В последние месяцы снова активизировались призывы притормозить развитие наиболее мощных AI-систем. Причём теперь они исходят уже не только от политиков и сторонних экспертов. Руководители крупнейших AI-компаний сами обсуждают необходимость замедлить гонку, ввести независимый контроль и договориться о правилах, которые позволили бы остановиться, если дальнейшее развитие станет слишком опасным.

Спор в основном идёт о том, кто и каким образом должен нажать на тормоз: сами разработчики, государство или международные регуляторы. Но есть ещё один возможный ограничитель, которому не нужны ни законы, ни международные соглашения, — физическая инфраструктура.

Программное обеспечение можно масштабировать дёшево и практически бесконечно. С аппаратной частью всё иначе. Чем больше становится AI, тем больше требуется GPU, дата-центров, электроэнергии, систем охлаждения, воды и сетевой инфраструктуры. И похоже, что именно здесь ограничения начинают становиться вполне реальными уже сейчас.

У Tagesschau вышла интересная статья именно на эту тему.

По приведённой там оценке, к 2045 году потребление электроэнергии в Германии может примерно удвоиться. Причина, конечно, не только в AI: растёт количество электромобилей и тепловых насосов, электрифицируется промышленность. Но одновременно очень быстро увеличивается потребность дата-центров в вычислительных мощностях.

Особенно хорошо это видно на примере Гессена. Более трети немецких дата-центров сосредоточено в районе Франкфурта, и там продолжают строить новые. В результате потребление электроэнергии в земле может вырасти примерно втрое.

Если эту энергию получать без дополнительного роста выбросов CO₂, потребуется значительно больше солнечной и ветровой генерации. Затем эту электроэнергию нужно доставить потребителям, то есть параллельно придётся расширять и перестраивать электросети.

Поэтому сейчас всё больше внимания уделяется не только производительности AI, но и тому, сколько энергии требуется для её получения.

В статье приводится интересный проект DFKI (Немецкого исследовательского центра искусственного интеллекта). На предприятии Stahl-Holding-Saar AI используется для распознавания и сортировки металлического лома. Дроны с камерами должны различать виды металлолома, но для дрона энергопотребление особенно критично: чем больше вычислений, тем быстрее разряжается аккумулятор.

Исследователи исходили из того, что моделей анализа изображений существуют тысячи. Поэтому вместо того, чтобы просто взять наиболее мощную модель, они сначала выясняли, какие параметры сильнее всего влияют на энергопотребление, а затем подбирали модель, достаточную именно для этой задачи.

В результате при той же производительности потребление электроэнергии удалось снизить почти на 90%.

Теперь DFKI совместно с T-Systems пытается перенести этот подход на большие дата-центры - вплоть до систем с 10 000 GPU. То есть вопрос уже ставится не только как «как построить более мощный кластер», но и как получить тот же результат с существенно меньшими вычислительными затратами.

Похожий процесс идёт и в архитектуре самих AI-моделей. По словам руководителя исследования Вольфганга Мааса, когда несколько лет назад появился ChatGPT, при обработке запроса фактически активировалась вся модель. Сейчас вычисления становятся более избирательными: для конкретной задачи используется только необходимая часть модели.

Отдельно в статье приводится пример DeepSeek R1. Большая модель разбивается на множество специализированных «экспертов», а для конкретного запроса задействуется только часть из них. Это позволяет заметно уменьшить объём вычислений и, соответственно, энергопотребление.

Маас сравнивает это с работой человеческого мозга: для распознавания того, что мы видим на улице, мозгу не требуется использовать все свои ресурсы. По его очень приблизительной оценке, речь идёт примерно о пяти процентах. Современные архитектуры AI постепенно движутся в том же направлении.

Но здесь возникает другая проблема. Рост эффективности вовсе не обязательно приводит к снижению общего энергопотребления.

Если вычисления становятся значительно дешевле, их просто начинают выполнять больше. Строятся новые дата-центры, запускается больше моделей, растёт количество запросов. В итоге увеличение общего объёма вычислений может съесть всю экономию, полученную за счёт более эффективных алгоритмов.

Кроме электроэнергии есть ещё одно вполне физическое ограничение - вода. Она нужна, в частности, для охлаждения дата-центров. И это уже не проблема какого-то далёкого будущего.

Этим летом в Германии в ряде регионов уже вводились ограничения на использование воды. Например, из-за засухи и высокого потребления ограничивали полив, наполнение бассейнов, мойку автомобилей и забор воды из рек и озёр.

Например, 14 июля 2026 года Мюнхене из-за продолжительной засухи и резко выросшего потребления воды запретили поливать газоны, наполнять частные бассейны, мыть автомобили вне автомоек и забирать воду из рек, озёр и ручьёв.

Потребление к тому моменту превысило 360 млн литров в сутки при обычном уровне около 300 млн. За нарушение запрета были предусмотрены штрафы до 50 000 евро.

Ещё более наглядный пример — округ Зиген-Виттенгштайн в Северный Рейн - Вестфалии.

После засушливых недель два основных водохранилища, Обернау и Брайтенбах, были заполнены лишь на 47,6% и 58,4%. В июне и июле жители использовали больше питьевой воды, чем за аналогичный период любого из предыдущих 15 лет. В августе там запретили, в частности, полив цветов, наполнение бассейнов и мойку автомобилей; ограничения затронули около 280 000 человек.

То есть в жаркий и сухой период вода уже становится ограниченным ресурсом даже для обычного бытового потребления. Если одновременно увеличивать число дата-центров, которым вода требуется для охлаждения, вопрос её доступности перестаёт быть второстепенным.

Хорошо видно, насколько быстро подобные физические ограничения превращаются в экономические.

Летом 2026 года низкий уровень Рейна уже серьёзно ударил по логистике. По данным Tagesschau, ставки на перевозки с Верхнего Рейна в сторону Роттердама примерно за неделю выросли в четыре раза: суда из-за малой глубины могли идти только с сильно сокращённой загрузкой. При уровне воды у Кауба ниже 20 см возникал риск фактического прекращения части перевозок, а некоторые предприятия уже объявили о возможном сокращении производства.

Быстро заменить речные перевозки автомобильными тоже невозможно: перевозка того же объёма вместо одного судна может потребовать около сотни грузовиков. В результате низкая вода начинает напрямую влиять уже не только на логистику, но и на цены на топливо, строительные материалы и промышленное сырьё.

Это хороший пример того, как недостаток совершенно обычного физического ресурса - воды довольно быстро становится ограничением для логистики, промышленности и экономики в целом.

Здесь, на мой взгляд и возникает проблема со сценариями быстрого и практически неограниченного роста AGI.

Программное обеспечение можно масштабировать дёшево и практически бесконечно. С аппаратной частью всё иначе. Для увеличения вычислительных мощностей нужны дополнительные дата-центры, а вместе с ними - электричество, системы охлаждения, вода и соответствующая сетевая инфраструктура.

Причём AI существует не в вакууме. За те же ресурсы конкурируют промышленность, транспорт, отопление домов и остальные потребители.

Поэтому даже если программно окажется возможным создавать всё больше автономных агентов или всё более крупные модели, их реальное масштабирование будет ограничено вполне материальной инфраструктурой.

В результате сценарий, в котором вычислительные мощности начинают почти бесконечно расти вслед за возможностями самого AI, выглядит гораздо менее очевидно, если учитывать энергетику, воду и инфраструктуру.

Скорее всего, основной вопрос ближайших лет будет не в том, как бесконечно увеличивать вычислительную мощность, а в том, как получить больше полезных вычислений из каждого ватта.

И судя по тому, что уже происходит: выбор более подходящих моделей для конкретной задачи, использование части модели и оптимизация работы дата-центров - это путь по котором начинает постепенно дигаться отрасль.