Энергопотребление ИИ: меньше, чем на развитие одного человека

По данным The Register, основатель OpenAI Сэм Альтман заявил, что искусственный интеллект не заслуживает критики за использование энергии. В ходе интервью на AI Summit в Индии он подчеркнул, что люди в течение тысячелетий потребляли значительные ресурсы, чтобы выжить и развиваться. При этом, по его словам, ИИ не является основным источником экологической нагрузки.

Альтман признал, что обеспокоенность ростом энергопотребления в сфере ИИ обоснована. Однако, по его мнению, некоторые опасения преувеличены. В частности, он отверг утверждения о высоком расходе воды в дата-центрах, отметив, что современные объекты чаще используют закрытые системы жидкостного охлаждения, а не традиционные испарительные.

Сравнение энергопотребления ИИ и человека

Во время беседы Альтман сравнил энергоэффективность ИИ и человека. Он утверждает, что обучение нейросети требует гораздо меньше энергии, чем развитие человеческого мозга. По его словам, человеку требуется около 20 лет жизни и значительное количество пищи, чтобы приобрести навыки, необходимые для выполнения задач. При этом, по его мнению, развитие цивилизации в целом — результат обучения миллиардов людей, которые выжили, научились науке и избежали опасностей.

Альтман также отметил, что для создания одного человека, по оценке системы Gemini, требуется около 10,8 млн тераватт-часов энергии. В сравнении с этим, энергопотребление глобального экосистемы ИИ составляет 850–1100 тераватт-часов. При этом, как подчеркивается, вся эта нагрузка сосредоточена в последние годы, и обучение новых моделей продолжается.

Другие темы, затронутые в интервью

Альтман также затронул тему влияния ИИ на рынок труда. Он не видит в этом угрозы, указав, что технологические прорывы в прошлом не приводили к массовой безработице, а открывали новые возможности. По его словам, люди продолжают искать занятие, несмотря на ожидания, связанные с автоматизацией.

Касаясь инфраструктуры, он заявил, что дата-центры в космосе в ближайшие годы маловероятны из-за высокой стоимости запуска и сложности обслуживания оборудования. Также он признал, что не инвестирование в OpenAI было ошибкой, и высказал уважение к физическим инженерным навыкам и способности мотивировать людей, которыми обладает Илон Маск.

Энергетическая эффективность ИИ и масштабы потребления

Сравнивая энергопотребление ИИ и человека, Альтман делает акцент на том, что обучение модели требует меньше энергии, чем выполнение аналогичной задачи человеком. Он приводит пример: ответ на вопрос в ChatGPT требует гораздо меньше энергии, чем процесс мышления у человека. При этом он подчеркивает, что ИИ использует уже существующие данные — продукт труда человечества.

Альтман также упоминает, что дата-центры, заполненные графическими процессорами, потребляют меньше энергии, чем, например, отдельные жилые дома. Это, по его мнению, делает ИИ более энергоэффективным в сравнении с традиционными процессами.

i

Создано специально для ASECTOR

Концептуальное изображение

Оценка влияния на рынок и будущее развития

В контексте российского бизнеса, данные о сравнении энергопотребления ИИ и человека могут быть полезны при планировании инвестиций в ИТ-инфраструктуру. Эксперты отмечают, что переход на возобновляемые источники энергии, такие как солнечные и ветровые, становится критически важным для снижения нагрузки на экосистему. Внедрение таких решений требует тщательного аудита текущих ресурсов и стратегического подхода к оптимизации.

Для компаний, работающих с ИИ, важно учитывать масштабы потребления и возможности оптимизации. При этом важно помнить, что обучение моделей — лишь часть процесса. После этого ИИ становится более энергоэффективным, чем традиционные методы. Это открывает возможности для снижения затрат и повышения конкурентоспособности на рынке.

Энергетическая эффективность ИИ: баланс между прогрессом и рисками

Когда ИИ выглядит эффективнее человека — но не всё так легко

Сравнение энергопотребления искусственного интеллекта и человека, приведённое Сэмом Альтманом, может быть полезным в определённых условиях. Например, если ИИ решает задачу, которая уже была решена человеком — ответить на вопрос, вычислить путь или перевести текст. В таких сценариях ИИ работает быстрее, не устает и не требует дополнительного питания. Однако, как показывают данные из новостей, энергетическая эффективность ИИ не является статичным показателем. Она зависит от задачи, масштаба данных и частоты перенастройки моделей.

В более сложных сценариях, например, при обучении ИИ распознавать болезни по рентгенограммам, энергозатраты могут сравняться с или даже превысить те, что потреблялись бы при ручной обработке. Это связано с тем, что обучение модели требует обработки миллионов изображений и постоянной корректировки алгоритмов. Такие процессы могут повторяться десятки раз, пока модель не достигнет нужной точности [!].

Важный нюанс: Эффективность ИИ — это не статичный показатель. Она зависит от задачи, масштаба данных и частоты перенастройки моделей. В краткосрочной перспективе ИИ может выглядеть экономичнее, но в долгосрочной — его энергетическая стоимость может вырасти в разы.

Кто платит за обучение, и кто за обслуживание?

Альтман делает акцент на том, что обучение модели — это лишь часть процесса, а после обучения ИИ становится энергоэффективным. Это верно, но важно понимать, кто несёт расходы на обучение. В большинстве случаев, это крупные корпорации, а не конечные пользователи. Это создаёт иллюзию, что ИИ не требует ресурсов, тогда как на самом деле ресурсы берутся из общего пула корпоративных бюджетов, часто без прозрачности.

Для российского бизнеса это означает, что внедрение ИИ требует не только технической подготовки, но и финансовой дисциплины. Компания, которая запускает модель с нуля, рискует столкнуться с неожиданными затратами. Особенно если модель будет перенастраиваться часто, что характерно для ИИ в условиях динамичного рынка [!].

Важный нюанс: Внедрение ИИ — это инвестиция, а не расход. Но для неё нужен долгосрочный план и стратегия оптимизации, иначе риски могут превзойти выгоды.

Экологическая нагрузка — не только вопрос энергии

Альтман отвергает упрёки в высоком потреблении воды дата-центрами, отмечая, что современные объекты используют закрытые системы охлаждения. Это действительно так, но не учитывает полного жизненного цикла оборудования. Производство графических процессоров, серверов и охлаждающих систем требует значительных ресурсов: редких металлов, энергии, воды и времени.

Для российских компаний, которые рассматривают возможность строительства собственных дата-центров, важно не только оптимизировать энергопотребление, но и учитывать логистику, экологические нормы и долгосрочную устойчивость инфраструктуры. В условиях роста цен на энергоносители и ограниченных ресурсов, это становится критически важным фактором [!].

Важный нюанс: Экологическая эффективность ИИ — это не только вопрос энергии, но и вопрос цепочки поставок, логистики и жизненного цикла оборудования. Игнорирование этих аспектов может привести к скрытым затратам и репутационным рискам.

Энергетическая эффективность ИИ: новые вызовы и решения

Рост энергопотребления ИИ к 2030 году может увеличиться в пять раз по сравнению с текущим уровнем. Это ставит под угрозу существующую инфраструктуру и требует развития возобновляемых источников энергии. В ответ на эти вызовы разрабатываются инновационные решения, такие как подводные и подземные дата-центры, которые позволяют снизить энергопотребление на 22,8% по сравнению с наземными аналогами [!].

Также ведутся разработки энергоэффективных чипов, таких как GDDR7 от Samsung, обеспечивающих более высокую энергоэффективность по сравнению с предыдущими поколениями. Это снижает тепловое сопротивление и позволяет использовать новую схему передачи данных, увеличивающую пропускную способность при той же частоте [!].

Важный нюанс: Успех в использовании ИИ — это не только вопрос алгоритмов, но и вопрос управления рисками, прозрачности и долгосрочной устойчивости. Компании, которые упустят этот аспект, рискуют столкнуться с неожиданными последствиями.