Энергетический предел развития искусственного интеллекта: почему электричество стало главной преградой

В последние годы основным ограничивающим фактором для масштабных нейронных сетей перестали быть вычислительные алгоритмы и количество видеокарт – теперь это энергоснабжение. Обучение огромных моделей и их постоянная работа требуют столь больших мощностей, что даже крупнейшие дата‑центры ощущают реальный «электрический потолок», который уже определяет темпы развития ИИ.

По данным отраслевых аналитиков, к 2026 году дата‑центры США потребляли около 4 % всей национальной электроэнергии, а мировое совокупное потребление превышает 1000 ТВт·ч в год. Основным драйвером этого роста является искусственный интеллект, а не традиционные облачные сервисы.

Два разных вида энергозатрат: обучение и инференс

Энергия в проектах ИИ используется на двух этапах, которые нужно различать.

• Обучение (training) – одноразовый, но чрезвычайно интенсивный процесс. Кластер из десятков‑тысяч ускорителей работает недели, иногда месяцы, без перерыва, потребляя гигантские объемы электроэнергии.
• Инференс (inference) – повседневная эксплуатация уже обученной модели: обработка пользовательских запросов, генерация текста, распознавание изображений и т.д.

Хотя отдельный ответ чат‑бота требует лишь копейки энергии, миллиарды запросов в сутки суммируются в огромную нагрузку, которая в долгосрочной перспективе может превзойти затраты на само обучение.

Для компаний это означает сдвиг фокуса: раньше главное измерялось в стоимости обучения флагманской модели, сейчас важнее знать, сколько ватт уходит на каждый запрос в продакшене, поскольку инференс формирует основную часть операционных расходов.

От сотен ватт до десятков мегаватт

Энергопотребление легко проследить от отдельного ускорителя к целому дата‑центру.

• Один графический ускоритель уровня NVIDIA H100 при полной загрузке потребляет ≈ 700 Вт.
• Серверный модуль из восьми таких чипов – около 10–12 кВт.
• Стойка, состоящая из нескольких модулей, требует 80–140 кВт, что в несколько раз превышает потребление традиционных серверных стоек.
• Кластер из 10 000 ускорителей для обучения – 10–15 МВт.
• Большие площадки с 50 000 чипов могут нуждаться в 30–35 МВт непрерывной мощности.
• Новейшие дата‑центры проектируются под 100–750 МВт – энергетический профиль небольшого города.

Эксперты прогнозируют, что к 2027 году глобальная потребность ИИ в электроэнергии может достичь 68 ГВт.

Важно помнить, что значительная часть мегаватт идёт не на сами чипы, а на системы охлаждения, преобразователи и потери в сетях. Чем плотнее расположены стойки, тем сильнее возрастают эти дополнительные затраты.

Узкое место сдвинулось от чипа к подстанции

Когда отдельная стойка съедает сотни киловатт, а целый центр – сотни мегаватт, главным вопросом становится не наличие видеокарт, а возможность доставить и распределить нужное количество электроэнергии. Во многих регионах существующие энергосети не рассчитаны на такой спрос, и подключение новых площадок растягивается на годы.

В ответ крупные корпорации заключают долгосрочные контракты на поставку электроэнергии, инвестируют в собственные генераторы и рассматривают альтернативные источники, включая малые модульные реакторы и другие формы атомной энергии.

Таким образом, конкуренция в области ИИ всё больше переходит в соревнование за доступ к мощной энергетической инфраструктуре. Таланты и чипы остаются важными, но гарантированный мегаваттный резерв становится критическим преимуществом.

Физический уровень: питание, охлаждение и кабельные сети

За высокотехнологичными схемами и графиками стоит простая, но требовательная инженерия. Электрический ток от подстанции должен быть распределён до каждой стойки, обеспечен резервом и защищён от перегрузок и возгораний.

Ключевые элементы инфраструктуры:

• Километры силовых кабелей от вводных линий до распределительных щитов.
• Барьеры и системы защиты от коротких замыканий.
• Охлаждающие решения – воздушные, жидкостные, замкнутые теплообменники.
• Кабели с высоким сечением, негорючие, с низким дымовыделением, часто бронированные для подземной прокладки.

Выбор сечения и материала кабеля напрямую влияет на потери энергии и безопасность эксплуатации. Спецификации обычно берутся из специализированных каталогов, где подробно описаны все параметры каждой марки.

Эффективность измеряется в токенах на ватт

Когда энергию начали считать ограниченным ресурсом, отрасль нашла два пути снижения расходов:

1. Увеличение доступных мегаватт – новые подстанции, собственные генераторы, атомные установки.
2. Сокращение потребления при той же работе – более экономичные архитектуры, квантование моделей (сжатие весов до 4‑8 бит), специализированные ускорители инференса, жидкостное охлаждение.

Современные метрики всё чаще основываются на «токенах на ватт», то есть количестве обработанных единиц информации на единицу энергии. Такой подход помогает сравнивать модели разных размеров по реальной эффективности, а не только по числу параметров.

Что будет дальше?

Ближайшие годы станут проверкой того, сможет ли индустрия своевременно обеспечить энергией новые гигаваттные площадки и одновременно снизить себестоимость инференса. Если цены на обработку запросов упадут быстрее, чем растёт спрос, опасения об «энергетическом тупике ИИ» могут оказаться преувеличенными. В противном случае электроэнергия останется скрытым, но решающим ограничителем, способным останавливать даже самые амбициозные проекты.