Содержание
ИИ использует электричество, потому что ИИ — это вычисления
Системы ИИ не отвечают из статического списка сохраненных ответов. Когда пользователь отправляет промпт, загружает изображение или вызывает API ИИ, система выполняет математические операции в обученной модели, чтобы получить результат.
Этим операциям нужны процессоры, память, сети и хранилища. Один запрос может быть небольшим, но современные AI-продукты обрабатывают огромный трафик в чатботах, поисковых помощниках, инструментах для кода, генераторах изображений и бизнес-приложениях.
Поэтому энергопотребление неотделимо от инфраструктуры ИИ. На экране виден короткий ответ, но за ним работают чипы, серверы, дата-центры, охлаждение и системы электропитания.
GPU мощные, но энергоемкие
Современный ИИ сильно зависит от GPU, потому что нейронные сети выполняют множество вычислений, которые можно распараллелить. GPU созданы для такого параллельного вычисления и лучше подходят для многих задач обучения и инференса, чем CPU.
Компромисс в том, что высокопроизводительные GPU-серверы потребляют значительную мощность, особенно при высокой загрузке в кластерах. Крупное AI-развертывание может связывать множество ускорителей быстрыми сетями, чтобы они обменивались данными и синхронизировали вычисления.
Это не значит, что GPU неэффективны для ИИ. Во многих случаях это эффективный выбор для задачи. Но поскольку задачи крупные и непрерывные, GPU-кластеры становятся одним из самых заметных источников спроса ИИ на электричество.
Обучение больших моделей концентрирует большой расход энергии
Обучение — это этап, на котором модель учится на данных. Большие запуски обучения могут многократно обрабатывать огромные наборы данных, настраивая миллиарды параметров, пока модель не станет полезной для предсказания, генерации или классификации.
Такая работа может держать крупные GPU-кластеры включенными днями, неделями или дольше. Спрос на энергию концентрируется, потому что множество ускорителей, систем хранения и сетей работают вместе в одной задаче обучения.
Обучение — не единственная часть энергопотребления ИИ, но она важна: разработка frontier-моделей, эксперименты и повторное обучение могут требовать резких пиков потребления электроэнергии и значительной мощности дата-центров.
Инференс создает постоянный спрос на энергию
Инференс — это этап, на котором используется обученная модель. Каждый ответ в стиле ChatGPT, генерация изображения, перевод, рекомендация, резюме или подсказка кода требуют вычислений инференса.
В отличие от обучения, инференс происходит всякий раз, когда люди используют развернутые AI-системы. Если сервис обрабатывает миллионы или миллиарды промптов, запросов изображений и API-вызовов, небольшая энергия на запрос складывается в заметный дневной спрос.
Поэтому энергопотребление ИИ все сильнее связано с распространением. Чем больше ИИ в поиске, офисных инструментах, разработке ПО, поддержке клиентов, медиа и мобильных устройствах, тем больше инфраструктуры инференса должно работать непрерывно.
Дата-центры добавляют инфраструктурную нагрузку
Аппаратное обеспечение ИИ работает внутри дата-центров, и GPU — только часть картины электропотребления. Серверам нужны память, хранилища, сетевое оборудование, блоки питания и резервные системы. Данные перемещаются между машинами, стойками, а иногда и регионами.
Охлаждение также важно. Плотные AI-серверы выделяют много тепла, поэтому площадки используют воздушное или жидкостное охлаждение, чиллеры, насосы, вентиляторы или теплообменники, чтобы оборудование оставалось в безопасных температурных пределах.
Эффективность datacenter часто описывают показателем power usage effectiveness, или PUE. Более низкий PUE означает, что большая часть электроэнергии используется вычислительным оборудованием, а не вспомогательными системами объекта, но ни один крупный datacenter не работает без поддерживающей энергии. Stanford AI Index 2026 аналогично отделяет мощность AI-чипов от охлаждения, сетей и других инфраструктурных накладных расходов при оценке энергетической мощности AI datacenter.
Почему оценки потребления электричества ИИ так различаются
Публичные оценки различаются, потому что большинство AI-провайдеров не раскрывают полное энергопотребление в реальном времени по моделям, продуктам или типам запросов. Исследователям и аналитикам часто приходится объединять публичные сигналы внедрения, аппаратные предположения, оценки размера моделей, диапазоны эффективности datacenter и независимые отчёты, такие как Stanford AI Index.
Результат зависит от многих переменных: размера модели, числа токенов, разрешения изображения, поколения оборудования, загрузки, batching, пропускной способности памяти, географии, структуры энергосети и того, обучается система, обслуживает инференс или простаивает.
Поэтому данные об электроэнергии для AI обычно следует рассматривать как ориентировочные оценки, а не как точные официальные измерения. Полезный вопрос часто заключается не в одном числе, а в том, какие факторы увеличивают или снижают энергопотребление и указывают ли разные источники в одном общем направлении.
Может ли ИИ стать более энергоэффективным?
ИИ может стать эффективнее на уровне сопоставимой задачи. Более совершенные чипы, улучшенные архитектуры моделей, квантизация, кэширование, batching, дистилляция и маршрутизация к меньшим моделям могут снижать объем вычислений для полезных результатов.
Дата-центры тоже могут улучшаться за счет лучшего охлаждения, более высокой загрузки оборудования, закупки более чистой электроэнергии и эффективного распределения питания. Это снижает потери и может уменьшить энергию на запрос.
Более сложный вопрос — общий спрос. Если эффективность растёт, но использование AI увеличивается быстрее, общее потребление электроэнергии всё равно может расти. Сбалансированный взгляд должен учитывать обе стороны: эффективность на одну задачу и масштаб глобального внедрения AI, включая быстрый рост AI-вычислительной мощности, зафиксированный внешними исследованиями.