AI Retro Photo Trend : 1980s AI રેટ્રો સેલ્ફી ટ્રેન્ડની અસલી કિંમત કેટલી? તમારી એક ક્લિકથી વેડફાઈ રહ્યું છે કેટલાય લિટર પાણી અને વીજળી
1980 ના દાયકાના AI ફોટો ટ્રેન્ડને કદાચ ક્યારેય એક મોટી પર્યાવરણીય ઘટના તરીકે યાદ ન રાખી શકાય, કારણ કે આપણે ફક્ત રેટ્રો ફોટા જોઈએ છે. આ ફોટો પ્રોસેસર, સર્વર, વીજળી, કૂલિંગ સાધનો અને ઘણા કિસ્સાઓમાં પાણીનો પણ ઉપયોગ કરે છે.
1980 ના દાયકાનો રેટ્રો દેખાતો AI ફોટો ટ્રેન્ડ હાલમાં સોશિયલ મીડિયા પર લોકપ્રિયતા મેળવી રહ્યો છે. લોકો તેમના સેલ્ફી AI ટૂલ્સ પર સબમિટ કરી રહ્યા છે અને તેમને મોટા વાળ, વિન્ટેજ કપડાં, જૂના સ્ટુડિયો બેકડ્રોપ્સ અને ફિલ્મ જેવા ટેક્સચર સાથે પોટ્રેટમાં રૂપાંતરિત કરી રહ્યા છે. પ્રક્રિયા સરળ લાગે છે. ફોટો અપલોડ કરો, પ્રોમ્પ્ટ ટાઇપ કરો અને છબી સેકન્ડોમાં તૈયાર થઈ જાય છે. તેની પાછળનું ભૌતિક માળખું વીજળીનો વપરાશ અને પાણી છે.
એક AI ઇમેજ બનાવવા માટે કેટલી વીજળી વપરાય છે?
આ માટે કોઈ એક નિશ્ચિત આંકડો નથી. AiEnsuredના CTO ડો. શ્રીનિવાસ પદ્મનાભુનીના અંદાજ મુજબ, એક AI ઇમેજ બનાવવા માટે આશરે 1.2 વોટ-કલાક વીજળીનો ખર્ચ થઈ શકે છે. માસટેક ગ્રુપના CTO રિત્વિક બટાબ્યાલ કહે છે કે મોડલ અને ડિપ્લોયમેન્ટના આધારે આ આંકડો એક વોટ-કલાકના અંશથી લઈને અનેક વોટ-કલાક સુધી હોઈ શકે છે.
AI&Beyond ના સહ-સ્થાપક જસપ્રીત બિન્દ્રાનો અંદાજ છે કે પ્રતિ ઇમેજ 0.1થી 4 વોટ-કલાક સુધી વીજળીનો ઉપયોગ થઈ શકે છે. આ તફાવતનું કારણ મોડલનું કદ, હાર્ડવેર અને વર્કલોડ જેવા પરિબળો છે, જે એનર્જી ફૂટપ્રિન્ટને અસર કરે છે.
ઇન્ટરનેશનલ એનર્જી એજન્સી (IEA) મુજબ, ઇમેજ જનરેશન સામાન્ય ટેક્સ્ટ આધારિત કાર્યો કરતાં ઘણી વધારે એનર્જી-ઇન્ટેન્સિવ છે. 2026માં યુનાઇટેડ નેશન્સ યુનિવર્સિટી (UNU)ના એક મૂલ્યાંકન મુજબ, સામાન્ય AI-જનરેટેડ ઇમેજ બનાવવા માટે બેઝિક ટેક્સ્ટ-ક્લાસિફિકેશન ટાસ્કની સરખામણીમાં આશરે 1,450 ગણી વધુ ઊર્જાની જરૂર પડી શકે છે.
અસલી સમસ્યા એક ઇમેજ નહીં, પરંતુ મોટા પાયે તેનો ઉપયોગ છે
સામાન્ય વ્યક્તિ માટે થોડા વોટ-કલાક વીજળી ખૂબ જ નાની માત્રામાં લાગી શકે છે. પરંતુ સમસ્યા ત્યારે શરૂ થાય છે જ્યારે આ મોટા પાયે થતી પ્રવૃત્તિ બની જાય છે. લોકો સામાન્ય રીતે માત્ર એક જ ઇમેજ બનાવતા નથી. પ્રથમ વર્ઝનમાં ચહેરો યોગ્ય ન લાગે તો તેને રિજેક્ટ કરે છે. બીજા પ્રોમ્પ્ટમાં કપડાં બદલવામાં આવે છે. ત્રીજા વર્ઝનમાં લાઇટિંગ બદલાય છે. અનેક વર્ઝન બનાવ્યા બાદ અંતિમ ઇમેજ શેર કરવામાં આવતી હોય છે.
આ રીતે એક વાયરલ ટ્રેન્ડ લાખો ઇન્ફરન્સ ટાસ્કમાં ફેરવાઈ શકે છે. યુનાઇટેડ નેશન્સ યુનિવર્સિટી (UNU)ના અંદાજ મુજબ, 2022 અને 2023 દરમિયાન ટેક્સ્ટ-ટુ-ઇમેજ સિસ્ટમ્સ દ્વારા 15 અબજથી વધુ ઇમેજ જનરેટ કરવામાં આવી હતી. 2023 માં દરરોજ આશરે 3.4 કરોડ AI ઇમેજ બનાવવામાં આવી રહી હતી. હાલના 1980s ટ્રેન્ડ દરમિયાન કેટલી ઇમેજ બનાવવામાં આવી છે તેનો કોઈ વિશ્વસનીય જાહેર આંકડો ઉપલબ્ધ નથી. તેથી તેનો કુલ એનર્જી અથવા વોટર ફૂટપ્રિન્ટ જણાવવો માત્ર અંદાજ લગાવવો બની રહેશે.
પાણીનો ખર્ચ: બે ચમચીથી લઈને મોટી કટોકટી સુધી
વીજળીનો વપરાશ સાથે પાણીનો ખર્ચો પણ છે. ડેટા સેન્ટરોને ઠંડુ થવા માટે પાણીની જરૂર પડે છે અને વીજળીને ઉત્પન્ન કરવા માટે પણ પાણીની જરૂર પડે છે. UNU 2026 ના મૂલ્યાંકન મુજબ, 2030 સુધીમાં, AI ચલાવતા ડેટા સેન્ટરોને વાર્ષિક 945 ટેરાવોટ-કલાક વીજળીની જરૂર પડી શકે છે.
સંકળાયેલ પાણીના પદચિહ્ન 9.3 ટ્રિલિયન લિટર સુધી પહોંચી શકે છે, જે સબ-સહારન આફ્રિકામાં 1.3 અબજ લોકોની વાર્ષિક ઘરેલુ પાણીની જરૂરિયાતોને સમકક્ષ છે. જમીનનો ફૂટપ્રિન્ટ 14,500 ચોરસ કિલોમીટરથી વધુ હોઈ શકે છે.
એક AI ઇમેજનો વોટર ફૂટપ્રિન્ટ કેટલો છે?
UNU નો અંદાજ છે કે એક જ AI ઈમેજનું વીજળી સંબંધિત વોટર ફૂટપ્રિન્ટ આશરે 29 મિલીલીટર અથવા લગભગ બે ચમચી છે. આ સંખ્યા ડેટા સેન્ટરના સ્થાન, ઠંડક ટેકનોલોજી, સ્થાનિક આબોહવા, પાવર મિશ્રણ અને ઈન્ફ્રાસ્ટ્રક્ચર કાર્યક્ષમતા પર આધાર રાખે છે.
IEA અનુસાર, એક જ AI ઈમેજ જનરેટ કરવા માટે આશરે 23 મિલીલીટર પાણીની જરૂર પડી શકે છે. આ એક જ ઈમેજ માટે નાનું લાગે છે. પરંતુ જ્યારે દરરોજ લાખો ઈમેજ જનરેટ થાય છે, ત્યારે વાર્ષિક ખર્ચ 200 ઓલિમ્પિક-કદના સ્વિમિંગ પુલ ભરવા જેટલો હોઈ શકે છે.
AI બૂમ માત્ર સોફ્ટવેરની કહાની નથી
AIના વિસ્તરણ સાથે ડેટા સેન્ટર ક્ષમતાની માંગ પણ ઝડપથી વધી રહી છે. IEA ના એપ્રિલ 2026ના અહેવાલ મુજબ, 2025માં વૈશ્વિક ડેટા સેન્ટર્સની વીજળીની ખપતમાં ઝડપથી વધારો થયો હતો અને AIના વિસ્તરણ સાથે આ વધારો વધુ ઝડપથી થવાની શક્યતા છે. પાંચ મોટી ટેક કંપનીઓનો કેપિટલ એક્સપેન્ડિચર 2025માં 400 અબજ ડોલરથી વધુ હતો અને 2026માં તેમાં વધુ 75 ટકાનો વધારો થવાની અપેક્ષા છે.
IEAના અહેવાલ મુજબ, ડેટા સેન્ટર્સની વીજળીની ખપત 2025માં 485 TWhથી વધીને 2030 સુધીમાં 950 TWh થઈ શકે છે, જે વૈશ્વિક વીજળીની માંગના આશરે 3 ટકા જેટલી હશે. AI પર કેન્દ્રિત ડેટા સેન્ટર્સની વીજળીની ખપત 2025માં 50 ટકા વધી હતી. UNU ના અંદાજ મુજબ, AIમાં વપરાતી કુલ એનર્જીમાંથી 80થી 90 ટકા એનર્જી ઇન્ફરન્સમાં વપરાય છે, એટલે કે જ્યારે ડિપ્લોય થયેલું મોડલ વાસ્તવિક રીતે ઉપયોગમાં લેવાય છે, ત્યારે ટ્રેનિંગ દરમિયાન નહીં. દરરોજ આશરે 2.5 અબજ ChatGPT પ્રોમ્પ્ટ્સ ચલાવવામાં આવે છે, જે દર્શાવે છે કે રોજિંદા AIનો ઉપયોગ કેવી રીતે મોટા ઇન્ફ્રાસ્ટ્રક્ચર લોડમાં પરિવર્તિત થઈ રહ્યો છે.
તો શું AI ઇમેજ બનાવવાનું બંધ કરી દેવું જોઈએ?
એક જ AI-જનરેટેડ ઇમેજનો પર્યાવરણીય પ્રભાવ ઘણા રોજિંદા ઉત્સર્જન અને સંસાધનોના ઉપયોગની તુલનામાં ખૂબ જ ઓછો છે. વાસ્તવિક પ્રશ્ન એ છે કે જ્યારે AI ઇમેજ જનરેશન એટલું સરળ બને છે કે લોકો અબજો છબીઓ બનાવે છે ત્યારે શું થાય છે. આ તે જગ્યા છે જ્યાં કાર્યક્ષમતામાં વધારો થાય છે. AI મોડેલોને વધુ કાર્યક્ષમ બનાવી શકાય છે, હાર્ડવેરને સુધારી શકાય છે, ડેટા સેન્ટરો વિવિધ ઠંડક તકનીકોનો ઉપયોગ કરી શકે છે, અને ઓપરેટરો સુવિધાઓ ક્યાં બનાવવી અને કયા પાવર સ્ત્રોતોનો ઉપયોગ કરવો તે પસંદ કરી શકે છે.
MasTech ગ્રુપના રિત્વિક બટાબ્યાલ કહે છે, “જનરેટિવ AI એ ઇમેજ બનાવવાનું અતિ સરળ બનાવ્યું છે, પરંતુ આપણે ડિજિટલ સુવિધાને શૂન્ય ભૌતિક ખર્ચ સાથે ન માનવું જોઈએ.” રિત્વિકના મતે, સમગ્ર AI સ્ટેકની કાર્યક્ષમતા સતત સુધારવી જોઈએ.
