Жажда ИИ: почему ваш запрос к чат-боту ускоряет глобальное потепление

Попивая кофе в своей берлинской квартире и задавая вопрос чат-боту Google Gemini, я даже не задумываюсь об энергии, которая требуется для генерации ответа. Достигнув моего роутера, сигнал, как я полагаю, мгновенно проносится по медным проводам или оптоволоконным кабелям к одному из хабов центров обработки данных (ЦОД) Google. Где-то глубоко в лабиринтах стоек с процессорами дата-центра мой запрос преобразуется в числа и подвергается миллиардам вычислений, чтобы определить его контекст и смысл. Собранный ответ в мгновение ока мчится обратно.

Центры обработки данных — бьющиеся сердца интернета, питающие всё, от электронной почты до веб-поиска — существуют десятилетиями, но с ростом популярности ИИ для создания текстов, изображений и видео они потребляют больше энергии, чем когда-либо. По оценкам самого Google, обработка текстового запроса средней длины ассистентом Gemini потребляет около 0,24 ватт-часа. Казалось бы, сущие пустяки: это эквивалентно просмотру телевизора в течение примерно девяти секунд. Но в совокупности эти крошечные цифры складываются в колоссальные объемы. В марте 2026 года OpenAI подсчитала, что более 900 миллионов человек еженедельно пользуются ChatGPT, генерируя миллиарды запросов в день.

Точное количество электричества, потребляемого дата-центрами в глобальном масштабе или в США, где их больше всего, публично отчитываются далеко не все технологические компании, говорит Эрик Мазанет из Калифорнийского университета в Санта-Барбаре, изучающий устойчивость ЦОД. Однако, согласно последним оценкам Международного энергетического агентства (МЭА), в 2025 году ЦОД США потребили около 224 тераватт-часов электроэнергии — более 5% общего электропотребления страны. Это резкий скачок по сравнению с 1,9% в 2018 году, еще до массового бума генеративного ИИ. И это энергопотребление, похоже, будет только расти. В гонке за лидерство на рынке генеративного ИИ такие гиганты, как Google, Meta, Amazon, OpenAI, Anthropic, Microsoft и Oracle, вкладывают десятки и сотни миллиардов долларов в строительство дата-центров, ориентированных на искусственный интеллект. По сравнению с ЦОД до эпохи ИИ, потреблявшими, скажем, 100 мегаватт (этого хватило бы для обеспечения 83 000 домов), новички часто являются «гипермасштабируемыми» и могут использовать гигаватт и более, что сопоставимо с десятой частью электрической мощности Лос-Анджелеса.

Мазанет и другие эксперты с тревогой наблюдают, как значительная часть этого спроса удовлетворяется за счет электростанций, работающих на ископаемом топливе, таком как газ, сжигание которого выбрасывает в атмосферу нагревающий планету углекислый газ. Ключевая причина в том, что дата-центры часто строят в местах, где нет обильных возобновляемых источников энергии, таких как гидро-, геотермальная, солнечная или ветровая энергия. Технологические компании нередко компенсируют выбросы, инвестируя в зеленую энергетику в других местах. Но если только эти чистые электростанции не производят больше энергии, чем потребляют дата-центры, эта стратегия в лучшем случае удерживает выбросы CO2 в стазисе, а не сводит их к нулю, что критически важно для остановки глобального потепления. «За каждый мегаватт, который мы получаем от ископаемого топлива, мы откатываемся назад в своем прогрессе», — говорит Мазанет. И это не считая ресурсов, потраченных на производство оборудования для новых ЦОД, или воздействия на сообщества, живущие рядом с ними, которые часто страдают от загрязнения воздуха и шума от газовых электростанций, а также от возможной нагрузки на местные водные ресурсы, используемые для охлаждения.

Программные уловки для экономии энергии

Хотя прогнозы воздействия ИИ на энергетику остаются дьявольски сложными, экспертам ясно, что стратегии энергосбережения остро необходимы. Без них, согласно одной из оценок 2025 года, дата-центры США вскоре смогут выбрасывать эквивалент от 24 до 44 мегатонн CO2 ежегодно; последняя цифра сопоставима с годовыми выбросами Норвегии. Поэтому компьютерные инженеры переосмысливают аппаратное и программное обеспечение, питающее ИИ. «Энергетическая цена ИИ не случайна: это продукт того, как построены наши системы, — говорит Фэнци Ю, эксперт по энергетическим системам из Корнелльского университета. — Но с правильным набором решений мы могли бы изменить траекторию».

Чтобы понять проблему, нужно разобраться в больших языковых моделях (LLM). Их обучение требует колоссальной энергии, но настоящую тревогу у экспертов вызывает инференс — процесс использования модели для генерации ответа. «Вы тренируете модель один раз, а затем проводите инференс для миллиарда людей в мире», — говорит Мошараф Чоудхури, эксперт по системам ИИ из Мичиганского университета. Когда современные трансформерные модели генерируют каждый новый токен (слово), они заново пропускают через всю свою многомиллиардную структуру параметров запрос и уже написанную часть ответа. «Тот факт, что вам нужно выполнить массу вычислений для добавления одного-единственного слова — это проблема», — объясняет Гюнтер Кламбауэр, эксперт по ИИ из Университета Иоганна Кеплера в Австрии. Это осознание вызвало интерес к моделям, специализированным под конкретные задачи. В одной из работ ЮНЕСКО за 2025 год показано, что маленькие модели потребляли более чем на 90% меньше энергии, чем универсальная Llama 3.1, выполняя те же задачи. По такому пути идут и гиганты вроде Google, маршрутизируя запросы к специализированным подмоделям внутри одной большой системы.

Ученые также пытаются сломать «квадратичное проклятие» трансформеров. Одна из альтернатив — модель долгой краткосрочной памяти (LSTM, а теперь и xLSTM). Вместо повторной обработки всего текста она держит в уме краткое «резюме» и тратит примерно на 50% меньше энергии на обработку длинных текстов. Кламбауэр работает с австрийским стартапом NXAI над оптимизацией xLSTM, поскольку убежден, что игра стоит свеч ради энергоэффективности. Однако Вольфганг Маас из Немецкого исследовательского центра искусственного интеллекта предупреждает: поскольку крупные техногиганты вложили так много лет и ресурсов в трансформеры, переход на иные рельсы будет для них болезненно дорогим.

Вычисления с помощью пластин и света

Параллельно с программными уловками инженеры атакуют проблему на уровне «железа». Поскольку транзисторы в процессорах приближаются к физическому пределу миниатюризации, на сцену выходят «чипы масштаба пластины» размером с обеденную тарелку. Они вмещают почти в 70 раз больше транзисторов, чем обычный GPU, и требуют в 143 раза меньше энергии на коммуникацию. У них есть недостатки, включая высокий риск повреждения при производстве, но их энергосберегающие свойства крайне привлекательны для гиперскейлеров. Другие компании, такие как AWS и Google, создают собственные чипы (Trainium2, Ironwood TPU), заточенные сугубо под задачи ИИ.

Более радикальный подход — аналоговые вычисления. Вместо бинарных нулей и единиц транзисторы могут работать как аналоговые шкалы, удерживая промежуточные напряжения. Инженеры из Forschungszentrum Jülich разрабатывают «ячейки усиления», которые способны одновременно хранить данные и производить вычисления, что устраняет колоссальные затраты энергии на пересылку данных между памятью и процессором. По их оценкам, это может снизить энергопотребление самых «прожорливых» частей языковых моделей на четыре порядка. Это перекликается с концепцией нейроморфных вычислений, вдохновленных мозгом человека. Чипы, кодирующие информацию не сплошным потоком, а временем электрических «спайков», как нейроны, потенциально требуют гораздо меньше энергии.

Наконец, ученые работают над оптическими чипами, обрабатывающими информацию с помощью фотонов (частиц света), а не электронов. Свет позволяет передавать больше информации одновременно и менять сигналы гораздо быстрее. По оценкам Аджая Джоши из Бостонского университета, производство оптических чипов может потреблять на порядок меньше энергии, чем обычных. «Я надеюсь, что через 10 лет у нас будет практическое решение для повсеместного внедрения в дата-центрах», — говорит он.

Как изменить энергетическую траекторию ИИ

Даже без полного переизобретения компьютеров можно сделать многое, чтобы смягчить удар. Критически важно пересмотреть места строительства дата-центров. Сейчас они сконцентрированы в Северной Вирджинии, где ограниченные водные ресурсы и мало возобновляемой энергии по сравнению, скажем, со Средним Западом. Фэнци Ю подсчитал, что грамотный выбор места наряду с энергоэффективным «железом» может сократить будущий углеродный и водный след ЦОД США на 73% и 86% соответственно. Техногиганты уже практикуют перенос нагрузок вслед за солнцем и ветром, но, по мнению экспертов, правительства должны активнее стимулировать переход на «зеленые» рельсы, а не просто ускорять строительство новых ЦОД.

В конечном счете, энергетическая цена ИИ — это поиск баланса: сэкономит ли он больше ресурсов, решая задачи от поиска лекарств от рака до оптимизации логистики, чем потратит? Но помимо создания более frugal (бережливого) ИИ, не менее важно тщательно обдумывать, где мы вообще нуждаемся в искусственном интеллекте. Тони Кеньон из Университетского колледжа Лондона ставит жесткий вопрос: стал ли мир лучше от того, что службу поддержки клиентов теперь имитируют бездушные «ИИ-агенты»? «Я думаю, это распространенная ошибка — когда появляется новая технология, вдруг решать, что ее нужно внедрять абсолютно везде, — говорит он. — Такой подход не делает нам ничего хорошего».

Источники:
Knowable Magazine (оригинальная статья).
Данные и прогнозы Международного энергетического агентства (IEA).
Отчеты об энергопотреблении Google, OpenAI (2026).
Исследования: Nature Medicine, Корнелльский университет, Мичиганский университет, Университетский колледж Лондона, Университет Иоганна Кеплера, Бостонский университет и др.