Ile energii potrzebują LLM-y?

Duże modele językowe (Large Language Models, LLM) stały się jedną z najważniejszych technologii ostatnich lat, przekształcając sposób, w jaki komputery rozumieją i generują tekst. Wraz z rosnącymi możliwościami tych modeli pojawia się jednak kluczowe pytanie: ile energii faktycznie potrzebują do działania?

Zrozumienie zapotrzebowania energetycznego LLM-ów ma fundamentalne znaczenie dla rozwoju przemysłu AI. Koszty energii stanowią istotną część całkowitych wydatków operacyjnych, wpływając na decyzje biznesowe firm technologicznych i kształtując przyszłość infrastruktury obliczeniowej. Dla organizacji planujących wdrożenie rozwiązań opartych na AI, znajomość tych liczb jest niezbędna do oszacowania realnych kosztów i możliwości skalowania.

2. Podstawy energetyczne LLM-ów

Fazy życia modelu

Zużycie energii przez LLM-y można podzielić na dwie fundamentalnie różne fazy:

Faza treningu to jednorazowy, ale niezwykle intensywny energetycznie proces, podczas którego model uczy się na ogromnych zbiorach danych. Ta faza wymaga tysięcy zaawansowanych procesorów GPU lub TPU pracujących przez tygodnie lub miesiące.

Faza inferencji (wnioskowania) to właściwe użytkowanie wytrenowanego modelu, gdy generuje on odpowiedzi na zapytania użytkowników. Choć pojedyncze zapytanie zużywa stosunkowo niewielką ilość energii, ogromna skala – miliardy zapytań dziennie w przypadku popularnych systemów – sprawia, że łączne zużycie energii w tej fazie może przewyższać koszt treningu.

Kluczowe czynniki wpływające na zużycie

Zapotrzebowanie energetyczne LLM-ów zależy od kilku podstawowych czynników:

• Rozmiar modelu: liczba parametrów bezpośrednio przekłada się na wymagania obliczeniowe. Model z 175 miliardami parametrów wymaga znacznie więcej energii niż model z 7 miliardami parametrów.
• Architektura: sposób, w jaki model jest zbudowany, ma istotny wpływ. Nowsze architektury, takie jak Mixture of Experts (MoE), mogą być znacznie bardziej efektywne energetycznie niż tradycyjne modele gęste (dense).
• Sprzęt: typ wykorzystywanych procesorów (GPU, TPU, lub specjalizowane chipy AI) oraz ich generacja mają kluczowe znaczenie dla efektywności energetycznej.

Jednostki miary

Zużycie energii mierzymy w kilowatogodzinach (kWh) lub megawatogodzinach (MWh). Dla kontekstu: przeciętne amerykańskie gospodarstwo domowe zużywa około 10 500 kWh rocznie, czyli 10,5 MWh.

3. Energia potrzebna do treningu modeli

Konkretne przykłady

Dane dotyczące zużycia energii przez najpopularniejsze modele dostarczają nam konkretnego obrazu skali problemu:

GPT-3 z 175 miliardami parametrów zużył podczas treningu około 1 287 MWh energii elektrycznej. To równowartość rocznego zużycia energii przez około 120 przeciętnych amerykańskich gospodarstw domowych.

GPT-4 okazał się znacznie bardziej energochłonny. Szacunki wskazują na zużycie od 51,8 do 62,3 miliona kWh (51 800-62 300 MWh) podczas treningu. Model ten był trenowany na około 25 000 procesorach Nvidia A100 GPU przez 90-100 dni. To oznacza, że zużycie energii przez GPT-4 było około 40-48 razy wyższe niż w przypadku GPT-3, mimo że liczba parametrów była tylko około 10 razy większa.

LLaMA (rodzina modeli Meta): Trening wszystkich czterech wariantów modelu LLaMA zajął około 5 miesięcy na 2048 procesorach Nvidia A100-80GB, zużywając łącznie 2 638 MWh energii. Co interesujące, Meta uwzględniła w tych liczbach całość procesu rozwoju, włączając eksperymenty i nieudane próby, co sprawia, że te dane są bardziej reprezentatywne dla rzeczywistych kosztów.

LLaMA 3.1 (405 miliardów parametrów) wymagał 39,3 miliona godzin pracy GPU H100-80GB do pre-treningu, co przełożyło się na zużycie 27,5 GWh (gigawatogodzin) energii elektrycznej – około 40 razy więcej niż LLaMA 2.

Trendy w zużyciu energii

Kluczową obserwacją jest to, że zużycie energii nie rośnie liniowo wraz z rozmiarem modelu. Przykład GPT-4 pokazuje, że dziesięciokrotny wzrost parametrów może skutkować czterdziestokrotnym wzrostem zużycia energii. Wynika to z faktu, że złożoność obliczeniowa rośnie szybciej niż sama liczba parametrów, a także z innych czynników, takich jak architektura modelu, długość sekwencji i optymalizacje treningowe.

Kontekst finansowy

Koszty energii stanowią znaczącą część całkowitych wydatków na trening modeli. Przy cenach energii elektrycznej dla centrów danych w Stanach Zjednoczonych, koszt samej energii do wytrenowania GPT-4 mógł wynieść kilka milionów dolarów. Niektóre szacunki wskazują, że trening dużych modeli może kosztować od kilku do kilkudziesięciu milionów dolarów, przy czym energia stanowi istotną część tych wydatków.

4. Energia w fazie inferencji (użytkowania)

Zużycie na pojedyncze zapytanie

Podczas gdy trening jest jednorazowym wydarzeniem, inferencja to proces ciągły, który może generować większe łączne zużycie energii.

Według najnowszych analiz z 2025 roku, pojedyncze zapytanie do GPT-4o zużywa około 0,3 watogodziny (Wh). To około 10 razy mniej niż wcześniejsze szacunki z 2023 roku, co wynika z bardziej efektywnych modeli i sprzętu. Sam OpenAI podał, że średnie zapytanie do ChatGPT zużywa 0,34 Wh.

Dla porównania:

• GPT-3: około 0,0003 kWh (0,3 Wh) na zapytanie
• GPT-4: około 0,0005 kWh (0,5 Wh) na zapytanie
• GPT-4o: około 0,3 Wh na zapytanie (optymalizowany wariant)

Skala użytkowania

Liczby te mogą wydawać się niewielkie, ale ich prawdziwe znaczenie ujawnia się w skali. ChatGPT obsługuje ponad miliard zapytań dziennie. Przy założeniu 0,3 Wh na zapytanie, daje to około 300 000 kWh (300 MWh) dziennie, czyli 109,5 GWh rocznie – tylko dla jednej platformy.

Badania wskazują, że całkowite zużycie energii na inferencję może przewyższyć koszty treningu już po 150-200 dniach działania modelu przy miliardzie zapytań dziennie.

Porównanie efektywności modeli

Różne modele wykazują różną efektywność energetyczną podczas inferencji:

• Modele oparte na architekturze Mixture of Experts (MoE), takie jak Mixtral 8x7B, działają z efektywnością modelu o 12,9 miliarda parametrów, mimo posiadania 46,7 miliarda parametrów łącznie. Dzieje się tak, ponieważ w każdym momencie aktywowane są tylko wybrane „eksperci” (około 2 z 8).
• Mniejsze, zoptymalizowane modele, jak DistilBERT czy TinyBERT, mogą osiągać zbliżoną wydajność przy znacznie niższym zużyciu energii.
• Model LLaMA 65B zużywa około 4 jouli na wygenerowany token, co oznacza około 0,00037 kWh na wygenerowanie tekstu o długości 250 słów.

Optymalizacje

Przemysł AI aktywnie pracuje nad technikami optymalizacji zmniejszającymi zużycie energii podczas inferencji:

Kwantyzacja to proces zmniejszania precyzji numerycznej parametrów modelu. Konwersja z 32-bitowych liczb zmiennoprzecinkowych (FP32) do 8-bitowych liczb całkowitych (INT8) zmniejsza wymagania pamięciowe czterokrotnie i może zredukować zużycie energii o 18-50%, przy minimalnym wpływie na dokładność. Badania pokazują, że statyczna kwantyzacja może zmniejszyć zużycie energii o 29% przy zachowaniu wydajności klasyfikacji.

Pruning (przycinanie) polega na usuwaniu zbędnych parametrów z sieci neuronowej. Badania wykazały, że można usunąć do 90% parametrów w niektórych modelach przy minimalnej utracie dokładności. Practical experiments pokazały redukcję zużycia energii o 32-35% dla modeli takich jak BERT, a w przypadku modeli wizyjnych nawet do 63% poprawy szybkości inferencji.

Destylacja wiedzy polega na przeniesieniu możliwości większego modelu „nauczyciela” do mniejszego modelu „ucznia”. Pozwala to na utrzymanie 30-40% korzyści z rzadkości (sparsity) przy znacznie mniejszym zużyciu zasobów.

5. Infrastruktura i centra danych

Wymagania sprzętowe

Nowoczesne centra danych dla AI wymagają zaawansowanego sprzętu obliczeniowego:

GPU (Graphics Processing Units): Najczęściej wykorzystywane procesory to Nvidia A100 (400W TDP) i nowsze H100 (700W TDP). Pojedynczy chip H100 może zużywać do 700 watów, a rack zawierający wiele takich procesorów może wymagać 40-50 kW mocy. Dla porównania, tradycyjne racki serwerów zużywały 5-10 kW.

TPU (Tensor Processing Units): Specjalizowane procesory Google, zaprojektowane specjalnie do obliczeń AI, oferują lepszą efektywność energetyczną na jednostkę obliczeniową niż standardowe GPU.

Nowe generacje chipów: Najnowsze procesory, takie jak Nvidia Blackwell GB200, wymagają jeszcze większej mocy – szacunki mówią o około 50 kW na rack dla systemu GB200 NVL72.

Systemy chłodzenia

Systemy chłodzenia mogą stanowić do 40% całkowitego zużycia energii centrum danych, co w skali USA odpowiada zużyciu energii całego stanu Kalifornia.

Chłodzenie powietrzem: Tradycyjna metoda, ale najmniej efektywna energetycznie. Wymaga dużych wentylatorów i systemów klimatyzacji. W nowoczesnych centrach AI ta metoda staje się niewystarczająca.

Chłodzenie cieczą (direct-to-chip): Ciecz chłodząca krąży przez płyty zimne umieszczone bezpośrednio na najgorętszych komponentach. Badania pokazują, że może to zwiększyć przepustowość obliczeniową o 17% przy jednoczesnym zmniejszeniu zużycia energii na poziomie węzła o 16%. Temperatura GPU utrzymywana jest między 46-54°C, w porównaniu do 55-71°C przy chłodzeniu powietrzem.

Chłodzenie zanurzeniowe (immersion cooling): Serwery są zanurzane w syntetycznym oleju dielektrycznym. Technologia ta może zmniejszyć zużycie energii o 28-50% w porównaniu z tradycyjnymi metodami i eliminuje potrzebę wentylatorów w serwerach.

Dwufazowe chłodzenie cieczą: Wykorzystuje zmianę fazy cieczy w gaz do odprowadzania ciepła, oferując jeszcze wyższą efektywność. Przepływ cieczy jest około pięciokrotnie niższy niż w jednofazowych systemach wodnych, co zmniejsza zużycie energii na pompowanie.

Power Usage Effectiveness (PUE)

PUE to kluczowa metryka efektywności energetycznej centrum danych, wyrażająca stosunek całkowitej zużytej energii do energii wykorzystywanej bezpośrednio przez sprzęt IT. Idealny PUE wynosi 1,0, co oznaczałoby, że cała energia trafia do urządzeń obliczeniowych.

Nowoczesne centra danych Microsoft Azure osiągają PUE około 1,18, co oznacza, że na każdy 1 kW mocy wykorzystywanej przez serwery, dodatkowe 0,18 kW jest zużywane przez infrastrukturę chłodzącą i zasilającą.

Lokalizacja centrów danych

Lokalizacja centrum danych ma fundamentalne znaczenie dla jego kosztów i efektywności:

• Dostęp do energii: Centra danych lokalizowane są w miejscach z dostępem do taniej i stabilnej energii elektrycznej.
• Klimat: Chłodniejszy klimat naturalnie wspiera systemy chłodzące, zmniejszając zużycie energii.
• Źródła energii: Dostępność odnawialnych źródeł energii wpływa na całkowity ślad węglowy operacji.

6. Innowacje w efektywności energetycznej

Postępy w architekturach modeli

Mixture of Experts (MoE): Ta architektura dzieli model na wiele wyspecjalizowanych „ekspertów”, z których tylko wybrani są aktywowani dla każdego zapytania. Mixtral 8x7B wykorzystuje tylko 2 z 8 ekspertów na token, co pozwala na działanie z prędkością modelu 12,9B parametrów przy zachowaniu możliwości modelu 46,7B parametrów. Modele MoE są bardziej efektywne FLOP-owo (operacje zmiennoprzecinkowe) na parametr, co przekłada się na niższe koszty obliczeniowe.

Sparse models (modele rzadkie): Poprzez selektywną aktywację parametrów, modele te mogą dramatycznie zmniejszyć wymagania obliczeniowe. Switch Transformers, model z 1,6 biliona parametrów, wykorzystuje tę technikę do efektywnego działania.

Hierarchiczne architektury: Wielopoziomowe struktury MoE pozwalają na jeszcze bardziej szczegółową specjalizację i efektywne wykorzystanie zasobów.

Rozwój sprzętu dedykowanego

Każda nowa generacja chipów AI przynosi znaczące poprawy w efektywności energetycznej:

• Przejście z A100 na H100: Procesory H100 oferują trzykrotnie lepszą wydajność na wat w porównaniu z A100.
• Specjalizowane chipy: Google TPU, AWS Trainium, czy Apple Neural Engine są zaprojektowane specjalnie do obciążeń AI, oferując lepszą efektywność niż uniwersalne GPU.
• Zaawansowane procesy produkcyjne: Mniejsze węzły technologiczne (np. 5nm, 3nm) pozwalają na większą gęstość tranzystorów przy niższym zużyciu energii.

Techniki kompresji i optymalizacji

Badania pokazują imponujące wyniki zastosowania zaawansowanych technik:

• Kombinowane podejście: Łączenie przycinania, kwantyzacji i destylacji może zmniejszyć zużycie energii o ponad 70% w niektórych zastosowaniach.
• Zeus framework: System optymalizacji opracowany przez University of Michigan może zmniejszyć zużycie energii podczas treningu o 75% bez istotnego wpływu na czas treningu, poprzez dynamiczne dostrajanie limitów mocy GPU i rozmiaru batcha.
• Model-specific optimizations: Meta’s LLaMA-3.2-1B po optymalizacji zmniejszył czas odpowiedzi z 52 sekund do 1 sekundy przy zastosowaniu kwantyzacji.

Edge computing i modele lokalne

Przesunięcie obliczeń bliżej użytkownika końcowego oferuje dodatkowe korzyści:

• Zmniejszone przesyłanie danych: Przetwarzanie lokalne eliminuje potrzebę przesyłania danych do i z centralnych serwerów.
• Mniejsze modele, mniejsze zużycie: Modele zaprojektowane dla urządzeń brzegowych (edge devices) są z natury bardziej efektywne energetycznie.
• Skalowalność: Rozproszenie obciążenia zmniejsza presję na centralne infrastruktury.

7. Perspektywa ekonomiczna

Koszty energii w strukturze wydatków

Według danych branżowych, koszty energii stanowią około 20% całkowitego kosztu posiadania (TCO) dla klastrów GPU AI, przy czym 80% to wydatki kapitałowe (głównie na same GPU). To sprawia, że energia, choć istotna, nie jest dominującym czynnikiem kosztowym – ale jej znaczenie rośnie wraz ze skalą operacji.

Średni koszt wsparcia 1 wata mocy IT w centrach danych w Ameryce Północnej wynosi 9-10,50 USD. Dla centrum danych o mocy 30 MW oznacza to inwestycje rzędu 270-315 milionów dolarów tylko w infrastrukturę energetyczną.

Wpływ cen energii

Ceny energii elektrycznej w USA wzrosły dramatycznie w okolicach nowych centrów danych:

• W niektórych regionach ceny hurtowe wzrosły o 267% w ciągu pięciu lat
• Średnie wzrosty cen detalicznych dla konsumentów to 6,5% rocznie, z Connecticut i Maine raportującymi wzrosty odpowiednio 18,4% i 36,3%

Strategie zarządzania kosztami

Firmy technologiczne stosują różne strategie minimalizacji kosztów energetycznych:

Własne źródła energii: Niektóre firmy, jak xAI Elona Muska, instalują własne generatory energii (turbiny gazowe, a nawet całe elektrownie) bezpośrednio przy centrach danych.

Umowy na energię odnawialną: Google zawarło kontrakt z Kairos Power na 500 MW czystej energii jądrowej. Amazon zainwestował 650 milionów dolarów w źródła zrównoważonej energii.

Lokalizacja strategiczna: Centra danych są umieszczane w regionach z tanią i obfitą energią, często w pobliżu źródeł energii odnawialnej lub w chłodniejszych klimatach.

Optymalizacja temporalna: Trening modeli jest planowany w godzinach poza szczytem, gdy energia jest tańsza i mniej węglochłonna.

Rentowność usług AI

Dla komercyjnych usług AI, koszty energii bezpośrednio wpływają na rentowność:

• Hosting jednej instancji LLM w chmurze może kosztować ponad 20 000 USD miesięcznie
• Przy skali miliardów zapytań dziennie, nawet niewielka redukcja zużycia energii na zapytanie przekłada się na miliony dolarów oszczędności rocznie
• Model biznesowy oparty na AI musi uwzględniać rosnące koszty energii i coraz wyższe gęstości mocy w rackach

Inwestycje w infrastrukturę

Zgodnie z prognozami McKinsey, firmy z całego łańcucha wartości mocy obliczeniowej będą musiały zainwestować 5,2 biliona dolarów w centra danych do 2030 roku, aby zaspokoić globalny popyt na AI. W samym 2024 roku trzy największe amerykańskie dostawcy chmury (Amazon, Microsoft, Google) wydały ponad 200 miliardów dolarów na wydatki kapitałowe, głównie na budowę centrów danych.

8. Przyszłość i prognozy

Przewidywane zużycie energii

Prognozy dotyczące przyszłego zużycia energii przez centra danych różnią się znacznie, ale wszystkie wskazują na istotny wzrost:

Stany Zjednoczone: Według raportu Departamentu Energii z 2024 roku, zużycie energii przez centra danych w USA wyniosło 176 TWh w 2023 roku (4,4% całkowitego zużycia energii w kraju). Prognozy na 2028 rok wahają się od 325 do 580 TWh (6,7% do 12% całkowitego zużycia), w zależności od scenariusza. Oznacza to roczny wzrost o 13-27%.

Globalnie: Zużycie energii przez centra danych na świecie w 2022 roku szacowano na 240-340 TWh (około 1-1,3% globalnego zapotrzebowania na energię elektryczną). Goldman Sachs przewiduje, że zapotrzebowanie energetyczne centrów danych może się potroić do 2030 roku.

AI-specific: Serwery związane z AI zwiększyły swoje zużycie z 2 TWh w 2017 roku do 40 TWh w 2023 roku. To właśnie AI jest głównym motorem przewidywanego wzrostu zużycia energii przez centra danych.

Potencjał nowych technologii

Kilka obiecujących technologii może znacząco zmienić krajobraz efektywności energetycznej:

Efektywniejsze modele: Przykład DeepSeek V3 z Chin pokazuje, że możliwe są dramatyczne redukcje kosztów – model ten osiągnął 18-krotną redukcję kosztów treningu i 36-krotną redukcję kosztów inferencji w porównaniu z GPT-4o.

Zaawansowane systemy chłodzenia: Nowe materiały termiczne opracowane przez Carnegie Mellon University mogą zmniejszyć zużycie energii na chłodzenie o znaczące wartości, obniżając opór termiczny poniżej obecnych standardów.

Sprzęt nowej generacji: Każda kolejna generacja chipów AI przynosi 40-65% poprawy efektywności energetycznej na jednostkę obliczeniową.

Neuromorphiczne procesory: Chipy inspirowane budową ludzkiego mózgu mogą oferować ponad 60% oszczędności energii, choć technologia ta jest wciąż w fazie rozwoju.

Balans między możliwościami a kosztami

Przemysł AI stoi przed fundamentalnym dylematem: większe modele zazwyczaj oferują lepszą wydajność, ale wymagają proporcjonalnie więcej energii. To tworzy naturalną presję na znalezienie równowagi:

• Specialized models: Zamiast jednego ogromnego modelu, rozwijane są mniejsze, wyspecjalizowane modele dla konkretnych zadań
• Hierarchiczne podejścia: Proste zapytania obsługiwane są przez małe, efektywne modele, podczas gdy tylko złożone problemy trafiają do większych modeli
• Kontinual learning: Modele uczą się w sposób ciągły, zamiast wymagać pełnego ponownego treningu

Długoterminowa skalowalność

Pytanie o długoterminową skalowalność AI jest jednym z najważniejszych wyzwań branży:

Ograniczenia infrastrukturalne: Sieci energetyczne w wielu regionach już teraz borykają się z rosnącym zapotrzebowaniem. Niektóre prognozy sugerują, że zapotrzebowanie na energię ze strony AI może przewyższyć zdolność do jej dostarczenia, tworząc fizyczne bariery dla dalszego wzrostu.

Ekonomiczne granice: Przy obecnych trajektoriach wzrostu, koszty energii mogą stać się prohibicyjne, wymuszając fundamentalne zmiany w podejściu do skalowania modeli.

Technologiczne przełomy: Historia pokazuje, że technologiczne przełomy mogą dramatycznie zmienić równanie efektywności. Kwantowe obliczenia, fotoniczne procesory czy zupełnie nowe architektury mogą w przyszłości całkowicie zmienić krajobraz energetyczny AI.

Regulacje i standardy: Rosnąca presja na efektywność energetyczną może prowadzić do wprowadzenia standardów i regulacji dotyczących maksymalnego zużycia energii przez modele AI, co będzie wymuszać innowacje w kierunku efektywności.

9. Podsumowanie

Zapotrzebowanie energetyczne dużych modeli językowych stanowi jedno z najważniejszych wyzwań technicznych i ekonomicznych współczesnego przemysłu technologicznego. Liczby są imponujące: trening modelu GPT-4 zużył energii wystarczającej do zasilenia tysięcy domów przez rok, a serwisy obsługujące miliardy zapytań dziennie konsumują setki megawatogodzin energii każdego dnia.

Kluczowe wnioski dla branży są następujące:

Skala problemu jest realna: Centra danych AI już teraz stanowią znaczący procent globalnego zużycia energii, a prognozy wskazują na dalszy, dynamiczny wzrost. W niektórych regionach USA zapotrzebowanie centrów danych może stanowić nawet 12% całkowitego zużycia energii do 2028 roku.

Koszty są istotne, ale zarządzalne: Choć energia stanowi około 20% kosztów operacyjnych dla infrastruktury AI, to przy odpowiednich strategiach (lokalizacja, optymalizacja, efektywne chłodzenie) koszty te można efektywnie kontrolować.

Innowacje przynoszą rezultaty: Postępy w architekturach modeli (MoE, sparse models), technikach optymalizacji (kwantyzacja, pruning) oraz sprzęcie nowej generacji już teraz pozwalają na znaczące redukcje zużycia energii – nawet o 50-75% w niektórych zastosowaniach.

Przyszłość wymaga równowagi: Dalszy rozwój AI będzie wymagał inteligentnego balansowania między rozmiarem i możliwościami modeli a ich efektywnością energetyczną. Nie możemy nieskończenie zwiększać rozmiarów modeli bez uwzględnienia ograniczeń infrastrukturalnych i ekonomicznych.

Całościowe podejście jest niezbędne: Optymalizacja na każdym poziomie – od architektury modelu, przez algorytmy treningu, sprzęt, systemy chłodzenia, aż po źródła energii – jest kluczowa dla zrównoważonego rozwoju technologii AI.

Dla organizacji planujących wdrożenie rozwiązań opartych na LLM-ach, zrozumienie tych aspektów energetycznych jest fundamentalne dla realnego oszacowania kosztów, planowania infrastruktury i podejmowania świadomych decyzji technologicznych. W miarę jak technologia AI staje się coraz bardziej wszechobecna, efektywność energetyczna przestaje być opcją, a staje się koniecznością biznesową i techniczną.

Przemysł AI znajduje się obecnie w kluczowym momencie: dalszy rozwój technologii będzie w dużej mierze zależał od naszej zdolności do tworzenia coraz potężniejszych, ale jednocześnie coraz bardziej efektywnych energetycznie rozwiązań. Pytanie nie brzmi „czy możemy sobie pozwolić na dalszy rozwój AI z punktu widzenia energetycznego”, ale raczej „jak możemy inteligentnie rozwijać AI, wykorzystując dostępne zasoby energetyczne w najbardziej efektywny sposób”.