Даннинг, Б. (24 июня 2025 г.) Создание ИИ, экологически чистого. Skeptoid Media. https://skeptoid.com/episodes/49941
В 2017 году по всему миру произошли различные финансовые потрясения. Япония стала первой страной, признавшей биткоин законным платежным средством. Вскоре за ней последовала Австралия. Естественным результатом стало то, что стоимость биткоина в том году подскочила в 20 раз, и больше предпринимателей, чем когда-либо, начали серьезно заниматься майнингом биткоинов — часто с поддержкой инвесторов в миллионы долларов. Зачем им это было нужно? По двум причинам: во-первых, вам нужно купить целую кучу крошечных компьютеров, оптимизированных для этих конкретных типов вычислений; и, во-вторых, вы быстро поймете, что счета за электричество зашкаливают. Эти крошечные компьютеры — часто называемые майнинговыми установками — поглощают невероятное количество электроэнергии для питания процессоров. Это, в свою очередь, заставляет эти процессоры выделять удивительное количество тепла, которое отправляет счет за кондиционирование воздуха в стратосферу. И хотя это было проблемой около десяти лет назад, его аналог снова поднял ту же уродливую голову — не в криптовалюте, а в ИИ.
Вот:
Весь этот негатив, окружающий воздействие ИИ на окружающую среду, — прямо говоря — в основном правда. Но, как и со всеми развивающимися технологиями, необходимо пройти через этапы плохого выполнения дел на пути к тому, чтобы научиться делать их хорошо. Первые самолеты были ужасны, но мы прорвались вперед, чтобы научиться делать лучшие. 150 лет назад медицинская помощь, скорее всего, приносила больше вреда, чем пользы, но именно так мы научились делать ее так хорошо сегодня.
В 2022 году Ethereum — вторая по величине криптовалюта после Bitcoin — внесла фундаментальные изменения в свой способ функционирования, чтобы решить эти экологические проблемы и огромные расходы. Это был переход от проверки Proof of Work к проверке Proof of Stake, и хотя вам не нужно понимать, что это значит, это означало снижение энергопотребления более чем на 99%. Может ли быть такой фундаментальный сдвиг в будущем ИИ?
В январе 2025 года мы думали, что это возможно. Вы, возможно, слышали о DeepSeek, китайском ИИ, который утверждал, что он на 90% эффективнее других моделей. Снижение энергопотребления на 90% действительно изменило бы правила игры, но оказалось, что это заявление не то, на что все надеялись. Повышение эффективности было достигнуто только в течение начального периода обучения DeepSeek. Аппаратное обеспечение, используемое для этого, действительно было высоко оптимизировано, но оно обучалось только на 10% меньше часов работы GPU, чем те, с которыми его сравнивали, включая ИИ Llama от Meta. Так что, очевидно, он потреблял бы только на 10% меньше энергии. Но теперь, когда он обучен и работает, аналитики обнаружили, что DeepSeek на самом деле менее эффективен при выполнении каждого переданного ему запроса, потребляя до двух раз больше энергии, чем тот же запрос на Llama. Так что, еще раз, скептически относитесь к удивительным научным новостям из Китая.
Давайте быстро посмотрим, как ИИ поглощает всю эту мощность. Существуют различные виды ИИ для разных приложений — нейронные сети, обработка естественного языка, генеративный ИИ, машинное обучение — но все они работают на одном и том же оборудовании. Обычный центр обработки данных, который управляет веб-сайтами и облачными вычислениями, состоит из тысяч компьютеров, каждый из которых имеет ЦП, память и хранилище, но мало что еще. Но, как и майнинг криптовалют, компьютеры с ИИ постоянно выполняют сложные вычисления, поэтому они гораздо больше зависят от графических процессоров.
Большинство из нас знают GPU (графические процессоры) как то, что нужно нашему компьютеру для управления дополнительным монитором или для видеоигр с потрясающей графикой в реальном времени. В то время как CPU может иметь несколько мощных ядер, GPU имеет тысячи крошечных ядер, что позволяет ему выполнять тысячи более простых, повторяющихся задач одновременно, параллельно. Это идеально для матричных операций, которые являются центральными для обработки ИИ, поэтому сегодня эти простые, но высокоспециализированные машины, нагруженные мощными GPU, являются тем, что несет львиную долю ИИ, и что съедает всю эту мощность.
Однако растущие потребности стимулируют инновации, а инновации в области аппаратного обеспечения ИИ означают все большую эффективность. Более высокая эффективность одновременно удовлетворяет две потребности: она повышает скорость и мощность ИИ, а возможность делать больше с меньшими затратами также означает снижение энергопотребления. В 2015 году Google разработала новый тип чипа, называемый TPU (тензорный процессор). Они оптимизированы для обработки многомерных массивов, центральной вычислительной функции ИИ. Они разработаны специально для этого и не могут делать ничего другого, поэтому они работают быстрее и потребляют меньше энергии, чем графические процессоры.
TPU — это один из видов ASIC (интегральная схема специального назначения). Это чипы, которые жестко запрограммированы для выполнения одной конкретной функции или алгоритма. По сравнению с выполнением той же задачи в программном обеспечении, ASIC делает это гораздо быстрее и требует гораздо меньше вычислительных и энергетических ресурсов для этого. TPU — не единственные ASIC, разработанные для ИИ, но вы поняли идею. Чем более зрелыми становятся алгоритмы ИИ, тем более ресурсоемкую часть инфраструктуры ИИ можно сделать намного эффективнее.
Еще один интересный способ сделать ИИ более ресурсоэффективным — это методологические усовершенствования, такие как обрезка и квантование моделей. Это что-то вроде использования эвристик или сокращений в нашем мышлении о вещах. Если вы спросите ИИ, стоит ли вам брать зонтик сегодня днем, он может дать вам миллион ответов, которые вам неинтересны, и все они потребуют вычислительного времени. Сколько капель дождя падает на квадратный метр в секунду? Какое атмосферное давление, скорее всего, будет в течение следующих трех часов? Нет. Вас волнует только, будет ли дождь сильным или его почти не будет. Упрощение математики там, где это имеет смысл, меньше значащих цифр, игнорирование всех, кроме самых важных входных данных, может значительно сократить объем работы. Более быстрые результаты, меньше потребляемой энергии. Более полезный во всех отношениях.
Вопрос, который мы могли бы задать в этот момент, заключается в том, что, скорее всего, ускорится быстрее: повышение эффективности или спрос на больше ИИ? У нас есть четкий ответ на этот вопрос, и это не тот, который мы хотели бы услышать. На данный момент, в 2025 году, лучшие прогнозы показывают, что мировое потребление энергии центрами обработки данных, вероятно, удвоится к 2030 году; и это несмотря на все достижения в эффективности. Но это также отчасти связано с тем же самым ростом эффективности. По мере того, как мы снижаем их потребление энергии, мы можем делать больше. Они становятся еще более полезными. И это еще быстрее увеличивает их спрос. Это своего рода обратная связь, которую мы называем эффектом снежного кома: чем быстрее он катится, тем больше снега он поднимает и тем тяжелее он становится, заставляя его катиться еще быстрее, и так далее. Это называется парадоксом Джевонса, в честь британского экономиста 19 века Уильяма Стэнли Джевонса: повышение эффективности приводит к увеличению потребления.
Но мы живем в капиталистическом мире. Спрос и предложение вечно переплетены. Когда спрос становится слишком большим, нам приходится делать одно из двух: увеличивать предложение или уменьшать спрос. В этом случае мы физически не можем увеличить предложение, поэтому мы делаем другое: уменьшаем спрос — и делаем это, повышая цену. Ожидайте, что ИИ станет дороже. Потенциально намного дороже; столько, сколько нужно, чтобы не расплавить сеть.
Но подождите, скажете вы, большая часть ИИ имеет открытый исходный код — то есть алгоритмы и программное обеспечение, или, по крайней мере, аналоги, сопоставимые с коммерческими версиями — доступны всем бесплатно. Это здорово. Аппаратное обеспечение и электричество — нет. Это система, в которой вода сама найдет свой уровень.
Почти все эксперты отрасли прогнозируют, что центры обработки данных будут все больше переходить на возобновляемые источники энергии. Это единственная переменная в этом уравнении, которая представляет собой единовременные расходы. Инвестируйте сейчас, и потребности в энергии будут покрыты для следующего этапа роста отрасли.
И это подводит нас к совершенно другой стороне этой проблемы, которую многие люди не принимают во внимание. Питание ИИ действительно может иметь большое влияние на окружающую среду, но часть того, что делает ИИ, — это защита окружающей среды. ИИ можно обучить делать что угодно, и независимо от того, сокращает ли ваше приложение выбросы углерода или защищает старые леса, кто-то, вероятно, уже имеет ИИ, работающий над этой проблемой. Стоит ли польза, которую приносит каждая программа, затрат на выработку энергии для ее работы? Ну, может быть, в некоторых случаях это так, а в некоторых — нет. Давайте рассмотрим несколько примеров:
Конечно, это только три из многих, многих подобных инициатив, которые обращаются к ИИ для повышения эффективности и чистоты процессов по всему миру. Но пока их недостаточно, чтобы компенсировать затраты на эксплуатацию ИИ. Возобновляемая энергия помогает, но и она проигрывает битву. И пока никто не видит на горизонте ничего, сопоставимого с тем, что сделал Ethereum в 2022 году, чтобы сократить свое потребление на 99%.
Суть в том, что выигрыш от воздействия ИИ на окружающую среду, скорее всего, будет эволюционным, а не революционным. В то же время, мы, вероятно, можем ожидать, что экономические рычаги будут единственным эффективным инструментом, который у нас есть, а это означает все большее и большее повышение стоимости для снижения спроса.
Ссылки и дополнительная литература
В 2017 году по всему миру произошли различные финансовые потрясения. Япония стала первой страной, признавшей биткоин законным платежным средством. Вскоре за ней последовала Австралия. Естественным результатом стало то, что стоимость биткоина в том году подскочила в 20 раз, и больше предпринимателей, чем когда-либо, начали серьезно заниматься майнингом биткоинов — часто с поддержкой инвесторов в миллионы долларов. Зачем им это было нужно? По двум причинам: во-первых, вам нужно купить целую кучу крошечных компьютеров, оптимизированных для этих конкретных типов вычислений; и, во-вторых, вы быстро поймете, что счета за электричество зашкаливают. Эти крошечные компьютеры — часто называемые майнинговыми установками — поглощают невероятное количество электроэнергии для питания процессоров. Это, в свою очередь, заставляет эти процессоры выделять удивительное количество тепла, которое отправляет счет за кондиционирование воздуха в стратосферу. И хотя это было проблемой около десяти лет назад, его аналог снова поднял ту же уродливую голову — не в криптовалюте, а в ИИ.
Вот:
- Исследование KnownHost 2024 года показало, что ChatGPT производит 261 тонну CO₂ в месяц, а каждый просмотр страницы производит 1,59 г. Но некоторые, такие как Rytr, производят до 10,1 г CO₂ за просмотр страницы. https://www.knownhost.com/blog/carbon-footprint-of-ai-tools/
- Используя данные Национальной лаборатории Лоуренса в Беркли, в статье MIT Technology Review за 2025 год было установлено, что при текущих тенденциях к 2028 году искусственный интеллект только в Соединенных Штатах будет потреблять столько же электроэнергии, сколько 22% всех американских домов. https://www.technologyreview.com/2025/05/20/1116327/ai-energy-usage-climate-footprint-big-tech/
- В своем отчете об устойчивом развитии за 2024 год Google сообщила, что за последние пять лет ИИ привел к увеличению выбросов парниковых газов на 48%. Более того, они ожидают, что к 2030 году потребление энергии утроится. https://www.gstatic.com/gumdrop/sustainability/google-2024-environmental-report.pdf
- На Всемирном экономическом форуме 2024 года генеральный директор OpenAI Сэм Альтман заявил Bloomberg, что в настоящее время будущие потребности ИИ в энергии недостижимы и что «нет способа достичь этого без прорыва». https://onepetro.org/JPT/article-abstract/76/05/8/544711/Comments-Grabbing-the-Brass-Ring-To-Power-the
Весь этот негатив, окружающий воздействие ИИ на окружающую среду, — прямо говоря — в основном правда. Но, как и со всеми развивающимися технологиями, необходимо пройти через этапы плохого выполнения дел на пути к тому, чтобы научиться делать их хорошо. Первые самолеты были ужасны, но мы прорвались вперед, чтобы научиться делать лучшие. 150 лет назад медицинская помощь, скорее всего, приносила больше вреда, чем пользы, но именно так мы научились делать ее так хорошо сегодня.
В 2022 году Ethereum — вторая по величине криптовалюта после Bitcoin — внесла фундаментальные изменения в свой способ функционирования, чтобы решить эти экологические проблемы и огромные расходы. Это был переход от проверки Proof of Work к проверке Proof of Stake, и хотя вам не нужно понимать, что это значит, это означало снижение энергопотребления более чем на 99%. Может ли быть такой фундаментальный сдвиг в будущем ИИ?
В январе 2025 года мы думали, что это возможно. Вы, возможно, слышали о DeepSeek, китайском ИИ, который утверждал, что он на 90% эффективнее других моделей. Снижение энергопотребления на 90% действительно изменило бы правила игры, но оказалось, что это заявление не то, на что все надеялись. Повышение эффективности было достигнуто только в течение начального периода обучения DeepSeek. Аппаратное обеспечение, используемое для этого, действительно было высоко оптимизировано, но оно обучалось только на 10% меньше часов работы GPU, чем те, с которыми его сравнивали, включая ИИ Llama от Meta. Так что, очевидно, он потреблял бы только на 10% меньше энергии. Но теперь, когда он обучен и работает, аналитики обнаружили, что DeepSeek на самом деле менее эффективен при выполнении каждого переданного ему запроса, потребляя до двух раз больше энергии, чем тот же запрос на Llama. Так что, еще раз, скептически относитесь к удивительным научным новостям из Китая.
Давайте быстро посмотрим, как ИИ поглощает всю эту мощность. Существуют различные виды ИИ для разных приложений — нейронные сети, обработка естественного языка, генеративный ИИ, машинное обучение — но все они работают на одном и том же оборудовании. Обычный центр обработки данных, который управляет веб-сайтами и облачными вычислениями, состоит из тысяч компьютеров, каждый из которых имеет ЦП, память и хранилище, но мало что еще. Но, как и майнинг криптовалют, компьютеры с ИИ постоянно выполняют сложные вычисления, поэтому они гораздо больше зависят от графических процессоров.
Большинство из нас знают GPU (графические процессоры) как то, что нужно нашему компьютеру для управления дополнительным монитором или для видеоигр с потрясающей графикой в реальном времени. В то время как CPU может иметь несколько мощных ядер, GPU имеет тысячи крошечных ядер, что позволяет ему выполнять тысячи более простых, повторяющихся задач одновременно, параллельно. Это идеально для матричных операций, которые являются центральными для обработки ИИ, поэтому сегодня эти простые, но высокоспециализированные машины, нагруженные мощными GPU, являются тем, что несет львиную долю ИИ, и что съедает всю эту мощность.
Однако растущие потребности стимулируют инновации, а инновации в области аппаратного обеспечения ИИ означают все большую эффективность. Более высокая эффективность одновременно удовлетворяет две потребности: она повышает скорость и мощность ИИ, а возможность делать больше с меньшими затратами также означает снижение энергопотребления. В 2015 году Google разработала новый тип чипа, называемый TPU (тензорный процессор). Они оптимизированы для обработки многомерных массивов, центральной вычислительной функции ИИ. Они разработаны специально для этого и не могут делать ничего другого, поэтому они работают быстрее и потребляют меньше энергии, чем графические процессоры.
TPU — это один из видов ASIC (интегральная схема специального назначения). Это чипы, которые жестко запрограммированы для выполнения одной конкретной функции или алгоритма. По сравнению с выполнением той же задачи в программном обеспечении, ASIC делает это гораздо быстрее и требует гораздо меньше вычислительных и энергетических ресурсов для этого. TPU — не единственные ASIC, разработанные для ИИ, но вы поняли идею. Чем более зрелыми становятся алгоритмы ИИ, тем более ресурсоемкую часть инфраструктуры ИИ можно сделать намного эффективнее.
Еще один интересный способ сделать ИИ более ресурсоэффективным — это методологические усовершенствования, такие как обрезка и квантование моделей. Это что-то вроде использования эвристик или сокращений в нашем мышлении о вещах. Если вы спросите ИИ, стоит ли вам брать зонтик сегодня днем, он может дать вам миллион ответов, которые вам неинтересны, и все они потребуют вычислительного времени. Сколько капель дождя падает на квадратный метр в секунду? Какое атмосферное давление, скорее всего, будет в течение следующих трех часов? Нет. Вас волнует только, будет ли дождь сильным или его почти не будет. Упрощение математики там, где это имеет смысл, меньше значащих цифр, игнорирование всех, кроме самых важных входных данных, может значительно сократить объем работы. Более быстрые результаты, меньше потребляемой энергии. Более полезный во всех отношениях.
Вопрос, который мы могли бы задать в этот момент, заключается в том, что, скорее всего, ускорится быстрее: повышение эффективности или спрос на больше ИИ? У нас есть четкий ответ на этот вопрос, и это не тот, который мы хотели бы услышать. На данный момент, в 2025 году, лучшие прогнозы показывают, что мировое потребление энергии центрами обработки данных, вероятно, удвоится к 2030 году; и это несмотря на все достижения в эффективности. Но это также отчасти связано с тем же самым ростом эффективности. По мере того, как мы снижаем их потребление энергии, мы можем делать больше. Они становятся еще более полезными. И это еще быстрее увеличивает их спрос. Это своего рода обратная связь, которую мы называем эффектом снежного кома: чем быстрее он катится, тем больше снега он поднимает и тем тяжелее он становится, заставляя его катиться еще быстрее, и так далее. Это называется парадоксом Джевонса, в честь британского экономиста 19 века Уильяма Стэнли Джевонса: повышение эффективности приводит к увеличению потребления.
Но мы живем в капиталистическом мире. Спрос и предложение вечно переплетены. Когда спрос становится слишком большим, нам приходится делать одно из двух: увеличивать предложение или уменьшать спрос. В этом случае мы физически не можем увеличить предложение, поэтому мы делаем другое: уменьшаем спрос — и делаем это, повышая цену. Ожидайте, что ИИ станет дороже. Потенциально намного дороже; столько, сколько нужно, чтобы не расплавить сеть.
Но подождите, скажете вы, большая часть ИИ имеет открытый исходный код — то есть алгоритмы и программное обеспечение, или, по крайней мере, аналоги, сопоставимые с коммерческими версиями — доступны всем бесплатно. Это здорово. Аппаратное обеспечение и электричество — нет. Это система, в которой вода сама найдет свой уровень.
Почти все эксперты отрасли прогнозируют, что центры обработки данных будут все больше переходить на возобновляемые источники энергии. Это единственная переменная в этом уравнении, которая представляет собой единовременные расходы. Инвестируйте сейчас, и потребности в энергии будут покрыты для следующего этапа роста отрасли.
И это подводит нас к совершенно другой стороне этой проблемы, которую многие люди не принимают во внимание. Питание ИИ действительно может иметь большое влияние на окружающую среду, но часть того, что делает ИИ, — это защита окружающей среды. ИИ можно обучить делать что угодно, и независимо от того, сокращает ли ваше приложение выбросы углерода или защищает старые леса, кто-то, вероятно, уже имеет ИИ, работающий над этой проблемой. Стоит ли польза, которую приносит каждая программа, затрат на выработку энергии для ее работы? Ну, может быть, в некоторых случаях это так, а в некоторых — нет. Давайте рассмотрим несколько примеров:
- Вот один из них, который более чем напрямую окупает себя. Один из способов улавливания углерода из дымовых труб — это реакция дымового газа с известняковой суспензией, которая может поглощать углерод. Перекачка этой суспензии требует много энергии. Университет Суррея разработал искусственный интеллект, который в режиме реального времени отбирает пробы CO₂ в дымоходе, отслеживает текущую доступность возобновляемой энергии и цены на электроэнергию в сети, а также динамически регулирует как скорость перекачки шлама, так и pH шлама. В ходе полевых испытаний в Индии система сэкономила 22% затрат на электроэнергию, при этом улавливая на 17% больше CO₂.
- Другой способ сделать это — использовать MOF (металлоорганические каркасы), которые представляют собой материалы, которые селективно адсорбируют CO₂ непосредственно из газов. Команда из Аргоннской национальной лаборатории, Иллинойсского университета и Чикагского университета создала ИИ для изобретения новых соединений MOF с высокой прогнозируемой селективностью углерода. Всего за 30 минут он придумал 120 000 из них, которые затем были загружены в суперкомпьютер для запуска моделирования молекулярной динамики. Шесть из них были такими же хорошими, как лучшие промышленные адсорбенты на рынке. Это было только за первые 30 минут — хотя моделирование на суперкомпьютере заняло значительно больше времени.
- Калифорнийская некоммерческая организация Rainforest Connection разработала новую систему, состоящую из чувствительного микрофона, передатчика, миникомпьютера и солнечных панелей, которая устанавливается высоко на верхушках деревьев в таких местах, как бразильские тропические леса. Компьютер использует бортовой ИИ для анализа записываемых звуков, прослушивая признаки незаконных лесозаготовок и браконьерства. Это позволяет правоохранительным органам ловить операторов с поличным, тогда как раньше им приходилось полагаться на случайные патрули на безнадежно обширных территориях.
Конечно, это только три из многих, многих подобных инициатив, которые обращаются к ИИ для повышения эффективности и чистоты процессов по всему миру. Но пока их недостаточно, чтобы компенсировать затраты на эксплуатацию ИИ. Возобновляемая энергия помогает, но и она проигрывает битву. И пока никто не видит на горизонте ничего, сопоставимого с тем, что сделал Ethereum в 2022 году, чтобы сократить свое потребление на 99%.
Суть в том, что выигрыш от воздействия ИИ на окружающую среду, скорее всего, будет эволюционным, а не революционным. В то же время, мы, вероятно, можем ожидать, что экономические рычаги будут единственным эффективным инструментом, который у нас есть, а это означает все большее и большее повышение стоимости для снижения спроса.
Ссылки и дополнительная литература
- Boschee, P. «Комментарии: захват латунного кольца для обеспечения спроса на центры обработки данных и генеративный ИИ». Журнал нефтяных технологий. 1 мая 2024 г., том 76, номер 5: 8-9.
- Google. Отчет об охране окружающей среды за 2024 год. Маунтин-Вью, Калифорния: Google, 2024.
- Howson, P. «DeepSeek утверждает, что излечил экологическую головную боль ИИ. Парадокс Джевонса предполагает, что это может ухудшить ситуацию». The Conversation. The Conversation US, Inc., 31 января 2025 г. Веб-сайт. 8 июня 2025 г. <https://theconversation.com/deepseek-claims-to-have-cured-ais-environmental-headache-the-jevons-paradox-suggests-it-might-make-things-worse-248720>
- О'Доннелл, Дж. «DeepSeek может оказаться не такой уж хорошей новостью для энергетики». MIT Technology Review. Массачусетский технологический институт, 31 января 2025 г. Интернет. 8 июня 2025 г. <https://www.technologyreview.com/2025/01/31/1110776/deepseek-might-not-be-such-good-news-for-energy-after-all/>
- О'Доннелл, Дж., Краунхарт, К. «Мы посчитали энергетический след ИИ. Вот история, которую вы не слышали». MIT Technology Review. Массачусетский технологический институт, 20 мая 2025 г. Веб-сайт. 4 июня 2025 г. <https://www.technologyreview.com/2025/05/20/1116327/ai-energy-usage-climate-footprint-big-tech/>
- Шехаби, А. и др. Отчет об энергопотреблении центров обработки данных США за 2024 год. Беркли, Калифорния: Национальная лаборатория Лоуренса в Беркли, 2024.
- Сотрудники. «Углеродный след инструментов ИИ». Блог KnownHost. KnownHost LLC, 9 декабря 2024 г. Веб-сайт. 4 июня 2025 г. <https://www.knownhost.com/blog/carbon-footprint-of-ai-tools/>
Комментариев нет:
Отправить комментарий