Вычислительные мощности больше не главный барьер

На протяжении большей части XX века развитие искусственного интеллекта (ИИ) сдерживалось слабой вычислительной техникой. Ранние системы сталкивались с жёсткими ограничениями по скорости и памяти, что приводило к периодическим «зимам ИИ» — временам застоя и сокращения финансирования.

Сейчас эта проблема в основном решена. Современные модели обучаются на специализированных чипах в крупных центрах обработки данных. Масштабирование занимает не годы, а недели. Вычислительные мощности можно купить — если есть деньги. Компании вроде Nvidia и AMD наращивают выпуск графических процессоров (GPU), которые отлично подходят для задач ИИ.

Однако появилось новое, более сложное ограничение — физическое. Теперь главным узким местом стало не оборудование, а электроэнергия.

Почему энергопотребление ИИ растёт лавинообразно

Современные ИИ-модели работают непрерывно. Они отвечают в чат-ботах, генерируют изображения, управляют поисковыми системами и автономными агентами. Это делает их постоянными и крупными потребителями энергии.

По словам Сампса Самилы из Барселонской бизнес-школы IESE, проблема не в глобальной 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

Международное энергетическое агентство (МЭА) прогнозирует, что к концу десятилетия энергопотребление центров обработки данных более чем удвоится. В некоторых регионах США они уже потребляют столько же энергии, сколько тяжёлая промышленность.

Обучение больших языковых моделей (LLM) требует много энергии, но происходит редко. Гораздо быстрее растёт энергопотребление в режиме эксплуатации — когда модели отвечают пользователям снова и снова. Новые «рассуждающие» системы тратят больше времени на генерацию ответов, распределяя нагрузку и избегая резких скачков.

Энергосистема не успевает за ИИ

Электросети проектировались для постепенного роста нагрузки, а не для внезапного появления потребителей уровня целого города.

Хуан Аризменди-Замбрано из Университетского колледжа Дублина отмечает:

Крупные ИИ-кампусы растут быстрее, чем модернизируются сети или выдаются государственные разрешения

Особенно остро проблема стоит в сельских районах, где компании строят центры обработки данных ради дешёвой земли и налоговых льгот. Эти регионы не рассчитаны на резкую, сконцентрированную нагрузку.

Скопление центров в одном регионе усугубляет ситуацию. В Северной Вирджинии, известной как «Аллея центров обработки данных», множество объектов питается от одной сети. Строительство электростанций и линий электропередачи занимает годы, а компании начинают использовать мощности ещё до завершения строительства.

Йенс Фёдерер из Университета Маннхайма пояснил:

Когда множество потребителей городского масштаба используют одну и ту же сеть, масштабировать энергоснабжение становится гораздо сложнее

Как отрасль пытается решить проблему

Компании применяют несколько стратегий одновременно.

• Строительство электростанций рядом с центрами обработки данных. Google в Техасе приобрёл энергокомпанию Intersect, которая развивает солнечные и накопительные проекты под спрос центров.
• Использование атомной энергии. Microsoft заключила соглашение с Constellation Energy о возобновлении работы реактора на Три-Майл-Айленде для питания своих центров.
• Выбор мест размещения по доступности энергии. Центры всё чаще строят не рядом с пользователями, а там, где проще подключиться к мощной сети.
• Переоборудование бывших майнинговых ферм. Эти объекты уже имеют мощные подключения, системы охлаждения и опыт эксплуатации энергоёмкого оборудования.

Компания Bitfarms планирует перейти с майнинга биткоинов на ИИ-вычисления. Hut 8 заключила сделку на 7 миллиардов долларов по аренде мощностей для ИИ-центров.

Космические центры обработки данных: фантастика или будущее?

Предлагаются и более амбициозные идеи — например, размещение центров обработки данных в космосе. Там можно использовать постоянную солнечную энергию и космический холод для охлаждения.

Самила отметил, что в теории это возможно. Для объекта мощностью 5 гигаватт потребуется орбитальное поле солнечных панелей размером 4 на 4 километра.

В принципе это выполнимо, но только при условии серьёзных инженерных разработок

Запуск, обслуживание и логистика остаются нерешёнными проблемами.

Повышение энергоэффективности — самый быстрый путь

Фёдерер подчеркнул, что прогресс в проектировании микросхем, моделей и архитектур уже снижает энергопотребление на единицу вычислительной мощности.

Среди новинок — технология MIT с вертикальным расположением компонентов и «Rainbow-on-a-chip», где данные передаются с помощью лазеров. Эти решения не устранят потребность в энергии, но замедлят рост спроса.

Энергия — не путь к универсальному ИИ

Рост энергопотребления ИИ вызывает экологические опасения. На долю ИТ-сектора уже приходится около 1,4% глобальных выбросов углерода. ИИ-нагрузки потребляют больше энергии, чем обычные облачные вычисления.

Инженер Аойфе Фоли из Манчестерского университета отметила, что усилий по использованию возобновляемых источников и улучшению охлаждения недостаточно.

Последствия можно уменьшить за счёт более интеллектуальной оптимизации моделей и тесной увязки стратегии центров с производством энергии из возобновляемых источников

Ни один из экспертов не считает, что увеличение энергии приведёт к созданию универсального искусственного интеллекта (УИИ). Энергия нужна, но её недостаточно.

Фёдерер утверждает, что настоящие ограничения — в доступе к данным, новых архитектурах и прорывах в способности к рассуждению. Самила добавил:

Энергия необходима, но её одной недостаточно. Увеличение электроэнергии не создаст УИИ по волшебству

Узкое место переместилось с кремния в физический мир, где электросети, разрешения и электростанции развиваются не так быстро, как программирование. Доступ к энергии теперь определяет, где будет создаваться ИИ, кто сможет его запускать и насколько широко он будет внедряться.

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 словамСампса 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 арендена сумму 7 миллиардов долларовс 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.