पूरे जीवन-चक्र को मापें
AI का पदचिह्न किसी प्रॉम्प्ट से पहले शुरू होता है और किसी सर्वर के रिटायर होने के बाद भी जारी रहता है। सेमीकंडक्टर निर्माण ऊर्जा, अति-शुद्ध पानी, रसायन, और खनिज इस्तेमाल करता है। डेटा-सेंटर बिजली, कूलिंग, बैकअप जनरेशन, नेटवर्किंग, भूमि, और उपकरण इस्तेमाल करते हैं। जीवन के अंत में हार्डवेयर ई-कचरे और पुनर्प्राप्ति की समस्या बन जाता है।
सार्वजनिक बहस अक्सर प्रति-क्वेरी पानी या ऊर्जा का आंकड़ा ऐसे उद्धृत करती है मानो यह सार्वभौमिक हो। असली इस्तेमाल मॉडल, हार्डवेयर, डेटा-सेंटर उपयोगिता, कूलिंग, जलवायु, ग्रिड, प्रॉम्प्ट की लंबाई, आउटपुट माध्यम, और आवंटन-तरीक़े के हिसाब से बदलता है। प्रशिक्षण और अनुमान (inference) अलग-अलग हैं; अगर इस्तेमाल बड़ा हो तो अनुमान किसी उत्पाद के जीवनकाल में हावी हो सकता है। प्रदाता सटीक वैश्विक AI-केवल कुल आंकड़ों के लिए बहुत कम प्रकटीकरण करते हैं।
आज क्या मापा जाता है
अंतरराष्ट्रीय ऊर्जा एजेंसी ने अनुमान लगाया कि सभी डेटा-सेंटरों ने 2024 में लगभग 415 टेरावाट-घंटे बिजली इस्तेमाल की, जो वैश्विक खपत का लगभग 1.5% है। AI उस कुल का एक उप-समूह है। अमेरिकी डेटा-सेंटर क्षमता का लगभग आधा हिस्सा पांच क्षेत्रीय समूहों में केंद्रित था, इसलिए स्थानीय ग्रिड-असर वैश्विक हिस्से से कहीं बड़ा हो सकता है (IEA, अप्रैल 2025)।
IEA का अपडेट किया गया केंद्रीय प्रक्षेपण 2030 में डेटा-सेंटर इस्तेमाल को लगभग 950 TWh पर रखता है, जो वैश्विक मांग का लगभग 3% है। यह क्षमता, दक्षता, अपनाव, और बाज़ार की धारणाओं पर आधारित एक पूर्वानुमान है, भविष्य से लिया गया कोई मीटर-रीडिंग नहीं। ज़्यादा ऊर्जा-गहन रीज़निंग, वीडियो, और एजेंटिक इस्तेमाल मांग को ऊपर धकेल सकते हैं; दक्षता, वित्तपोषण-बाधाएं, या धीमा अपनाव इसे घटा सकते हैं (IEA, 2026)।
संयुक्त राज्य अमेरिका में, Lawrence Berkeley National Laboratory ने अनुमान लगाया कि डेटा-सेंटर बिजली इस्तेमाल 2023 में बढ़कर 176 TWh हो गया और 2028 तक 325–580 TWh तक पहुंच सकता है (अमेरिकी ऊर्जा विभाग, दिसंबर 2024)। यह सीमा अनिश्चितता को दर्शाती है। यह सामान्य रूप से डेटा-सेंटरों को कवर करती है, अकेले जनरेटिव AI को नहीं।
उत्सर्जन इस पर निर्भर करता है कि बिजली कहां और कब बनाई जाती है
किसी जीवाश्म-भारी ग्रिड पर एक दक्ष सर्वर किसी कम-कार्बन बिजली से चलने वाले कम दक्ष सर्वर से ज़्यादा परिचालन-उत्सर्जन पैदा कर सकता है। वार्षिक नवीकरणीय-ऊर्जा अनुबंध हमेशा यह नहीं दिखाते कि मांग के घंटे में किसी सुविधा को कौन-सी बिजली आपूर्ति कर रही है। सीमांत मांग जीवाश्म-जनरेशन को ऑनलाइन बनाए रख सकती है भले ही कोई कंपनी नवीकरणीय प्रमाणपत्र ख़रीदे।
IEA ने डेटा-सेंटरों से जुड़े बिजली-उत्सर्जन का अनुमान 2024 में लगभग 18 करोड़ टन कार्बन डाइऑक्साइड लगाया, जो वैश्विक ईंधन-दहन उत्सर्जन का लगभग 0.5% है। इसका आधार-मामला 2030 तक 1% की ओर बढ़ता है (IEA जलवायु विश्लेषण)। छोटे वैश्विक हिस्से भी स्थानीय जलवायु-योजनाओं से टकरा सकते हैं या तेज़ क्षेत्रीय वृद्धि पैदा कर सकते हैं।
भरोसेमंद रिपोर्टिंग में स्थान-आधारित और बाज़ार-आधारित उत्सर्जन, जहां संभव हो वहां प्रति-घंटा मिलान, बैकअप जनरेटर, निर्माण, और सन्निहित हार्डवेयर-उत्सर्जन शामिल होना चाहिए। AI अनुकूलन से टाले गए उत्सर्जन के दावे अलग से रिपोर्ट होने चाहिए और किसी प्रति-तथ्यात्मक परिदृश्य के मुक़ाबले सत्यापित होने चाहिए।
पानी स्थानीय है
डेटा-सेंटर वाष्पीकरणीय कूलिंग के ज़रिए सीधे और बिजली-उत्पादन के ज़रिए परोक्ष रूप से पानी खपत कर सकते हैं। सेमीकंडक्टर निर्माण को भी उच्च-गुणवत्ता वाला पानी चाहिए। निकासी (withdrawal) खपत के बराबर नहीं है: निकाला गया पानी लौटाया जा सकता है, जबकि खपत हुआ पानी तुरंत स्थानीय जलसंभर के लिए उपलब्ध नहीं होता।
पानी-तनावग्रस्त बेसिन में इस्तेमाल किया गया एक गैलन उस जगह इस्तेमाल किए गए गैलन से अलग असर रखता है जहां आपूर्ति प्रचुर हो। वार्षिक वैश्विक कुल आंकड़े घरों, पारिस्थितिकी-तंत्र, कृषि, और उद्योग के साथ मौसमी प्रतिस्पर्धा को छुपा सकते हैं। एयर-कूलिंग सीधे पानी-इस्तेमाल को घटा सकती है पर बिजली-इस्तेमाल बढ़ा सकती है; पुनर्नवीनीकृत पानी पेय-योग्य मांग घटा सकता है पर इसे बुनियादी ढांचे और सुरक्षा-उपायों की ज़रूरत है।
OECD नोट करता है कि पर्यावरणीय आकलन को ऊर्जा और कार्बन से आगे ताज़े पानी और खनिज-निष्कर्षण तक फैलना चाहिए, और यह कि डेटा-सेंटर की पानी-रिपोर्टिंग अब भी अधूरी है (OECD AI कंप्यूट)। परमिट दिए जाने से पहले समुदायों को सुविधा-स्तर की निकासी, खपत, स्रोत, मौसमी तनाव, निकास, और आपातकालीन योजनाएं चाहिए।
चिप्स की एक अपस्ट्रीम पदचिह्न है
उन्नत एक्सेलरेटर भौगोलिक रूप से केंद्रित निर्माण, पैकेजिंग, मेमोरी, और सामग्रियों पर निर्भर हैं। निर्माण संयंत्रों की बड़ी निर्माण और उपयोगिता आवश्यकताएं हैं। छोटे मॉडल-अपग्रेड चक्र अब भी काम कर रहे उपकरण को रिटायर कर सकते हैं, हालांकि पुराने एक्सेलरेटर कम मांग वाले अनुमान (inference) के लिए फिर से इस्तेमाल किए जा सकते हैं।
खनन और प्रसंस्करण आवास-नुक़सान, प्रदूषण, व्यावसायिक ख़तरे, और भू-राजनीतिक निर्भरता पैदा कर सकते हैं। “AI” के लिए सटीक श्रेय देना मुश्किल है क्योंकि वही सप्लाई-चेन फ़ोन, वाहन, नेटवर्किंग, और अन्य कंप्यूटिंग की सेवा करती है। जीवन-चक्र विश्लेषण को सारी सेमीकंडक्टर वृद्धि AI को सौंपने के बजाय असर को पारदर्शी ढंग से आवंटित करना चाहिए।
UNEP ऊर्जा, ग्रीनहाउस-गैस उत्सर्जन, पानी, खनिज-निष्कर्षण, और ई-कचरे को प्रत्यक्ष जीवन-चक्र चिंताओं के रूप में पहचानता है और सामान्य मापन-तरीक़ों की मांग करता है (UNEP, सितंबर 2024)। UNEP के पास एक पर्यावरणीय जनादेश है, जो इसके फ़ोकस को आकार देता है; इसकी मापन-सिफ़ारिश फिर भी व्यापक रूप से उपयोगी बनी रहती है।
AI पर्यावरणीय फ़ायदे पैदा कर सकता है
मशीन लर्निंग मौसम और जलवायु मॉडलिंग सुधार सकती है, मीथेन का पता लगा सकती है, ग्रिड और इमारतों को अनुकूलित कर सकती है, नवीकरणीय आउटपुट का पूर्वानुमान लगा सकती है, सामग्री डिज़ाइन कर सकती है, और संरक्षण में सहायता कर सकती है। फ़ायदे तैनाती में मापे जाने चाहिए, बेंचमार्क सटीकता से अनुमान नहीं लगाए जाने चाहिए।
रिबाउंड-प्रभाव मायने रखते हैं। अगर दक्षता लागत घटाती है, तो कुल इस्तेमाल इतना बढ़ सकता है कि बचत मिट जाए। अनुकूलन नुक़सान को स्थानांतरित भी कर सकता है: बिजली की लागत घटाते हुए पानी-इस्तेमाल बढ़ाना, या किसी संवेदनशील समुदाय में बुनियादी ढांचा स्थापित करना। शुद्ध आकलन में प्रेरित मांग और वितरण शामिल होना चाहिए।
IEA अपने आधार-मामले में 2035 तक डेटा-सेंटर बिजली-मांग की वृद्धि का लगभग आधा हिस्सा नवीकरणीय ऊर्जा से पूरा होने का प्रक्षेपण करता है, पर प्राकृतिक गैस और कोयला भी निकट-अवधि की काफ़ी वृद्धि की आपूर्ति करते हैं। “नवीकरणीय से संचालित” इसलिए वैश्विक क्षेत्र का विवरण नहीं है।
बेहतर बुनियादी ढांचे के विकल्प
संचालक उपयोगिता सुधार सकते हैं, दक्ष मॉडल और हार्डवेयर इस्तेमाल कर सकते हैं, जब साफ़ बिजली उपलब्ध हो तब लचीले वर्कलोड शेड्यूल कर सकते हैं, उपकरण का जीवन बढ़ा सकते हैं, जहां उपयोगी हो वहां गर्मी पुनर्प्राप्त कर सकते हैं, निष्क्रिय क्षमता घटा सकते हैं, और स्थानीय जलसंभर के अनुकूल कूलिंग चुन सकते हैं। छोटे कार्य-विशिष्ट मॉडल किसी फ़्रंटियर मॉडल के फ़िज़ूलख़र्ची इस्तेमाल से बेहतर प्रदर्शन कर सकते हैं।
उपयोगिता-कंपनियां और नियामक यथार्थवादी इंटरकनेक्शन-अध्ययन, लागत-आवंटन, मांग-लचीलापन, साफ़ आपूर्ति, सार्वजनिक जल-समीक्षा, और डीकमिशनिंग योजनाओं की मांग कर सकते हैं। डेटा-सेंटर के ग्राहकों को चुपचाप ग्रिड-अपग्रेड या अभाव की लागत घरों पर नहीं डालनी चाहिए।
प्रकटीकरण को सामान्य कार्यात्मक इकाइयों का इस्तेमाल करना चाहिए: प्रति प्रशिक्षण-रन, प्रति मानकीकृत वर्कलोड, और प्रति सेवा-मात्रा ऊर्जा और पानी, कंपनी और सुविधा के पूर्ण कुल आंकड़ों के साथ। बिना पूर्ण वृद्धि के दक्षता-अनुपात भ्रामक हो सकते हैं।
AGI क्या बदल सकती है
AGI की ऊर्जा-मांग एक परिदृश्य है। शोध और आर्थिक गतिविधि को स्वचालित करने वाले सिस्टम कंप्यूट-इस्तेमाल को तेज़ी से बढ़ा सकते हैं। वे चिप-डिज़ाइन, सामग्री, ग्रिड, और स्वच्छ-ऊर्जा तैनाती को सुधार भी सकते हैं। Jevons-शैली का रिबाउंड दक्षता के फ़ायदों को ज़्यादा कुल खपत में बदल सकता है।
भौतिक बाधाएं बनी रहती हैं: फ़ैब, ट्रांसफ़ॉर्मर, जनरेशन, ग्रिड, जल-सिस्टम, और परमिट में समय लगता है। तत्काल बुद्धिमत्ता-प्रचुरता के दावों को इन बाधा-बिंदुओं का हिसाब रखना चाहिए। पर्यावरणीय शासन-व्यवस्था किसी बाहरी मुद्दे के बजाय तैनाती पर एक व्यावहारिक सीमा बन सकती है।
एक संतुलित मानदंड
चार सवाल पूछें: पूर्ण जीवन-चक्र पदचिह्न क्या है? यह कहां और कब होता है? फ़ायदा किसे मिलता है और लागत कौन उठाता है? कौन-सा विकल्प वही कार्य देता है?
सबूत न तो “AI पर्यावरणीय रूप से नगण्य है” का समर्थन करते हैं न किसी सार्वभौमिक प्रति-प्रॉम्प्ट तबाही का। डेटा-सेंटर वैश्विक बिजली-इस्तेमाल का एक अल्पसंख्यक हैं पर एक तेज़ी से बढ़ता, भौगोलिक रूप से केंद्रित बोझ हैं जिसके ठोस पानी और सप्लाई-चेन असर हैं। AI पर्यावरणीय सुधार संभव बना सकता है, पर केवल मापे गए शुद्ध नतीजे मायने रखते हैं। अनिवार्य सुविधा-प्रकटीकरण, जीवन-चक्र मानक, स्थानीय भागीदारी, स्वच्छ-ग्रिड निवेश, और दक्ष मॉडल-चयन एक ईमानदार पर्यावरणीय नीति की बुनियाद हैं।