ИИ пожирает ресурсы планеты — или спасает их? Разбираемся, чем на самом деле обходится искусственный интеллект

Искусственный интеллект требует электричества, воды, редких металлов и земли — но одновременно может оптимизировать энергосети, сельское хозяйство и промышленность. Итоговый баланс зависит от того, как мы будем строить ИИ-инфраструктуру.

Каждый запрос к нейросети — это не просто байты в облаке. За ним стоят дата-центры, линии электропередач, системы охлаждения, полупроводниковые фабрики, шахты и глобальные логистические сети. Вопрос лишь в том, перевесят ли выгоды от ИИ тот урон, который он наносит планете.

Программное обеспечение выглядит эфемерным — набери вопрос, получил ответ. Но за этим визуальным волшебством скрывается тяжёлая физическая инфраструктура, которая потребляет ресурсы в масштабах, с которыми уже нельзя не считаться. Большие языковые модели, системы рекомендаций, компьютерное зрение, автономная логистика — всё это работает на конкретном железе, которое нужно произвести, запитать, охладить и в конце утилизировать.

Железо, которое мы не видим

ИИ работает на специализированном оборудовании: графических процессорах (GPU), тензорных ускорителях (TPU), высокоскоростной памяти, сетевом оборудовании и системах хранения. Всё это размещается в дата-центрах, которые нуждаются в бесперебойном электричестве и охлаждении.

Современный кластер для обучения может содержать тысячи ускорителей. Возьмём Nvidia H100 — флагманский ИИ-чип с тепловыделением до 700 ватт. Стойка из восьми таких GPU вместе с процессорами, памятью, накопителями и сетевым оборудованием потребляет более 10 киловатт. А крупные машинные залы дата-центров выходят на десятки и сотни мегаватт.

Но обучение — это только часть картины. Инференс, то есть непосредственная выдача ответов пользователям, работает непрерывно. Модель обучают один раз, а запрашивают — миллиарды. Стоимость одного запроса сильно варьируется в зависимости от размера модели, железа, batching-стратегии и эффективности дата-центра, но совокупный спрос растёт лавинообразно, когда ИИ встраивается в поисковики, офисные приложения, инструменты разработки, рекламу, техподдержку и мобильные устройства.

Электричество: тераватт-часы на кону

Дата-центры уже занимают ощутимую долю в мировом потреблении электроэнергии. По оценке Международного энергетического агентства (МЭА), в 2022 году дата-центры и сети передачи данных потребили около 460 тераватт-часов электричества — это сопоставимо с потреблением целой Кении за сорок лет. Агентство прогнозирует, что к 2026 году эта цифра может удвоиться и превысить 1000 тераватт-часов при оптимистичном сценарии роста.

ИИ здесь — не единственный драйвер. Облачные хранилища, видеостриминг, корпоративный софт и криптовалютный майнинг тоже жрут электричество. Но ИИ меняет профиль нагрузки: кластеры ускорителей потребляют на порядки больше на стойку, чем традиционные серверы.

У энергопотребления три ключевых последствия:

• Расход топлива. Если новую нагрузку покрывает генерация на ископаемом топливе, ИИ увеличивает спрос на уголь, газ или нефть. Газовые электростанции особенно привлекательны для покрытия пиковых нагрузок дата-центров.

• Сетевая инфраструктура. Крупные объекты ИИ требуют подстанций, трансформаторов, модернизации ЛЭП, резервного питания, а иногда и выделенных контрактов на покупку электроэнергии. Медь, алюминий, сталь, бетон и земля расходуются ещё до того, как обучена первая модель.

• Альтернативная стоимость. «Чистая» электроэнергия, потребляемая дата-центрами, не появляется из ниоткуда. Даже если оператор заключил контракт на возобновляемую энергию, сеть по-прежнему опирается на ископаемые станции в часы пик. Выбросы зависят от времени суток, географии и энергобаланса конкретной сети.

Внутри дата-центров ключевая метрика — PUE (Power Usage Effectiveness). Идеальное значение — 1.0, когда всё электричество уходит на вычисления. Объект с PUE 1.2 тратит 20% сверху на охлаждение, освещение и потери при распределении. Гиперскейл-операторы обычно декларируют PUE в диапазоне 1.1–1.3, но реальные показатели зависят от климата, плотности нагрузки и системы охлаждения.

Вода: невидимая цена охлаждения

ИИ влияет на пресные ресурсы и через охлаждение, и через генерацию электроэнергии.

Дата-центры отводят тепло воздушным, испарительным, жидкостным или гибридным охлаждением. Испарительные системы снижают потребление электричества, но расходуют воду. Жидкостное охлаждение эффективнее справляется с высокоплотными ИИ-стойками, но общий водный след зависит от конструкции объекта и источника энергии.

Водопотребление делится на две категории: прямое (на площадке дата-центра) и косвенное (на электростанциях, которые его питают). Угольные, газовые, атомные и солнечные концентрационные станции с водяным охлаждением расходуют значительные объёмы воды на мегаватт-час. Ветровая и солнечная фотоэлектрическая генерация — на порядки экономичнее в эксплуатации, хотя их производство тоже имеет водный след.

Здесь критически важна география. Водоёмкая система охлаждения в регионе с избытком пресной воды — это одно и то же решение, а в Аризоне, Чили, северной Мексике или засушливых районах Индии — совершенно другое. Степень стресса водосбора важнее абсолютного объёма потребления.

Ключевая метрика — WUE (Water Usage Effectiveness), измеряется в литрах на киловатт-час ИТ-энергии. Чем ниже — тем лучше. Но хитрость в том, что оператор может снизить WUE, увеличив электропотребление, и наоборот. Поэтому PUE и WUE нужно оценивать только в паре.

Медь, кремний, редкоземылы: с чего начинается ИИ

ИИ-аппаратура начинается далеко от серверной стойки. Её путь — это добыча и переработка кремния, меди, алюминия, золота, олова, никеля, тантала, вольфрама, кобальта, редкоземельных элементов и высокочистого кварца.

Производство полупроводников — ресурсоёмкий процесс. Передовые чипы требуют сверхчистой воды, специальных газов, фоторезистов, растворителей, кислот и огромного количества электричества. Передовая фабрика может расходовать миллионы галлонов воды в день (хотя значительная часть проходит очистку и повторное использование). Требования к чистоте воды экстремальны: микроскопическое загрязнение способно уничтожить целые пластины.

Ускорители ИИ также используют высокоскоростную память и продвинутые методы упаковки чипов — это дополнительные технологические этапы, подложки, интерпозеры и точная сборка. Цепочка поставок тянется от шахт и химических заводов через фабрики полупроводников, упаковочные предприятия, производителей печатных плат и серверных OEM до логистических компаний.

Проблема не только в исчерпании ресурсов. Куда серьёзнее:

• Разрушение экосистем при добыче
• Аварии хвостохранилищ и загрязнение воды
• Энергоёмкая переработка руд
• Трудовые и экологические риски
• Геополитическая концентрация переработки
• Низкие показатели переработки сложной электроники

Медь здесь — узкое горлышко, потому что рост ИИ совпадает с электрификацией транспорта, расширением сетей, массовым внедрением тепловых насосов и ВИЭ. Один крупный дата-центр-кампус способен потребовать значительных объёмов медного кабеля для подвода питания, трансформаторов, коммутационного оборудования и резервных систем.

Земля, бетон и дизельные генераторы

ИИ-инфраструктура занимает землю напрямую — через площадки дата-центров — и косвенно: через энергогенерацию, линии электропередач, месторождения, фабрики и объекты утилизации.

Гиперскейл-кампус может занимать десятки гектаров. Корпуса требуют бетона и стали — материалов с высоким углеродным следом. А резервные источники питания часто работают на дизельном генераторе, хотя некоторые операторы экспериментируют с аккумуляторами, водородными топливными элементами и сетевыми схемами резервирования.

Влияние на землю сильно зависит от местоположения. Повторное использование промышленных площадок с готовой сетевой инфраструктурой минимизирует ущерб. А строительство в районах с дефицитом воды, перегруженными сетями или высокой экологической ценностью — наоборот, усиливает давление.

Есть и позитивный нюанс: дата-центры выделяют тепло, и в холодных регионах его можно направлять в системы централизованного теплоснабжения. Это повышает общую энергоэффективность — при наличии поблизости потребителей тепла и соответствующей инфраструктуры.

Электронные отходы: ускоренное старение

ИИ-железо морально устаревает стремительно. Новые поколения ускорителей дают скачки в производительности на ватт, пропускной способности памяти и скорости интерконнекта. Это создаёт давление на замену серверов задолго до физического износа.

Электронные отходы содержат ценные материалы, но извлечение их — нетривиальная задача. Печатные платы включают медь, золото, палладий, серебро и олово в малых концентрациях. Аккумуляторные системы — ещё ряд извлекаемых веществ. Грамотная переработка снижает потребность в добыче, но неформальная утилизация может приводить к выбросам свинца, ртути, бромированных антипиренов и других опасных веществ.

Ресурсоэффективное развёртывание ИИ должно отслеживать: срок жизни сервера в годах, коэффициент загрузки ускорителей, энергопотребление на обучение, энергопотребление на тысячу инференсов, ремонтопригодность, повторное использование компонентов, сертифицированные показатели переработки и «встроенный» углерод и воду на сервер. Простаивающий ускоритель — это уже потраченные руды, заводская энергия, капитал и логистика.

Другая сторона медали: ИИ как инструмент оптимизации

Всё вышеперечисленное звучит тревожно, но было бы нечестно рассматривать только расходную часть. ИИ способен снижать нагрузку на ресурсы — и в ряде направлений это уже происходит.

Энергосети. Машинное обучение улучшает прогнозирование спроса и генерации ВИЭ, обнаруживает неисправности, оптимизирует потоки энергии. Лучшие прогнозы помогают интегрировать ветровую и солнечную генерацию, сокращая потребность в резервных мощностях. Предиктивное обслуживание позволяет выявлять проблемы трансформаторов до аварий, продлевая срок службы оборудования и снижая потребность в замене.

Сельское хозяйство. ИИ-системы орошения используют данные датчиков влажности почвы, погодные модели, спутниковые снимки и агрономические алгоритмы, чтобы подавать воду ровно тогда и там, где нужно растениям. Компьютерное зрение выявляет стресс, вредителей и дефицит питательных веществ раньше, чем это заметит человек. Точечное распыление гербицидов и пестицидов на отдельные сорняки вместо целого поля — реальная экономия ресурсов.

Промышленность. ИИ оптимизирует работу печей, компрессоров, насосов и химических реакторов, которые потребляют огромное количество энергии. Даже 1% повышения эффективности в цементной, сталелитейной или нефтеперерабатывающей отрасли экономит существенные объёмы топлива и сырья. Предиктивное обслуживание сокращает незапланированные простои и преждевременную замену оборудования.

Поиск новых материалов. ИИ ускоряет поиск лучших аккумуляторных материалов, катализаторов, хладагентов, мембран и сплавов. Более быстрое создание низкокобальтовых батарей, эффективных электролизёров или улучшенных сорбентов для улавливания углерода способно сократить и добычу, и энергоёмкость. Но лабораторный успех ещё должен пройти масштабирование, тестирование безопасности, производственную экономику и развёртывание.

Ловушка отскока: когда эффективность ведёт к росту потребления

Есть фундаментальная проблема, о которой редко вспоминают восторженные пропагандисты «зелёного ИИ». Экономия может увеличить общее потребление, если снижение затрат стимулирует больший спрос. Это так называемый «эффект отскока» (rebound effect).

Если ИИ удешевляет разработку софта — софта производят больше. Если ИИ делает рекламу эффективнее — на таргетинг и генерацию контента тратят больше вычислительных ресурсов. Если инференс дешевеет — продукты начинают встраивать ИИ-функции независимо от того, есть в них реальный смысл.

Десятикратное улучшение эффективности не гарантирует снижения потребления ресурсов, если спрос вырастет в двадцать раз. Поэтому ключевая метрика — не энергия на одно вычисление, а общесистемное потребление:

Общее использование ресурсов = ресурсоёмкость задачи × количество задач

Компактная модель, отвечающая на миллиарды ненужных запросов, способна потребить больше ресурсов, чем крупная модель, используемая точечно для высокозадачной работы.

Как измерить реальный след ИИ

Ресурсная отчётность ИИ должна включать и операционные, и «встроенные» воздействия. Операционные — электричество, вода, резервное топливо, хладагенты в процессе эксплуатации. Встроенные — добыча, производство, строительство, логистика и утилизация.

Полезные метрики включают: кВт·ч на обучение, кВт·ч на тысячу инференсов, PUE, WUE, углеродоёмкость по часам (с учётом реального состояния сети), загрузку оборудования и «встроенный» углерод на сервер.

Пока что многие публичные декларации о «зелёном ИИ» слабы, потому что в них отсутствуют географические данные, почасовое соответствие чистой энергии, отчётность по воде и полный жизненный цикл оборудования.

Инженерные подходы к снижению давления

Существует несколько практических решений, которые могут сократить ресурсный след ИИ без остановки развития.

Компактные и специализированные модели. Не каждая задача требует фронтовой модели. Дистиллированные модели, системы с retrieval-augmented generation, разреженные архитектуры и узкоспециализированные модели снижают стоимость инференса. Компактная модель, точно отвечающая на узкий класс вопросов, часто ресурсоэффективнее генеральной модели, применяемой ко всему подряд.

Квантизация и оптимизация инференса. Снижение числовой точности (например, с 16-битного формата до 8-битного или 4-битного) уменьшает потребление памяти, повышает пропускную способность и снижает энергозатраты на токен. Batching, кеширование, speculative decoding и оптимизированные ядра тоже повышают загрузку ускорителей.

Умное планирование нагрузок. Обучение и пакетный инференс можно переносить на периоды с низкоуглеродной электрогенерацией или высокой долей ВИЭ. Нелатентные задачи могут мигрировать между регионами, если позволяют нормы и сетевые условия.

Продление жизни оборудования. Модульный дизайн, ремонт, перепродажа и вторичное использование серверов сокращают отходы. Старые ускорители остаются полезными для компактных моделей, батчевой обработки, обучения и исследований.

Осознанное размещение по водному фактору. Дата-центры нужно оценивать не по среднему наличию воды, а по стрессу конкретного водосбора. Сухое охлаждение, рециркуляция воды, замкнутые жидкостные системы и непитьевые источники снижают давление на питьевое водоснабжение.

Стандарты и закупочные требования. Ресурсоэффективный ИИ требует не добровольных обещаний, а закупочных стандартов. Заказчики облачных услуг могут требовать от провайдеров оценки энергопотребления на задачу, данные по водопотреблению с привязкой к региону, политику жизненного цикла оборудования и почасовую отчётность по чистой энергии.

Государства, в свою очередь, могут обязать крупные дата-центры раскрывать данные о потреблении электричества и воды, использовании резервного топлива и влиянии на электросети. Разрешительные процедуры могут отдавать приоритет площадкам с готовой сетевой инфраструктурой, низким водным стрессом, возможностью утилизации тепла и credible планами переработки.

Финансирование исследований тоже может быть перенаправлено в сторону эффективных архитектур моделей. Бенчмарки должны оценивать точность наряду с энергопотреблением, латентностью, потреблением памяти и требованиями к оборудованию. Модель, улучшающая точность на 0,2% при удвоении стоимости инференса, заслуживает критического внимания — если только конкретное применение это не оправдывает.

Итог: баланс, который ещё не подведён

Влияние ИИ на природные ресурсы планеты определяется не самим фактом существования искусственного интеллекта, а конкретными решениями по его развёртыванию: что автоматизируется, какие модели используются, где строятся дата-центры, откуда берётся электричество, как управляется вода и возвращается ли оборудование в продуктивный цикл.

Следующий этап ИИ-инфраструктуры стоит измерять не только возможностями моделей, но и полезной работой на киловатт-час, литр воды, килограмм материала и квадратный метр земли. Без этих метрик разговоры об «умном» и «зелёном» ИИ остаются маркетинговым шумом.