Особенности работы искусственного интеллекта
ИИ — это алгоритм, в основе которого лежат триллионы параметров. Чтобы нейросети могли отвечать на вопросы, писать тексты, генерировать изображения, видео и выполнять другие процессы, их необходимо обучать.
Искусственный интеллект анализирует уже существующую информацию и на ее основе обрабатывает пользовательские запросы. Если результат неудовлетворительный, процедура выполняется снова и снова с уже скорректированными параметрами.
В ходе каждого цикла нейросеть выполняет множество математических операций, которые обрабатываются специализированными процессорами — TPU. Для этого требуется колоссальное количество электроэнергии.
Например, один чип NVIDIA H100 при пиковых нагрузках потребляет до 700 Вт. А для обучения больших языковых моделей по типу ChatGPT или Grok нужны десятки тысяч таких процессоров, работающих без перерыва.
Немало энергии уходит и на дополнительные процессы:
- Охлаждение. Без сложных жидкостных систем и мощных вентиляторов чипы будут перегреваться и выходить из строя.
- Обмен данными. Необходим для синхронной работы процессоров.
- Память. На хранение и быстрый доступ к информации, на основе которой работает искусственный интеллект, тоже расходуется энергия.
Для обеспечения работы крупных языковых моделей техногиганты строят отдельные дата-центры. Их мощность может доходить до 1–5 ГВт, что сопоставимо с производительностью нескольких крупных электростанций.
Почему энергопотребление быстро растет
Чтобы искусственный интеллект становился умнее, необходимо повышать объем параметров и данных, с которыми он работает. Количество вычислений растет, пропорционально увеличивается и энергорасход каждого нового поколения нейросетей.
Однако обучение не самый затратный процесс. Большая часть энергии применяется для инференса. Во время него языковая модель отвечает на вопрос пользователя. Если обучение проводится один раз, то инференс повторяется многократно — каждый день.
Много энергии расходуется из-за того, что нейросеть во время ответа прогоняет запрос пользователя по всем своим параметрам. Для этого требуются миллиарды вычислений. Особо высок расход при генерации изображений или видео — этот процесс в десятки раз сложнее, чем подготовка текстового ответа.
Стоит учитывать и постоянный рост числа пользователей ИИ. Из-за этого около 80 % энергии нейросети тратят на обработку запросов.
Нейросети доступны всем желающим, поэтому актуальным становится вопрос разумного подхода к их использованию. Часто ИИ применяют для генерации текстов, иллюстраций и видео, не имеющих смысловой нагрузки. Это влечет за собой неоправданное энергопотребление с сопутствующим углеродным следом, что сказывается на экологии.
Еще одно последствие — инфляция контента. Информационные материалы становятся менее ценными из-за их переизбытка, а также теряют свою уникальность. Усложняется поиск действительно полезного и оригинального контента.
Приведет ли ИИ к энергодефициту
Потенциальную нехватку электричества прогнозируют сами техногиганты, занимающиеся развитием искусственного интеллекта. Поэтому Google, Alphabet и другие профильные компании уже соревнуются за энергетическую инфраструктуру, скупая АЭС, ТЭС, ГЭС и солнечные фермы. Также они активно инвестируют в строительство новых объектов электрогенерации.
По разным прогнозам, уже в 2026 году общее энергопотребление дата-центров для ИИ может превысить 1 трлн кВт*ч. Для сравнения: во всей России вырабатывается примерно 1,2 трлн кВт*ч.
ИИ сейчас развивается быстрее, чем инфраструктура для его обслуживания.
Что поможет сократить дефицит электроэнергии в долгосрочной перспективе:
- Разумное потребление ИИ. Использование возможностей искусственного интеллекта для выполнения образовательных, исследовательских и бизнес-задач.
- Разработка более легких моделей искусственного интеллекта с квантизацией. Она уменьшает точность чисел и объем вычислений без существенного ущерба для ИИ.
- Внедрение архитектуры Mixture of Experts, которая позволяет обрабатывать запросы только той частью языковой модели, что соответствует им. Это экономит ресурсы.
- Создание более энергоэффективных чипов.
- Использование легких моделей для простых задач.
- Развитие «зеленой» энергетики — атомных, солнечных и ветряных станций.