На протяжении десятилетий развитие ИИ сдерживали медленные и дорогостоящие компьютеры. Сегодня проблема стала проще, но её сложнее решить: необходимо найти достаточное количество надёжного электроснабжения, чтобы обеспечить работу центров обработки данных по мере проникновения ИИ в повседневную жизнь.
На протяжении большей части XX века развитие искусственного интеллекта (ИИ) тормозилось не из-за недостатка амбиций у исследователей, а потому, что доступное оборудование для его работы просто не было достаточно мощным. Ранние системы ИИ сталкивались с жёсткими ограничениями по скорости обработки и объёму памяти, что приводило к циклическим «зимам ИИ», когда прогресс останавливался, а финансирование иссякало.
Сейчас эта проблема в основном решена. Сегодня модели ИИ обучаются на специализированных чипах в огромных центрах обработки данных, и их масштабирование занимает не годы, а считанные недели. Вычислительные мощности, которые раньше были главным узким местом, теперь можно приобрести — были бы деньги. Такие компании, как Nvidia или AMD, с каждым годом всё более массово производят мощные графические процессоры (GPU) — компоненты, традиционно используемые для игр или визуализации, но также хорошо подходящие для вычислений ИИ.
Итак, помимо фундаментальных архитектур, лежащих в основе этих моделей, что мешает ИИ стать ещё более продвинутым? Новое ограничение носит гораздо более физический характер — и его гораздо сложнее обойти. Это электроэнергия.
Почему энергопотребление ИИ растёт в геометрической прогрессии
Современные модели ИИ обучаются не один раз, чтобы потом остановиться. Они работают постоянно, обеспечивая функционирование таких систем, как чат-боты, поисковые инструменты, генераторы изображений и более автономные агенты. Это изменение сделало ИИ постоянным крупным потребителем электроэнергии.
По словам Сампса Самилы, научного руководителя инициативы «ИИ и будущее менеджмента» в Барселонской бизнес-школе IESE, проблема заключается не в абсолютной нехватке энергии. «Дело не в общем объёме энергоснабжения, а в том, что не хватает надёжных и стабильных мощностей в нужном месте и в нужное время», — сказал он в интервью Live Science.
Прогнозы энергопотребления ИИ ясно демонстрируют эту нагрузку. Международное энергетическое агентство (МЭА) ожидает, что к концу десятилетия потребление энергии центрами обработки данных более чем удвоится и достигнет уровней, сопоставимых с показателями крупных промышленных экономик. В некоторых частях США центры обработки данных уже потребляют столько же энергии, сколько тяжёлая промышленность.
То, как ИИ фактически используется, имеет такое же значение, как и то, как он обучается. Обучение больших языковых моделей (LLM) по-прежнему потребляет много энергии, но, как правило, происходит в виде крупных, нечастых циклов. Быстрее растёт объём повседневной работы — модели, отвечающие пользователям снова и снова. Самила отмечает, что новые «рассуждающие» системы, которые тратят больше времени на выработку ответа, распределяют энергопотребление по режиму обычной работы и не дают скачков потребления в периоды интенсивного обучения.
Энергосистема, построенная для более медленного мира
Электросети были спроектированы с расчётом на постепенный рост, а не на то, что нагрузка, равная потреблению целого города, появится практически в одночасье.
Хуан Аризменди-Замбрано, доцент Высшей школы бизнеса имени Майкла Смерфита при Университетском колледже Дублина в Ирландии, отметил, что главная проблема заключается в синхронизации. Крупные ИИ-кампусы растут быстрее, чем позволяют модернизация электросетей или получение государственных разрешений. Это создаёт реальное «узкое место»: обеспечение достаточного количества электроэнергии тогда и там, где она необходима.
«По моему мнению, “дефицит” электроэнергии для ИИ связан не столько с абсолютной глобальной нехваткой электроэнергии, сколько с локальными узкими местами, создаваемыми быстрым развёртыванием крупных центров обработки данных», — сказал Аризменди-Замбрано в интервью Live Science.
«Эти кампусы растут быстрее, чем успевают модернизироваться электросети или реагировать бюрократические структуры. Особенно когда они появляются в сельских районах, выбранных из-за дешёвой земли и политического “лоббирования” со стороны штатов, но не рассчитанных на внезапную, сконцентрированную нагрузку. Результатом является физическое ограничение: доступ к большому количеству электроэнергии, вовремя, в нужном месте», — сказал он.
Скопление центров обработки данных в одном районе усугубляет проблему. Йенс Фёдерер, профессор Школы бизнеса Университета Маннхайма в Германии, указал на «Аллею центров обработки данных» в Северной Вирджинии, где многие объекты потребляют огромные объёмы электроэнергии из одной и той же сети. На строительство электростанций, линий электропередачи и подстанций уходят годы, но компании, занимающиеся искусственным интеллектом, часто начинают использовать вычислительные мощности гораздо раньше, иногда даже до того, как их здания будут достроены.
«Когда множество потребителей городского масштаба потребляют энергию из одной и той же местной сети, масштабировать энергоснабжение становится гораздо сложнее», — сказал Фёдерер.
Как отрасль пытается реагировать на эту ситуацию
Единого решения энергетической проблемы ИИ не существует. Вместо этого компании реализуют сразу несколько стратегий.
Одна из них — строительство электростанций ближе к самим центрам обработки данных. Крупные технологические компании подписали долгосрочные контракты на поддержку новых источников генерации электроэнергии, включая атомные электростанции, и изучают возможности создания локальных источников энергии там, где модернизация энергосети проходит слишком медленно.
Google, например, реализует эту стратегию в Техасе благодаря приобретению энергетической компании Intersect, которая строит крупномасштабные солнечные и накопительные проекты в соответствии со спросом центров обработки данных, а не ждёт модернизации сети. Microsoft, в свою очередь, подписала долгосрочное соглашение с Constellation Energy, связанное с планируемым возобновлением работы атомного реактора на площадке Три-Майл-Айленд в Пенсильвании для обеспечения электроэнергией своих центров обработки данных.
Другой подход заключается в выборе мест размещения, ориентируясь на доступность электроэнергии, а не на пользователей. Как отметил Фёдерер, центры обработки данных всё чаще размещаются там, где проще всего масштабировать энергоснабжение, даже если это означает удаление от крупных населённых пунктов.
Кроме того, существует возможность повторного использования старых площадок — в том числе неожиданных вариантов. Бывшие майнинговые фермы криптовалют становятся потенциальными площадками для размещения ИИ-нагрузок. Несмотря на то, что ранее их критиковали за энергопотребление, эти объекты уже обладают тем, что наиболее необходимо для ИИ: мощными подключениями к энергосети, системами охлаждения и опытом круглосуточной эксплуатации энергоёмкого оборудования. Сочетание биткоина и ИИ может показаться странным, но лежащие в их основе физические принципы одинаковы.
«У этих объектов уже есть мощные подключения к энергосети, и некоторые бывшие майнеры могут переориентироваться на рабочие нагрузки ИИ», — сказал Фёдерер.
Канадская майнинговая компания Bitfarms недавно объявила о планах переориентации своих объектов с майнинга биткоинов на высокопроизводительные вычисления и центры обработки данных для ИИ, в то время как Hut 8 — изначально компания по майнингу биткоинов — в конце 2025 года заключила крупную сделку по аренде на сумму 7 миллиардов долларов с целью предоставления мощностей центров обработки данных для вычислений в сфере ИИ.
Некоторые идеи выглядят ещё более амбициозными. В качестве способа полностью отказаться от земной энергосистемы предлагаются космические центры обработки данных, которые могут использовать постоянную солнечную энергию и холод космоса для охлаждения. Самила сказал, что идея работает — на бумаге, но в итоге цифры быстро становятся устрашающими.
Для одного объекта мощностью 5 гигаватт потребуется поле из солнечных панелей на орбите размером 4 на 4 километра. «В принципе это выполнимо», — добавил он, но только при условии серьёзных инженерных разработок. Задержки, техническое обслуживание и логистика запуска остаются открытыми вопросами.
Повышение эффективности, пожалуй, является самым быстрым способом решения проблемы. Фёдерер отметил, что достижения в области микросхем, проектирования моделей и системной архитектуры уже позволили сократить энергопотребление на единицу интеллектуальной мощности. Среди недавних разработок можно отметить прорывную технологию Массачусетского технологического института, направленную на сокращение энергопотребления за счёт вертикального расположения компонентов, а также технологию «Rainbow-on-a-chip», в которой для передачи данных между компонентами используются лазеры.
Такие достижения не устранят потребность в дополнительной энергии, но могут замедлить темпы роста спроса.
Поможет ли доступ к энергии создать более умный ИИ?
Растущая нагрузка на электросеть со стороны ИИ также вызывает опасения по поводу экологии. Инженер Аойфе Фоли, профессор и заведующая кафедрой «Net Zero Infrastructure» в Манчестерском университете (Великобритания), отметила, что на долю ИТ-сектора в целом уже приходится около 1,4% глобальных выбросов углерода.
Рабочие нагрузки ИИ потребляют гораздо больше энергии, чем обычные облачные вычисления, и, хотя крупные технологические компании инвестируют в возобновляемые источники энергии и более эффективное охлаждение, Фоли заявила, что одних только этих усилий недостаточно. «Эти последствия можно уменьшить за счёт более интеллектуальной оптимизации моделей и более тесной увязки стратегии центров обработки данных с региональным производством энергии из возобновляемых источников», — сказала она Live Science.
Несмотря на масштабность задачи, ни один из экспертов не считает, что электроэнергия может стать «коротким путём» к созданию универсального искусственного интеллекта (УИИ) — гипотетического варианта ИИ, способного демонстрировать поведение, не уступающее по интеллектуальному уровню человеческому или превосходящее его. Увеличение энергии облегчает создание и эксплуатацию более крупных систем, но не решает более сложные проблемы. Вместо этого Фёдерер утверждал, что настоящие ограничения лежат в другом — в доступе к данным, в новых архитектурах моделей и в подлинных достижениях в области рассуждений.
«Энергия необходима, но её одной недостаточно», — согласился Самила, добавив, что сегодня доминирующий подход к улучшению ИИ опирается на огромные объёмы энергии, но увеличение одной лишь электроэнергии само по себе не создаст УИИ по волшебству.
Увеличение энергии не гарантирует появление более умных машин, но меняет круг тех, кто сможет в этом участвовать. Доступ к энергии будет определять, где будет создаваться ИИ, кто сможет себе позволить его запускать и насколько широко он будет внедряться. Узкое место переместилось с кремния в физический мир, где электросети, разрешения и электростанции развиваются совсем не такими темпами, как программирование.
