К 2025 году ИИ может обогнать майнинг биткоина по энергопотреблению. Новый анализ предупреждает: дата-центры будут тратить почти половину всей электроэнергии на работу ИИ. Время задуматься о «зелёных» алгоритмах? 🌱
Технический обзор
Согласно новому исследованию, опубликованному в журнале Joule, искусственный интеллект может потреблять до половины всей электроэнергии, используемой мировыми дата-центрами к концу 2025 года. Это превысит энергозатраты на майнинг Bitcoin, создавая новые вызовы для энергосистем и экологических инициатив.
Энергетический аппетит ИИ: текущие показатели и прогнозы
Исследование Алекса де Вриса-Гао из Амстердамского института экологических исследований VU показывает, что:
- ИИ уже потребляет до 20% энергии дата-центров
- К 2025 году потребление может достичь 23 ГВт (сопоставимо с энергопотреблением Великобритании)
- Рост сохраняется несмотря на улучшение энергоэффективности алгоритмов
Методология оценки
Де Врис-Гао применил метод «триангуляции», сочетающий:
- Анализ производственных мощностей TSMC (основного производителя AI-чипов)
- Данные о потреблении энергии специализированным оборудованием
- Корпоративную отчетность и рыночные исследования
Параллели с криптоиндустрией
- Гонка масштабов: как и в майнинге, в ИИ доминирует парадигма «чем больше — тем лучше»
- Проблемы прозрачности: отсутствие детализированных данных от Big Tech
- Инфраструктурные последствия: строительство новых газовых электростанций и АЭС для покрытия спроса
Технические аспекты энергопотребления
Факторы влияния на углеродный след ИИ
- Геолокация дата-центра: запрос в Западной Вирджинии генерирует вдвое больше выбросов, чем в Калифорнии
- Размер модели: крупные языковые модели (LLM) требуют экспоненциально больше ресурсов
- Тип запросов: инференс vs. тренировка моделей
Кейсы энергоэффективности
- DeepSeek: демонстрирует в 5 раз более эффективные модели по сравнению с Meta Llama 3.1
- Ethereum: сократил энергопотребление на 99.988% после перехода на Proof-of-Stake
Рекомендации для индустрии
- Больше прозрачности в отчетности по энергопотреблению
- Приоритет энергоэффективности над масштабированием
- Оптимизация инфраструктуры: географическое распределение нагрузок
Прогнозы и риски
- Парадокс Джевонса: рост эффективности может увеличить общее потребление за счет расширения использования
- Регуляторное давление: возможны новые экологические стандарты для AI-инфраструктуры
Техническим руководителям и архитекторам стоит учитывать эти тенденции при проектировании AI-систем и выборе облачных провайдеров.
