Создание более сложных и масштабных искусственных интеллектов стало затруднено из-за их высокой потребности в электроэнергии, что ставит под угрозу возможность обеспечить их необходимыми ресурсами, как сообщают СМИ .
Прожорливость ИИ
С увеличением размеров нейросетей увеличивается и их «умность». В процессе обучения они обрабатывают колоссальные объемы данных, настраивая миллиарды или даже триллионы своих внутренних переменных. Чем больше параметров у модели, тем легче ей выявлять закономерности. Например, GPT-1, выпущенная в 2018 году, использовала 117 миллионов переменных, тогда как GPT-2 уже имела около 1,5 миллиарда, а в GPT-4 — свыше 1,7 триллиона. Однако с ростом размеров нейросетей их потребность в электроэнергии значительно возросла: обучение GPT-2 обошлось OpenAI в 50 тысяч долларов, тогда как затраты на обучение GPT-4 составили более 100 миллионов долларов.
Ведущие компании в сфере ИИ стремятся инвестировать в энергетическую инфраструктуру. К примеру, Google и Amazon Web Services разрабатывают проекты по строительству атомных реакторов, специально предназначенных для питания своих серверов, а Microsoft объявила о планах возведения термоядерной электростанции Helion в штате Вашингтон для обеспечения своих вычислительных мощностей.
Значительные средства необходимы для обеспечения работы дата-центров, включая питание и охлаждение множества графических процессоров. Энергетические и финансовые затраты растут с каждым годом. По оценкам экспертов, на обучение GPT-4 было затрачено 51–62 ГВт*ч электроэнергии, что соответствует потреблению мегаполиса Сан-Франциско на протяжении нескольких дней.
Согласно данным Международного энергетического агентства (МЭА), на вычисления и хранение данных сейчас уходит до 1,5% от общего объема мировой электроэнергии. В США эта цифра достигла 4,4%, и ожидается, что к 2028 году она вырастет до 12%. Однако новые крупные дата-центры могут усугубить ситуацию: в Вайоминге планируется построить дата-центр, который будет потреблять до 87,6 ТВт·ч в год — это в пять раз больше, чем потребляют все жители штата, и вдвое больше текущих генерационных мощностей.
«Энергетический аппетит ИИ превышает темпы развития энергосистемы, создавая критическое «узкое горлышко»,» — отмечают специалисты.
Затраты на запросы
Энергия расходуется не только на обучение нейросетей, но и на их использование, то есть на обработку запросов. Хотя каждая отдельная задача требует незначительного объема ресурсов, при миллионах запросов цифры становятся весьма значительными.
Исследователи из Университета Карнеги — Меллона установили, что типичный текстовый запрос требует всего 0,47 Вт*ч, однако в месяц GPT-4, обрабатывающая около 1,2 миллиарда таких запросов, потратит более 550 МВт*ч. Генерация изображений является еще более затратной: на создание одного изображения уходит примерно столько же энергии, сколько на зарядку смартфона. Однако точные данные о потреблении электроэнергии различными языковыми моделями остаются недоступными, так как разработчики не спешат делиться этой информацией.
На сегодняшний день нет актуальной официальной статистики по потреблению электроэнергии системами ИИ в России. Однако эксперты компании Gbig Holdings прогнозируют, что в 2025 году оно составит 8–12 ТВт*ч, что менее 1% от общего объема генерации. При самом вероятном сценарии к 2030 году нейросети будут потреблять от 30 до 50 ТВт*ч, а в случае активного внедрения ИИ в промышленность и государственное управление — до 80–100 ТВт*ч. Эти цифры пока что не являются критичными для энергосистемы страны и не требуют значительных инвестиций в ее развитие.
Летом 2025 года глава OpenAI Сэм Альтман сообщил, что один запрос к GPT-4 требует 0,34 Вт*ч, а Google отметила, что на каждое обращение к ее модели Gemini уходит 0,24 Вт*ч. Хотя эти значения не велики, пользователи уже начали сталкиваться с ограничениями на использование нейросетей или необходимостью оплачивать доступ к ним. С другой стороны, такая ситуация побуждает разработчиков учитывать еще один важный фактор — «энергетическую стоимость» моделей. Например, китайская компания DeepSeek стала заметным событием, предложив функции, аналогичные тем, что предлагают крупные нейросети, но с потреблением в 2–2,5 раза меньшим.
