Η Τεχνητή Νοημοσύνη έχει γίνει κομμάτι της καθημερινότητας και χρησιμοποιείται πλέον κατά κόρον απ΄όλο και περισσότερους. Όμως πίσω από κάθε απάντηση στις ερωτήσεις μας που εμφανίζεται στην οθόνη, υπάρχει μια τεράστια φυσική υποδομή: data centers, servers, ειδικά chips, ηλεκτρικό ρεύμα και συστήματα ψύξης.

Σύμφωνα με το AI Index Report 2026 του Stanford HAI, η ανάπτυξη της Τεχνητής Νοημοσύνης συνοδεύεται από ένα ολοένα μεγαλύτερο τεχνολογικό, οικονομικό και περιβαλλοντικό κόστος. Και όσο η χρήση της εξαπλώνεται, τόσο πιο δύσκολο γίνεται να αγνοήσουμε το πραγματικό της αποτύπωμα.

Το «cloud» δεν είναι σύννεφο

Μιλάμε συχνά για το cloud σαν να πρόκειται για κάτι αόρατο και ελαφρύ, σαν να είναι όντως σύννεφο. Στην πράξη, όμως, είναι τεράστιες εγκαταστάσεις γεμάτες διακομιστές (servers) που δουλεύουν ασταμάτητα.

Το Stanford αναφέρει ότι οι ΗΠΑ φιλοξενούν 5.427 κέντρα δεδομένων, αριθμό πάνω από δέκα φορές μεγαλύτερο από οποιαδήποτε άλλη χώρα. Ακολουθούν η Γερμανία με 529, το Ηνωμένο Βασίλειο με 523 και η Κίνα με 449.

Κάθε φορά που χρησιμοποιούμε ένα εργαλείο Τεχνητής Νοημοσύνης, κάποιο από αυτά τα συστήματα ενεργοποιείται, καταναλώνει ενέργεια και παράγει θερμότητα.

Η υπολογιστική ισχύς αυξάνεται με τεράστια ταχύτητα

Η Τεχνητή Νοημοσύνη χρειάζεται τεράστια υπολογιστική ισχύ για να εκπαιδευτεί και να λειτουργήσει. Σύμφωνα με το Stanford, η παγκόσμια διαθέσιμη υπολογιστική ισχύς για AI αυξάνεται κατά 3,3 φορές τον χρόνο από το 2022.

Το 2025 έφτασε τα 17,1 εκατομμύρια «ισοδύναμα H100», δηλαδή υπολογιστική ισχύ αντίστοιχη με εκατομμύρια κορυφαία τσιπ που χρησιμοποιούνται για εφαρμογές Τεχνητής Νοημοσύνης.

Όσο πιο «έξυπνα» γίνονται τα μοντέλα, τόσο περισσότερη ισχύ χρειάζονται. Και όσο περισσότεροι άνθρωποι τα χρησιμοποιούν καθημερινά, τόσο αυξάνεται και η συνολική κατανάλωση.

Πόσο ρεύμα χρειάζεται η AI;

Το ενεργειακό αποτύπωμα είναι ήδη τεράστιο. Η ισχύς των κέντρων δεδομένων που σχετίζονται με την Τεχνητή Νοημοσύνη έφτασε περίπου τα 29,6 γιγαβάτ στο τέλος του 2025.

Πρόκειται για μέγεθος συγκρίσιμο με τη μέγιστη ζήτηση ηλεκτρικής ενέργειας ολόκληρης της πολιτείας της Νέας Υόρκης.

Από αυτά, περίπου 11,8 γιγαβάτ αφορούν την κατανάλωση των ειδικών τσιπ Τεχνητής Νοημοσύνης. Το υπόλοιπο πηγαίνει σε ψύξη, δίκτυα, αποθήκευση δεδομένων και άλλες υποδομές που χρειάζονται για να λειτουργεί το σύστημα.

Το οικονομικό κόστος εκτινάσσεται

Η ανάπτυξη μεγάλων μοντέλων Τεχνητής Νοημοσύνης κοστίζει πλέον δεκάδες ή και εκατοντάδες εκατομμύρια δολάρια.

Σε προηγούμενη έκδοση του AI Index, το Stanford είχε αναφέρει ότι η εκπαίδευση του GPT-4 εκτιμάται πως κόστισε περίπου 78 εκατομμύρια δολάρια, ενώ το Google Gemini Ultra περίπου 191 εκατομμύρια δολάρια.

Η διαφορά με το παρελθόν είναι χαοτική: το αρχικό μοντέλο Transformer του 2017 κόστιζε περίπου 900 δολάρια για να εκπαιδευτεί.

Οι εκπομπές διοξειδίου του άνθρακα

Το κόστος δεν είναι μόνο οικονομικό. Είναι και περιβαλλοντικό.

Το Stanford εκτιμά ότι η εκπαίδευση του Grok 4 το 2025 παρήγαγε περίπου 72.816 τόνους ισοδύναμου διοξειδίου του άνθρακα, ενώ το Grok 3 περίπου 59.200 τόνους.

Για σύγκριση, το GPT-4 υπολογίζεται στους 5.184 τόνους, ενώ το GPT-3 στους 588 τόνους. Το Stanford σημειώνει ότι η μέση χρήση ενός αυτοκινήτου σε όλη τη διάρκεια ζωής του αντιστοιχεί σε περίπου 63 τόνους ισοδύναμου διοξειδίου του άνθρακα.

Με άλλα λόγια, η εκπαίδευση ενός μεγάλου μοντέλου μπορεί να αφήσει αποτύπωμα αντίστοιχο με εκατοντάδες ή και χιλιάδες αυτοκίνητα.

Το νερό που δεν βλέπουμε

Υπάρχει όμως και ένα ακόμη στοιχείο που συχνά ξεχνάμε: το νερό.

Οι διακομιστές παράγουν θερμότητα και χρειάζονται ψύξη. Σε πολλά κέντρα δεδομένων, η ψύξη απαιτεί μεγάλες ποσότητες νερού. Το AI Index αναφέρει ότι η ετήσια κατανάλωση νερού μόνο για τη λειτουργία του GPT-4o κατά την απάντηση σε ερωτήματα μπορεί να φτάσει τα 1,3 έως 1,6 εκατομμύρια χιλιόλιτρα.

Στο υψηλό σενάριο, η ποσότητα αυτή ξεπερνά τις ετήσιες ανάγκες πόσιμου νερού 12 εκατομμυρίων ανθρώπων.

Δεν κοστίζει μόνο η εκπαίδευση

Συχνά μιλάμε για το κόστος εκπαίδευσης ενός μοντέλου, δηλαδή τη φάση όπου το σύστημα «μαθαίνει» από τεράστιες ποσότητες δεδομένων.

Όμως εξίσου σημαντική είναι και η καθημερινή λειτουργία του: κάθε ερώτηση, κάθε απάντηση, κάθε εικόνα που δημιουργείται. Στην τεχνική ορολογία αυτό λέγεται inference.

Το Stanford επισημαίνει ότι όταν ένα μοντέλο χρησιμοποιείται μαζικά, η ενέργεια που χρειάζεται για να απαντά στους χρήστες μπορεί μέσα σε λίγους μήνες να ξεπεράσει το αρχικό κόστος εκπαίδευσής του.

Η μεγάλη αντίφαση

Η Τεχνητή Νοημοσύνη δεν είναι μόνο πρόβλημα. Μπορεί να βοηθήσει στην πρόβλεψη ακραίων καιρικών φαινομένων, στην εξοικονόμηση ενέργειας, στην καλύτερη διαχείριση φυσικών πόρων, στην ιατρική έρευνα και στην παρακολούθηση της ρύπανσης.

Το πραγματικό ερώτημα είναι αν μπορεί να αναπτυχθεί με τρόπο που το όφελος να είναι μεγαλύτερο από το κόστος.

Οι λύσεις υπάρχουν: πιο αποδοτικά τσιπ, περισσότερη χρήση ανανεώσιμων πηγών ενέργειας, καλύτερα συστήματα ψύξης, διαφάνεια από τις εταιρείες τεχνολογίας και ξεκάθαρη μέτρηση του περιβαλλοντικού αποτυπώματος.

Η Τεχνητή Νοημοσύνη μπορεί πράγματι να αλλάξει τον κόσμο. Όμως τα στοιχεία του Stanford δείχνουν ότι δεν είναι μια αθώα, άυλη τεχνολογία χωρίς κόστος.

Διαβάστε επίσης:

Αποικία στον Άρη με 1 εκατ. κατοίκους ήθελε να φτιάξει ο Έλον Μάσκ – Εικόνες από το μέλλον

Έρχεται το πρώτο AI κατοικίδιο που δεν είναι ούτε σκύλος ούτε γάτα

Samsung: Το δράμα της διαδοχής – Ο κληρονόμος, η φυλακή και το τέλος μιας οικογενειακής αυτοκρατορίας

Ακολουθήστε το topontiki.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις.

Δείτε όλες τις τελευταίες Ειδήσεις από την Ελλάδα και τον Κόσμο, τη στιγμή που συμβαίνουν.