Как искусственный интеллект стал потребителем масштаба целой страны

ИИ-системы поглощают энергию двух Нидерландов. К концу 2025 года они могут потребовать половину мощности всех дата-центров планеты — и это только начало траектории, которая заставляет пересмотреть границы технологического прогресса.

ИИ-системы потребляют 20% электроэнергии всех дата-центров мира сегодня. К декабрю этот показатель может достичь 50%.

Исследование Алекса де Вриса из Vrije Universiteit Amsterdam, опубликованное в журнале Joule в мае 2025 года, впервые измерило реальный энергетический след искусственного интеллекта. Результат: 23 гигаватта непрерывной мощности к концу года — эквивалент энергосистемы двух Нидерландов или всей Великобритании.

Цифра получена не из абстрактных моделей. Команда де Вриса проанализировала производство чипов, корпоративную отчётность и инфраструктурные потери. Метод назвали bottom-up — от микрочипа до национальной электросети.

Как считали энергию искусственного интеллекта

Де Вриc начал с Taiwan Semiconductor Manufacturing Company (TSMC) — крупнейшего производителя AI-ускорителей в мире. Команда отследила выпуск чипов по техпроцессам 5 нм и 3 нм. Именно эти узлы используют для GPU и TPU, обучающих большие языковые модели.

Ключевое наблюдение: производство специализированных чипов удвоилось между 2023 и 2024 годами. Каждый выпущенный чип работает 3–5 лет, становясь источником постоянного энергопотребления.

Команда сопоставила данные TSMC с публичными отчётами технологических корпораций, учла потери на охлаждение и коэффициент эффективности использования энергии (PUE) дата-центров.

[ГРАФИК: Рост энергопотребления AI 2023–2030. Линейная диаграмма с отметками: 2023 — 10%, 2024 — 20%, декабрь 2025 — 49%, прогноз 2030 — до 10% мирового электропотребления]

Годовой объём энергопотребления ИИ оценивается в 46–82 тераватт-часа в 2025 году. Диапазон широкий — неопределённость связана с уровнем загрузки оборудования и темпами роста спроса. Верхняя граница соответствует энергопотреблению страны с населением 67 миллионов человек.

Для сравнения: это больше, чем годовое потребление электроэнергии Московской области с населением 8 миллионов человек, или всего Урала с его металлургическими заводами и химическими комбинатами.

Временная шкала: от 10% до половины всех дата-центров

2023 год: базовый уровень производства AI-чипов. Энергопотребление ИИ составляло ~10% от всех дата-центров мира.

2024 год: TSMC удвоила производство. Доля ИИ выросла до 20%. В этот момент энергопотребление достигло порядка энергосистемы Нидерландов — страны с 17,5 миллионами жителей, развитой промышленностью и плотной транспортной сетью.

Декабрь 2025: прогноз — 23 гигаватта непрерывной мощности, или 49% энергопотребления всех дата-центров.

[СРАВНИТЕЛЬНАЯ ДИАГРАММА: Столбчатая. 23 ГВт = энергопотребление Нидерландов (17,5 млн жителей) + половина Великобритании. Альтернативный вариант для российского контекста: 23 ГВт = энергопотребление Московской области × 3]

2030 год: по оценкам Международного энергетического агентства (IEA), дата-центры могут потреблять до 945 тераватт-часов ежегодно — около 10% мирового электропотребления.

Для масштаба: 23 гигаватта — это мощность 23 атомных электростанций среднего класса или годовая выработка крупнейшей ГЭС мира, умноженная на три. Энергетический аппетит ИИ уже превосходит Bitcoin-майнинг — технологию, десятилетие критикуемую за неэффективность.

Обучение против вывода: где расходуется энергия

Энергия распределяется неравномерно. Обучение GPT-4 потребовало работы тысяч графических процессоров в течение месяцев — единовременный всплеск мощности, измеряемый мегаваттами.

Вывод (или инференс — применение обученной модели для получения результатов) требует меньше энергии на одну операцию, но выполняется миллиарды раз ежесекундно по всему миру.

[ИНФОГРАФИКА: Обучение vs инференс. Визуализация соотношения: единовременный всплеск (высокий столбик, короткий по времени) против постоянного потребления (низкий столбик, растянутый на годы). Площадь второго в итоге больше]

Проблема усугубляется архитектурными различиями. GPU потребляет 300–500 ватт под нагрузкой. TPU (тензорный процессор) от Google — 200–280 ватт благодаря специализированной архитектуре. ASIC (специализированные интегральные схемы) для вывода могут снижать потребление до 50–100 ватт на чип, но их разработка занимает годы и требует огромных инвестиций.

Китайский урок эффективности: DeepSeek против западных моделей

Китайская система DeepSeek демонстрирует значительно более низкие требования к ресурсам по сравнению с Llama 3.1 от Meta. Разработчики применили разреженные архитектуры (mixture of experts), квантизацию весов до 4 бит и оптимизацию алгоритмов внимания через Flash Attention 2.

Результат: снижение энергопотребления на обучение на 60–70% при сопоставимом качестве выходных данных.

Это доказывает, что траектория энергопотребления не предопределена. Архитектурные решения радикально меняют уравнение — как переход от паровой машины к электромотору.

[ДИАГРАММА ЭФФЕКТИВНОСТИ: Сравнительная шкала. Человеческий мозг: 20 Вт. TPU: 200–280 Вт. GPU: 300–500 Вт. Подпись: биологический эталон против искусственных систем]

Электросети под давлением: когда дата-центры становятся городами

Энергосистемы проектировались без учёта возможности, что дата-центры станут потребителями масштаба городов-миллионников. Концентрация вычислительных мощностей создаёт региональные пиковые нагрузки, способные дестабилизировать локальные сети.

В штатах Вирджиния и Орегон операторы уже сталкиваются с дефицитом доступной мощности для подключения новых объектов. Время ожидания согласования подключения выросло с 18 месяцев до 3–4 лет.

Стоимость киловатт-часа становится определяющим фактором размещения ИИ-инфраструктуры — не менее важным, чем доступ к талантам.

[КАРТА: Концентрация дата-центров. Отмечены регионы: Вирджиния, Орегон (США), Исландия, Квебек (Канада), Норвегия. Цветовое кодирование по типу энергии: синий — гидро, красный — геотермальная, зелёный — смешанная]

Регионы с дешёвой электроэнергией становятся магнитами для дата-центров. Исландия (геотермальная энергия), Квебек (гидроэнергетика), Норвегия (ГЭС) — все они привлекают инвесторов низкой ценой киловатт-часа. Однако локальные сети не всегда справляются. В Исландии пришлось ввести мораторий на новые подключения до 2026 года.

Декарбонизация под вопросом

Рост энергопотребления ИИ совпадает с глобальными усилиями по переходу на возобновляемые источники. IEA предупреждает: если новый спрос будет покрываться за счёт традиционной генерации, цели по углеродной нейтральности к 2050 году окажутся недостижимыми.

Крупные технологические компании инвестируют в альтернативную энергетику. Microsoft заключила соглашения о покупке электроэнергии малых модульных ядерных реакторов (SMR) общей мощностью 1,5 гигаватта. Google вкладывается в геотермальные проекты в Неваде и Калифорнии.

Эти инициативы пока не масштабированы — совокупная мощность составляет менее 5% от потребностей.

Основное препятствие — отсутствие детализированной корпоративной отчётности. Большинство компаний не раскрывают данные об энергопотреблении своих ИИ-систем, ссылаясь на коммерческую тайну.

Биологический эталон: 20 ватт против гигаватт

Человеческий мозг потребляет примерно 20 ватт энергии — меньше лампочки — выполняя задачи распознавания образов, контекстного понимания и творчества на уровне, недостижимом для современных систем.

Сравнение с искусственными нейросетями, требующими гигаватты мощности для узкоспециализированных задач, демонстрирует фундаментальную неэффективность текущих подходов.

Биологические системы используют принципы, которые инженерия пока не воспроизвела: спайковые нейросети с энергопотреблением в микроджоулях на операцию, избыточность без дублирования, обучение без обратного распространения ошибки. Изучение этих механизмов может привести к прорывам в архитектуре вычислений.

Что можно изменить сейчас

Технологии для снижения энергопотребления уже существуют. Повторное использование моделей через трансферное обучение сокращает затраты на обучение на 80–90%. Разреженные архитектуры уменьшают количество активных параметров на 70% без критической потери точности. Федеративное обучение снижает потребность в централизованных вычислениях.

Вопрос в стимулах: пока энергоэффективность не станет конкурентным преимуществом или регуляторным требованием, большинство разработчиков выбирают путь наименьшего сопротивления.

Метрики прозрачности, которые нужны сейчас

• Энергия на обучение модели (измеряется в мегаватт-часах)
• Энергия на миллион инференсов (ватт-часы)
• Доля возобновляемых источников в энергомиксе дата-центра
• Коэффициент эффективности использования энергии (PUE)

Эти показатели должны стать стандартом отчётности — такими же обязательными, как финансовые данные.

Что может сделать каждый

Разработчики: выбирайте предобученные модели вместо обучения с нуля. Используйте квантизацию и прунинг. Тестируйте модели на меньших датасетах перед полным запуском.

Компании: требуйте от облачных провайдеров раскрытия энергомикса. Отдавайте предпочтение дата-центрам на возобновляемых источниках. Публикуйте собственные метрики энергопотребления.

Пользователи: выбирайте сервисы, раскрывающие свой углеродный след. Задавайте вопросы о том, откуда берётся энергия для ИИ-приложений, которые вы используете.

Достигнет ли энергопотребление ИИ пика в 2026 году?

Прогноз де Вриса предполагает замедление роста после 2025 года — при условии внедрения энергоэффективных архитектур и стабилизации производства чипов. Однако неопределённость остаётся высокой.

Следующий этап исследования запланирован на июнь 2025 года — команда обновит модель с учётом реальных данных первого полугодия.

Энергетическое измерение ИИ — не периферийная тема для экологов, а центральная проблема устойчивости технологического развития. Если текущие тенденции сохранятся, к 2030 году дата-центры могут потреблять более 10% глобальной электроэнергии.

Это потребует либо беспрецедентного расширения генерирующих мощностей, либо фундаментального пересмотра подходов к архитектуре ИИ.

Технологии не существуют в вакууме. Они встроены в физическую реальность с ограниченными ресурсами и конечной пропускной способностью инфраструктуры.

Энергопотребление ИИ — это тест на зрелость цивилизации: сможем ли мы развивать вычислительные системы, не разрушая баланс энергетических систем планеты.

Ответ зависит не от технологий — они уже существуют. Ответ зависит от того, сделаем ли мы эффективность приоритетом раньше, чем счёт за электричество станет непосильным.