وبلاگ
مصرف برق هوش مصنوعی در ۲۰۲۶؛ آیا هر پرسش برق یک خانه را میگیرد؟
فهرست مطالب
“تسلط به برنامهنویسی پایتون با هوش مصنوعی: آموزش کدنویسی هوشمند با ChatGPT”
0 تا 100 عطرسازی + (30 فرمولاسیون اختصاصی حامی صنعت)
Claude & GPT Credit – API | IDE | n8n
خرید کردیت API برای Claude و GPT با امکان استفاده در IDE و n8n. مناسب برنامهنویسی، تولید محتوا، تحلیل داده و ساخت اتوماسیون؛ راهنمای اتصال و پشتیبانی حامی صنعت همراه سفارش ارائه میشود. مدل و مقدار اعتبار را پیش از خرید بررسی کنید و برای دریافت کردیت API اقدام کنید.
Gemini Plus ششماهه
اکانت Leonardo.ai با 8500 کردیت
خرید اکانت ChatGPT Plus یک ماهه با کردیت CODEX اختصاصی
دایرکت اتوماتیک اینستاگرام حامی | اشتراک ۳۰روزه یک پیج
اشتراک ۳۰روزه پنل دایرکت اتوماتیک اینستاگرام حامی برای یک پیج؛ پاسخ خودکار کامنت و دایرکت، کمپین کلمه کلیدی، قفل فالو، جذب لید، دکمه و لینک و گزارش تحلیل پیج. پاسخهای ثابت بدون نیاز به هوش مصنوعی کار میکنند و اتصال OpenAI Compatible اختیاری است. همین حالا اشتراک پنل اینستاگرام را تهیه کنید و راهاندازی را از داخل پنل فارسی شروع کنید.
دوره آموزش Flutter و برنامه نویسی Dart [پروژه محور]
دوره جامع آموزش برنامهنویسی پایتون + هک اخلاقی [با همکاری شاهک]
دوره جامع آموزش فرمولاسیون لوازم آرایشی
دوره جامع علم داده، یادگیری ماشین، یادگیری عمیق و NLP
مصرف برق هوش مصنوعی در ۲۰۲۶؛ آیا هر پرسش برق یک خانه را میگیرد؟

این ادعا که «هر سؤال از هوش مصنوعی به اندازهٔ برق یک خانه انرژی میبرد» در شبکههای اجتماعی تکرار میشود؛ اما گزارش تازهٔ آژانس بینالمللی انرژی (IEA) نشان میدهد پاسخ به این پرسش به نوع کار بستگی دارد. IEA میگوید پرسش متنی ساده معمولاً برق کمتری از روشنبودن تلویزیون در همان بازه مصرف میکند، در حالی که تولید ویدیو، استدلال طولانی و وظیفهٔ عاملمحور میتوانند صدها یا هزاران برابر یک درخواست متنی ساده انرژی ببرند. «هر prompt» یک واحد همسان نیست.
موضوع بزرگتر از یک prompt است. طبق برآورد ۲۰۲۶ IEA، برق مصرفی مراکز داده از ۴۸۵ تراواتساعت در ۲۰۲۵ میتواند به حدود ۹۵۰ تراواتساعت در ۲۰۳۰ برسد؛ نزدیک به سه درصد مصرف برق جهان. مراکز دادهٔ متمرکز بر AI در این دوره ممکن است سه برابر شوند. در این راهنما تفاوت انرژی هر کار با مصرف کل زیرساخت، نقش بهرهوری، گلوگاه شبکه، آب و کربن را باز میکنیم تا بتوانید آمار را بدون بزرگنمایی یا کماهمیت جلوهدادن بخوانید.
IEA در تازهترین گزارش ۲۰۲۶ چه میگوید؟
گزارش «Key Questions on Energy and AI» که IEA در ۲۰۲۶ منتشر کرد، میگوید مصرف برق مراکز داده در سال ۲۰۲۵ حدود ۱۷٪ افزایش یافت؛ مراکز دادهٔ متمرکز بر AI سریعتر رشد کردند و مصرف برق آنها ۵۰٪ بالا رفت. مدل پایهٔ IEA مسیر نزدیک به دوبرابرشدن کل مصرف مراکز داده را از ۴۸۵ TWh در ۲۰۲۵ تا ۹۵۰ TWh در ۲۰۳۰ برآورد میکند. سهم آن در برق جهانی در پایان این دوره حدود ۳٪ پیشبینی شده است. این یک سناریوی مرکزی و پیشبینی است، نه اندازهگیری قطعی سال ۲۰۳۰.
گزارش دیگری از IEA با عنوان «Powering Artificial Intelligence» مسئله را از دید اتصال مراکز داده به شبکه بررسی میکند: بیش از ۷۰۰ میلیارد دلار سرمایهگذاری سرمایهای hyperscalerها در ۲۰۲۶ پیشبینی شده، اما صف اتصال، تجهیزات برقی، مجوز، چیپ و سرمایه محدودکنندهاند. این تفاوت مهم است: خبر دربارهٔ پروژههای اعلامشده را نباید برابر ظرفیت فعال گرفت. شرکتها ممکن است پروژه را کند، جابهجا یا لغو کنند؛ دسترسی به برق و ترانسفورماتور میتواند برنامه را تغییر دهد. هنگام نقل هر پیشبینی، سناریو، سال پایه و تاریخ انتشار را ذکر کنید.
عددهای اصلی در یک جدول
| موضوع | عدد گزارششده یا برآورد | چطور بخوانیم؟ |
|---|---|---|
| برق مراکز داده در ۲۰۲۵ | ۴۸۵ TWh | برآورد جهانی IEA برای سال پایه |
| پیشبینی ۲۰۳۰ | ۹۵۰ TWh، حدود ۳٪ برق جهان | سناریوی مرکزی، نه قطعیت |
| رشد مصرف DC در ۲۰۲۵ | ۱۷٪ | رشد برق مراکز داده از سال قبل |
| رشد مراکز دادهٔ AI | ۵۰٪ در ۲۰۲۵ | رشد سریعتر از کل مراکز داده |
| کار سادهٔ متنی | کمتر از تماشای تلویزیون در همان بازه | توصیف IEA؛ نه عدد ثابت برای همهٔ مدلها |
| ویدیو، reasoning و agent | صدها تا هزاران برابر یک text query ساده | مقایسهٔ نسبی؛ انرژی تابع مدل و وظیفه است |
برای مدیریت برداشت، همیشه چهار چیز را کنار عدد بنویسید: منطقه، بازهٔ زمانی، مرز سنجش و واحد. مقدار برق یک مرکز داده ممکن است شامل خنکسازی و شبکه باشد یا فقط محاسبهٔ سرور را بسنجند. سنجش یک مدل روی دستگاه آزمایشگاهی با محاسبهٔ رفتوبرگشت سرویس ابری یکی نیست. حتی وقتی دو گزارش از «مصرف AI» حرف میزنند، ممکن است یکی GPUها را بسنجد و دیگری کل تأسیسات را. بدون این جزئیات، مقایسهٔ عددها ظاهراً دقیق ولی عملاً گمراهکننده است.
انرژی هر پرسش با مصرف کل مراکز داده فرق دارد
مصرف هر وظیفه (per-task energy) را میتوان برای پاسخ به این سؤال سنجید که یک درخواست مشخص چقدر برق میخواهد. مصرف کل زیرساخت برق همهٔ درخواستها، آموزش مدل، ذخیرهسازی، شبکه، خنکسازی، کارهای غیرهوش مصنوعی و ظرفیت آمادهبهکار را در طول زمان جمع میکند. یک task کممصرف اگر میلیاردها بار اجرا شود، در کل اهمیت دارد؛ در مقابل، یک task بسیار سنگین اگر به ندرت انجام شود، سهم کوچکتری از زیرساخت داشته باشد. هر دو مقیاس برای تصمیمگیری لازماند.
گزارش IEA میگوید بهرهوری سختافزار و نرمافزار باعث شده انرژی لازم برای هر task AI در سالهای اخیر با سرعت بسیار زیادی کاهش یابد؛ اما همزمان تعداد کاربران و کاربردهای سنگین افزایش یافتهاند. این همان تفاوت بهرهوری و تقاضای کل است. اگر دستگاه در هر درخواست نصف انرژی مصرف کند ولی تعداد درخواستها ده برابر شود و وظایف پیچیدهتر شوند، مصرف کل ممکن است همچنان بالا برود. از این پدیده گاهی rebound effect یا اثر بازگشتی یاد میشود: کار ارزانتر میشود و استفادهٔ بیشتر، بخشی از صرفهجویی را میبلعد.
یک prompt برابر با prompt دیگر نیست
تولید یک پاسخ متنی کوتاه معمولاً با تولید ویدیوی چندثانیهای، تحلیل سند طولانی، مکالمهٔ صوتی بیدرنگ یا agentی که چندین ابزار را صدا میزند برابر نیست. طول ورودی و خروجی، reasoning tokens، تعداد مرحلهها، دقت محاسبات، معماری مدل، batch، حافظه و محل اجرای درخواست همگی اثر دارند. برای همین یک جدول اینترنتی که برای «هر سؤال» عدد ثابتی میسازد باید منبع، نسخه و دامنهٔ سنجش داشته باشد؛ وگرنه نمیتواند مصرف واقعی هر کاربر را توضیح دهد.
IEA در گزارش ۲۰۲۶ میگوید کاربردهایی مانند تولید ویدیو، reasoning و agentic tasks میتوانند چند صد یا چند هزار برابر انرژی پرسش متنی ساده مصرف کنند. این گزاره به معنای آن نیست که تمام agentها چنین هستند یا یک نسبت ثابت برای همهٔ مدلها وجود دارد؛ نوع وظیفه، مدت اجرا و تعداد درخواستهای میانی فرق میکند. اگر مدل در پسزمینه دهها مرحلهٔ جستوجو، تحلیل و بازنویسی انجام دهد، مصرف کل ممکن است از چیزی که رابط بهصورت «یک پرسش» نشان میدهد بیشتر باشد.
مدل در استنتاج، آموزش و زیرساخت چه میکند؟
آموزش مدل، تنظیم، ارزیابی و استنتاج (inference) بارهای کاری متفاوتاند. آموزش بزرگ ممکن است در دورهای طولانی روی خوشهای از شتابدهندهها اجرا شود. استنتاج هر بار پاسخدادن به کاربر است؛ تعداد زیادی از این فراخوانیها در طول روز روی خدمت فعال انجام میشوند. ارزیابی، fine-tuning، ساخت داده، جستوجوی retrieval و اجرای ابزار نیز به مصرف افزوده میشوند. وقتی شرکت فقط برق پاسخ نهایی را گزارش میکند، نتیجه با تحلیل چرخهٔ کامل مدل هممرز نیست.
در زیرساخت ابری، برق سرور تنها بخشی از نیاز است. تجهیزات شبکه، سیستم خنککننده، توزیع برق، UPS و ظرفیت ذخیرهسازی هم برق میخواهند. برخی مراکز داده باید تجهیزات را با بار اوج طراحی کنند، نه فقط مصرف متوسط؛ کارهای AI ممکن است نوسان بار بالایی ایجاد کنند. برای همین شاخصهایی مانند PUE و میزان کار محاسباتی در ازای انرژی مفیدند، اما هیچکدام به تنهایی اثر کل مدل، مصرف آب یا ترکیب برق را نشان نمیدهد.
از تراشه تا شبکه: بار هوش مصنوعی کجا جمع میشود؟
یک پاسخ AI در زنجیرهای از تجهیزات ساخته میشود: سرور، GPU یا شتابدهنده، حافظهٔ پهنباند، شبکهٔ پرسرعت، ذخیرهسازی، منبع تغذیه، خنکسازی و اتصال به شبکهٔ سراسری. رشد مدلهای بزرگ تقاضا برای هر کدام را زیاد میکند. گزارش IEA ۲۰۲۶ میگوید تراکم توان سرورهای AI از ۲۰۲۰ تا ۲۰۲۵ حدود یازده برابر شده و تا ۲۰۲۷ انتظار چهار برابر افزایش دیگر دارد. یک rack پیشرفته ممکن است در اوج توانی معادل برق ۶۵ خانه مصرف کند؛ این مقایسه دربارهٔ rack اوجبار است، نه هر اتاق سرور یا مرکز داده.
افزایش چگالی توان نیازمند ترانسفورماتور، کابل، power electronics و خنککنندهٔ توانمندتر است. زمان دریافت برخی تجهیزات و اتصال به شبکه طولانی شده و توسعهٔ خط انتقال چند سال زمان میبرد. بنابراین تصمیم مکانی مرکز داده اهمیت دارد. هرچه پروژه در یک خوشهٔ از پیش متراکم ساخته شود، ممکن است رقابت بر سر ظرفیت محلی بیشتر شود؛ حتی اگر سهم کل مراکز داده از برق جهان چند درصد باشد، اثر محلی میتواند بزرگ باشد. «سهم جهانی کوچک» لزوماً به معنی «اثر محلی ناچیز» نیست.
اثر محلی بر شبکه، قیمت و جوامع اطراف
مرکز داده یک بار بزرگ و متمرکز است. تقاضای آن میتواند در یک منطقه به اتصال تازه، نیروگاه، ذخیرهسازی یا تقویت خطوط نیاز داشته باشد. اگر هزینهٔ شبکه بین همهٔ مشترکان تقسیم شود، مصرفکنندهٔ عادی ممکن است بخشی از هزینه را بپردازد؛ اگر پروژه ظرفیت خالی شبکه را پر کند و هزینهٔ اتصال را منصفانه بدهد، میتواند هزینهٔ ثابت را میان مصرف بیشتری پخش کند. نتیجه برای قبض مردم خودکار و یکسان نیست و به تعرفه، قرارداد، ظرفیت محلی و نحوهٔ تأمین مالی وابسته است.
پروژههای اعلامشده نیز با ظرفیت عملیاتی یکی نیستند. در صف اتصال ممکن است درخواستهای تکراری یا speculative وجود داشته باشد؛ اگر همهٔ آنها را قطعی فرض کنیم، ممکن است شبکه بیش از نیاز توسعه یابد. اگر برعکس تقاضای واقعی دستکم گرفته شود، اتصال پروژههای معتبر و برقرسانی محلی عقب میافتد. IEA برای تصمیمگیران بر شفافیت مکانی، روند قابل پیشبینی اتصال، تعرفهٔ منصفانه و انعطافپذیری تأکید میکند. گفتوگوی شفاف با جامعهٔ اطراف نیز بخشی از مجوز اجتماعی پروژه است.
آب، گرما و کربن را هم در کنار برق ببینید
سرورهای پرقدرت گرما تولید میکنند و سیستم خنکسازی باید آن را دفع کند. بعضی فناوریهای خنکسازی آب بیشتری مصرف میکنند و بعضی انرژی بیشتری؛ IEA به trade-off میان بهرهوری مصرف آب و برق اشاره میکند. افزون بر آب مستقیم مرکز داده، تولید برق و ساخت تراشه هم در زنجیرهٔ بالادستی آب و مواد مصرف میکند. محل جغرافیایی مهم است: یک مرکز داده در منطقهٔ دچار تنش آبی اثر متفاوتی از همان ظرفیت در منطقهای مرطوب دارد.
کربن به ترکیب برق محل و زمان مصرف وابسته است، نه فقط به تعداد تراشهها. خرید قراردادی برق تجدیدپذیر میتواند روی حسابداری و سرمایهگذاری اثر بگذارد، اما باید تفاوت بین قرارداد و برق فیزیکی تحویلی به شبکه روشن باشد. نیروگاه گازی پشتیبان، باتری، برق هستهای یا خورشیدی هر کدام مزیت، محدودیت و زمان ساخت متفاوت دارند. گزارش IEA پیشبینی میکند انتشار CO₂ منتسب به برق مراکز داده در سناریوی مرکزی تا ۲۰۳۵ به حدود ۳۵۰ میلیون تن برسد؛ رقم مربوط به سناریو و مرز مشخص گزارش است.
منابع برق تازه و راهحلهای شبکه
اپراتورها قرارداد خرید برق تجدیدپذیر، ذخیرهسازی باتری، برق هستهای، geothermal و تولید در محل را بررسی میکنند. IEA میگوید شرکتهای فناوری در نیمهٔ نخست ۲۰۲۶ حدود ۴۵ TWh قرارداد خرید برق (PPA) امضا کردهاند، نزدیک به ۲۰٪ بیش از دورهٔ مشابه سال قبل. قراردادها میتوانند پروژهٔ جدید را پشتیبانی کنند؛ اما حجم اسمی قرارداد به معنی آن نیست که هر ساعت و هر محل برق پاک بهطور فیزیکی به سرور میرسد. زمان تولید، مکان و اتصال شبکه مهم است.
برخی شبکهها اتصال non-firm را آزمایش میکنند: مرکز داده در شرایط عادی برق میگیرد، اما در ساعتهای فشار ممکن است مصرفش محدود یا جابهجا شود. این میتواند ظرفیت اتصال را سریعتر فراهم کند، ولی برای کارهای بلادرنگ و سرویسهای حساس مناسب نیست. پردازش batch، آموزش مدل یا درخواستهای قابل تعویق انعطاف بیشتری دارند. اگر workload به چند مرکز داده منتقل شود، latency، حریم خصوصی، تعرفه و کارایی انتقال را هم بسنجید. انعطاف شبکه باید با قرارداد روشن باشد تا شرکت بداند چه زمانی ممکن است کار را کاهش دهد.
چطور انرژی یک کار AI را واقعاً بسنجیم؟
اگر کسبوکار میخواهد انرژی را مدیریت کند، ابتدا واحد کار مفید را تعریف کند: خلاصهٔ یک سند، پاسخ معتبر به درخواست پشتیبانی، تصویر نهایی قابل استفاده یا وظیفهٔ کامل agent. سپس انرژی را برای تمام مراحل وابسته اندازه بگیرد: مدل اصلی، retrieval، ابزارهای جستوجو، retryها، ارزیابی کیفیت و زیرساخت مورد توافق. اندازهگیری مستقیم همهٔ انرژی در ابری که چند مشتری را میزبانی میکند آسان نیست؛ در این حالت از دادهٔ برآوردی سرویسدهنده استفاده کنید و مرز و فرضهای آن را ثبت کنید.
یک داشبورد باید هم کیفیت و هم انرژی را نشان دهد: kWh به ازای یک وظیفهٔ پذیرفتهشده، زمان پاسخ، درصد retry، نرخ پاسخ مفید، هزینهٔ مالی، مدل و نسخه، طول context و محل پردازش. اگر انرژی هر خروجی کم شود اما نرخ پاسخ اشتباه بالا برود، ممکن است کاربر دوباره سؤال کند و مصرف کلی بیشتر شود. اگر مدل بزرگتر از نیاز انتخاب شود، مدل کوچکتر و تخصصیتر شاید همان کار را با هزینه و انرژی کمتر انجام دهد. بهینهسازی را بر مبنای «کار درست و مفید» بسنجید، نه صرفاً token یا پاسخ.
چکلیست استفادهٔ کارآمد برای توسعهدهنده
- برای هر وظیفه مدل مناسب انتخاب کنید؛ همهٔ درخواستها به بزرگترین مدل نیاز ندارند.
- پرسش و context را فقط تا اندازهٔ لازم بفرستید و سند تکراری را حذف کنید.
- خروجی را با قالب محدود و مثال روشن هدایت کنید تا retry کمتر شود.
- برای پرسشهای تکراری و دادهٔ پایدار cache امن و باطلشونده طراحی کنید.
- کارهای قابل تعویق را در زمان کمبار یا پردازش گروهی اجرا کنید.
- کیفیت را پایش کنید؛ صرفهجویی انرژی نباید دقت، ایمنی یا دسترسپذیری را خراب کند.
- نسخهٔ مدل، منطقه، تنظیمات و حجم کار را در هر مقایسه ثبت کنید.
قابلیت routing میتواند درخواست ساده را به مدل سبک و کار پیچیده را به مدل قوی بفرستد؛ اما باید آستانهٔ انتخاب و معیار کیفیت روشن باشد. فشردهسازی prompt یا خلاصهسازی زمینه میتواند tokenها را کم کند، ولی شاید شرط حقوقی یا معنای مهم را حذف کند. batch processing بهرهوری محاسبه را بالا میبرد، اما برای کار بلادرنگ مناسب نیست. caching برای دادهٔ پایدار مفید است و باید با تغییر دسترسی یا سند پاک شود. هر optimization را با آزمون ثابت و دادهٔ واقعی بسنجید تا معلوم شود مصرف مفید کاهش یافته، نه صرفاً مصرف خام.
چکلیست انتخاب AI برای یک شرکت
پیش از خرید، از ارائهدهنده بپرسید مصرف انرژی را برای کدام مرز میسنجد: GPU، server، کل مرکز داده یا تخمین چرخهٔ عمر؟ داده به کدام نسخهٔ مدل، نوع پرسش و منطقه مربوط است؟ برق از چه ترکیبی میآید و نسبت مستقیم با قراردادهای خرید چیست؟ میزان استفادهٔ واقعی و حجم درخواست شما با benchmark ارائهشده چقدر فرق دارد؟ آیا مدل کوچکتر، batch، caching یا اجرای محلی برای بخشی از کار قابل استفاده است؟
شرکت همچنین باید بپرسد چه زمانی workload میتواند محدود یا جابهجا شود، داده در کدام منطقه پردازش میشود، آیا انرژی و آب هر دو گزارش میشوند و انتشار محاسباتی در چه بازهای اندازهگیری شده است. برای خدمت ابری، کنترل مستقیم روی نیروگاه ندارید، اما میتوانید از تأمینکننده شفافیت، گزینهٔ منطقهای و معیارهای بهرهوری بخواهید. قرارداد بلندمدت باید هزینهٔ برق، صف اتصال، uptime و تأخیر را درنظر بگیرد. گزارش سالانهٔ sustainability را با دادهٔ عملیاتی و محدودهٔ سنجش مقایسه کنید.
آیا همهٔ انرژی AI «هدررفته» است؟
خیر. هوش مصنوعی میتواند بهرهوری تحقیق، طراحی، خدمات مشتری، کشف خطا، بهینهسازی مصرف و بسیاری از کارها را بالا ببرد؛ در بعضی سیستمها هم میتواند مصرف انرژی بخش دیگری از اقتصاد را کم کند. اما فایدهٔ محتمل، مصرف زیرساخت را نامرئی یا بیهزینه نمیکند. باید ارزش خروجی را در کنار برق، آب، مواد، هزینهٔ شبکه، انتشار و فرصت استفاده از همان ظرفیت برای کارهای دیگر دید. مقایسهٔ منصفانه با روش جایگزین انجام میشود: اگر AI نبود، همان کار چگونه و با چه انرژی انجام میشد؟
برخی ادعا میکنند AI به طور خودکار شبکهٔ برق را بهینه و مصرف انرژی جهان را کاهش میدهد؛ برخی دیگر هر مرکز داده را زیان خالص میدانند. هر دو نتیجه بدون مطالعهٔ سناریو سادهسازیاند. IEA در ۲۰۲۶ میگوید افزایش بهرهوری یک task، رشد سریع استفاده و کاربردهای تازه را همزمان دارد؛ افزون بر آن، اثر رشد اقتصادی ناشی از AI یکبهیک به مصرف انرژی بیشتر تبدیل نمیشود. برای شرکت، نتیجهٔ درست با بررسی کار مشخص، انرژی مستقیم و غیرمستقیم، کیفیت، صرفهجویی جایگزین و رفتار تقاضا به دست میآید.
یک نمونهٔ برنامهٔ سنجش برای تیم محصول
فرض کنید تیم یک دستیار برای خلاصهکردن پروندههای پشتیبانی دارد. اول پرسشهای نمونه را بینامسازی و گروهبندی کنید: پاسخ کوتاه، تحلیل چندسندی، پرسش طولانی و مورد نیازمند ارجاع انسانی. برای هر گروه، مدل فعلی و مدل کوچکتر را با یک مجموعهٔ آزمون یکسان بسنجید. دقت، کاملبودن، استناد، زمان، هزینه، مصرف تخمینی هر درخواست و نرخ retry را ثبت کنید. تصمیم را روی kWh برای هر پروندهٔ باکیفیت بگیرید، نه فقط برق هر فراخوانی.
سپس بررسی کنید چه بخشی از context تکراری است، چه پرسشهایی میتوانند پاسخ cache داشته باشند و آیا چند سؤال مشابه را میتوان در یک batch انجام داد. نمونههای حساس را به مدل بزرگتر یا بازبینی انسانی بفرستید و پرسش ساده را به مدل کوچکتر. نتیجه را روی کاربران واقعی با کنترل کیفیت دنبال کنید. اگر مصرف کمتر ولی تماس مجدد بیشتر شد، صرفهجویی خام ممکن است به افزایش کار و انرژی در بخش پشتیبانی منجر شود. تصمیم مناسب باید اثر کل جریان را اندازه بگیرد و معیار را بهصورت فصلی مرور کند.
سناریوهای ۲۰۳۰ را پیشبینی قطعی نخوانید
عدد ۹۵۰ TWh برای ۲۰۳۰ در گزارش IEA سناریوی پایه است. اگر ساخت مراکز داده کندتر شود، چیپ محدود بماند یا بهرهوری سریعتر رشد کند، مصرف میتواند کمتر باشد؛ اگر کاربردهای agent و تولید ویدیو رشد کنند و شبکه و تجهیزات سریعتر ساخته شوند، مصرف ممکن است از برآورد پایه فراتر برود. IEA میگوید پروژههای اعلامشده همه اجرا نمیشوند و مسیر میانمدت تحت تأثیر سرمایهگذاری و محدودیت زنجیرهٔ تأمین است. پس میتوان روند را جدی گرفت بدون آنکه یک رقم را سرنوشت قطعی بدانیم.
سناریوها برای تصمیم مفیدند اگر فرضهایشان آشکار باشد. مدیر دادهمرکز باید سناریوی ظرفیت پایین و بالا، زمان اتصال، دسترسی به آب، قیمت برق، نرخ استفاده و عمر تجهیزات را بررسی کند. دولت و شبکه باید از پروژههای معتبر دادهٔ زمانبندی و محل بخواهند، نه فقط مجموع gigawatt اعلامشده را. مصرفکننده هم میتواند از سرویس مورد استفاده شفافیت بخواهد. گزارش تازه را با نسخهٔ قبلی مقایسه کنید تا معلوم شود کدام فرض تغییر کرده است؛ پیشبینی بلندمدت باید با دادهٔ تازه بازنگری شود.
پرسشهای پرتکرار دربارهٔ مصرف برق هوش مصنوعی
آیا هر سؤال از AI برق یک خانه را مصرف میکند؟
خیر. IEA میگوید پرسش متنی ساده معمولاً کمتر از تماشای تلویزیون در همان بازه برق مصرف میکند. کارهای ویدیویی، reasoning طولانی و agentic میتوانند صدها یا هزاران برابر انرژیبرتر باشند؛ رقم وابسته به مدل و وظیفه است.
مصرف برق مراکز داده تا ۲۰۳۰ چقدر میشود؟
برآورد پایهٔ IEA در گزارش ۲۰۲۶ از ۴۸۵ TWh در ۲۰۲۵ به حدود ۹۵۰ TWh در ۲۰۳۰ میرسد؛ پیشبینی است، نه عدد قطعی.
چرا هر task کممصرف میشود ولی مصرف کل بالا میرود؟
بهبود سختافزار و نرمافزار انرژی هر task را کاهش میدهد، اما تعداد کاربران، فراخوانیها و کاربردهای سنگین هم رشد میکند؛ مجموع همهٔ این عوامل مصرف کل را تعیین میکند.
آیا تولید تصویر و ویدیو از متن پرمصرفتر است؟
به طور معمول کارهای تولید ویدیو و مراحل reasoning یا agent میتوانند از text query ساده بسیار انرژیبرتر باشند. نسبت دقیق به مدت، کیفیت، مدل و سختافزار وابسته است.
آیا مراکز داده همه از انرژی تجدیدپذیر استفاده میکنند؟
نه. ترکیب برق به شبکه و منطقه وابسته است. قرارداد خرید برق تجدیدپذیر، تولید فیزیکی ساعتی و برق مصرفشده در محل مفاهیم یکسانی نیستند.
آیا افزایش مرکز داده قبض برق همه را بالا میبرد؟
نتیجه به هزینهٔ اتصال، سرمایهگذاری شبکه، تعرفه، ظرفیت موجود و محل پروژه بستگی دارد. هزینه ممکن است بر مصرفکنندگان تقسیم شود یا از پروژهٔ بزرگ دریافت شود؛ سیاستگذاری تعیینکننده است.
شرکتها چطور مصرف AI خود را کم کنند؟
مدل مناسب وظیفه را انتخاب، context را کوچک، درخواستهای تکراری را cache، retryها را کاهش و کارهای قابل تعویق را batch کنند؛ سپس کیفیت را همراه انرژی اندازه بگیرند.
آیا گزارشهای انرژی، مصرف آب را هم پوشش میدهند؟
نه همیشه. مرز گزارش را کنترل کنید. خنکسازی، تولید برق و ساخت سختافزار میتوانند اثر آب داشته باشند و موقعیت مرکز داده مهم است.
جمعبندی: بهجای یک عدد وایرال، کل سیستم را بسنجید
گزارشهای ۲۰۲۶ IEA دو واقعیت را همزمان نشان میدهند: انرژی یک درخواست متنی ساده میتواند نسبتاً کم باشد و بهرهوری هر task سریع بهبود یابد؛ در عین حال رشد استفاده، مدلهای توانمندتر، تولید ویدیو و عاملهای چندمرحلهای تقاضای مراکز داده را بالا میبرد. برآورد پایهٔ ۹۵۰ TWh تا ۲۰۳۰ به معنی سه درصد برق جهانی است، اما اثر بر شبکه و جامعهٔ محلی میتواند بسیار متمرکزتر باشد. فهم موضوع مستلزم تمایز بین یک پرسش، بار کاری یک شرکت، کل مرکز داده و زنجیرهٔ برق است.
برای استفادهٔ مسئولانه، توسعهدهندهها و سازمانها باید انرژی را به ازای یک task مفید اندازه بگیرند، نه فقط تعداد token را؛ کیفیت را با مصرف کنار هم بگذارند؛ برای AI ساده از مدل مناسبتر استفاده کنند؛ و از ارائهدهنده دربارهٔ منطقه، تأمین برق، آب و روش سنجش سؤال کنند. برای مطالعهٔ منابع اولیه، خلاصهٔ گزارش Key Questions on Energy and AI، گزارش Powering Artificial Intelligence و چشمانداز Electricity 2026 را ببینید و تاریخ و مفروضات گزارشها را کنار عدد نقل کنید.
مقایسهٔ پلنهای قابلخرید: اگر برای کار خود به قابلیتهای بیشتر نیاز دارید، مشخصات، قیمت و شرایط دسترسی را در صفحهٔ هر محصول بررسی کنید؛ این موارد با زمان و منطقه تغییر میکنند. مشاهدهٔ محصول Gemini Plus مشاهدهٔ محصول ChatGPT Plus خرید اشتراک را فقط در صورت تناسب با نیاز و بودجهٔ خود انتخاب کنید.
منابع رسمی
- گزارش IEA: Key Questions on Energy and AI (2026)
- گزارش IEA: Powering Artificial Intelligence (2026)
- گزارش IEA: Electricity 2026
- گزارش IEA: Energy and AI
واژهنامهٔ انرژی و هوش مصنوعی
در گزارشهای انرژی، یک واژه ممکن است به توان لحظهای، انرژی انباشته، مدل یا کل ساختمان اشاره کند. این تعریفها را برای روشنکردن مرز اندازهگیری به کار ببرید.
| اصطلاح | تعریف کوتاه انگلیسی | توضیح فارسی |
|---|---|---|
| data centre | a facility housing computing and storage equipment | واژهٔ گزارشدهی و سنجش |
| AI workload | a set of tasks processed by artificial intelligence | واژهٔ گزارشدهی و سنجش |
| inference | running a trained model to produce output | واژهٔ گزارشدهی و سنجش |
| model training | optimising model parameters using training data | واژهٔ گزارشدهی و سنجش |
| electricity demand | the rate at which users require electric power | واژهٔ گزارشدهی و سنجش |
| terawatt hour | a unit measuring one trillion watt hours | واژهٔ گزارشدهی و سنجش |
| power usage effectiveness | a ratio for data centre energy overhead | واژهٔ گزارشدهی و سنجش |
| PUE | power usage effectiveness for a data centre | واژهٔ گزارشدهی و سنجش |
| GPU | a processor used for parallel computing | واژهٔ گزارشدهی و سنجش |
| AI accelerator | hardware specialised for machine learning | واژهٔ گزارشدهی و سنجش |
| server rack | a cabinet holding computing servers | واژهٔ گزارشدهی و سنجش |
| power density | electric power used within a physical area | واژهٔ گزارشدهی و سنجش |
| grid connection | a link between a facility and power network | واژهٔ گزارشدهی و سنجش |
| transmission line | a conductor moving electricity over distance | واژهٔ گزارشدهی و سنجش |
| transformer | equipment changing electrical voltage | واژهٔ گزارشدهی و سنجش |
| power electronics | devices controlling and converting electrical power | واژهٔ گزارشدهی و سنجش |
| cooling system | equipment removing heat from servers | واژهٔ گزارشدهی و سنجش |
| water consumption | water used directly or indirectly by facilities | واژهٔ گزارشدهی و سنجش |
| carbon emissions | greenhouse gases released by energy use | واژهٔ گزارشدهی و سنجش |
| renewable energy | electricity from replenishing natural sources | واژهٔ گزارشدهی و سنجش |
| power purchase agreement | a contract to buy electricity from a generator | واژهٔ گزارشدهی و سنجش |
| PPA | power purchase agreement for electricity supply | واژهٔ گزارشدهی و سنجش |
| battery storage | equipment storing electricity for later use | واژهٔ گزارشدهی و سنجش |
| non firm connection | a grid link subject to limited availability | واژهٔ گزارشدهی و سنجش |
| curtailment | a temporary reduction in electricity use | واژهٔ گزارشدهی و سنجش |
| load flexibility | ability to change electricity demand over time | واژهٔ گزارشدهی و سنجش |
| AI query | a request sent to an AI service | واژهٔ گزارشدهی و سنجش |
| text generation | creating written content with a language model | واژهٔ گزارشدهی و سنجش |
| video generation | creating moving images using a model | واژهٔ گزارشدهی و سنجش |
| reasoning task | a model request requiring multiple inference steps | واژهٔ گزارشدهی و سنجش |
| agentic task | a task using an AI agent and external tools | واژهٔ گزارشدهی و سنجش |
| token | a unit of text processed by a language model | واژهٔ گزارشدهی و سنجش |
| context window | the input capacity available to a model | واژهٔ گزارشدهی و سنجش |
| retry rate | the share of requests that are repeated | واژهٔ گزارشدهی و سنجش |
| batch processing | grouping tasks for efficient computation | واژهٔ گزارشدهی و سنجش |
| model routing | selecting different models for different requests | واژهٔ گزارشدهی و سنجش |
| caching | reusing stored results for repeated requests | واژهٔ گزارشدهی و سنجش |
| energy per task | electricity attributed to one defined workload | واژهٔ گزارشدهی و سنجش |
| useful output | a result accepted as meeting task requirements | واژهٔ گزارشدهی و سنجش |
| efficiency improvement | less energy needed for the same task | واژهٔ گزارشدهی و سنجش |
| rebound effect | more use offsetting efficiency savings | واژهٔ گزارشدهی و سنجش |
| server utilisation | the share of server capacity doing useful work | واژهٔ گزارشدهی و سنجش |
| renewable matching | aligning electricity use with renewable generation | واژهٔ گزارشدهی و سنجش |
| scope boundary | the equipment and activity included in a measurement | واژهٔ گزارشدهی و سنجش |
| lifecycle assessment | measuring impacts across a product life | واژهٔ گزارشدهی و سنجش |
| energy mix | the combination of sources supplying electricity | واژهٔ گزارشدهی و سنجش |
| grid congestion | limited capacity to move electricity through a network | واژهٔ گزارشدهی و سنجش |
| queue inflation | overstatement from speculative grid connection projects | واژهٔ گزارشدهی و سنجش |
| data centre cluster | a region with concentrated computing facilities | واژهٔ گزارشدهی و سنجش |
| energy storage | technology holding power for later use | واژهٔ گزارشدهی و سنجش |
| carbon intensity | emissions per unit of electricity or activity | واژهٔ گزارشدهی و سنجش |
| peak load | the highest power demand during a period | واژهٔ گزارشدهی و سنجش |
| base case scenario | a central forecast based on stated assumptions | واژهٔ گزارشدهی و سنجش |
| forecast uncertainty | the range of possible future outcomes | واژهٔ گزارشدهی و سنجش |
| large load tariff | a price structure for major electricity consumers | واژهٔ گزارشدهی و سنجش |
| demand response | changing consumption in response to grid conditions | واژهٔ گزارشدهی و سنجش |
| digital infrastructure | physical systems supporting digital services | واژهٔ گزارشدهی و سنجش |
| AI sustainability | environmental impact management for AI systems | واژهٔ گزارشدهی و سنجش |
| workload efficiency | useful computing output relative to input resources | واژهٔ گزارشدهی و سنجش |
مطالب مرتبط برای ادامهٔ مطالعه
برای بررسی موضوع از زاویههای نزدیک، این راهنماها را هم بخوانید: