Datacentra jako nejmenší problém světového sucha

Zapomeňte na apokalyptické titulky o tom, jak ChatGPT vypije Vltavu a vaše lednice kvůli němu přestane chladit. Pokud sledujete technologické zprávy, pravděpodobně jste narazili na děsivá čísla: jeden dotaz na umělou inteligenci prý spotřebuje půl litru vody. Zní to jako ekologická sebevražda v přímém přenosu, ale realita je – jako obvykle – mnohem nudnější a pragmatičtější. Když se podíváme na celosvětovou spotřebu vody, datová centra pro AI jsou v ní doslova jen kapkou v kýblu. Zatímco aktivisté bičují Google a Microsoft za jejich "žíznivé" servery, průmyslové zemědělství, textilní výroba a dokonce i klasické tepelné elektrárny odpaří za odpoledne víc vody, než kolik spotřebuje celý trénink modelu Llama 3. Celá tahle debata o "vodní stopě AI" je totiž klasickým odváděním pozornosti od skutečného problému: jak efektivně krmit tuhle křemíkovou bestii energií, aniž bychom zruinovali přenosovou soustavu.

Datacentra jako nejmenší problém světového sucha

Pojďme si nejdřív vyčistit stůl s čísly. Velká datacentra sice spotřebují miliardy litrů vody ročně, ale drtivá většina této vody se používá k chlazení pomocí odpařování. Je to efektivní, levné a fyzikálně neprůstřelné. Vtip je v tom, že když srovnáte spotřebu vody technologických gigantů s takovým pěstováním mandlí v Kalifornii nebo s provozem golfových hřišť v Arizoně, vypadá AI jako asketický mnich. Podle analýz tvoří spotřeba vody v datacentrech méně než 0,1 % celkového průmyslového odběru ve většině regionů. Skutečný "vodní hřích" se odehrává jinde – například při těžbě uhlí a v klasické energetice, která vodu potřebuje k chlazení kondenzátorů v mnohem větším měřítku.

Paradoxně je to právě umělá inteligence, která nás může naučit s vodou šetřit. Firmy jako Microsoft už experimentují s uzavřenými okruhy nebo chlazením pomocí mořské vody (projekt Natick), kde je čistý odběr sladké vody nulový. Navíc, moderní AI modely nám pomáhají optimalizovat závlahové systémy v zemědělství tak přesně, že ušetřená voda v jednom velkém družstvu bohatě zaplatí provoz celého serverového sálu. Místo paniky bychom se měli ptát, jak tuto efektivitu přenést do české krajiny. Pokud vás zajímá, jak moderní technologie ovlivňují českou energetickou síť a jak do toho zapadá decentralizace, podívejte se na to, jak to funguje v praxi u komunitních projektů.

V Česku máme výhodu mírného klimatu, což znamená, že "free cooling" (chlazení venkovním vzduchem) u nás funguje většinu roku. Naše datacentra tedy "nepijí" skoro nic. Problémem zůstává elektřina. Ta se totiž v českých podmínkách stále vyrábí převážně z uhlí, což je proces extrémně náročný na vodu (těžba, praní uhlí, chlazení věží). Čím víc AI poběží na čisté energii z fotovoltaiky, tím nižší bude její celková vodní stopa. Je to spojená nádoba. Pokud vyrábíte vlastní čistou energii, můžete ji efektivně sdílet a snižovat tak tlak na fosilní zdroje. Podrobnosti o tom, jak se zapojit, najdete v sekci pro výrobce FVE.

Fotovoltaika a dotace: Jak nakrmit hladové GPU

Když už jsme u té energie, AI je neuvěřitelný žrout wattů. Jedna karta NVIDIA H100 má TDP kolem 700 W. Teď si jich dejte deset tisíc do jednoho sálu a máte spotřebu menšího města. V českém kontextu se nabízí logické řešení: využít boomu fotovoltaiky. Jenže slunce svítí, když se mu zachce, a trénink modelu běží 24/7. Tady přichází na řadu chytré řízení a flexibilita. Stát sice sype miliardy do dotací (Nová zelená úsporám, Modernizační fond), ale většina lidí si pořídí panely na střechu a pak se diví, že jim přetoky do sítě nikdo nezaplatí, nebo jim je dokonce zakážou.

Budoucnost není v tom "mít panely", ale v tom "sdílet energii". Pokud máte firmu s velkou střechou a vedle vás roste datacentrum pro lokální AI služby, je nesmysl posílat elektřinu do dálkové sítě se ztrátou. Právě sdílení elektřiny je ten "killer feature", který změní ekonomiku provozu. Díky legislativě Lex OZE 2 už to není sci-fi, ale legální cesta, jak zhodnotit investici do FVE. AI v tomto procesu hraje roli arbitra – dokáže v reálném čase předpovídat osvit, spotřebu a ceny na spotovém trhu lépe než jakýkoliv dispečer.

Provozovatelé datacenter v Česku začínají chápat, že stabilní cena energie je důležitější než její absolutní výše. Sázka na vlastní zdroje kombinovaná s nákupem přebytků od sousedů přes platformy typu SmartEnergyShare dává mnohem větší smysl než spoléhat na ČEZ a jeho ceníky pro velkoodběratele. Navíc, pokud dokážete nabídnout flexibilitu (tedy vypnout část výpočetního výkonu, když je v síti málo proudu), můžete na tom královsky vydělat v rámci služeb výkonové rovnováhy. Více o tomto tématu najdete na smartenergyshare.info.

olmo-eval: Když chcete vědět, jestli vaše AI nekecá

Zatímco se svět hádá o vodu, komunita kolem open-source AI řeší mnohem praktičtější věc: jak poznat, který model je skutečně dobrý. Allen Institute for AI (AI2) nedávno vydal nástroj olmo-eval, což je v podstatě "stavební deník" pro vývojáře modelů. Pokud si myslíte, že vývoj AI je jen o tom "nalít data do GPU a čekat", pletete se. Je to nekonečná smyčka pokusů, omylů a měření. `olmo-eval` umožňuje vývojářům testovat modely v průběhu trénování, ne až na konci. To šetří neuvěřitelné množství času a – ano – i energie.

Tento workbench je součástí širšího ekosystému OLMo (Open Language Model), který na rozdíl od GPT-4 od OpenAI nabízí úplnou transparentnost. Máte k dispozici trénovací data, kód i váhy modelu. Pro firmy, které chtějí provozovat AI lokálně a neposílat citlivá data do USA, je tohle zlatý důl. Můžete si vzít otevřený model z HuggingFace, prohnat ho přes `olmo-eval` a zjistit, jestli po vašem dotrénování (fine-tuningu) na firemních dokumentech nezačal halucinovat nesmysly.

Praktický postup je jednoduchý: nainstalujete si `olmo-eval` přes pip, připojíte svůj model a spustíte sadu benchmarků (např. ARC, MMLU nebo GSM8K). Nástroj vám vyplivne přehledné grafy, kde vidíte, v jaké fázi tréninku se model naučil logiku a kdy začal jen papouškovat fráze. To je kritické pro každého, kdo to myslí s nasazením AI vážně. Nechcete totiž pálit kilowatthodiny na trénink něčeho, co je po desáté epoše horší než na začátku. Pro české vývojáře je to cesta, jak konkurovat gigantům s desetinovými náklady.

Vlastní AI za pár korun: Hardwarová realita roku 2026

Dost bylo teorie, pojďme k železu. Mnoho lidí žije v představě, že k provozu vlastní AI potřebujete sálový počítač za miliony. Omyl. Díky kvantizaci (technika, která zjednodušuje model bez velké ztráty přesnosti) dnes rozchodíte velmi schopnou Llama 3 (8B parametrů) na obyčejném notebooku s 16 GB RAM. Pokud chcete něco víc, sáhněte po nástroji Ollama. Je to v podstatě "Docker pro AI modely". Jeden příkaz `ollama run llama3` a chatujete lokálně, soukromě a bez poplatků za tokeny.

Pokud to myslíte vážněji a stavíte firemní server, stačí vám pár starších karet NVIDIA RTX 3090 z bazaru (každá má 24 GB VRAM, což je pro AI klíčový parametr). Za cenu ojeté Fabie si postavíte stroj, který zvládne obsloužit celou malou firmu – od psaní e-mailů po analýzu smluv. Provozní náklady? Pár stovek za elektřinu měsíčně. A pokud máte na střeše fotovoltaiku, je to v podstatě zadarmo. Tady se kruh uzavírá: AI vám pomůže optimalizovat spotřebu budovy a budova vám na oplátku "zdarma" krmí vaši AI.

Pokud vás děsí složitost nastavení, existují platformy, které vám s monitoringem a správou energetických toků pomohou. Například IoT monitoring od SmartEnergyShare vám ukáže, kolik vás ten váš "AI server" reálně stojí a jestli by nebylo lepší ho zapínat jen tehdy, když vaše panely vyrábějí přebytky. Více o komunitním přístupu najdete na sdilenienergie.info.

Budoucnost: Energetická soběstačnost s mozkem v cloudu

Umělá inteligence není nepřítelem ekologie, je to její největší spojenec – pokud ji přestaneme vnímat jako hrozbu a začneme ji brát jako nástroj. Debata o vodě v datacentrech je jen kouřová clona. Skutečná revoluce se odehrává v tom, jak decentralizujeme výrobu energie a jak ji pomocí AI děláme chytřejší. Státní dotace nám sice pomohou postavit infrastrukturu, ale jen chytrý software zajistí, aby ta infrastruktura nebyla jen hromadou drahého šrotu na střechách.

V příštích letech uvidíme masivní nástup "lokální AI". Každá obec, každá větší firma bude mít svůj vlastní model, vytrénovaný na vlastních datech a napájený z vlastních zdrojů. Nebudeme se ptát, kolik vody spotřeboval Google, ale jak naše vlastní AI ušetřila vodu v obecním vodovodu díky včasné detekci úniků. Energetická svoboda není o odpojení se od světa, ale o schopnosti efektivně spolupracovat. A k tomu potřebujeme jak ty panely, tak ty čipy.

Pokud chcete být součástí této změny a ne jen pasivním odběratelem, začněte se zajímat o to, jak se zapojit do energetických komunit. Možností je dnes víc než kdy dřív, ať už jste domácnost nebo velká obec. Budoucnost je elektrická, digitální a především sdílená. A ta kapka v kýblu? Ta se brzy vypaří v teple našeho společného pokroku.

Zdroje

- oEnergetice.cz: Analýza spotřeby vody v energetickém sektoru - Allen Institute for AI: OLMo-eval GitHub Repository - HuggingFace: Open LLM Leaderboard - SmartEnergyShare: Blog o komunitní energetice v ČR - IEA: World Energy Outlook 2023 - Digitalization and Energy - ShareElectric.cz: Průvodce sdílením elektřiny z FVE

Obchodujete s batteriovými úložišti nebo hledáte partnera pro flexibilitu a day trading elektřiny? SmartEnergyShare nabízí kompletní řešení pro BESS projekty od 50 do 250 kW — obchodování flexibility, SVR služby a IoT monitoring. Zjistěte víc →

Další články na toto téma najdete na: SmartEnergyShare.info Politické zemětřesení v AI: Proč Anthropic vypíná modely ... Vice o ai evals