بحران پنهان هوش مصنوعی: دیتاسنترها، برق و مسکن در لندن و آمریکا

لندن با ۹۹ دیتاسنتر، بزرگ‌ترین قطب دیتاسنتری اروپا شده و تقاضای برق آن به ۷۶۰ مگاوات رسیده؛ در همین حال، دست‌کم چهار ایالت آمریکا معافیت‌های مالیاتی دیتاسنترهای هوش مصنوعی را معلق کرده‌اند. رشد انفجاری ابزارهایی مثل ChatGPT، Gemini و Claude حالا مستقیماً با برق، آب و مسکن مردم عادی گره خورده است.

۱. چرا هوش مصنوعی به یک بحران زیرساختی تبدیل شده است؟

تا همین چند سال پیش، بحث‌های داغ دنیای هوش مصنوعی حول محور دقت مدل‌ها، سرعت پاسخ‌گویی و بنچمارک‌ها می‌چرخید. اما با ورود مدل‌های سنگین‌تر و رقابت شرکت‌هایی مانند OpenAI، Google و Anthropic بر سر ساخت بزرگ‌ترین و توانمندترین مدل‌ها، صورت‌مسئله عوض شده است. هر پرامپتی که کاربر در ChatGPT یا Gemini تایپ می‌کند، در نهایت به مصرف واقعی برق و آب در یک دیتاسنتر فیزیکی ختم می‌شود. وقتی این مصرف در مقیاس میلیاردها درخواست روزانه ضرب می‌شود، عددی به دست می‌آید که دیگر شبکه‌های برق و آب شهری به‌سادگی از پس آن برنمی‌آیند.

اگر می‌خواهید بدانید این فناوری‌ها دقیقاً چه پتانسیل‌ها و محدودیت‌هایی دارند، در مطلب پتانسیل واقعی و محدودیت‌های هوش مصنوعی در دنیای واقعی این موضوع را کامل بررسی کرده‌ایم.

نکته جالب این است که این بحران درست در زمانی رخ می‌دهد که رقابت میان شرکت‌های بزرگ برای عرضه نسل بعدی مدل‌ها شدیدتر از همیشه شده است. هرچه مدل‌ها بزرگ‌تر و توانمندتر می‌شوند، به خوشه‌های بزرگ‌تری از پردازنده‌های گرافیکی نیاز دارند و هر خوشه جدید یعنی چند مگاوات مصرف برق اضافه. تحلیل‌گران صنعت انرژی می‌گویند مسیر فعلی رشد هوش مصنوعی، در صورت ادامه با همین شتاب، می‌تواند تا چند سال آینده سهم قابل توجهی از کل مصرف برق برخی کلان‌شهرها را به خود اختصاص دهد؛ روندی که تا همین اواخر کاملاً نامحتمل به نظر می‌رسید.

۲. لندن؛ بزرگ‌ترین قطب دیتاسنتری اروپا زیر فشار برق

بر اساس گزارش‌های تازه، لندن با ۹۹ دیتاسنتر فعال، اکنون به‌عنوان بزرگ‌ترین قطب دیتاسنتری اروپا شناخته می‌شود. تقاضای برق این مراکز در ساعات اوج مصرف به ۷۶۰ مگاوات رسیده است؛ رقمی که معادل برق مصرفی حدود ۷۵۰ هزار خانه مسکونی است. این حجم عظیم تقاضا، شرکت‌های توزیع برق را وادار کرده بخش بزرگی از ظرفیت شبکه را به پروژه‌های دیتاسنتری اختصاص دهند.

نتیجه این اولویت‌بندی، صف‌های طولانی‌تر برای اتصال برق پروژه‌های مسکونی جدید است. برخی گزارش‌ها از صدها گیگاوات درخواست اتصال معلق در صف انتظار شبکه برق لندن خبر می‌دهند؛ رقمی که نشان می‌دهد مسئله فقط یک تنگنای موقت نیست، بلکه یک چالش ساختاری بلندمدت است.

۳. وقتی دیتاسنترها با خانه‌های مسکونی رقابت می‌کنند

بریتانیا از پیش با یکی از جدی‌ترین بحران‌های مسکن دهه‌های اخیر خود دست‌وپنجه نرم می‌کند. حالا رقابت بر سر ظرفیت شبکه برق، این بحران را عمیق‌تر کرده است. توسعه‌دهندگان مسکونی می‌گویند برخی پروژه‌های ساخت‌وساز تنها به این دلیل به تأخیر افتاده‌اند که اپراتورهای دیتاسنتر زودتر برای رزرو ظرفیت برق اقدام کرده‌اند. این وضعیت پرسش مهمی را مطرح می‌کند: آیا زیرساخت انرژی شهرهای بزرگ باید در خدمت رشد هوش مصنوعی باشد یا در خدمت نیاز اولیه شهروندان به سرپناه؟

برخی شهرداری‌ها در پاسخ به این فشار، شروع به بازنگری در قوانین منطقه‌بندی (zoning) کرده‌اند تا پروژه‌های مسکونی در اولویت اتصال به شبکه برق قرار بگیرند. اما اجرای چنین سیاست‌هایی زمان‌بر است و در کوتاه‌مدت، خانوارهای بیشتری را در صف انتظار نگه می‌دارد. برخی کارشناسان اقتصاد شهری پیشنهاد داده‌اند اپراتورهای دیتاسنتر موظف شوند بخشی از هزینه توسعه زیرساخت برق منطقه را به‌صورت مستقیم تأمین کنند، به‌جای آنکه این هزینه به‌طور غیرمستقیم روی دوش شهروندان و مالیات‌دهندگان بیفتد.

۴. بحران آب؛ قربانی خاموش رشد هوش مصنوعی

مصرف برق تنها بخشی از ماجراست. بسیاری از دیتاسنترهای مدرن برای خنک‌سازی سرورهای پرقدرت خود به حجم بالایی از آب شیرین نیاز دارند. با اعلام خشکسالی در نیمی از خاک انگلستان، فعالان محیط‌زیست و برخی مقام‌های محلی به‌صراحت پرسیده‌اند که آیا واقعاً به این حجم از دیتاسنترهای «آب‌بر» نیاز است. این هشدارها باعث شده چند شهرداری بزرگ بریتانیا بازنگری در فرایند صدور مجوز ساخت دیتاسنترهای جدید را در دستور کار قرار دهند.

در برخی مناطق، اپراتورهای دیتاسنتر مجبور شده‌اند برای دریافت مجوز جدید، گزارش دقیقی از منبع تأمین آب و برنامه کاهش مصرف ارائه دهند؛ چیزی که تا چند سال پیش اصلاً بخشی از فرایند صدور مجوز نبود. کارشناسان محیط‌زیست تأکید می‌کنند که بدون شفافیت در گزارش‌دهی مصرف آب، سنجش دقیق اندازه واقعی این بحران برای شهروندان و حتی سیاست‌گذاران تقریباً غیرممکن است.

۵. آمریکا و پایان عصر معافیت‌های مالیاتی دیتاسنتر

در آن‌سوی اقیانوس اطلس، بحران زیرساخت هوش مصنوعی چهره دیگری به خود گرفته است: بحث مالیات. برای سال‌ها، ایالت‌های مختلف آمریکا با ارائه معافیت‌های مالیاتی سخاوتمندانه، شرکت‌های بزرگ فناوری را برای ساخت دیتاسنتر به سمت خود جذب می‌کردند. اما اکنون دست‌کم چهار ایالت این معافیت‌ها را به‌طور موقت معلق کرده‌اند و نه ایالت دیگر نیز در حال بررسی لغو یا کاهش آن‌ها هستند. کارشناسان مالی برآورد می‌کنند حذف این معافیت‌ها می‌تواند هزینه تجهیزات و راه‌اندازی دیتاسنترهای جدید را بیش از ۷ درصد افزایش دهد.

۶. اوهایو و ایلینوی؛ دو درس عبرت برای سیاست‌گذاران

اوهایو یکی از بارزترین نمونه‌های این چرخش سیاستی است. معافیت مالیاتی یک پروژه دیتاسنتری بزرگ در این ایالت آن‌قدر رشد کرد که هزینه‌ای نزدیک به ۱.۶ میلیارد دلار بر بودجه ایالت تحمیل شد؛ رقمی که در نهایت مقامات محلی را به تعلیق برنامه معافیت‌ها واداشت. ایلینوی نیز مسیر مشابهی را دنبال می‌کند؛ فرماندار این ایالت رسماً پیشنهاد داده معافیت‌های مالیاتی دیتاسنترهای هوش مصنوعی به‌طور موقت متوقف شود، تا وقتی که تأثیر واقعی آن‌ها بر قبض برق خانوارها و بودجه عمومی به‌روشنی ارزیابی شود.

چرا این تصمیم‌ها مهم‌اند؟

این تصمیم‌ها نشان می‌دهند دوران «مسابقه بی‌قیدوشرط» ایالت‌ها برای جذب دیتاسنترهای هوش مصنوعی رو به پایان است. سیاست‌گذاران محلی حالا بیشتر از هر زمان دیگری از خود می‌پرسند که آیا منافع اقتصادی این پروژه‌ها واقعاً بیشتر از هزینه‌های پنهانی است که روی دوش شهروندان می‌افتد یا نه.

۷. این بحران چه تأثیری روی کاربران ChatGPT، Gemini و Claude دارد؟

شاید در نگاه اول به نظر برسد بحث برق و مالیات دیتاسنتر، ربطی به کاربر عادی ChatGPT یا Gemini ندارد؛ اما واقعیت این‌طور نیست. هر افزایش هزینه ساخت و نگه‌داری دیتاسنتر، دیر یا زود در قیمت اشتراک‌های هوش مصنوعی، هزینه استفاده از API و حتی سرعت توسعه مدل‌های جدید بازتاب پیدا می‌کند. از سوی دیگر، محدودیت در ظرفیت برق و مجوزهای ساخت می‌تواند سرعت عرضه نسل‌های بعدی مدل‌ها را نیز کند کند. برای درک بهتر این‌که چرا شرکت‌های بزرگ این‌قدر روی زیرساخت هوش مصنوعی سرمایه‌گذاری می‌کنند، مطالعه OpenAI چیست و چرا این‌قدر اهمیت دارد؟ می‌تواند مفید باشد.

در سطح کسب‌وکار هم این ماجرا اهمیت دوچندانی دارد؛ چرا که هر تغییر در هزینه زیرساخت، مستقیماً روی هزینه‌ای که شرکت‌ها برای استفاده از هوش مصنوعی در فرایندهای خود می‌پردازند اثر می‌گذارد. در مطلب چرا هوش مصنوعی در سال ۲۰۲۵ برای کسب‌وکارها این‌قدر مهم است؟ این موضوع را از زاویه کسب‌وکار بررسی کرده‌ایم.

برای کاربران عادی، مهم‌ترین درس این ماجرا شاید این باشد که رایگان یا ارزان بودن ظاهری ابزارهای هوش مصنوعی، هزینه واقعی پشت‌پرده را پنهان می‌کند. هر جست‌وجو، هر تولید تصویر و هر مکالمه طولانی با یک چت‌بات، سهمی هرچند کوچک از همان برق و آبی است که این گزارش‌ها درباره‌اش هشدار می‌دهند. همین موضوع باعث شده برخی کارشناسان از کاربران بخواهند در استفاده از این ابزارها هوشمندانه‌تر عمل کنند؛ مثلاً به‌جای ارسال درخواست‌های تکراری یا مبهم، با پرامپت‌نویسی دقیق‌تر، نتیجه بهتری را در کمترین تعداد درخواست دریافت کنند.

۸. راهکارهای پیشنهادی: از انرژی هسته‌ای تا دیتاسنترهای غیرمتصل به شبکه

شرکت‌های بزرگ فناوری برای عبور از این بحران، چند مسیر موازی را دنبال می‌کنند. برخی مانند مایکروسافت و گوگل روی سرمایه‌گذاری بلندمدت در نیروگاه‌های هسته‌ای کوچک‌مقیاس (SMR) تمرکز کرده‌اند تا برق پایدار و مستقل از شبکه عمومی تأمین کنند. برخی دیگر به سمت ساخت دیتاسنترهای «غیرمتصل به شبکه» یا off-grid حرکت کرده‌اند که مستقیماً از منابع انرژی تجدیدپذیر تغذیه می‌شوند. در کنار این‌ها، فناوری‌های خنک‌سازی مبتنی بر مایع به‌جای آب نیز در حال گسترش است تا فشار روی منابع آب شیرین کاهش یابد.

۹. آینده صنعت هوش مصنوعی و زیرساخت؛ چه باید کرد؟

واقعیت این است که رقابت میان OpenAI، Google، Anthropic، xAI، Meta و مایکروسافت تنها به مدل‌های بهتر و پاسخ‌های دقیق‌تر ختم نمی‌شود؛ بلکه به رقابتی بر سر منابع فیزیکی محدود، یعنی برق و آب، تبدیل شده است. کارشناسان معتقدند در سال‌های آینده، شهرهایی که بتوانند زیرساخت انرژی پایدار و سیاست‌گذاری متعادل داشته باشند، برنده اصلی موج بعدی سرمایه‌گذاری هوش مصنوعی خواهند بود؛ نه لزوماً شهرهایی که بیشترین معافیت مالیاتی را ارائه می‌دهند.

برای کسانی که می‌خواهند در کنار این تحولات کلان، مهارت عملی استفاده از ابزارهایی مثل ChatGPT را هم تقویت کنند، سری آموزش‌های ChatGPT در Mr ChatGPT نقطه شروع خوبی است؛ و اگر تازه با دنیای پرامپت‌نویسی آشنا می‌شوید، راهنمای نوشتن پرامپت برای مبتدی‌ها را از دست ندهید.

در کنار همه این تحولات زیرساختی، بحث دیگری هم در فضای فناوری داغ است: تفاوت واقعی میان توسعه‌دهنده‌ای که با کمک هوش مصنوعی کار می‌کند و مهندس واقعی. اگر به این موضوع علاقه دارید، مطلب توهم هوش مصنوعی: توسعه‌دهنده تنها در برابر مهندس واقعی را بخوانید. همچنین برای مقایسه رویکردهای متفاوت مدل‌های هوش مصنوعی در حل مسائل پیچیده، مطلب نبرد ChatGPT و DeepSeek در شطرنج دیدگاه جالبی ارائه می‌دهد.

سوالات متداول

چرا دیتاسنترهای هوش مصنوعی این‌قدر برق مصرف می‌کنند؟
پردازش مدل‌های بزرگ زبانی مانند GPT، Gemini و Claude نیازمند هزاران پردازنده گرافیکی قدرتمند است که به‌طور مداوم فعال هستند و هم برای پردازش و هم برای خنک‌سازی، انرژی زیادی مصرف می‌کنند.

آیا این بحران روی قیمت اشتراک ابزارهای هوش مصنوعی تأثیر می‌گذارد؟
بله، افزایش هزینه برق، آب و از دست رفتن معافیت‌های مالیاتی می‌تواند در بلندمدت روی قیمت اشتراک‌ها و هزینه استفاده از API شرکت‌ها اثر بگذارد.

آیا همه دیتاسنترهای هوش مصنوعی مشکل مصرف آب دارند؟
خیر؛ برخی دیتاسنترهای جدیدتر از سیستم‌های خنک‌سازی مبتنی بر مایع یا هوا استفاده می‌کنند که مصرف آب بسیار کمتری دارند، اما هنوز بسیاری از مراکز قدیمی‌تر به آب شیرین وابسته‌اند.

آیا شهرهای دیگر هم با همین مشکل روبه‌رو خواهند شد؟
با توجه به رشد سریع تقاضا برای هوش مصنوعی مولد، بسیاری از کلان‌شهرهای دنیا در سال‌های آینده با چالش‌های مشابه در حوزه برق، آب و مسکن مواجه خواهند شد.