У искусственного интеллекта появился «зелёный след»: учёный МФТИ Алексей Голубев — о реальной цене вычислений
МФТИ — Московский физико-технический институт · · g1496747
В Институте искусственного интеллекта МФТИ предложили подход к оценке ресурсного следа ИИ, который учитывает выбросы углекислого газа, потребление воды и электроэнергии, а также использование металлов. Об этом на XIII Международном форуме технологического развития «Технопром-2026» в Новосибирске рассказал руководитель лаборатории анализа корпоративных данных института, доктор физико-математических наук Алексей Голубев. Учёный принял участие в сессии «Зелёный искусственный интеллект: устойчивая ИИ-инфраструктура и низкоуглеродная энергетика как основа технологического лидерства». В докладе он рассмотрел подходы к измерению ресурсных затрат на вычисления и возможности их снижения. Какие ресурсы необходимы для работы ИИ 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. В своём докладе Алексей Голубев привёл оценки ресурсных затрат для ИИ-кампуса мощностью 1 ГВт. Такой объект может потреблять 7–8 ТВт·ч электроэнергии в год, что сопоставимо с потреблением 2–2,5 млн домохозяйств. В зависимости от схемы охлаждения ему может требоваться до 14 млн м³ воды в год, а на этапе строительства — десятки тысяч тонн меди. Цена одного запроса Ресурсные затраты не ограничиваются обучением модели. На инференс — работу уже обученной системы — может приходиться 60–80% энергозатрат за её жизненный цикл. При этом запрос с длинной цепочкой рассуждений способен быть в 10–50 раз энергозатратнее обычного текстового запроса. Оборудование становится эффективнее, но одновременно модели решают всё более сложные задачи, требующие дополнительных вычислений. Поэтому снижение энергозатрат на одну операцию ещё не означает снижения общего потребления. Почему одного показателя недостаточно Оценку ресурсного следа ИИ можно сравнить с оценкой бриллиантов: в обоих случаях важна совокупность характеристик. Улучшение одного показателя может сопровождаться ухудшением другого. Например, сухое охлаждение экономит воду, но может повышать энергопотребление на 5–15%. Испарительное охлаждение, напротив, помогает снизить энергозатраты, но требует больше воды. Выбор решения зависит от климата, доступности водных ресурсов, источников электроэнергии и сетевой инфраструктуры конкретной площадки. Композитный индекс «зелёного следа ИИ» Центральная идея исследования — объединить разрозненные показатели в композитный индекс «зелёного следа ИИ». Он мог бы стать ориентиром для сравнения моделей, дата-центров и поставщиков по совокупной ресурсной нагрузке. В основу индекса предлагается положить четыре составляющие. CO₂ отражает выбросы, связанные с генерацией электроэнергии; вода — прямое и косвенное водопотребление; энергия — фактическое потребление и эффективность инфраструктуры, включая показатель PUE; металлы — использование меди, редкоземельных и других материалов. Чтобы объединить эти показатели в одно число, их необходимо нормировать и присвоить им веса: литры воды, киловатт-часы и тонны CO₂ нельзя просто сложить. При этом значимость каждого ресурса зависит от условий конкретной площадки. Например, в засушливом регионе водопотреблению следует придавать больший вес, чем во влажном. Применение такого индекса требует прозрачной методики расчёта. Помимо итогового балла, необходимо представлять его расшифровку по четырём составляющим. При разработке методики важно учитывать риск двойного счёта и эффект Гудхарта — ситуацию, когда улучшение целевого показателя становится важнее реального экологического результата. Как повысить ресурсную эффективность В исследовании рассматриваются и программные решения, позволяющие сократить расход ресурсов. По приведённым оценкам, маршрутизация простого запроса на меньшую модель может давать выигрыш в эффективности в 2–10 раз, контроль «бюджета размышлений» — до 10 раз, применение MoE-архитектур — в 2–5 раз. Квантование, дистилляция и более полная загрузка вычислительного оборудования также способны снижать ресурсные затраты. Таким образом, развитие «зелёного ИИ» предполагает сочетание решений: выбор архитектуры модели, управление запросами, совершенствование охлаждения и электросетей, учёт особенностей площадки и цепочек поставок. Единая методика измерения Сегодня у отрасли пока нет единой методики измерения ресурсного следа ИИ. Как показано в исследовании, оценки энергопотребления одного и того же запроса могут различаться в 2,4 раза в зависимости от того, учитываются ли затраты всей инфраструктуры или только вычислительных чипов. Различия в подходах затрудняют прямое сравнение данных поставщиков. По итогам сессии формирование методики оценки ресурсной эффективности систем искусственного интеллекта было обозначено как одно из перспективных направлений дальнейшей работы. Такая методика позволила бы сопоставлять вычислительные решения с учётом ресурсов, необходимых для их создания и эксплуатации.
В Институте искусственного интеллекта МФТИ предложили подход к оценке ресурсного следа ИИ, который учитывает выбросы углекислого газа, потребление воды и электроэнергии, а также использование металлов. Об этом на XIII Международном форуме технологического развития «Технопром-2026» в Новосибирске рассказал руководитель лаборатории анализа корпоративных данных института, доктор физико-математических наук Алексей Голубев. Учёный принял участие в сессии «Зелёный искусственный интеллект: устойчивая ИИ-инфраструктура и низкоуглеродная энергетика как основа технологического лидерства». В докладе он рассмотрел подходы к измерению ресурсных затрат на вычисления и возможности их снижения. Какие ресурсы необходимы для работы ИИ 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. В своём докладе Алексей Голубев привёл оценки ресурсных затрат для ИИ-кампуса мощностью 1 ГВт. Такой объект может потреблять 7–8 ТВт·ч электроэнергии в год, что сопоставимо с потреблением 2–2,5 млн домохозяйств. В зависимости от схемы охлаждения ему может требоваться до 14 млн м³ воды в год, а на этапе строительства — десятки тысяч тонн меди. Цена одного запроса Ресурсные затраты не ограничиваются обучением модели. На инференс — работу уже обученной системы — может приходиться 60–80% энергозатрат за её жизненный цикл. При этом запрос с длинной цепочкой рассуждений способен быть в 10–50 раз энергозатратнее обычного текстового запроса. Оборудование становится эффективнее, но одновременно модели решают всё более сложные задачи, требующие дополнительных вычислений. Поэтому снижение энергозатрат на одну операцию ещё не означает снижения общего потребления. Почему одного показателя недостаточно Оценку ресурсного следа ИИ можно сравнить с оценкой бриллиантов: в обоих случаях важна совокупность характеристик. Улучшение одного показателя может сопровождаться ухудшением другого. Например, сухое охлаждение экономит воду, но может повышать энергопотребление на 5–15%. Испарительное охлаждение, напротив, помогает снизить энергозатраты, но требует больше воды. Выбор решения зависит от климата, доступности водных ресурсов, источников электроэнергии и сетевой инфраструктуры конкретной площадки. Композитный индекс «зелёного следа ИИ» Центральная идея исследования — объединить разрозненные показатели в композитный индекс «зелёного следа ИИ». Он мог бы стать ориентиром для сравнения моделей, дата-центров и поставщиков по совокупной ресурсной нагрузке. В основу индекса предлагается положить четыре составляющие. CO₂ отражает выбросы, связанные с генерацией электроэнергии; вода — прямое и косвенное водопотребление; энергия — фактическое потребление и эффективность инфраструктуры, включая показатель PUE; металлы — использование меди, редкоземельных и других материалов. Чтобы объединить эти показатели в одно число, их необходимо нормировать и присвоить им веса: литры воды, киловатт-часы и тонны CO₂ нельзя просто сложить. При этом значимость каждого ресурса зависит от условий конкретной площадки. Например, в засушливом регионе водопотреблению следует придавать больший вес, чем во влажном. Применение такого индекса требует прозрачной методики расчёта. Помимо итогового балла, необходимо представлять его расшифровку по четырём составляющим. При разработке методики важно учитывать риск двойного счёта и эффект Гудхарта — ситуацию, когда улучшение целевого показателя становится важнее реального экологического результата. Как повысить ресурсную эффективность В исследовании рассматриваются и программные решения, позволяющие сократить расход ресурсов. По приведённым оценкам, маршрутизация простого запроса на меньшую модель может давать выигрыш в эффективности в 2–10 раз, контроль «бюджета размышлений» — до 10 раз, применение MoE-архитектур — в 2–5 раз. Квантование, дистилляция и более полная загрузка вычислительного оборудования также способны снижать ресурсные затраты. Таким образом, развитие «зелёного ИИ» предполагает сочетание решений: выбор архитектуры модели, управление запросами, совершенствование охлаждения и электросетей, учёт особенностей площадки и цепочек поставок. Единая методика измерения Сегодня у отрасли пока нет единой методики измерения ресурсного следа ИИ. Как показано в исследовании, оценки энергопотребления одного и того же запроса могут различаться в 2,4 раза в зависимости от того, учитываются ли затраты всей инфраструктуры или только вычислительных чипов. Различия в подходах затрудняют прямое сравнение данных поставщиков. По итогам сессии формирование методики оценки ресурсной эффективности систем искусственного интеллекта было обозначено как одно из перспективных направлений дальнейшей работы. Такая методика позволила бы сопоставлять вычислительные решения с учётом ресурсов, необходимых для их создания и эксплуатации.