Бум генеративного искусственного интеллекта превратил дата-центры в один из самых быстрорастущих потребителей электроэнергии. Если в 2018 году американские центры обработки данных использовали около 1,9% всей электроэнергии страны, то к 2025 году этот показатель превысил 5%. На фоне стремительного распространения ИИ компании вкладывают десятки и сотни миллиардов долларов в новые вычислительные мощности, а отдельные гипермасштабные дата-центры уже способны потреблять более гигаватта энергии — сопоставимо с десятой частью потребления Лос-Анджелеса.
Хотя один запрос к Google Gemini требует в среднем около 0,24 ватт-часа — примерно столько же, сколько телевизор расходует за девять секунд работы, — миллиарды ежедневных обращений превращают эти доли ватта в огромные объёмы энергопотребления. По оценкам OpenAI, аудитория ChatGPT уже превышает 900 миллионов пользователей в неделю.
Особую тревогу специалистов вызывает не обучение моделей, а этап их повседневного использования. Крупные языковые модели выполняют колоссальное количество вычислений при генерации каждого нового слова, задействуя сотни миллиардов параметров. Именно поэтому исследователи всё активнее ищут способы сделать ИИ менее энергоёмким.
Одним из наиболее перспективных направлений считается переход к специализированным моделям. Небольшие ИИ-системы, обученные под конкретные задачи, способны потреблять более чем на 90% меньше энергии по сравнению с универсальными моделями. Аналогичную идею реализуют архитектуры типа «смесь экспертов», в которых для выполнения конкретного запроса активируется лишь часть большой модели. Подобный подход используют современные системы DeepSeek, Gemini и ChatGPT.
Учёные также пытаются преодолеть фундаментальный недостаток трансформеров — стремительный рост вычислительной нагрузки по мере увеличения контекста. Одной из альтернатив стали усовершенствованные модели xLSTM, основанные на архитектуре долговременной кратковременной памяти. По оценкам разработчиков, при обработке длинных текстов они способны сократить энергозатраты примерно наполовину.
Помимо алгоритмов, исследователи переосмысливают и аппаратную часть. Компания Cerebras уже выпускает гигантские чипы размером с кремниевую пластину, которые позволяют существенно уменьшить затраты энергии на обмен данными. Производители также создают специализированные процессоры для ИИ — такие как Trainium2 от Amazon и TPU от Google. По данным Nvidia, за последние восемь лет энергоэффективность её решений для больших языковых моделей выросла в 45 тысяч раз.
В лабораториях разрабатываются ещё более радикальные технологии. Аналоговые вычисления позволяют отказаться от части традиционных цифровых операций и значительно сократить энергопотребление. Нейроморфные чипы, вдохновлённые работой человеческого мозга, объединяют хранение данных и вычисления, а фотонные процессоры используют вместо электронов частицы света, обещая снизить энергозатраты на несколько порядков.
Не менее важным фактором становится расположение дата-центров. Исследования показывают, что грамотный выбор площадок с доступом к возобновляемым источникам энергии способен сократить углеродный след центров обработки данных на 73%, а потребление воды — на 86%. Крупные компании уже начинают переносить вычислительные нагрузки в регионы с более «зелёной» энергетикой и инвестируют в солнечные, ветровые и атомные проекты.
Впрочем, эксперты подчёркивают, что проблема не ограничивается технологиями. Вопрос заключается ещё и в разумности применения ИИ. По мнению исследователей, каждая новая область использования искусственного интеллекта должна оцениваться с точки зрения реальной пользы. В конечном счёте будущее отрасли будет определяться не только мощностью алгоритмов, но и тем, смогут ли они приносить больше пользы обществу, чем ресурсов требуют для своей работы.
Источник: https://singularityhub.com/2026/06/18/how-to-tame-ais-voracious-appetite-for-energy/
Больше интересного – на медиапортале https://www.cta.ru/