Teknolojik devrimler tarihine baktığımızda, itici gücün her zaman ‘performans’ olduğunu görüyoruz. Daha hızlı, daha güçlü, daha yetenekli… Verimlilik ise genellikle bu yarışta sonradan akla gelen bir kavram olagelmiştir. Buharlı makinenin verimsiz yanışından, ilk devasa bilgisayarların enerji oburluğuna kadar, her atılım beraberinde bir kaynak tüketim sorunu getiriyor. Bugün, yapay zekâ (YZ) alanında da benzer, ancak ölçeği çok daha büyük bir tablo ile karşı karşıyayız. Şirketler ve araştırmacılar, dil modellerinin karmaşıklığına, görüntü tanıma sistemlerinin doğruluğuna, algoritmaların sınırlarını zorlayan başarılarına odaklanmış durumda. Ancak tarihsel örneklerde de gördüğümüz gibi, performansın yanına er ya da geç verimlilik kriteri de ekleniyor. Dizinin bu yazısında, yapay zekanın çevresel etkilerini; bir yandan enerji tasarrufu potansiyelini, diğer yandan ise tetiklediği devasa enerji ve su talebini, sosyo-ekonomik boyutlarıyla birlikte tartışmaya çalışacağız.

Yapay Zeka Endüstrisindeki Hızlı Büyüme ve Yatırımlar

Yapay zeka, artık sadece bir araştırma alanı olmaktan çıkmış, küresel ekonominin merkezine oturmuş durumda. Bu büyüme, olağanüstü bir hız ve ölçeğe sahip. Büyük teknoloji şirketlerinin piyasa değerleri trilyon dolarları çoktan aşmış durumda ve bu şirketler, YZ araştırma-geliştirme ve altyapısına yüz milyarlarca dolar yatırım yapıyor. Bu yatırımların somutlaşmış hali ise devasa veri merkezleridir. Dünyanın dört bir yanında, binlerce ila yüzbinlerce süper bilgisayar niteliğindeki sunucuyu barındıran bu tesisler (veri merkezleri), YZ modellerinin eğitildiği ve çalıştırıldığı dijital fabrikalar haline geldi.

Ancak bu dijital fabrikaların çalışması için ihtiyaç duyduğu enerji ve su miktarı, endişe verici boyutlara ulaşıyor. Geleneksel veri merkezlerinin enerji tüketimi zaten bilinen bir sorunken, YZ’ye özgü, özellikle de büyük dil modellerinin (LLM) eğitimi ve yaptıkları çıkarım (inference) işlemleri, bu tüketimi katbekat artırıyor. Örneğin, GPT-3’ü 500 milyar kelimelik bir veri tabanında eğitmenin 1287 MWh elektrik ve 10.000 bilgisayar çipi gerektirdiği, bunun da ABD ortalamalarında yaklaşık 121 evin bir yıl boyunca tükettiği enerjiye eşdeğer olduğu tahmin ediliyor. Dahası, bu eğitimin yaklaşık 550 ton karbondioksit ürettiği, bunun da Avustralya’dan İngiltere’ye 33 kez uçmaya eşdeğer olduğu belirtiliyor. GPT-4 ise GPT-3’ten 570 kat daha fazla parametrede eğitiliyor ve daha fazla enerji tüketiyor. Zira çevresel maliyet sadece eğitimle sınırlı değil. Bu sistemleri kullanmanın da bir maliyeti var. Örneğin, GPT-3’e Ocak 2023’te 590 milyon kez erişilmiş ve bu da 175.000 kişinin eşdeğer enerji tüketimine yol açıyor. Çıkarım süresinde, her ChatGPT sorgusu, 1 saat 20 dakika boyunca 5 W’lık bir LED ampulü çalıştırmaya eşdeğer enerji tüketiyor ve bu da günde 260,42 MWs’e denk geliyor[i]. Tüm veri merkezlerinin enerji tüketiminin 2030 yılına kadar dünya toplam enerji tüketiminin %30’undan fazlasına ulaşması bekleniyor[ii]. Bu durum, sektördeki hızlı büyümenin kaçınılmaz bir sonucu olarak, enerji şebekeleri üzerinde benzeri görülmemiş bir baskı oluşturuyor ve oluşturacak. Bazı bölgelerde, planlanan veri merkezi kapasiteleri, mevcut şebeke kapasitesini aşma tehlikesi yaratıyor. Bu, sadece bir çevre sorunu değil, aynı zamanda enerji güvenliği ve fiyat istikrarı ile ilgili ciddi bir ekonomik ve sosyal tehdit anlamına geliyor. Ayrıca ihtiyaç duyulan ekstra enerjinin de Donald Trump zihniyetinin egemen olduğu bir dünyada tabii ki fosil yakıtlardan sağlanacağı öngörülebilir. Bu durum, bazı yazarlar tarafından 2008’de yaşanan konut kredilerinden kaynaklanan ekonomik krizin benzerinin YZ alanında yaşanabileceği şeklinde yorumlanıyor; temelinde aşırı risk, spekülatif yatırım ve abartılı beklentiler olan, sürdürülemez bir büyüme olarak değerlendiriliyor.[iii].

Yapay Zekanın Kullandığı Enerji ve Su Tüketimi Nasıl Hesaplanır?

YZ’nin çevresel ayak izini anlamak için, doğrudan ve dolaylı etkilerin bir arada değerlendirilmesini gerektiren bir hesaplama yapılıyor. Doğrudan enerji tüketimi YZ sunucularının, özellikle de GPU’ların (Grafik İşlem Birimleri) ve özelleştirmiş işlemcilerin (TPU’lar) çalıştırılması için gereken elektriği, yani doğrudan tüketimi ifade ediyor. Yoğun işlemler sırasında bu bileşenler muazzam miktarda ısı üretiyor. Üretilen bu ısının etkili bir şekilde dağıtılması, bir başka deyişle ortamın soğutulması, sistemlerin sağlıklı çalışması için hayati önemdedir. Basit paket klimalar bu tür merkezler için yetersiz kaldığından merkezi soğutma sistemleri kullanılır. Bu sistemlerin en önemli bileşenlerinden biri de su soğutmalı soğutma kuleleridir. Soğutma kuleleri, veri merkezlerinin sıcaklığını kontrol etmek için sürekli olarak su tüketir. Bir veri merkezinin bir yılda tükettiği su, on binlerce hanenin su tüketimine eşdeğer olabilir[iv]. Dolayısıyla, bir YZ sorgusunun ayak izi, sadece elektrik tüketimini değil, aynı zamanda hem bu elektriğin üretimi hem de sunucuların soğutulması için kullanılan suyu da kapsar. ABD’de yakın zamanda yayınlanan veri merkezi enerji raporuna göre, ABD veri merkezlerinin 2028 yılındaki toplam yıllık su tüketiminin, 2023 seviyesinin iki ile dört katına çıkarak yaklaşık 150-280 milyar litreye ulaşabileceği öngörülüyor. Küresel ölçekte ise YZ talebinin 2027 yılında 4,2-6,6 milyar metreküp su çekimine[v] denk gelmesi bekleniyor. Bu rakam, Danimarka’nın 4-6 milyar metreküpünden veya Birleşik Krallık topraklarının yarısının toplam yıllık su çekiminden daha fazla. Bu da enerji hatlarında olduğu gibi su dağıtım altyapılarına da daha fazla yük bindirecek[vi].

Yukarıda bahsedilen tüketimin yanında tüm tedarik zincirine yayılan, dolaylı tüketimlerin de dikkate alınmasını gerekiyor. Zira veri merkezlerini inşa etmek için kullanılan çelik, beton, cam ve nadir toprak elementleri gibi malzemelerin üretimi ve veri merkezinin inşa edileceği alana taşınması da ciddi miktarda enerji ve su gerektirir. Ayrıca, diğer etkilerine kıyasla çok daha az da olsa bu merkezlerin inşası, genellikle doğal alanların ve tarım arazilerinin dönüşümüne de yol açar. Bu da yerel ekosistemler, su havzaları ve biyoçeşitlilik üzerinde ek bir baskı oluşturur[vii]. Örneğin, yeni bir veri merkezi kampüsü için açılan arazinin, etrafındaki yapılaşmayı ve dolayısıyla betonlaşmayı da artırarak yağmur suyu emilimini azaltması mümkündür.

Bu nedenle, YZ’nin gerçek maliyetini hesaplamak, sadece şebekeye bağlı enerji ve su tüketimini değil, baştan aşağıya tüm yaşam döngüsünü göz önünde bulundurmayı gerektirir. Özellikle bu “görünmez ayak izi”, teknolojinin gerçek ekolojik bedelinin buzdağının suyun altında kalan kısmı misali, gördüğümüzden daha fazla olduğunu gösteriyor.

YZ’nın Enerji Tasarrufuna Etkileri

YZ’nın çevresel etkileri sadece aşırı elektrik ve su tüketimi ile sınırlı değil. Aynı teknolojinin, diğer taraftan, iklim kriziyle mücadelede etkin bir araç olma potansiyeli taşıdığı da iddia ediliyor. Bu iddiayı dillendirenler YZ’nin enerji tasarrufu sağlama ve sistemleri optimize etmedeki kapasitelerine vurgu yapıyorlar. Zira YZ algoritmaları, karmaşık sistemlerdeki enerji akışını ve su şebekesindeki tüketimi, insan kapasitesinin ötesinde bir hassasiyetle optimize edebiliyor. Örneğin, akıllı şebeke yönetim sistemleri, elektrik talebini ve arzını (özellikle de rüzgar ve güneş gibi değişken yenilenebilir kaynakları) gerçek zamanlı olarak analiz ederek, enerji israfını azaltıyor, kesintileri önleyebiliyor ve yenilenebilir enerji kaynaklarının entegrasyonunu kolaylaştırıyor. Benzer şekilde akıllı sayaçlar ile su tüketimi de iklim şartları ve su tüketim şekilleriyle optimize ediliyor.

Uzun zamandır hayatımızda olan akıllı binalar artık akıllı şehirleri oluşturma yolunda ilerliyor. Akıllı şehirlerde, trafik ışıklarını optimize ederek trafik sıkışıklığını ve dolayısıyla araçların yakıt tüketimini ve emisyonlarını azaltmak, bina enerji yönetim sistemlerini (Building Management System-BMS) geliştirerek ısıtma, soğutma, havalandırma ve aydınlatmada verimlilik sağlamak, YZ’nin şehirlerin karbon ayak izini düşürmede oynayabileceği rollerden sadece birkaçı… YZ’nin geleneksel BMS’lerden farkı, öngörü ve adaptasyon yeteneğidir, ki dizinin ilk yazısında detaylıca ele alınmıştı. YZ destekli sistemler sadece mevcut koşullara (iç sıcaklık gibi) tepki vermekle kalmaz, hava durumu tahminleri, bina kullanım şartları ve doluluk oranı, güneş ışınımı gibi çok çeşitli verileri analiz ederek gelecekteki enerji ihtiyacını tahmin eder ve buna göre proaktif davranabiliyor. Bunun, enerji tüketiminde %20-30’lara varan iyileştirmeler sağlayabildiğine dair iddialar var[viii]. Örneğin yenilenebilir enerji şirketi AES rüzgar türbinleri ve akıllı sayaçlar için kullandığı YZ platform sayesinde onarım maliyetlerini optimize etme ve talep tahminini yöneterek yıllık 1 milyon dolardan fazla tasarruf ve kesintilerde de %10 azalma sağladığını açıkladı[ix]. ABD’nin Pittsburgh şehrinde YZ kontrolündeki trafik ışıkları sisteminin seyahat sürelerinde %25, rölanti sürelerinde %40 oranında tasarruf sağlayarak emisyonları önemli ölçüde azalttığı belirtiliyor[x].

YZ, geleneksel yöntemlere kıyasla iklim modellerinin işlenmesini ve analizini büyük ölçüde hızlandırarak bilim insanlarının iklim değişikliğinin etkilerini daha iyi anlamasına, daha kesin tahminler yapmasına ve etkili azaltım/uyum stratejileri geliştirmesine yardımcı oluyor.  Google‘ın operasyonel sel tahmin sistemi, hidrolojik aşama tahminini gelişmiş su baskını modellemesiyle birleştirerek selin kapsamını ve derinliğini yedi güne kadar önceden tahmin ediyor. Sistem şu anda 100’den fazla ülkede yaklaşık 700 milyon insanı kapsıyor[xi]. YZ ayrıca, orman yangını risk haritalaması, kuraklık tahmini veya kasırga yolu modellemesi gibi olağanüstü hava olaylarının erken tespitinde de kullanılıyor. Yangınlara karşı özellikle savunmasız bir bölge olan Almanya’daki Brandenburg-Eberswalde ormanına kurulan yaklaşık 400 adet sensör ile yangının ilk aşamalarında gazları tespit ederken, sıcaklık, nem ve hava basıncını izleyerek, yıkım yayılmadan önce hızlı müdahale sağlıyor[xii]. Bu da hayat kurtarıcı olduğu kadar altyapı hasarını azaltıp kaynak tahsisini iyileştirebiliyor.

Bu uygulamalar, YZ’nin sürdürülebilir bir gelecek inşasında kritik bir araç olabileceğini göstermektedir. Ancak bu potansiyelin gerçeğe dönüşmesi, YZ’nin kendi enerji açlığının kontrol altına alınmasına bağlı. Aksi takdirde, iklim krizini çözmek için kullandığımız araç, sorunu daha da kötüleştiren bir faktöre dönüşebilir. Bu yüzden YZ’nin enerji tasarrufunda kullanımını ve olanaklarını arttırmak kadar YZ’nin enerji ve su tüketimini azaltmak da önemlidir.

Green AI – Red AI

YZ araştırmalarında yaşanan bu ikilemin, sektörde “Green AI” (Yeşil YZ) ve “Red AI” (Kırmızı YZ) olarak adlandırılan iki farklı yaklaşımın ortaya çıkmasında önemli rol oynadığı söylenebilir.

Geleneksel ve şu an için hakim eğilim olan Kırmızı YZ yaklaşımı, her ne pahasına olursa olsun, doğruluğu ve sistem performansını artırmaya odaklanıyor. Daha büyük veri setleri, daha fazla parametre (trilyonlarca parametreye ulaşan modeller) ve daha karmaşık modeller kullanarak “en iyi” sonucu elde etmeyi hedefliyor. Bu süreç, “küçük” bir doğruluk artışı için bile enerji tüketiminde ve karbon salımında katlanarak büyüyen bir maliyet getirebilir. Bu, bir “küçük iyileştirmeler yasası” (law of diminishing returns) durumudur ve kaynak kullanımı açısından verimsizdir. Bu yaklaşım, araştırmayı sadece büyük bütçeli teknoloji devlerinin yapabildiği bir yarışa dönüştürerek, çeşitliliği ve kapsayıcılığı da sınırlandırıyor.

Yeşil YZ yaklaşımı ise, verimliliği araştırmanın merkezine koyuyor. Amaç, mümkün olan en az hesaplama döngüsü ile en iyi performansı elde etmek olarak tanımlanıyor. Yeşil YZ, Kırmızı YZ’ye kıyasla daha çevre dostu olmakla kalmayıp, aynı zamanda maliyetleri düşürdüğü ve daha geniş bir kesim tarafından (üniversiteler, küçük şirketler) erişilebilir olduğu için daha demokratik ve kapsayıcı bir YZ ekosistemi yaratmayı hedefliyor denebilir. Dolayısıyla daha verimli algoritmalar geliştirmek, gereksiz parametreleri budamak (pruning), modelleri sıkıştırmak (quantization) veya daha az hesaplama gerektiren yeni nöral ağ mimarileri keşfetmek, Yeşil YZ ‘nin temel çalışma alanları oluyor[xiii].

Yeşil YZ İçin Öneriler ve Denetim

Bu durumda, Kırmızı YZ‘den Yeşil YZ‘ye doğru nasıl bir geçiş yapabiliriz sorusu, açıktır ki bu çok kapsamlı bir çaba gerektirir.

Buna bilimsel yayınlardan başlanabilir. Örneğin, bilimsel yayınlarda ve konferanslarda, sadece model performansının (doğruluk, F1-skoru[xiv] gibi) değil, aynı zamanda bu performansın hangi enerji maliyetiyle (örneğin, algoritmaların eğitimi süresince tüketilen toplam enerji – karbon ayak izi) elde edildiğinin raporlanması ve bunun zorunlu hale getirilmesi, farkındalık oluşturulmasında etkili olabilir. YZ şirketlerinin, modellerinin eğitimi ve çalıştırılması sırasında kullandıkları enerji miktarını, bu enerjinin kaynağını (yenilenebilir oranı) ve soğutma için tükettikleri su miktarını şeffaf bir şekilde raporlamaları, bunların bağımsız denetimi de benzer bir rol oynayabilir. Ayrıca hükümetler ve uluslararası kuruluşlar, veri merkezlerinin enerji verimliliği (PUE – Power Usage Effectiveness) ve su kullanımı (WUE – Water Usage Effectiveness)[xv] için zorunlu ve giderek sıkılaşan standartlar getirebilir. Yenilenebilir enerji kullanımını teşvik eden vergi indirimleri veya karbon vergisi gibi mekanizmalar hayata geçirilebilir. Avrupa Birliği’nin bu yöndeki çalışmaları önemli bir adımdır.

Öte yandan sürdürülebilirliğe önem veren tüketiciler, Yeşil YZ ilkelerine uyan şirketlere yönelerek sektör üzerinde önemli bir etki yaratabilir. Diğer bir deyişle, tüketiciler ve kurumsal müşteriler, kullandıkları YZ hizmetlerinin çevresel ayak izi konusunda şeffaflık talep ederek piyasayı yönlendirebilir. Sunucu ve bileşenlerin ömrünü uzatmak, ikinci el piyasasını geliştirmek ve elektronik atıkların geri dönüşümünü iyileştirmek, YZ’nin dolaylı çevresel etkisini azaltmada önemli rol oynayabilir. Ayrıca, YZ iş yükleri için daha az enerji tüketen, özelleştirilmiş, verimli yongaların (ASIC’ler) geliştirilmesi teşvik edilebilir. Bunlar ilk akla gelen öneriler olarak düşünülebilir. Aslında dizinin önceki yazılarında da vurgulamaya çalıştığımız gibi diğer teknolojik gelişmelere benzer şekilde YZ alanında yaşanan gelişmeler de bir toplumsal mücadele alanı olarak ele alınmalıdır. Bir süredir toplumsal mücadelenin önemli bir ayağı olan çevre ve iklim değişikliği mücadelesi de YZ çağının belirleyicilerinden biri olmalı. Diğer bir deyişle, bu bölümde bahsedilen verimlilik esaslı yaklaşımlar çevre aktivizminin bir parçası olarak ele alınmalı.

Gelinen aşamada, yapay zekanın, insanlık için büyük potansiyel taşıyan, ancak aynı zamanda önemli çevresel ve sosyal riskler barındıran ikircikli bir teknoloji olduğu söylenebilir. Onu şekillendirecek olan, teknolojinin kendisi değil, onu nasıl geliştirdiğimiz, kullandığımız ve düzenlediğimizdir. Performansın tek ve mutlak kriter olduğu Kırmızı YZ yaklaşımı, uzun vadede sürdürülebilir görünmüyor ve iklim krizini daha da derinleştirme, enerji kaynakları üzerinde çatışma yaratma ve ekonomik eşitsizlikleri artırma riski taşıyor.

Buna karşılık Kırmızı YZ’ye kıyasla verimliliği, şeffaflığı ve sorumluluğu ön planda tutan Yeşil YZ yaklaşımı, yapay zekanın öngörülen potansiyelini ortaya çıkarırken olası riskleri de minimuma indirebilecek, en azından Kırmızı YZ’ye göre daha makul bir yol gibi duruyor. Bunun sadece bir teknoloji tercihi olmadığı, aynı zamanda etik ve varoluşsal bir tercih olduğu üzerinde ısrarla durulması gereken bir gerçeklik. Geleceği inşa ederken, sadece daha akıllı sistemler değil, aynı zamanda daha akıllıca kullanılan, daha verimli, daha adil ve nihayetinde daha insani sistemlerin nasıl hedefleneceği kritik önemde. Teknolojik ilerleme ile ekolojik sürdürülebilirlik birbirine zıt kutuplar değil, birbirini tamamlayan ve birbirine bağlı hedefler olarak ele alınmalı. Dijital bir geleceğe doğru ilerlerken, karbon ayak izimizi küçültmenin yollarını aramak geleceğimiz açısından en önemli amaçlardan biri olmalı. Dizinin bir sonraki yazısında YZ çağında daha adil bir dünya için yapılabilecekleri tartışmaya çalışacağız.

—

Dipnotlar:

[i] Referans verilen makaledeki hesaplamada bir yanlışlık var gibi görünüyor. Zira her bir döngüde 5W’lık bir LED lambayı 1 saat 20 dakika yakacak enerji harcanıyorsa, bu her bir döngüde 6.67 Wh enerji harcanacağı anlamına gelir. Yılda 590 milyon erişim sağlanması günde yaklaşık 1,616,438 erişim demektir. Dolayısıyla günlük harcanan enerji yaklaşık 10,776,000 Wh ya da 10.776 MWh olur.

[ii] “A review of green artificial intelligence: Towards a more sustainable future”  Neurocomputing

Volume 599, 28 September 2024, 128096 – Science Direct

[iii] “Anthropic and OpenAI Have Begun the Subprime AI Crisis,”  https://www.wheresyoured.at/anthropic-and-openai-have-begun-the-subprime-ai-crisis/

[iv] M. J. P. et al., “The Environmental Impact of AI Compute,” Proc. ACM Meas. Anal. Comput. Syst., 2024. https://dl.acm.org/doi/10.1145/3724499

[v] Burada iki kavramı ayırmak gerekiyor. Su çekimi, yeraltı veya yüzey suyu kaynaklarından geçici veya kalıcı olarak alınan ve daha sonra tarımsal, endüstriyel veya belediye kullanımları için kullanılan tatlı suyu ifade ediyo (normalde hidroelektrik üretimi için kullanılan su hariç). Su tüketimi ise “Su çekimi eksi su deşarjı” olarak tanımlanıyor ve “buharlaşan, terleyen, ürünlere veya mahsullere katılan veya başka bir şekilde doğrudan su ortamından uzaklaştırılan” su miktarını ifade ediyor.

[vi] Making AI Less ‘Thirsty’, https://dl.acm.org/doi/10.1145/3724499

[vii] “What the data center boom means for America’s environment – and electricity bills,” The Guardian, https://www.theguardian.com/environment/2025/oct/16/what-the-data-center-boom-means-for-americas-environment-and-electricity-bills

[viii] L. F. et al., “A review of green artificial intelligence: Towards a more sustainable future,” Renewable and Sustainable Energy Reviews, 2023. https://www.sciencedirect.com/science/article/abs/pii/S1364032123001235

[ix] AI Utilities with Top 15 Use cases & case studies https://research.aimultiple.com/ai-utilities/#easy-footnote-bottom-2-120294

[x] AI in Mobility: Top Use Cases You Need To Know AI in Mobility: Top Use Cases You Need To Know

[xi] 10 Real Life Examples of Sustainable AI in Action 10 Real Examples of Sustainable AI Transforming Planet

[xii] A.g.e.

[xiii] “Green AI Explained: Fueling Innovation with a Smaller Carbon Footprint,” Carbon Credits.com. https://carboncredits.com/green-ai-explained-fueling-innovation-with-a-smaller-carbon-footprint/

[xiv] F1 puanı, bir sınıflandırma algoritmasının doğruluğunu ölçen bir değerlendirme metriğidir. Kesinlik (precision) ve duyarlılığın (recall) harmonik ortalaması olarak hesaplanır. Özellikle dengesiz veri setleriyle çalışırken, bir modelin pozitif sonuçları ne kadar iyi tanımladığını değerlendirmek için kullanılır. İdeal bir F1 puanı 1,0’dır.

[xv] Su Kullanım Etkinliği (WUE), bir veri merkezinin su verimliliğini, toplam su tüketimini IT ekipmanı tarafından kullanılan enerjiye bölerek ölçerken, Güç Kullanım Etkinliği (PUE), toplam tesis enerji tüketimini IT ekipmanı tarafından tüketilen enerjiye bölerek toplam enerji verimliliğini ölçer.