. ਹਨ । ਬਹੁਤ-ਸਾਂਝਾ "ਇੱਕ ਚਮਚੇ ਦਾ ਪੰਦਰਵਾਂ ਹਿੱਸਾ" ਦਾ ਦਾਅਵਾ ਜਨਤਕ ਸੀਮਾ/ਵਿਧੀ ਦੀ ਘਾਟ ਹੈ; ਇਸਨੂੰ ਸ਼ਹਿਰ ਤੋਂ ਬਿਨਾਂ ਮੌਸਮ ਦੀ ਭਵਿੱਖਬਾਣੀ ਵਾਂਗ ਸਮਝੋ [1][3]।

ਛੋਟੇ-ਛੋਟੇ ਅਕਸਰ ਪੁੱਛੇ ਜਾਣ ਵਾਲੇ ਸਵਾਲ: AI ਕਿੰਨਾ ਪਾਣੀ ਵਰਤਦਾ ਹੈ? ਦੁਬਾਰਾ, ਸਾਦੀ ਅੰਗਰੇਜ਼ੀ ਵਿੱਚ 🗣️

• ਤਾਂ, ਮੈਨੂੰ ਇੱਕ ਮੀਟਿੰਗ ਵਿੱਚ ਕੀ ਕਹਿਣਾ ਚਾਹੀਦਾ ਹੈ?
  "ਪ੍ਰਤੀ ਪ੍ਰੋਂਪਟ, ਇਹ ਬੂੰਦਾਂ ਤੋਂ ਲੈ ਕੇ ਕੁਝ ਘੁੱਟਾਂ ਤੱਕ , ਮਾਡਲ, ਲੰਬਾਈ ਅਤੇ ਇਹ ਕਿੱਥੇ ਚੱਲਦਾ ਹੈ, ਇਸ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਸਿਖਲਾਈ ਪੂਲ ਲੈਂਦੀ ਹੈ , ਛੱਪੜਾਂ ਨਹੀਂ।" ਫਿਰ ਉੱਪਰ ਇੱਕ ਜਾਂ ਦੋ ਉਦਾਹਰਣਾਂ ਦਿਓ।

• ਕੀ AI ਵਿਲੱਖਣ ਤੌਰ 'ਤੇ ਮਾੜਾ ਹੈ?
  ਇਹ ਵਿਲੱਖਣ ਤੌਰ 'ਤੇ ਕੇਂਦ੍ਰਿਤ : ਉੱਚ-ਪਾਵਰ ਚਿਪਸ ਇਕੱਠੇ ਪੈਕ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਵੱਡੇ ਕੂਲਿੰਗ ਲੋਡ ਬਣਾਉਂਦੇ ਹਨ। ਪਰ ਡੇਟਾ ਸੈਂਟਰ ਵੀ ਉਹ ਥਾਂ ਹਨ ਜਿੱਥੇ ਸਭ ਤੋਂ ਵਧੀਆ ਕੁਸ਼ਲਤਾ ਤਕਨੀਕ ਪਹਿਲਾਂ ਆਉਂਦੀ ਹੈ [1][4]।

• ਕੀ ਹੋਵੇ ਜੇਕਰ ਅਸੀਂ ਹਰ ਚੀਜ਼ ਨੂੰ ਏਅਰ ਕੂਲਿੰਗ ਵਿੱਚ ਤਬਦੀਲ ਕਰ ਦੇਈਏ?
  ਸਾਈਟ 'ਤੇ ਘਟਾ ਸਕਦੇ ਹੋ ਪਰ ਸਾਈਟ ਤੋਂ ਬਾਹਰ ਪਾਣੀ ਵਧਾ ਸਕਦੇ ਹੋ। ਸੂਝਵਾਨ ਓਪਰੇਟਰ ਦੋਵਾਂ ਨੂੰ ਤੋਲਦੇ ਹਨ [1][5]।

• ਭਵਿੱਖ ਦੀ ਤਕਨੀਕ ਬਾਰੇ ਕੀ?
  ਪਾਣੀ ਨੂੰ ਠੰਢਾ ਕਰਨ ਤੋਂ ਬਚਣ ਵਾਲੇ ਡਿਜ਼ਾਈਨ ਸਕੋਪ 1 ਲਈ ਇੱਕ ਗੇਮ-ਚੇਂਜਰ ਹੋਣਗੇ। ਕੁਝ ਓਪਰੇਟਰ ਇਸ ਤਰ੍ਹਾਂ ਅੱਗੇ ਵਧ ਰਹੇ ਹਨ; ਗਰਿੱਡ ਬਦਲਣ ਤੱਕ ਅਪਸਟ੍ਰੀਮ ਬਿਜਲੀ ਅਜੇ ਵੀ ਪਾਣੀ ਦਾ ਸਿਗਨਲ ਰੱਖਦੀ ਹੈ [4]।

ਅੰਤਿਮ ਟਿੱਪਣੀਆਂ - ਬਹੁਤ ਲੰਮਾ, ਮੈਂ ਇਸਨੂੰ ਨਹੀਂ ਪੜ੍ਹਿਆ 🌊

• ਪ੍ਰਤੀ ਪ੍ਰੋਂਪਟ: ਮਾਡਲ, ਪ੍ਰੋਂਪਟ ਦੀ ਲੰਬਾਈ, ਅਤੇ ਇਹ ਕਿੱਥੇ ਚੱਲਦਾ ਹੈ, ਦੇ ਆਧਾਰ 'ਤੇ, ਸਬ-ਮਿਲੀਲੀਟਰ ਤੋਂ ਲੈ ਕੇ ਦਸਾਂ ਮਿਲੀਲੀਟਰ ਤੱਕ ਸੋਚੋ ਇੱਕ ਵੱਡੇ ਸਟੈਕ 'ਤੇ ਮੱਧਮ ਪ੍ਰੋਂਪਟ ~0.26 ਮਿ.ਲੀ.; 400-ਟੋਕਨ ਜਵਾਬ ਲਈ ~45 ਮਿ.ਲੀ.।

• ਸਿਖਲਾਈ: ਲੱਖਾਂ ਲੀਟਰ , ਸ਼ਡਿਊਲਿੰਗ, ਸਾਈਟਿੰਗ ਅਤੇ ਕੂਲਿੰਗ ਤਕਨਾਲੋਜੀ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਬਣਾਉਂਦੇ ਹੋਏ [3]।

• ਕੀ ਕਰਨਾ ਹੈ: ਸਹੀ ਆਕਾਰ ਦੇ ਮਾਡਲ, ਪਾਣੀ ਦੇ ਹਿਸਾਬ ਨਾਲ ਖੇਤਰ ਚੁਣੋ, ਭਾਰੀ ਕੰਮ ਠੰਢੇ ਘੰਟਿਆਂ ਵਿੱਚ ਤਬਦੀਲ ਕਰੋ, ਪਾਣੀ-ਰੌਸ਼ਨੀ ਦੇ ਡਿਜ਼ਾਈਨ ਸਾਬਤ ਕਰਨ ਵਾਲੇ ਵਿਕਰੇਤਾਵਾਂ ਨੂੰ ਤਰਜੀਹ ਦਿਓ, ਅਤੇ ਪਾਰਦਰਸ਼ੀ ਸੀਮਾਵਾਂ ਦੀ ਮੰਗ ਕਰੋ [1][3][4][5]।

ਅੰਤ ਵਿੱਚ ਥੋੜ੍ਹਾ ਜਿਹਾ ਗਲਤ ਰੂਪਕ: AI ਇੱਕ ਪਿਆਸਾ ਆਰਕੈਸਟਰਾ ਹੈ - ਸੁਰ ਕੰਪਿਊਟ ਹੈ, ਪਰ ਢੋਲ ਠੰਢਾ ਕਰ ਰਹੇ ਹਨ ਅਤੇ ਪਾਣੀ ਨੂੰ ਗਰਿੱਡ ਕਰ ਰਹੇ ਹਨ। ਬੈਂਡ ਨੂੰ ਟਿਊਨ ਕਰੋ, ਅਤੇ ਦਰਸ਼ਕ ਅਜੇ ਵੀ ਸਪ੍ਰਿੰਕਲਰ ਬੰਦ ਕੀਤੇ ਬਿਨਾਂ ਸੰਗੀਤ ਪ੍ਰਾਪਤ ਕਰਨਗੇ। 🎻💦

ਹਵਾਲੇ

1. ਗੂਗਲ ਕਲਾਉਡ ਬਲੌਗ - ਗੂਗਲ ਦਾ ਏਆਈ ਕਿੰਨੀ ਊਰਜਾ ਵਰਤਦਾ ਹੈ? ਅਸੀਂ ਗਣਿਤ ਕੀਤਾ (ਵਿਧੀ + ~0.26 ਮਿ.ਲੀ. ਮੱਧਮ ਪ੍ਰੋਂਪਟ, ਪੂਰਾ ਸਰਵਿੰਗ ਓਵਰਹੈੱਡ)। ਲਿੰਕ
   (ਤਕਨੀਕੀ ਪੇਪਰ ਪੀਡੀਐਫ: ਗੂਗਲ ਪੈਮਾਨੇ 'ਤੇ ਏਆਈ ਪ੍ਰਦਾਨ ਕਰਨ ਦੇ ਵਾਤਾਵਰਣ ਪ੍ਰਭਾਵ ਨੂੰ ਮਾਪਣਾ ।) ਲਿੰਕ

2. ਮਿਸਟ੍ਰਲ ਏਆਈ - ਏਆਈ ਲਈ ਇੱਕ ਗਲੋਬਲ ਵਾਤਾਵਰਣ ਮਿਆਰ ਵਿੱਚ ਸਾਡਾ ਯੋਗਦਾਨ (ਏਡੀਈਐਮਈ/ਕਾਰਬੋਨ 4 ਦੇ ਨਾਲ ਐਲਸੀਏ; ~281,000 ਮੀਟਰ³ ਸਿਖਲਾਈ + ਸ਼ੁਰੂਆਤੀ ਵਰਤੋਂ; ~45 ਮਿ.ਲੀ. ਪ੍ਰਤੀ 400-ਟੋਕਨ ਜਵਾਬ, ਸੀਮਾਂਤ ਅਨੁਮਾਨ)। ਲਿੰਕ

3. ਲੀ ਅਤੇ ਹੋਰ - ਏਆਈ ਨੂੰ ਘੱਟ "ਪਿਆਸਾ" ਬਣਾਉਣਾ: ਏਆਈ ਮਾਡਲਾਂ ਦੇ ਗੁਪਤ ਪਾਣੀ ਦੇ ਨਿਸ਼ਾਨ ਨੂੰ ਉਜਾਗਰ ਕਰਨਾ ਅਤੇ ਸੰਬੋਧਿਤ ਕਰਨਾ ਲੱਖਾਂ ਲੀਟਰ , ਸਮਾਂ- ਅਤੇ ਸਥਾਨ-ਜਾਗਰੂਕ ਸਮਾਂ-ਸਾਰਣੀ, ਕਢਵਾਉਣ ਬਨਾਮ ਖਪਤ ਦੀ ਸਿਖਲਾਈ ਲਿੰਕ

4. ਮਾਈਕ੍ਰੋਸਾਫਟ - ਅਗਲੀ ਪੀੜ੍ਹੀ ਦੇ ਡੇਟਾਸੈਂਟਰ ਕੂਲਿੰਗ ਲਈ ਜ਼ੀਰੋ ਪਾਣੀ ਦੀ ਖਪਤ ਕਰਦੇ ਹਨ (ਕੁਝ ਥਾਵਾਂ 'ਤੇ ਪਾਣੀ-ਮੁਕਤ ਕੂਲਿੰਗ ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾਉਂਦੇ ਹੋਏ ਸਿੱਧੇ-ਤੋਂ-ਚਿੱਪ ਡਿਜ਼ਾਈਨ)। ਲਿੰਕ

5. ਗੂਗਲ ਡੇਟਾ ਸੈਂਟਰ - ਟਿਕਾਊ ਢੰਗ ਨਾਲ ਕੰਮ ਕਰਨਾ (ਸਾਈਟ-ਦਰ-ਸਾਈਟ ਕੂਲਿੰਗ ਟ੍ਰੇਡ-ਆਫ; ਰਿਪੋਰਟਿੰਗ ਅਤੇ ਮੁੜ ਵਰਤੋਂ, ਜਿਸ ਵਿੱਚ ਮੁੜ ਪ੍ਰਾਪਤ/ਸਲੇਟੀ ਪਾਣੀ ਸ਼ਾਮਲ ਹੈ; ਵਿਸ਼ਾਲਤਾ ਦੇ ਆਮ ਰੋਜ਼ਾਨਾ ਸਾਈਟ-ਪੱਧਰ ਦੇ ਵਰਤੋਂ ਆਰਡਰ)। ਲਿੰਕ

ਅਧਿਕਾਰਤ AI ਸਹਾਇਕ ਸਟੋਰ 'ਤੇ ਨਵੀਨਤਮ AI ਲੱਭੋ

ਸਾਡੇ ਬਾਰੇ