2030 पर्यंत AI व्हिडिओंचे उत्सर्जन 75 पट वाढू शकते
एक वाक्य टाइप करा, एक व्हिडिओ क्लिप मिळवा: मजकुरापासून व्हिडिओ निर्मिती (text-to-video) आता व्यावसायिक प्रमाणावर चालते. प्रत्येक क्लिपचा खर्च जास्त असतो हे आधीच ज्ञात आहे. देलावांद (Delavande) आणि सहकाऱ्यांच्या एका आधीच्या अभ्यासानुसार, मजकुरापासून एक छोटा व्हिडिओ तयार करायला साधारण 90 वॉट-तास लागतात, म्हणजे एका प्रतिमेच्या जवळजवळ 30 पट आणि साध्या मजकूर-वर्गीकरण कार्याच्या 45,000 पट. आणि क्लिप्स वापरकर्त्याच्या स्वतःच्या उपकरणावर बनत नाहीत: प्रत्येक विनंती डेटा सेंटरमधील AI चिप्सच्या रॅक्सवर चालते.
पण प्रति क्लिप खर्च एकूण आकड्याबद्दल फारसे काही सांगत नाही. किती क्लिप्स बनतात, त्यासाठी कोणते हार्डवेअर लागते, किंवा शीतकरणासाठी किती पाणी वापरले जाते, हे त्यातून कळत नाही. आणि प्रति क्लिप कार्यक्षमता सुधारत असतानाच एकूण पदचिन्ह (footprint) वाढू शकते.
लील विद्यापीठातील (University of Lille) त्रिस्तान कोन्योन (Tristan Coignion), बोर्दो (Bordeaux) येथील ए. ब्युजो (A. Bugeau) आणि जी. गेनबो (G. Guennebaud), आणि पॅरिस-साक्ले (Paris-Saclay) येथील ए.-एल. लिगोझा (A.-L. Ligozat) यांनी जगभरातील AI व्हिडिओ निर्मितीच्या संपूर्ण पदचिन्हाचा अंदाज घेण्याचे ठरवले — 2026 साठी आणि 2030 पर्यंत.
क्लिप्सची मोजणी
पुरवठादार आपण किती व्हिडिओ तयार करतो हे क्वचितच सांगतात, म्हणून चमूने जे मोजता येईल ते मोजले. फेब्रुवारी ते एप्रिल 2026 दरम्यान 54 दिवस त्यांनी OpenAI ची व्हिडिओ सेवा असलेल्या Sora ची सार्वजनिक फीड क्रॉल केली: 3.3 दशलक्ष सार्वजनिक व्हिडिओ, म्हणजे वर्षाला सुमारे 22 दशलक्ष. त्यानंतर लवकरच OpenAI ने Sora चे वेब आणि ॲप अनुभव बंद केले. चमूने 90 दिवस HeyGen चा थेट काउंटर देखील पाहिला: खासगी व्हिडिओंसह वर्षाला सुमारे 111 दशलक्ष व्हिडिओ.
इतर सहा पुरवठादार स्वतःचे आकडे प्रकाशित करतात. त्यांपैकी सर्वांत मोठा, इतरांच्या कितीतरी पुढे, Grok Imagine आहे: वर्षाला सुमारे 3.8 अब्ज. यांची बेरीज केल्यास वर्षाला सुमारे 6.2 अब्ज व्हिडिओ इतकी निरीक्षणीय एकूण संख्या मिळते. प्रतिरूप 2026 मधील संख्या 6.2 ते 9.5 अब्ज यांदरम्यान घेते, आणि तिची मध्यिका 7.16 अब्ज आहे.

प्रत्येक सेवेचे वार्षिक AI व्हिडिओ: भरीव बिंदू चमूने मोजलेले, पोकळ बिंदू पुरवठादारांनी जाहीर केलेले; छायांकित पट्टा म्हणजे 2026 साठी प्रतिरूपाची व्याप्ती. — आकृती 1, Coignion et al. (2026), arXiv:2611.17938.
2026 चे बिल
तिथून, तळापासून वर (bottom-up) उभारलेले एक प्रतिरूप आवश्यक AI चिप्सच्या ताफ्याचा आकार ठरवते, मग वीज, पाणी, हरितगृह वायू आणि खनिज संसाधनांचा ऱ्हास काढते; अनिश्चितता टिपण्यासाठी ते 10,000 सदृशीकरणे चालवते. प्रशिक्षण आणि साठवण समाविष्ट आहेत; ध्वनी, आणि प्रेक्षकांपर्यंत व्हिडिओंचे प्रवाहन (streaming), समाविष्ट नाहीत.
2026 साठी मध्यिका निकाल असा: 72,600 ग्राफिक्स प्रोसेसरचा ताफा, 724 गिगावॅट-तास वीज आणि 124,300 टन CO₂ समतुल्य. ग्रहाची हवामान-मर्यादा न ओलांडता मानवजात दरवर्षी जितके हरितगृह वायू उत्सर्जित करू शकते ते घ्या, आणि प्रत्येक व्यक्तीला समान वाटून द्या: 124,300 टन म्हणजे सुमारे 126,000 लोकांचा वार्षिक वाटा.
प्रति व्हिडिओ, सर्व काही धरून खर्च सुमारे 100 वॉट-तास येतो — एका निर्मितीवर एकटी चिप खर्च करते त्या 24.4 वॉट-तासांच्या 4.1 पट. निष्क्रिय वेळ, इमारतीचा अतिरिक्त खर्च, प्रशिक्षण आणि साठवण यांमुळे हा फरक पडतो. उत्सर्जनात व्हिडिओ तयार करण्याचा वाटा सुमारे 69% आहे, मॉडेल्सच्या प्रशिक्षणाचा 31%, साठवणीचा जवळजवळ शून्य. आणि किती वीज वापरली जाते यापेक्षा ती कुठून येते हे अधिक महत्त्वाचे आहे: उत्सर्जनासाठी, वीज जाळ्याची कार्बन-तीव्रता व्हिडिओंच्या संख्येपेक्षा 12 पट अधिक वजनदार ठरते.
तीन भविष्ये
त्यानंतर प्रतिरूप 2030 पर्यंत तीन परिस्थितींखाली चालवले जाते, सर्वांमध्ये सारखीच स्थिर तांत्रिक प्रगती गृहीत धरून: नव्या, अधिक कार्यक्षम चिप्स आणि दरवर्षी सुमारे 10% अधिक कार्यक्षम होणारे सॉफ्टवेअर.
- संदर्भ परिस्थिती: व्हिडिओंची संख्या 2027, 2028 आणि 2029 मध्ये दुप्पट होते, मग 2030 मध्ये 60% वाढते — एकूण 12.8 पट, हा जाणीवपूर्वक निवडलेला माफक मार्ग. उत्सर्जन 74 पट वाढते आणि 2030 मध्ये सुमारे 9.2 दशलक्ष टनांवर पोहोचते: सुमारे 9.3 दशलक्ष लोकांचे बजेट. मागणीपेक्षा वेगाने का? व्हिडिओ अधिक लांब आणि अधिक सुस्पष्ट होतात, त्यामुळे प्रति व्हिडिओ ऊर्जा 24.4 वरून 214 वॉट-तासांपर्यंत वाढते.
- वापरातील स्थगिती: संख्या, विभेदन (resolution) आणि कालावधी 2026 च्या पातळीवरच राहतात. उत्सर्जन सुमारे दोन पंचमांशाने घटते. ते घटते अशी ही एकमेव परिस्थिती आहे.
- व्यापक स्वीकार: संख्या 60 पट वाढते. उत्सर्जन 42.9 दशलक्ष टनांपर्यंत पोहोचते — सुमारे 44 दशलक्ष लोकांचे बजेट.

तीन परिस्थितींखालील उत्सर्जन, 2026–2030; रेषा म्हणजे मध्यिका, पट्टे म्हणजे 5–95% व्याप्ती. — आकृती 6, Coignion et al. (2026), arXiv:2611.17938.
कार्यक्षमता बरोबरी गाठणार नाही
चमूने प्रतिरूप उलट दिशेनेही चालवले. संदर्भ मार्गावर, दरवर्षी 30% कार्यक्षमता-वाढ झाली तरीही 2030 चे उत्सर्जन 2026 च्या 27.5 पट राहते. उत्सर्जन स्थिर ठेवण्यासाठी सुमारे दरवर्षी 75% कार्यक्षमता-वाढ लागेल — प्रतिरूप गृहीत धरते त्या 10% च्या साधारण सात पट, आणि प्रत्यक्ष वापरातील (production) कोणत्याही मॉडेलवर मोजलेल्या सर्वोत्तम कार्यक्षमतेच्याही पलीकडे. पॅरिस कराराशी सुसंगत असे डिजिटल क्षेत्राचे स्वतःचे लक्ष्य 2020 ते 2030 दरम्यान उत्सर्जनात 45% कपात मागते.
छत नव्हे, तळ
लेखक हे सर्व आकडे किमान मर्यादा (lower bounds) म्हणून मांडतात. निर्मितीचे मॉडेल 2030 पर्यंत स्थिर धरले आहे, तर प्रत्यक्षातील मॉडेल्स बहुधा अधिक संसाधने मागणारी होतील; प्रवाहन, ध्वनी आणि AI चे इतर उपयोग वगळले आहेत; सर्वांत कमी दस्तऐवजीकरण असलेला भाग, म्हणजे प्रशिक्षण, काही लहान खुल्या मॉडेल्सवरून अंशांकित (calibrated) केला आहे. Sora बंद झाल्याने दिसले तसे, वापर झपाट्याने आकुंचनही पावू शकतो. पण शोधनिबंधाच्या आकड्यांनुसार, व्हिडिओंची संख्या किंवा त्यांची गुणवत्ता वाढायची थांबली तरच पदचिन्ह वाढायचे थांबते.
