اپنے AI استعمال کے پیچھے توانائی، پانی اور کاربن کا اندازہ لگائیں — اور جانیں کہ یہ روزمرہ کی اصطلاح میں کیا معنی رکھتا ہے۔
صرف inference (تربیت اور ڈیٹا سینٹر کا اضافی بوجھ شامل نہیں)؛ پانی براہِ راست استعمال (scope-1) ہے؛ Google تلاش کا تاریخی اعداد 2009 کا ہے۔ تمام اعداد تخمینی ہیں۔
یہ موازنہ کردہ ماڈلوں کی عوامی پیمائشوں سے اندازِ قریب کے تخمینے ہیں — صرف inference، براہِ راست (scope-1) پانی، اور قابلِ ترمیم کاربن و پانی کے عوامل کے ساتھ۔ بند اعلیٰ درجے کے ماڈلوں کی براہِ راست پیمائش نہیں ہوئی، اس لیے نتیجے کو ایک عمومی اندازہ سمجھیں، نہ کہ درست تجزیہ۔
ہر AI کام کے لیے فی استعمال توانائی کا اعداد وات-گھنٹوں میں موجود ہے، جو موجودہ پیمائشی ذرائع سے لیا گیا ہے۔ آپ کی ماہانہ تعداد کو ایک سال تک بڑھایا جاتا ہے، جمع کیا جاتا ہے، اور کلوواٹ-گھنٹوں میں تبدیل کیا جاتا ہے۔
پانی براہِ راست ٹھنڈک کا پانی ہے: توانائی kWh کو پانی کے استعمال کی افادیت کے عامل (لیٹر فی kWh) سے ضرب دی جاتی ہے۔ کاربن توانائی کو آپ کے بجلی گرڈ کی کاربن شدت (گرام CO₂ فی kWh) سے ضرب دے کر حاصل ہوتی ہے۔
موجودہ اعلیٰ درجے کے ماڈل پر ایک عام مختصر متنی سوال تقریباً 0.3 Wh استعمال کرتا ہے — یہ وہ نقطہ ہے جہاں Google کے 0.24 Wh، OpenAI کے 0.34 Wh اور Epoch کے 0.3 Wh کے تخمینے یکجا ہو جاتے ہیں۔ استدلالی ('سوچنے والے') سوالات اور تصویر سازی اس سے کہیں زیادہ توانائی استعمال کرتے ہیں۔
یہاں دکھایا گیا پانی براہِ راست ٹھنڈک کا پانی ہے (scope-1): kWh × پانی کے استعمال کی افادیت کا عامل۔ اس میں بجلی پیدا کرنے کے لیے استعمال ہونے والا بالواسطہ پانی (scope-2) شامل نہیں، اس لیے اصل کل زیادہ ہو سکتا ہے۔ یہ عامل ڈیٹا سینٹر کے مطابق کافی مختلف ہوتا ہے، تقریباً 0.26 سے 1.9 L/kWh تک۔
نہیں۔ یہ موازنہ کردہ ماڈلوں کی عوامی پیمائشوں کے درمیانی تخمینے ہیں، جو صرف inference پر مبنی ہیں۔ بند اعلیٰ درجے کے ماڈلوں کی براہِ راست پیمائش نہیں ہوئی، اور حقیقی اعداد میں ڈیٹا سینٹر کا وہ اضافی بوجھ شامل ہوتا ہے جو خام پیمائشیں نظرانداز کرتی ہیں۔
نہیں۔ ہر عدد صرف inference پر مبنی ہے — ماڈل استعمال کرنے کی لاگت، نہ کہ اسے ایک بار تربیت دینے کی لاگت۔
یہ کیلکولیٹر آپ کے AI استعمال کو حقیقی دنیا کے اثرات میں بدلتا ہے: توانائی کلو واٹ گھنٹوں میں، پانی لیٹروں میں، اور کاربن CO₂ کے کلوگرام میں۔ "میرا استعمال" منتخب کریں تو ایک سال کے اپنے پرامپٹس کا تخمینہ ملے گا، یا "فی کام" منتخب کریں تو ایک چیٹ، استدلالی درخواست، یا تصویر سازی کی لاگت دیکھیں۔ ہر فی کام کا عدد موجودہ، حوالہ شدہ پیمائشوں سے لیا گیا ہے اور صرف انفرینس کا ہے — یعنی ماڈل استعمال کرنے کی لاگت، نہ کہ اسے تربیت دینے کی۔
سرخی کا عدد آپ کا کاربن فوٹ پرنٹ ہے ("میرا استعمال" طریقے میں سالانہ، "فی کام" طریقے میں منتخب مقدار کے مطابق)۔ تین میٹرک کارڈز اسے توانائی، پانی اور کاربن میں تقسیم کرتے ہیں، ہر ایک کے ساتھ ایک روزمرہ مثال — فون چارج، پانی کا گلاس، گاڑی میں طے کیا گیا کلومیٹر — تاکہ تجریدی اکائیاں محسوس اور قابلِ فہم ہو جائیں۔ نتیجے کو تقریباً تخمینہ سمجھیں: بنیادی فی کام توانائی کے اعداد ماڈل، پرامپٹ کی لمبائی اور ڈیٹا سینٹر کے مطابق کافی وسیع حد میں ہوتے ہیں، اور پانی اور کاربن کے عوامل قابلِ تبدیل مفروضے ہیں، مستقل حقائق نہیں۔
آپ ماہانہ تقریباً 100 مختصر AI چیٹس بھیجتے ہیں، پانی استعمال کے عنصر کے ساتھ صنعتی ڈیفالٹ 1.8 L/kWh اور دنیا کے اوسط گرڈ (471 gCO₂/kWh) پر۔
100 چیٹس فی ماہ کا مطلب ہے سالانہ 1,200۔ ہر ایک پر 0.3 Wh کے حساب سے کل 360 Wh، یعنی 0.36 kWh — تقریباً 30 فون چارجز کے برابر۔ پانی تقریباً 0.65 L (تین گلاس سے کم) اور کاربن تقریباً 170 g CO₂ بنتا ہے — ایک عام گاڑی میں ایک کلومیٹر سے بھی کم۔ ہلکے چیٹ استعمال کا ایک سال انتہائی کم اثر رکھتا ہے؛ اصل اضافہ استدلالی پرامپٹس اور تصویر سازی میں ہوتا ہے۔
موجودہ فرنٹیئر ماڈل پر ایک مختصر ٹیکسٹ پرامپٹ عموماً تقریباً 0.3 Wh بجلی استعمال کرتا ہے — یہ Google کی جانب سے Gemini کے درمیانی پرامپٹ کے لیے ماپے گئے 0.24 Wh، OpenAI کے بیان کردہ 0.34 Wh فی ChatGPT سوال، اور Epoch AI کے GPT-4o کے لیے بنیادی تخمینہ 0.3 Wh کا اجتماع نقطہ ہے۔ طویل دستاویزات (~2.5 Wh)، استدلالی ماڈلز (~7.6 Wh) اور تصویر سازی (~2.9 Wh) فی استعمال بہت زیادہ لاگت رکھتے ہیں۔
Scope-1 پانی وہ پانی ہے جو ڈیٹا سینٹر اپنے سرورز کو ٹھنڈا کرنے کے لیے براہِ راست جگہ پر بخارات میں بدلتا ہے، اور اسے توانائی (kWh) کو پانی استعمال کی افادیت (WUE) کے عنصر سے، جو L/kWh میں ہوتا ہے، ضرب دے کر شمار کیا جاتا ہے۔ یہ scope-2 پانی کو خارج رکھتا ہے — وہ پانی جو بجلی پیدا کرنے والے پاور پلانٹ میں جگہ سے باہر استعمال ہوتا ہے — اس لیے اصل کل پانی کی لاگت یہاں دکھائی گئی مقدار سے زیادہ ہے۔ WUE آپریٹرز کے درمیان کافی مختلف ہوتا ہے (تقریباً 0.26 سے 1.9 L/kWh تک)، اسی لیے اسے یہاں قابلِ تبدیل رکھا گیا ہے۔
نہیں۔ یہ موازنہ ماڈلز کی عوامی پیمائشوں سے اخذ کردہ مرکزی تخمینے ہیں، اور انہیں جان بوجھ کر صرف انفرینس اور مخصوص دائرہ کار کے ساتھ لیبل کیا گیا ہے۔ بند فرنٹیئر ماڈلز کی براہِ راست پیمائش نہیں ہوتی، اور پیمائش کی حدود مختلف ہوتی ہیں (مکمل نظام کی توانائی تقریباً GPU-صرف توانائی سے 2.4 گنا ہوتی ہے)، اس لیے مختلف مطالعات کے دو "فی سوال" اعداد باہم قابلِ تبادلہ نہیں ہیں۔
نہیں۔ یہاں ہر عدد صرف انفرینس کا ہے: یعنی پرامپٹ چلانے کی لاگت، نہ کہ ماڈل کو تربیت دینے کی یک بار لاگت۔ تربیت ایک بڑا مگر الگ، تقسیم شدہ خرچ ہے جسے یہ کیلکولیٹر شمار کرنے کی کوشش نہیں کرتا۔
پانی اور گرڈ مفروضوں کا حصہ کھولیں۔ گرڈ سلیکٹر دنیا کی اوسط، امریکہ، یورپی یونین، بھارت یا چین کے لیے لائف سائیکل کاربن انٹینسٹی لگاتا ہے (2024 OWID ڈیٹا)، اور WUE سلیکٹر آپ کو Google، Microsoft، Meta، صنعتی ڈیفالٹ یا فلیٹ اوسط ڈیٹا سینٹر کا ماڈل بنانے دیتا ہے۔ کاربن اور پانی دونوں ان عوامل کے ساتھ خطی طور پر بدلتے ہیں۔
ہر AI کام کی ایک حوالہ شدہ فی استعمال توانائی واٹ گھنٹوں میں دی گئی ہے: مختصر چیٹ 0.30 Wh (Epoch/Google/OpenAI اجتماع)، طویل دستاویز 2.5 Wh (Epoch، ~10k-ٹوکن اِن پٹ)، استدلال 7.6 Wh (Hugging Face AI Energy Score v2، DeepSeek-R1-70B استدلال کے ساتھ)، اور تصویر سازی 2.907 Wh (Luccioni "Power Hungry Processing"، جدول 2 اوسط)۔ "میرا استعمال" طریقے میں ماہانہ گنتیاں 12 سے ضرب کی جاتی ہیں، جمع کی جاتی ہیں، اور سالانہ کلو واٹ گھنٹے دینے کے لیے 1,000 سے تقسیم کی جاتی ہیں؛ "فی کام" طریقہ گنتیاں جیسی داخل کی گئی ہوں ویسے استعمال کرتا ہے۔ لیٹروں میں پانی = kWh × WUE (ڈیفالٹ 1.8 L/kWh، scope-1 آن سائٹ)۔ گرام میں کاربن = kWh × گرڈ انٹینسٹی (ڈیفالٹ 471 gCO₂/kWh، دنیا 2024، OWID لائف سائیکل)، پھر کلوگرام کے لیے 1,000 سے تقسیم۔ روزمرہ مثالیں حوالہ شدہ معیاری اعداد سے تقسیم کرتی ہیں: 12 Wh فی فون چارج، 0.3 Wh فی تاریخی (2009) Google سرچ، 120 Wh فی 1 لیٹر کیٹل ابال، 244 gCO₂/km ایک عام امریکی گاڑی کے لیے اور 106.4 gCO₂/km اوسط نئی EU گاڑی کے لیے، 60 L فی شاور، 0.25 L فی گلاس اور 0.5 L فی بوتل۔
YouCalc ٹیم کے ذریعے نظرثانی شدہ · آخری جائزہ
ترجمے یا حساب میں کوئی بات نظر آئی، یا کوئی تجویز ہے؟ ہمیں بتائیں۔