У искусственного интеллекта появился «зелёный след»: Алексей Голубев — о реальной цене вычислений

Можно ли оценивать искусственный интеллект так же системно, как бриллианты? У бриллианта одной характеристики недостаточно: важна совокупность параметров. С ИИ возникает похожая задача — качество модели уже нельзя рассматривать отдельно от ресурсов, которые требуются для её работы.

Руководитель лаборатории анализа корпоративных данных Института искусственного интеллекта МФТИ, доктор физико-математических наук Алексей Голубев выступил на XIII Международном форуме технологического развития «Технопром-2026» в Новосибирске. Он принял участие в сессии «Зелёный искусственный интеллект: устойчивая ИИ-инфраструктура и низкоуглеродная энергетика как основа технологического лидерства» и рассказал о подходах к измерению ресурсной цены вычислений.

ИИ — это не только энергия

Обычно экологический след ИИ связывают прежде всего с электричеством. Однако исследование ИИИ МФТИ предлагает смотреть шире: на энергию, воду, медь и редкоземельные металлы — то есть на всю инфраструктуру, необходимую для масштабирования вычислений.

Масштаб быстро растёт. К 2030 году мировое электропотребление дата-центров может приблизиться к 950 ТВт·ч — около 3% мирового электропотребления. Потребление собственно ИИ-ЦОД, по приведённым в исследовании оценкам, может утроиться.

Для наглядности в презентации собран «ресурсный паспорт» ИИ-кампуса мощностью 1 ГВт. Такой объект может потреблять 7–8 ТВт·ч электроэнергии в год — сопоставимо с 2–2,5 млн домохозяйств, до 14 млн м³ воды в год в зависимости от схемы охлаждения и десятки тысяч тонн меди на этапе строительства.

Цена одного запроса

Ресурсная нагрузка не заканчивается после обучения модели. На инференс — ежедневную эксплуатацию уже обученной системы — может приходиться 60–80% энергозатрат за её жизненный цикл. А запрос с длинной цепочкой рассуждений способен быть в 10–50 раз энергозатратнее обычного текстового запроса.

Это важный парадокс: оборудование становится эффективнее, но модели одновременно решают всё более сложные задачи и генерируют больше вычислений. Поэтому снижение стоимости одной операции ещё не означает снижения общего потребления.

Как бриллиант: одной цифры недостаточно

Именно здесь особенно уместна аналогия с оценкой бриллиантов. Больший камень не обязательно лучше: важны сразу несколько характеристик. С «зелёностью» ИИ — так же. Улучшение одного показателя может ухудшить другой.

Например, сухое охлаждение экономит воду, но может повысить энергопотребление на 5–15%. Испарительное охлаждение, наоборот, помогает энергетической эффективности, но требует больше воды. Поэтому универсального «лучшего» решения нет: оптимум зависит от климата, водного стресса, генерации и сетевой инфраструктуры конкретной площадки.

Композитный индекс «зелёного следа ИИ»

Центральная идея исследования — перейти от набора разрозненных показателей к композитному индексу «зелёного следа ИИ». Он мог бы стать ориентиром для сравнения моделей, дата-центров и поставщиков по полной ресурсной нагрузке.

В основу индекса предлагается положить четыре «грани»: CO₂, воду, энергию и металлы. CO₂ отражает выбросы, связанные с генерацией электроэнергии; вода — прямое и косвенное водопотребление; энергия — фактическое потребление и эффективность инфраструктуры, включая PUE; металлы — использование меди, редкоземельных и других материалов.

Чтобы объединить эти показатели в одно число, их нужно нормировать и присвоить им веса. Именно здесь начинается самая сложная часть методики: литры воды, киловатт-часы и тонны CO₂ нельзя просто сложить. Кроме того, значение каждого ресурса зависит от контекста. В засушливом регионе вода объективно должна иметь больший вес, чем во влажном.

Поэтому композитный индекс полезен только при полной прозрачности расчёта. Нужно видеть не только итоговый балл, но и его расшифровку по четырём составляющим. Иначе возникает риск двойного счёта и эффект Гудхарта — ситуация, когда участники начинают оптимизировать красивую метрику, а не реальный экологический результат.

Где самые быстрые резервы эффективности

Исследование показывает, что самые заметные эффекты часто дают не инфраструктурные проекты, а программные решения. Маршрутизация простого запроса на меньшую модель может давать выигрыш в 2–10 раз, контроль «бюджета размышлений» — до 10 раз, MoE-архитектуры — в 2–5 раз. Квантование, дистилляция и повышение утилизации вычислительного парка также способны существенно снижать расход ресурсов.

Отсюда главный практический вывод: «зелёный ИИ» — не одна технология. Это система решений — от архитектуры модели и управления запросами до охлаждения, электросетей, выбора площадки и цепочек поставок.

От гонки мощности — к культуре измерения

Сегодня у отрасли пока нет единой методики измерения ресурсного следа. В исследовании показано, что разница между «полной» и «чиповой» методиками оценки энергопотребления одного и того же запроса может достигать 2,4 раза. Пока поставщики считают по-разному, прямое сравнение цифр остаётся спорным.

По итогам сессии формирование методики оценки ресурсной эффективности систем искусственного интеллекта было обозначено как одно из перспективных направлений дальнейшей работы. Следующий этап развития ИИ — научиться измерять не только мощность моделей, но и то, насколько рационально они используют ресурсы.

Как и в случае с бриллиантом, одна цифра здесь не рассказывает всей истории. Настоящая оценка начинается тогда, когда видны все грани.