Появление GPT-5 вновь подняло вопрос, который долгое время оставался в тени технооптимизма: сколько энергии потребляют современные крупные языковые модели? По оценкам, суточный расход электроэнергии при работе GPT-5 может достигать 45 ГВт·ч — это сопоставимо с ежедневным потреблением электроэнергии 1,5 млн американских домохозяйств или выходной мощностью 2–3 атомных реакторов. В условиях глобальной гонки за всё более мощными моделями эти цифры превращают развитие ИИ в важную отраслевую и общественную проблему.
Ключевые числа
- Оценочный суточный расход GPT-5: до 45 ГВт·ч.
- Энергия на генерацию ~1000 токенов (средний ответ): в среднем 18.35 Вт·ч, максимум до 40 Вт·ч.
- Для сравнения: GPT-4 оценивают в ~2.12 Вт·ч на аналогичный ответ — рост порядка 8.6×.
- Microsoft Power BI и исследования указывают, что отдельные варианты моделей (например, o3-pro) имеют ещё более высокую энергоёмкость (в среднем 33.07 Вт·ч), GPT‑5 (high) — ~19.98 Вт·ч, варианты medium/low — 8.70 Вт·ч и 6.89 Вт·ч соответственно.
От GPT‑3 к GPT‑5: экспоненциальный рост энергозатрат
История показывает быстрый рост энергозатрат по мере увеличения масштабов моделей:
- GPT‑3 (тренировка) — порядка сотен МВт·ч.
- GPT‑4 — оценочно в разы больше.
- GPT‑5 — при текущих оценках энергопотребление как при тренировке, так и при inference (вычисления в продакшене) взлетело на несколько порядков.
Учёные и аналитики отмечают сильную корреляцию между ростом параметров/архитектуры и потреблением энергии: увеличение масштаба модели на порядок часто ведёт к приблизительно линейному или более быстрому росту энергетических затрат на выдачу тех же токенов.
Как рассчитываются эти оценки
Группы исследователей (включая лабораторию ИИ при Университете Род-Айленда) оценивали энергопотребление, умножая время отклика модели на среднее аппаратное энергопотребление и учитывая дополнительные системные коэффициенты — PUE (Power Usage Effectiveness), влияние оперативной памяти, CPU, хранилищ и систем охлаждения.
Поскольку OpenAI не раскрывает детали развёртывания, расчёты базируются на предположениях о типичных серверах (DGX H100/H200 или аналогичные системы) и средних коэффициентах облачных провайдеров. Если используется более эффективное железо (например, Blackwell), оценки могут измениться.
Экономические и экологические последствия
- Прямая экономическая нагрузка. Рост энергопотребления означает повышение операционных расходов для разработчиков и облачных провайдеров. Это может ударить по рентабельности сервисов при сохранении текущих моделей монетизации.
- Удар по экологическим целям. Высокая потребность в электроэнергии и системах охлаждения повышает углеродный след индустрии, особенно если дата‑центры питаются не полностью за счёт возобновляемых источников.
- Инфраструктурная перезагрузка. Для обеспечения такого спроса нужны новые дата‑центры, мощные GPU‑стойки и системы жидкостного охлаждения — всё это требует капитальных вложений и ресурсной координации.
Прозрачность и общественный дискурс
Одним из ключевых раздражителей в публичном диалоге является отсутствие точной прозрачности: OpenAI не раскрывает детальных данных о потреблении и выбросах GPT‑5. Это порождает вопросы доверия и поднимает этическую дилемму: оправдана ли масштабная энергетическая трата ради улучшения качества моделей? Эксперты и общественные организации настаивают на обязательной раскрываемости таких данных, а также на независимых оценках экологического следа.
Что дальше? Технологии, регуляция и выбор общества
- Технические пути смягчения: архитектурные улучшения (sparsity, mixture-of-experts), аппаратная оптимизация, специализированные ускорители, динамическое включение параметров и более эффективные протоколы инференса.
- Регуляторные возможности: введение стандартов раскрытия потребления/углеродного следа, учёт энергоёмкости при классификации рисков ИИ.
- Общественный выбор: баланс между пользой новых ИИ‑сервисов и их реальными издержками должен обсуждаться публично — кто платит за эту энергию, кто несёт ответственность за экологические последствия и как распределяются выгоды.
Вывод
GPT‑5 показал, что технологический прогресс в области больших языковых моделей несёт не только новые функциональные возможности, но и растущие скрытые издержки — прежде всего энергетические. Пока индустрия празднует улучшения качества, общество и регуляторы должны требовать прозрачности и работать над тем, чтобы мощный ИИ развивался устойчиво: с учётом экономических, экологических и социальных последствий.