非洲数据中心的水效能数据集
机器学习
2024-12-09 v2 计算机与社会
摘要
AI计算和数据中心大量消耗淡水资源，既直接用于散热，也是通过电力生产间接消耗。虽然大多数关注集中在美国等发达国家，但本文提出了首个独特数据集，将国家级天气和电力生产数据融合，用于估算41个非洲5个气候区域数据中心的水效能。我们还利用该数据集评估估算11个选定非洲国家中两大语言模型（Llama-3-70B和GPT-4）的推理用水。我们的发现表明，使用Llama-3-70B撰写10页报告约需0.7升水，而GPT-4完成相同任务的水耗可达约60升。撰写120-200字的中等长度邮件，Llama-3-70B和GPT-4的水耗分别约为0.13升和3升。有趣的是，尽管使用相同模型，8个11个选定非洲国家中8个国家的用水量低于全球平均水平，主要由于电力制造的水耗强度较低。然而，在某些含旱情地区的非洲国家，水耗显著高于美国和全球平均水平，这在在这些国家部署AI计算时需要更加关注。我们的数据集已公开于\href{https://huggingface.co/datasets/masterlion/WaterEfficientDatasetForAfricanCountries/tree/main}{Hugging Face}。
引用
@article{arxiv.2412.03716,
title = {A Water Efficiency Dataset for African Data Centers},
author = {Noah Shumba and Opelo Tshekiso and Pengfei Li and Giulia Fanti and Shaolei Ren},
journal= {arXiv preprint arXiv:2412.03716},
year = {2024}
}
备注
Accepted by NeurIPS 2024 Workshop on Tackling Climate Change with Machine Learning