Εκπομπές CO2 των AI data centers
Στις μέρες μας, είναι εύκολο να μπερδευτείς όταν βλέπεις τίτλους τύπου «η AI το 2025 εξέπεμψε περισσότερο CO2 από τη Νέα Υόρκη». Ωστόσο, η πραγματικότητα είναι πιο ενδιαφέρουσα (και πιο χρήσιμη): δεν μιλάμε για μια “τελική απογραφή” εκπομπών που μετρήθηκε γραμμή-γραμμή, αλλά για μια επιστημονική εκτίμηση που δημοσιεύτηκε στο Patterns (Cell Press/Elsevier) και προσπάθησε να απομονώσει το περιβαλλοντικό αποτύπωμα της AI μέσα στο ευρύτερο σύμπαν των data centers.
Η μελέτη χρησιμοποίησε δημόσια διαθέσιμα δεδομένα και εταιρικές αναφορές για να εκτιμήσει πόσο CO2 και πόσο νερό θα μπορούσε να αντιστοιχεί στην AI το 2025. Και ακριβώς επειδή οι μεγάλες εταιρείες δεν διαχωρίζουν καθαρά “AI” από “non-AI” workloads στα sustainability reports τους, το αποτέλεσμα δίνεται ως εύρος με σημαντική αβεβαιότητα.
Το 2026, λοιπόν, το σωστό ερώτημα δεν είναι “αν ισχύει 100%”. Είναι: γιατί το εύρος είναι τόσο μεγάλο, ποιοι μηχανισμοί το οδηγούν και τι πρέπει να αλλάξει ώστε από εκτιμήσεις να πάμε σε πραγματική διαφάνεια.
Τι ανέφερε η έρευνα για το 2025 (τα νούμερα χωρίς υπερβολές)
Η δημοσίευση στο Patterns εκτίμησε ότι το 2025 η AI θα μπορούσε να έχει:
- Ανθρακικό αποτύπωμα: 32,6 έως 79,7 εκατ. τόνοι CO2
- Υδατικό αποτύπωμα: 312,5 έως 764,6 δισ. λίτρα νερού
Από εκεί προκύπτει και η viral σύγκριση “με τη Νέα Υόρκη”: στο πάνω άκρο (79,7Mt CO2) το μέγεθος είναι συγκρίσιμο με εκπομπές μιας μεγάλης μητρόπολης. Η μελέτη δεν το παρουσιάζει ως «ακριβή ισοδυναμία», αλλά ως σύγκριση κλίμακας για να καταλάβουμε το μέγεθος.
Γιατί το 2025 “φούσκωσε” τόσο πολύ: compute, ψύξη και το inference
Το inference είναι ο νέος γίγαντας
Το training των AI είναι βαρύ αλλά περιοδικό. Το inference είναι καθημερινό, συνεχές, μαζικό: αναζητήσεις, μεταφράσεις, εικόνες, σύνοψη emails, assistants σε apps. Όταν λοιπόν η AI γίνεται καθημερινό “εργαλείο” το φορτίο στην υποδομή που υποστηρίζει όλα τα παραπάνω, δεν πέφτει ποτέ πραγματικά.
PUE: ο πολλαπλασιαστής που κάνει τη διαφορά
Δεν καταναλώνουν ρεύμα μόνο οι GPU/accelerators. Καταναλώνει:
- η ψύξη,
- τα UPS και οι μετατροπές ισχύος,
- οι απώλειες του ηλεκτρολογικού συστήματος,
- ο δικτυακός εξοπλισμός.
Ο δείκτης PUE (Power Usage Effectiveness) είναι το “τι πληρώνεις συνολικά για να πάρεις 1 μονάδα υπολογισμού”. Όσο μεγαλύτερο το AI φορτίο, τόσο πιο κρίσιμη γίνεται η αποδοτικότητα της υποδομής.
Το CO2 δεν είναι ίδιο παντού
Οι ίδιες kWh μπορούν να σημαίνουν τελείως διαφορετικές εκπομπές, ανάλογα με το ενεργειακό μίγμα του grid. Αυτός είναι και ένας λόγος που η μελέτη μιλά με εύρος.
Το νερό: ο “κρυφός λογαριασμός” των AI data centers
Το νερό μπαίνει στη συζήτηση κυρίως λόγω ψύξης, αλλά όχι μόνο.
Πού καταναλώνεται:
- Άμεση κατανάλωση σε συστήματα ψύξης (συχνά evaporative/adiabatic, ανάλογα με το design).
- Έμμεση κατανάλωση στην παραγωγή ηλεκτρικής ενέργειας (ιδίως σε θερμικές μονάδες).
Εδώ βοηθά ο δείκτης WUE (Water Usage Effectiveness): πόσο νερό αντιστοιχεί ανά μονάδα IT έργου. Για χώρες/περιοχές με θερινό θερμικό stress και πιέσεις σε υδάτινους πόρους, αυτό δεν είναι “δευτερεύον θέμα”.
Γιατί τα νούμερα είχαν αβεβαιότητα (και γιατί αυτό μας νοιάζει το 2026)
Η ίδια η έρευνα υπογράμμισε ότι:
- οι εταιρείες (Google, OpenAI κτλ.) συχνά δεν διαχωρίζουν AI vs non-AI,
- τα reports δεν δίνουν πάντα πλήρη και συγκρίσιμα στοιχεία (π.χ. PUE/WUE ανά περιοχή),
- άρα η AI επίπτωση μπορεί να προσεγγιστεί μόνο έμμεσα, μέσω γενικών μετρικών data center.
Με απλά λόγια: το 2026 εξακολουθούμε να συζητάμε με εκτιμήσεις επειδή λείπουν καθαρές μετρήσεις. Και αυτό είναι ίσως το πιο “χρήσιμο” συμπέρασμα: αν η AI γίνεται κρίσιμη υποδομή, τότε χρειάζεται και κρίσιμη διαφάνεια.
Τι αλλάζει από εδώ και πέρα: λύσεις που βγάζουν νόημα
1) Καθαρότερη ενέργεια εκεί που μεγαλώνουν τα AI hubs
PPAs, ΑΠΕ, αποθήκευση, και επιλογή γεωγραφιών/ωρών λειτουργίας που μειώνουν το CO2 ανά kWh.
2) Καλύτερη αποδοτικότητα σε hardware και μοντέλα
- υψηλότερο utilization,
- πιο μικρά/στοχευμένα μοντέλα,
- caching και βελτιστοποιήσεις στο inference,
- καλύτερα designs ψύξης (για χαμηλότερο PUE/WUE).
3) Standard reporting (ώστε το 2027 να μη μιλάμε ακόμα με “εύρη”)
Χρειάζονται κοινά standards για:
- διαχωρισμό AI/non-AI,
- location-based δείκτες,
- συγκρίσιμα PUE/WUE ανά region και χρονική περίοδο.
Σύνοψη
Οι Εκπομπές CO2 των AI data centers δεν “αποδείχθηκαν” ως ακριβής απογραφή για το 2025. Εκτιμήθηκαν επιστημονικά σε ένα μεγάλο εύρος, ακριβώς επειδή η διαφάνεια παραμένει ελλιπής. Αυτό, όμως, δεν μειώνει τη σημασία του μηνύματος — την αυξάνει: η AI έχει ήδη κλίμακα υποδομής και, το 2026, ο σωστός δρόμος δεν είναι ο πανικός ούτε η άρνηση. Είναι καθαρότερη ενέργεια, καλύτερη αποδοτικότητα και μετρήσεις που δεν αφήνουν χώρο για εικασίες.
