Chatbot AI đang bùng nổ với hàng trăm triệu người dùng mỗi ngày, nhưng phía sau sự tiện lợi ấy là mức tiêu thụ điện năng khổng lồ, đặt ra lo ngại về tính bền vững.
.jpg)
Chỉ trong vài năm gần đây, ChatGPT đã trở thành hiện tượng toàn cầu, với gần 200 triệu người dùng nhập hơn một tỷ lệnh mỗi ngày. Những phản hồi tưởng chừng như xảy ra “từ không khí” thực ra tiêu tốn một nguồn năng lượng khổng lồ phía sau hậu trường.
Năm 2023, các trung tâm dữ liệu – nơi đào tạo và vận hành AI – chiếm tới 4,4% lượng điện tiêu thụ tại Mỹ, và khoảng 1,5% tổng nhu cầu điện trên toàn cầu. Dự báo đến 2030, mức tiêu thụ này sẽ tăng gấp đôi khi nhu cầu AI leo thang.
“Chỉ ba năm trước, chúng ta thậm chí còn chưa có ChatGPT,” ông Alex de Vries-Gao, nhà nghiên cứu về tính bền vững công nghệ tại Đại học Vrije Amsterdam, chia sẻ. “Giờ đây, chúng ta đang nói về công nghệ có khả năng chiếm gần một nửa lượng điện tiêu thụ của các trung tâm dữ liệu toàn cầu.”
Điều gì khiến các chatbot AI tiêu tốn nhiều điện năng đến vậy? Giáo sư Mosharaf Chowdhury tại Đại học Michigan cho biết có hai giai đoạn đặc biệt “ngốn điện”: quá trình huấn luyện và quá trình suy luận (inference).
“Tuy nhiên, các mô hình hiện nay đã quá lớn, không thể chạy trên một GPU duy nhất và thậm chí không thể gói gọn trong một máy chủ,” ông Chowdhury giải thích.
Nghiên cứu năm 2023 cho thấy một máy chủ Nvidia DGX A100 có thể tiêu thụ tới 6,5 kilowatt điện. Việc huấn luyện một LLM thường cần nhiều máy chủ, mỗi máy gồm trung bình 8 GPU, hoạt động liên tục trong nhiều tuần hoặc tháng. Chỉ riêng GPT-4 của OpenAI đã ngốn tới 50 gigawatt-giờ điện, tương đương điện cho toàn bộ San Francisco trong ba ngày.
Quá trình suy luận cũng tiêu hao năng lượng đáng kể, bởi số lượng yêu cầu gửi đến chatbot quá lớn. Tính đến tháng 7/2025, người dùng ChatGPT gửi hơn 2,5 tỷ yêu cầu mỗi ngày, buộc hệ thống huy động nhiều máy chủ cùng lúc. Các nền tảng khác như Gemini cũng đang phổ biến và có thể tạo áp lực năng lượng tương tự.
Các nhà nghiên cứu như Chowdhury và de Vries-Gao đang tìm cách đo lường chính xác mức tiêu thụ điện năng và tìm giải pháp giảm thiểu. Chẳng hạn, bảng xếp hạng ML Energy Leaderboard theo dõi mức tiêu thụ năng lượng của các mô hình mã nguồn mở. Tuy nhiên, số liệu về các nền tảng AI thương mại vẫn chủ yếu là bí mật, khiến việc đánh giá tác động môi trường thực sự trở nên khó khăn.
Người dùng có thể tạo áp lực để thúc đẩy minh bạch, giúp đưa ra lựa chọn có trách nhiệm và thúc đẩy chính sách bắt buộc các công ty chịu trách nhiệm về năng lượng tiêu thụ.
“Vấn đề cốt lõi là tác động môi trường của các ứng dụng số thường bị che giấu,” de Vries-Gao nhấn mạnh. “Giờ quả bóng nằm trong tay các nhà làm chính sách: họ phải khuyến khích công khai dữ liệu để người dùng có thể hành động.”