Каждый раз, когда в окне чат-бота генерируется очередной абзац текста, программный код или картинка, где-то на другом конце провода в полную силу ревет система охлаждения. Мы привыкли к легкости цифровых интерфейсов, но за ними стоит жесткая физика кремния, меди и тераватт электричества. Темпы роста ИИ-индустрии создали нагрузку на инфраструктуру, к которой мировая энергетика оказалась не готова.
Облачные технологии долгое время казались чем-то невесомым. Однако у этого «облака» вполне осязаемый физический фундамент. Это миллионы литров воды для охлаждения, тонны редких металлов и гигантские объемы электроэнергии. Бум генеративных моделей превратил локальную проблему энергоэффективности в глобальный инфраструктурный вызов.
Стоит разобраться, почему обычные вычисления внезапно стали угрозой для климатических целей и почему решить эту проблему простым переходом на солнечные батареи не получится.
В чем разница между поиском, генерацией и агентным ИИ
Когда пользователь отправляет запрос в традиционный поисковик, система просто ищет соответствия в заранее проиндексированной базе данных. Это быстрый и экономичный процесс, требующий в среднем около 0.3 Вт/ч электроэнергии.
С большими языковыми моделями ситуация принципиально иная. Нейросеть не выдает готовый ответ из архива, а генерирует его с нуля. Она последовательно просчитывает вероятности для каждого последующего слова через сотни миллиардов параметров.
Расход энергии при этом распределяется следующим образом
-
Один текстовый запрос к сложной языковой модели требует в среднем от 3 до 10 Вт/ч
-
Создание одной качественной картинки забирает уже порядка 10 — 100 Вт/ч, что сопоставимо с работой мощного светодиодного прожектора в течение часа
-
Пятисекундный ролик, созданный ИИ-генератором видео, может потребовать до 3.4 — 10^6 Дж энергии, а это превышает энергопотребление микроволновой печи за час непрерывной работы
Ситуацию усложняет переход индустрии от простых генераторов к так называемому агентному ИИ. Современные ИИ-агенты не просто отвечают на вопрос, а запускают сложные цепочки рассуждений, проверяют сами себя, делают фоновые запросы к базам данных и работают циклично. По оценкам разработчиков чипов, вычислительная сложность таких систем выросла на тысячу процентов всего за пару лет. Один сложный запрос к агенту может незаметно для пользователя превратиться в сотни внутренних генераций, пропорционально умножая углеродный след.
ИИ против майнинга — гигаваттная реальность
Часто энергопотребление ИИ сравнивают с добычей криптовалюты, но у блокчейна есть важное технологическое преимущество в виде гибкости. Майнеры могут мгновенно отключить свои фермы при резком падении напряжения в сети или перевезти оборудование туда, где возник временный избыток дешевой гидроэнергии. Майнинг умеет подстраиваться под сеть и работать как демпфер.
У инфраструктуры ИИ такой возможности нет. Корпоративные ассистенты, поисковые ИИ-системы и сервисы генерации обязаны отвечать мгновенно, круглосуточно и без задержек. Дата-центр ИИ не может ждать, пока разыграется ветер на ветропарке или выйдет солнце. Ему требуется непрерывная, стабильная базовая мощность в режиме двадцать четыре на семь.
Из-за этой жесткости крупнейшие ИТ-гиганты вынуждены продлевать контракты со старыми угольными и газовыми электростанциями. В регионах с высокой концентрацией вычислительных мощностей коммерческое потребление энергии дата-центрами начинает обгонять жилой фонд. В отдельных штатах США и в Великобритании дата-центры забирают около 6% всей вырабатываемой электроэнергии, а в Ирландии и Сингапуре этот показатель колеблется в районе 20%.
Строящиеся мега-кампусы, такие как проект xAI Colossus в Мемфисе или планируемый комплекс Meta* Hyperion в Луизиане, проектируются под потребление до нескольких гигаватт. Один гигаватт — это мощность крупного ядерного реактора. Обычные городские энергосети просто не рассчитаны на появление таких соседей.
Сделки с мирным атомом
Невозможность покрыть эти запросы за счет нестабильной солнечной или ветряной генерации заставила технологические компании искать альтернативные источники питания. Самым надежным решением в существующих реалиях оказалась атомная энергетика.
Крупнейшие игроки рынка перешли от покупки виртуальных «зеленых сертификатов» к прямым закупкам физической мощности у АЭС
-
Microsoft заключила соглашение о перезапуске законсервированного энергоблока на печально известной АЭС Три-Майл-Айленд в США
-
Meta* законтрактовала более 6 гигаватт мощности у атомных операторов, включая компании TerraPower и Oklo
-
Google инвестирует в развитие сети малых модульных реакторов, которые планируется строить в непосредственной близости от новых дата-центров
Эти шаги продиктованы жестким дефицитом энергии. Время ожидания подключения нового крупного объекта к общей сети в развитых странах сейчас составляет от пяти до семи лет. Покупка гарантированной мощности АЭС становится главным конкурентным преимуществом в гонке моделей.
Эффективность железа против парадокса Джевонса
Разработчики оборудования совершают колоссальные шаги в сторону энергоэффективности. Например, новые поколения ускорителей Nvidia на архитектуре Blackwell (системы GB200 и GB300) при использовании низкоточных вычислений FP4 снизили энергозатраты на один токен при инференсе сложных моделей до 0.4 Дж. Для сравнения, чипы предыдущих поколений требовали на ту же операцию до 10 Дж. Это почти двадцатипятикратный рост эффективности.
Однако здесь вступает в силу экономический закон, известный как парадокс Джевонса. Чем доступнее и эффективнее становится технологический ресурс, тем активнее его начинают использовать, что в итоге приводит к росту общего потребления. Снижение стоимости одного запроса лишь подталкивает разработчиков запускать еще более тяжелые нейросети, внедрять агентские сценарии и автоматизировать миллионы рутинных процессов, которые раньше выполнялись людьми вручную. В результате общая нагрузка на энергосистемы продолжает расти по экспоненте.
Скрытая жажда и тепловой барьер
Электричество представляет собой лишь часть проблемы. Современные высокоплотные серверные стойки для ИИ потребляют от 40 до 100 кВт энергии каждая и выделяют колоссальное количество тепла. Традиционное воздушное кондиционирование не справляется с такой плотностью тепловыделения, забирая до 40% всей энергии дата-центра на собственные нужды.
Это вынудило индустрию массово переходить на жидкостное охлаждение и системы прямого погружения (immersion cooling), где платы серверов буквально работают внутри ванн со специальным диэлектрическим теплоносителем.
Там, где по-прежнему используются испарительные системы охлаждения, возникает проблема расхода пресной воды
-
На каждые несколько десятков простых запросов к чат-боту дата-центр безвозвратно испаряет около полулитра чистой пресной воды для охлаждения процессоров
-
Крупные вычислительные кластеры расходуют миллионы кубических метров воды в год, создавая локальный дефицит в засушливых регионах и вступая в конфликт с нуждами сельского хозяйства
Как минимизировать этот след на практике
Пока корпорации строят атомные реакторы, инженеры и разработчики могут снизить нагрузку на инфраструктуру своими силами с помощью оптимизации архитектурных решений.
При внедрении технологий генерации в свои продукты имеет смысл придерживаться нескольких правил
-
Использовать компактные специализированные модели вместо универсальных гигантов. Для простых задач классификации или извлечения сущностей небольшие локальные модели на 8 миллиардов параметров работают эффективнее закрытых облачных API без потери качества.
-
Контролировать глубину контекста. Длинная история диалога заставляет сервер пересчитывать терабайты связей при каждом новом ответе. Регулярная очистка неактуального контекста экономит вычислительные ресурсы.
-
Настраивать семантическое кэширование. Повторяющиеся запросы пользователей не должны каждый раз заново перегружать нейросеть, если их можно быстро отдать из готового кэша.
Баланс пользы и затрат
Было бы неверно рассматривать ИИ исключительно как экологическую угрозу. Технология обладает серьезным потенциалом для снижения углеродного следа в других отраслях.
Уже сейчас алгоритмы оптимизации успешно применяются в различных сферах
-
Повышение точности прогнозирования выработки энергии ветряными и солнечными станциями
-
Оптимизация транспортных потоков и логистических цепочек, снижающая расход топлива
-
Интеллектуальное управление обогревом и освещением крупных зданий, экономящее до десятой части энергии
Главный вопрос заключается в том, сможет ли экономия от этих оптимизаций превысить те колоссальные ресурсы, которые требуются на обучение и работу самих ИИ-моделей. На текущий момент этот баланс во многих сценариях остается отрицательным, что и заставляет экологические организации бить тревогу.
* Деятельность корпорации Meta Platforms Inc. признана экстремистской и запрещена на территории Российской Федерации.
Частые вопросы и короткие ответы
Правда ли, что один запрос к ИИ равен кипячению чайника? Нет, это преувеличение. Один простой текстовый запрос расходует примерно от 3 до 10 Вт/ч. Это эквивалентно работе экономичной светодиодной лампы в течение получаса. Чтобы вскипятить литр воды в электрическом чайнике, требуется около 100 Вт/ч. Таким образом, нужно сделать порядка пятнадцати-двадцати последовательных текстовых запросов, чтобы сравняться по энергозатратам с одной чашкой чая. Однако генерация тяжелого медиаконтента вроде картинок и видео действительно приближается к потреблению бытовой техники.
Решит ли проблему переход дата-центров на солнечные батареи? Лишь частично. Солнечная генерация зависит от времени суток и погоды, тогда как вычислительным кластерам необходима постоянная пиковая мощность. Даже при наличии контрактов на возоновляемую энергию в пасмурные дни дата-центры вынуждены забирать электричество из общей сети, увеличивая нагрузку на традиционные электростанции.
