সামাজিক মাধ্যমত ৮০ৰ দশকৰ নষ্টালজিয়া। AI-এ বৰ্তমানৰ ফটোলৈ আনিছে Retro Look। কিন্তু এখন AI ফটো তৈয়াৰ কৰাৰ আঁৰত কিমান বিদ্যুৎ আৰু পানী ব্যৱহাৰ হয় ?
৮০ৰ দশক যেন পুনৰ উভতি আহিছে সামাজিক মাধ্যমলৈ। Instagram আৰু X-ত বৰ্তমান সময়ত দেখা গৈছে Retro-style AI Portraitৰ ঢৌ। ব্যৱহাৰকাৰীয়ে নিজৰ বৰ্তমানৰ ফটো AI Tool-ত দি ১৯৮০ৰ দশকৰ ষ্টাইলত নতুন ছবি তৈয়াৰ কৰিছে।
এই ট্ৰেণ্ডৰ পৰা ৰাজনৈতিক নেতাসকলো আঁতৰি থকা নাই। অসমৰ মুখ্যমন্ত্ৰী হিমন্ত বিশ্ব শৰ্মাই নিজৰ ৮০ৰ দশকৰ Retro-inspired AI ছবি শ্বেয়াৰ কৰিছে। কেন্দ্ৰীয় মন্ত্ৰী পীয়ুষ গোৱালেও AI-generated portrait শ্বেয়াৰ কৰি এই ট্ৰেণ্ডত অংশ লৈছে। আনহাতে কংগ্ৰেছ সাংসদ শশী থাৰুৰে AI-ৰ সহায় নোলোৱাকৈ ৮০ৰ দশকৰ নিজৰ পুৰণি ফটো শ্বেয়াৰ কৰিছে।
কিন্তু এই AI Trendৰ আঁৰত আছে এটা ডাঙৰ প্ৰশ্ন—এখন AI ছবি তৈয়াৰ কৰিবলৈ প্ৰকৃততে কিমান শক্তিৰ প্ৰয়োজন?
AI ফটোৰ আঁৰত আছে Data Centre সমূহ । AI-এ এখন ছবি তৈয়াৰ কৰাৰ সময়ত আপোনাৰ মোবাইল বা কম্পিউটাৰটোৱেই সকলো কাম নকৰে। সাধাৰণতে এই কামৰ এটা বৃহৎ অংশ দূৰৱৰ্তী Data Centreত থকা শক্তিশালী GPU আৰু Serverত সম্পন্ন হয়।
এই Serverসমূহে বিপুল পৰিমাণৰ computing power ব্যৱহাৰ কৰে আৰু কাম কৰাৰ সময়ত যথেষ্ট তাপ উৎপন্ন কৰে। সেই Server ঠাণ্ডা কৰি ৰাখিবলৈ Data Centreত Cooling Systemৰ প্ৰয়োজন হয়।
সেয়েহে AI ব্যৱহাৰৰ পৰোক্ষ খৰচৰ ভিতৰত আছে— বিদ্যুৎ,পানী,আন্তঃগাঁথনি।
ভাৰতত Data Centreৰ ক্ষমতা কিমান বৃদ্ধি পাইছে?
ভাৰতত Data Centre Infrastructure অতি দ্ৰুতগতিত বৃদ্ধি পাইছে। চৰকাৰী তথ্য অনুসৰি, দেশৰ Data Centre Capacity প্ৰায় ২০২০ চনৰ ৩৭৫ MWৰ পৰা ২০২৫ চনত ১,৫০০ MWলৈ বৃদ্ধি পাইছে। অৰ্থাৎ পাঁচ বছৰত Data Centre ক্ষমতা প্ৰায় চাৰিগুণ হৈছে।
শিল্পখণ্ডৰ বিভিন্ন অনুমান অনুসৰি, এই ক্ষমতা দশকৰ শেষলৈ ৮,০০০–১০,০০০ MW পৰ্যন্ত যাব পাৰে। অৱশ্যে এইটো চৰকাৰৰ নিশ্চিত লক্ষ্য নহয়, Industry Forecast
অন্য এটা Wood Mackenzie Forecast-এ ২০৩০ চনত ভাৰতৰ Data Centre Capacity প্ৰায় ১২ GW পৰ্যন্ত হ’ব পাৰে বুলি অনুমান কৰিছে।
পানীৰ খৰচ কিমান?
AI Infrastructureৰ আটাইতকৈ গুৰুত্বপূৰ্ণ পৰিৱেশগত খৰচৰ এটা হৈছে পানী। ভাৰতৰ Data Centreসমূহে ২০২৪-২৫ সময়ছোৱাত বছৰি প্ৰায় ১৫০ বিলিয়ন লিটাৰ পানী ব্যৱহাৰ কৰা বুলি অনুমান কৰা হৈছে। এই সংখ্যা ২০৩০ চনৰ ভিতৰত বছৰি প্ৰায় ৩৫৮ বিলিয়ন লিটাৰ লৈ বৃদ্ধি পাব পাৰে। অৰ্থাৎ Data Centreৰ পানীৰ ব্যৱহাৰ বৰ্তমানৰ তুলনাত দুগুণতকৈ অধিক হোৱাৰ সম্ভাৱনা আছে।
এটা 100 MW Data Centreয়ে কিমান পানী ব্যৱহাৰ কৰিব পাৰে?
Council on Energy, Environment and Waterৰ তথ্য উদ্ধৃত কৰি প্ৰকাশিত এক প্ৰতিবেদন অনুসৰি, এটা সাধাৰণ 100 MW hyperscale Data Centreয়ে প্ৰতিদিনে প্ৰায় ২০ লাখ লিটাৰ পানী Coolingৰ বাবে ব্যৱহাৰ কৰিব পাৰে। অৱশ্যে এই সংখ্যা সকলো Data Centreৰ ক্ষেত্ৰত একে নহয়। Cooling Technology, কোনো স্থানৰ জলবায়ু আৰু পানী ব্যৱস্থাপনাৰ ওপৰত ব্যৱহাৰৰ পৰিমাণ যথেষ্ট সলনি হয়। আন এটা Deloitte estimate অনুসৰি, 1 MW Data Centreয়ে দৈনিক প্ৰায় ৬৮,৫০০ লিটাৰ পানী ব্যৱহাৰ কৰিব পাৰে।
তেন্তে এখন 1980s AI ফটোৰ খৰচ কিমান?
ইয়াতেই আটাইতকৈ গুৰুত্বপূৰ্ণ সতৰ্কতা আছে। ChatGPT বা আন কোনো নিৰ্দিষ্ট AI Image Tool-এ এখন 1980s photo তৈয়াৰ কৰিবলৈ ঠিক কিমান লিটাৰ পানী বা কিমান Wh বিদ্যুৎ ব্যৱহাৰ কৰে—এই তথ্য ৰাজহুৱাভাৱে নিৰ্ভৰযোগ্যভাৱে প্ৰকাশ কৰা হোৱা নাই। সেয়েহে এটা নিৰ্দিষ্ট সংখ্যা কোৱা বৈজ্ঞানিকভাৱে সঠিক নহ’ব। ২০২৫ চনৰ এটা গৱেষণাত ১৭টা State-of-the-art AI Image Generation Model পৰীক্ষা কৰি দেখা গৈছিল যে বিভিন্ন Modelৰ মাজত Energy Consumptionত ৪৬ গুণলৈকে পাৰ্থক্য থাকিব পাৰে। Image Resolution দুগুণ কৰিলে কিছুমান Modelত Energy Consumption ১.৩ৰ পৰা ৪.৭ গুণলৈ বৃদ্ধি পোৱা দেখা গৈছিল। অৰ্থাৎ— এখন AI ফটোৰ খৰচ সকলো ক্ষেত্ৰতে একে নহয়।
২০টা বা ৫০টা Prompt = 500 ml পানী?
সামাজিক মাধ্যমত এই দাবীটো যথেষ্ট ভাইৰেল হৈছে যে AI-ত ২০-৫০টা Prompt দিলে প্ৰায় ৫০০ ml পানী খৰচ হয়। কিন্তু এই সংখ্যাটো সকলো AI Image Generationৰ বাবে নিৰ্দিষ্ট বা নিশ্চিত নিয়ম হিচাপে ব্যৱহাৰ কৰিব নালাগে। কাৰণ পানীৰ ব্যৱহাৰ নিৰ্ভৰ কৰে Data Centreৰ Cooling System, Server Efficiency, স্থানীয় জলবায়ু আৰু বিদ্যুৎ ব্যৱস্থাৰ ওপৰত। সেয়েহে এই ভাইৰেল দাবীক “প্ৰতি ২০-৫০ Promptত ৫০০ ml” বুলি নিশ্চিত তথ্য হিচাপে প্ৰকাশ কৰাটো উচিত নহয়।
AI Image Generationৰ ক্ষেত্ৰত Energy Consumptionৰ ওপৰত হোৱা গৱেষণাই দেখুৱাইছে যে বিভিন্ন Modelৰ মাজত যথেষ্ট পাৰ্থক্য থাকে। আনহাতে Googleৰ বৃহৎ AI serving infrastructureৰ ওপৰত কৰা ২০২৫ চনৰ এক অধ্যয়নত এটা Median Gemini text promptৰ Energy Consumption ০.২৪ Wh আৰু Water Consumption প্ৰায় ০.২৬ ml বুলি জুখ পোৱা গৈছিল। কিন্তু এইটো Text Promptৰ measurement, AI Image Generationৰ নহয়। সেয়েহে ইয়াক এখন 1980s AI Photoৰ খৰচ হিচাপে ব্যৱহাৰ কৰিব নোৱাৰি।
ছবিৰ সংখ্যা বাঢ়িলে মুঠ প্ৰভাৱো বাঢ়ে
এজন ব্যক্তিয়ে এখন বা দুখন AI ছবি তৈয়াৰ কৰিলে ইয়াৰ ব্যক্তিগত resource footprint তুলনামূলকভাৱে সৰু হ’ব পাৰে। কিন্তু সমস্যাটো দেখা দিয়ে যেতিয়া লাখ লাখ মানুহে একে সময়তে AI Image Generation ব্যৱহাৰ কৰে।
এজন ব্যৱহাৰকাৰীয়ে একেখন ছবিৰ বহু প্ৰতিলিপি তৈয়াৰ কৰিব পাৰে। অৰ্থাৎ এটা AI Image Trend ভাইৰেল হোৱাৰ লগে লগে মুঠ Computing Demand বহুগুণে বৃদ্ধি পাব পাৰে।
AI Boom আৰু ভাৰতৰ Power Demand
AI Data Centreৰ প্ৰসাৰৰ সৈতে বিদ্যুতৰ চাহিদাও বৃদ্ধি পাইছে। ভাৰতৰ Ministry of Powerৰ projection অনুসৰি, Data Centre আৰু AI-সম্পৰ্কীয় বৃদ্ধিৰ ফলত ২০৩১-৩২লৈ বিদ্যুতৰ চাহিদাত ২৬.৩ GW পৰ্যন্ত অতিৰিক্ত চাপ আহিব পাৰে। ইয়াৰ অৰ্থ হৈছে AI কেৱল Internet Trend নহয়—ই দেশৰ Power Infrastructureৰ ওপৰতো প্ৰভাৱ পেলাব পৰা এটা বৃহৎ Industry হৈ পৰিছে।
ভৱিষ্যতৰ ডাঙৰ প্ৰশ্ন
AI Technology অধিক শক্তিশালী আৰু জনপ্ৰিয় হৈ যোৱাৰ লগে লগে প্ৰশ্ন কেৱল—“AI-এ কিমান ভাল ছবি বনাব পাৰে?” এইয়া হৈ নাথাকে।
প্ৰশ্ন হ’ব— “এই ছবিখনৰ আঁৰত কিমান Energy, পানী আৰু Infrastructure ব্যৱহাৰ হৈছে?”
ভাৰতত Data Centre Capacity যদি ২০৩০ৰ ভিতৰত ৮,০০০–১০,০০০ MW বা তাতোকৈ অধিক হয়, তেন্তে Cooling আৰু Water Management এক গুৰুত্বপূৰ্ণ নীতি-প্ৰশ্ন হৈ পৰিব। বিশেষজ্ঞসকলেও সতৰ্ক কৰিছে যে Data Centreৰ পানীৰ প্ৰয়োজন স্থান, জলবায়ু আৰু Cooling Technology অনুসৰি যথেষ্ট সলনি হয়। সেয়েহে ভবিষ্যতৰ AI Infrastructureত Water-efficient Cooling, Recycled Water আৰু Renewable Energyৰ ব্যৱহাৰ অধিক গুৰুত্বপূৰ্ণ হ’ব।
