Популярность чат-ботов, таких как ChatGPT, достигла колоссальных масштабов: платформой пользуются почти 200 миллионов человек, которые ежедневно отправляют более миллиарда запросов. Этот экспоненциальный рост напрямую влияет на мировое энергопотребление. Уже в 2023 году центры обработки данных в США отвечали за 4,4% всего потребления электроэнергии в стране, а в глобальном масштабе их доля составляла около 1,5%.
Прогнозы показывают, что эти цифры как минимум удвоятся к 2030 году из-за растущего спроса на технологии искусственного интеллекта. Алекс де Врис-Гао, исследователь устойчивости развивающихся технологий в Амстердамском свободном университете и основатель Digiconomist, утверждает, что ИИ в ближайшем будущем будет нести ответственность за «почти половину потребления электроэнергии центрами обработки данных в мире».
Столь высокое энергопотребление обусловлено двумя основными процессами, как определяет ученый-информатик из Мичиганского университета Мошараф Чоудхури: обучением моделей и инференсом, то есть обработкой запросов. Первый этап, обучение, требует обработки огромных наборов данных для распознавания закономерностей и формирования способности к прогнозированию. В индустрии доминирует убеждение «чем больше, тем лучше», что ведет к созданию гигантских моделей.
Современные большие языковые модели (LLM) настолько велики, что не помещаются на одном графическом процессоре (GPU) или даже на одном сервере. Для их обучения требуются кластеры из множества серверов, каждый из которых оснащен в среднем восемью GPU и работает непрерывно на протяжении недель или месяцев. Один такой сервер, например, Nvidia DGX A100, потребляет до 6,5 киловатт энергии.
Наглядным примером служит обучение модели GPT-4 от OpenAI. По оценкам, на этот процесс было затрачено 50 гигаватт-часов энергии. Чтобы осознать этот масштаб, достаточно представить, что такого количества энергии хватит для обеспечения электричеством всего города Сан-Франциско в течение трех дней.
Второй процесс — инференс — это использование уже обученной модели для генерации ответа на запрос пользователя. Хотя одна такая операция требует меньше энергии, чем обучение, их совокупный объем делает этот этап чрезвычайно энергозатратным. По прогнозам OpenAI, к июлю 2025 года пользователи ChatGPT будут ежедневно отправлять более 2,5 миллиардов запросов.
Эта проблема не ограничивается одной платформой. Конкурирующие системы, такие как Gemini от Google, которую представители компании планируют сделать опцией по умолчанию для Google Search, только усугубят ситуацию, многократно увеличив общую нагрузку на энергетическую инфраструктуру.
Основным препятствием для точной оценки экологического воздействия ИИ является политика секретности технологических гигантов. Компании Google, Microsoft и М⃰ не раскрывают данные об энергопотреблении своих платформ или предоставляют статистику, которая скрывает реальное положение дел. Эта непрозрачность мешает спрогнозировать будущий спрос на энергию и понять, сможет ли мировая инфраструктура с ним справиться.
Несмотря на это, исследователи, включая Чоудхури и де Вриса-Гао, работают над количественной оценкой этих затрат. В частности, Мошараф Чоудхури ведет проект ML Energy Leaderboard, который отслеживает энергопотребление ИИ-моделей с открытым исходным кодом на этапе инференса.
Ключевая роль в решении проблемы отводится пользователям и законодателям. Давление со стороны общественности может заставить компании быть более прозрачными. Как отмечают эксперты, «мяч на стороне политиков, чтобы поощрять раскрытие информации». Только обладая полными данными, пользователи смогут делать более ответственный выбор, а регуляторы — внедрять эффективные нормы для контроля за деятельностью корпораций.
Изображение носит иллюстративный характер
Прогнозы показывают, что эти цифры как минимум удвоятся к 2030 году из-за растущего спроса на технологии искусственного интеллекта. Алекс де Врис-Гао, исследователь устойчивости развивающихся технологий в Амстердамском свободном университете и основатель Digiconomist, утверждает, что ИИ в ближайшем будущем будет нести ответственность за «почти половину потребления электроэнергии центрами обработки данных в мире».
Столь высокое энергопотребление обусловлено двумя основными процессами, как определяет ученый-информатик из Мичиганского университета Мошараф Чоудхури: обучением моделей и инференсом, то есть обработкой запросов. Первый этап, обучение, требует обработки огромных наборов данных для распознавания закономерностей и формирования способности к прогнозированию. В индустрии доминирует убеждение «чем больше, тем лучше», что ведет к созданию гигантских моделей.
Современные большие языковые модели (LLM) настолько велики, что не помещаются на одном графическом процессоре (GPU) или даже на одном сервере. Для их обучения требуются кластеры из множества серверов, каждый из которых оснащен в среднем восемью GPU и работает непрерывно на протяжении недель или месяцев. Один такой сервер, например, Nvidia DGX A100, потребляет до 6,5 киловатт энергии.
Наглядным примером служит обучение модели GPT-4 от OpenAI. По оценкам, на этот процесс было затрачено 50 гигаватт-часов энергии. Чтобы осознать этот масштаб, достаточно представить, что такого количества энергии хватит для обеспечения электричеством всего города Сан-Франциско в течение трех дней.
Второй процесс — инференс — это использование уже обученной модели для генерации ответа на запрос пользователя. Хотя одна такая операция требует меньше энергии, чем обучение, их совокупный объем делает этот этап чрезвычайно энергозатратным. По прогнозам OpenAI, к июлю 2025 года пользователи ChatGPT будут ежедневно отправлять более 2,5 миллиардов запросов.
Эта проблема не ограничивается одной платформой. Конкурирующие системы, такие как Gemini от Google, которую представители компании планируют сделать опцией по умолчанию для Google Search, только усугубят ситуацию, многократно увеличив общую нагрузку на энергетическую инфраструктуру.
Основным препятствием для точной оценки экологического воздействия ИИ является политика секретности технологических гигантов. Компании Google, Microsoft и М⃰ не раскрывают данные об энергопотреблении своих платформ или предоставляют статистику, которая скрывает реальное положение дел. Эта непрозрачность мешает спрогнозировать будущий спрос на энергию и понять, сможет ли мировая инфраструктура с ним справиться.
Несмотря на это, исследователи, включая Чоудхури и де Вриса-Гао, работают над количественной оценкой этих затрат. В частности, Мошараф Чоудхури ведет проект ML Energy Leaderboard, который отслеживает энергопотребление ИИ-моделей с открытым исходным кодом на этапе инференса.
Ключевая роль в решении проблемы отводится пользователям и законодателям. Давление со стороны общественности может заставить компании быть более прозрачными. Как отмечают эксперты, «мяч на стороне политиков, чтобы поощрять раскрытие информации». Только обладая полными данными, пользователи смогут делать более ответственный выбор, а регуляторы — внедрять эффективные нормы для контроля за деятельностью корпораций.
