Uso de agua en centros de datos de IA en California: Estimaciones basadas en física y modelos de IA
Una publicación reciente en California WaterBlog analiza las estimaciones del uso de agua en centros de datos de IA en California, utilizando tanto principios físicos fundamentales como consultas a cuatro modelos de IA. El autor, Jay Lund, busca despejar las especulaciones mediáticas mediante estimaciones transparentes basadas en la física.
Método: De la energía a la evaporación
El cálculo parte de características conocidas de los centros de datos:
- California tiene aproximadamente 15 millones de pies cuadrados (1.4 millones de m²) de superficie de centros de datos.
- Los racks disipan entre 2 y 12 kW por metro cuadrado de superficie.
- Con una eficiencia del 100%, ese calor evaporaría 70–420 mm/día por m².
- Los sistemas de refrigeración reales (60–90% de eficiencia) amplían el rango a 80–700 mm/día por m², lo que se traduce en 29–255 metros de evaporación por año por m², de 25 a 150 veces más que la agricultura de regadío.
- Si todos los centros de datos usaran refrigeración evaporativa de forma continua, la evaporación total sería de 40–357 millones de m³/año (32,000–290,000 acres-pie/año).
Estimaciones de modelos de IA
Lund también consultó a cuatro modelos de IA con la pregunta: “¿Cuánta agua es probable que se evapore de los centros de datos en California por año, asumiendo que todos usan principalmente refrigeración evaporativa?”
- ChatGPT: 20–400 taf/año
- Claude: 14.4–21.5 taf/año (asumiendo menos del 100% de refrigeración evaporativa)
- Gemini: 2.3–40.5 taf/año
- Co-Pilot: 30–50 taf/año, con un rango más amplio de 10–100 taf/año
El rango general abarca desde 2,300 acres-pie/año hasta 400,000 acres-pie/año, con la estimación basada en la física de 32,000–290,000 acres-pie/año en el medio.
Conclusión clave
El uso de agua de la IA en California es modesto en comparación con otros sectores. El artículo argumenta que el uso de agua en los centros de datos es “mayormente modesto”, pero será mayor en estados con más actividad de centros de datos e infraestructura hídrica menos desarrollada. La falta de transparencia por parte de las empresas de IA alimenta la especulación, pero las estimaciones basadas en la física proporcionan una línea de base útil.
📖 Leer la fuente completa: HN AI Agents
👀 Ver también
Puertas de Atención: El Desafío del Olvido Selectivo en los Sistemas de Memoria de IA
Un desarrollador que construye un sistema de memoria de cinco capas para un bot OpenClaw identifica una limitación clave: los enfoques actuales se centran en la recuperación, pero carecen de mecanismos para suprimir información irrelevante durante tareas enfocadas, similar al filtro atencional humano.
Los LLM favorecen sus propios resultados en la contratación: tasas de preselección del 23% al 60% más altas para currículums refinados por IA
Un experimento a gran escala muestra que los sistemas de selección de currículums basados en LLM prefieren los currículums generados por IA entre un 67% y un 82% de las veces, lo que resulta en tasas de preselección entre un 23% y un 60% más altas para los candidatos que utilizan el mismo modelo.
Claude Code 2.1.63 añade comandos de barra integrados, ganchos HTTP y correcciones de fugas de memoria.
Anthropic lanzó Claude Code 2.1.63 con 26 cambios en la CLI, incluyendo nuevos comandos de barra /simplify y /batch, enlaces HTTP que envían JSON POST a URLs, y correcciones para múltiples fugas de memoria en sesiones de larga duración.
Godot prohíbe contribuciones de código generado por IA: 'No podemos confiar en los usuarios intensivos de IA'
El motor de juegos Godot ya no aceptará contribuciones de código generadas por IA, alegando que los usuarios intensivos de IA no comprenden su código lo suficiente como para corregirlo.