Устойчивая ИИ: энергия, вода, эффективность

Lisa Ernst · 21.09.2025 · Техника · 5 мин

Воздействие искусственного интеллекта (ИИ) на окружающую среду все чаще обсуждают. Эта статья освещает потребление энергии и воды операциями ИИ на основе актуальных исследований и отчетов.

Quelle: Собственное изображение

Введение в экологичный ИИ

Зеленый ИИ описывает измеримое воздействие функционирования ИИ на окружающую среду, в частности энергопотребление (энергетический след) и водный след во время обучения и вывода моделей. ЦОД (центры обработки данных) используют две метрики: PUE (Power Usage Effectiveness) как отношение общей мощности к мощности IT, где значения ближе к 1 означают более высокую эффективность. WUE (Water Usage Effectiveness) измеряет годовое потребление воды, поделённое на энергию IT в кВтч; чем ниже значения, тем выше водная эффективность. Водопотребление часто относится к «потребляемой» воде, которая испаряется и не возвращается, например при адиатабатическом или испарительном охлаждении (airatwork.com).

Текущее состояние и разработки

IEA прогнозирует, что мировой спрос на электроэнергию дата-центров к 2030 году составит около 945 ТВтч, причем ИИ станет основным двигателем. Это превышает сегодня на более чем двукратный уровень. Специализированные площадки по ИИ к 2030 году могут увеличить свою долю до четырех раз (iea.org). Детальный доклад "Energy and AI" IEA анализирует методы, качество данных и региональные различия. В то же время Microsoft сообщает о новых дизайнах дата-центров, которые требуют «нулевой водопотребление для охлаждения» через замкнутые циклы и охлаждение на чипах (microsoft.com). Google описывает, как улучшения в эффективности по питанию часто уменьшают потребление воды, но зависят от климата и технологий охлаждения (cloud.google.com; google.com). Новости о водных потребностях новых гиперскейлеров в засушливых регионах вызывают дебаты о водных правах (reuters.com). Исследования по водным следам ИИ, начиная с 2023 года, показывают размеры и методические неопределенности (arxiv.org; dl.acm.org).

Quelle: fiberopticom.com

Тщательное рассмотрение источников выбросов центров обработки данных имеет решающее значение для разработки эффективных стратегий снижения выбросов.

Драйверы роста потребления

Рост потребления электроэнергии и воды имеет несколько причин. Во-первых, ИИ перераспределяет нагрузку в дата-центры с высокой плотностью мощности. Это может снизить PUE, но повысить WUE, если испарение вносит вклад в эффективность (thegreengrid.org; google.com). Во-вторых, новые поколения ускорителей действительно повышают производительность на ватт, но увеличивают общую потребность, поскольку рабочие нагрузки становятся быстрее и чаще. Blackwell обещает экономию по сравнению с Hopper, не решая нагрузочный спрос (theregister.com; nvidia.com). В-третьих, факторы расположения, такие как охлаждающая техника, климат, энергобаланс, доступность воды и регулирование, влияют на то, будут ли операторы экономить на энергии или воде — редко оба сразу (google.com; iea.blob.core.windows.net).

Google объясняет использование обработанной канализационной воды как меры защиты питьевой воды.

Проверка фактов: доказательства против заявлений

Спрос на электроэнергию дата-центров растет резкими темпами (IEA: электроэнергия дата-центров растет); ИИ — один из главных драйверов. PUE и WUE — определенные метрики для энерго- и водной эффективности (thegreengrid.org; thegreengrid.org). Обучение и вывод могут привязать соответствующие объемы воды, в зависимости от местоположения, сезона и технологий охлаждения (arxiv.org; google.com).

Обещание «Нулевой воды для охлаждения» является эксплуатационным заявлением. Водоснабжение по циклу жизни (например, производство полупроводников) и неохлаждающая вода остаются за пределами, как и переносы на другие площадки при экстремальных температурах (cloud.google.com).

Утверждение «Жидкоконтурное охлаждение автоматически решает водную проблему» вводит в заблуждение. Оно может улучшать WUE, но не обязательно; эффекты зависят от проектирования и систем обратного охлаждения. Также утверждение «ИИ виртуален и не имеет физического воздействия» неверно. Энергия и водный баланс измеримы и коррелируют, в том числе с длинной токена и загрузкой (arxiv.org).

Quelle: device42.com

Энергетический голод дата-центров: сравнение с энергопотреблением целых стран подчеркивает масштабы проблемы.

Ответы отрасли и контраргументы

Индустрия аргументирует ценностью путей повышения эффективности: лучшая PUE/WUE, переработка воды и переход на водонефтевые системы охлаждения в эксплуатации (microsoft.com; cloud.google.com). Исследования и НПО призывают к прозрачности и достоверной отчетности по месту размещения, сезону и технологии из-за эффектов переноса и рисков засухи (arxiv.org; reuters.com). Энергетические экономисты видят в ускорителях потенциал для повышения эффективности, однако предупреждают о эффекте ребаунда: рост эффективности может снижать затраты и стимулировать более интенсивное использование (theregister.com; iea.blob.core.windows.net).

Практические выводы и рекомендации

Практические шаги включают: во-первых, измерение. Для вывода исследования показывают «Energy per Token» как метрику; энергия в значительной мере следует за длиной токена и задержкой (euromlsys.eu). Во-вторых, уплотнение нагрузки без слепого подхода: размер батча и дизайн подсказок могут снизить энергию на токен; слишком большие батчи могут ухудшить эффективность за счет лишних накладных расходов (upm.es; techrxiv.org). Третье, настройка моделей и точности: квантование до 4-битных чисел возможно для многих задач и экономит вычислительную и энергию памяти; проверка качества остается обязательной (openreview.net; arxiv.org). Четвертое, правильный выбор аппаратного обеспечения: на краю/клиенте NPUs помогают в показателе мощности на ватт, в дата-центрах специализированные ускорители обеспечивают лучшую эффективность, чем общие ЦП (qualcomm.com; nvidia.com). Пятое, активное управление размещением и охлаждением: климат, энергопоставки, цели WUE/PUE, качество воды (например, повторно используемая вода вместо питьевой) и использование теплоотвода на этапе закупок и архитектуры (google.com; thegreengrid.org).

Quelle: ai-market.jp

NPU-чипы — ключевые технологии для энергоэффективных ИИ-приложений, особенно в области периферийных вычислений.

Краткий обзор проблемы потребления энергии с яркими визуализациями.

Открытые вопросы и перспективы

Насколько надежны текущие раскрытия о воде и электроэнергии по мере роста климатических экстремумов и смены профилей нагрузки? Нужны стандартизированные, локально- и сезонно-разрешенные отчеты по WUE, PUE, источникам энергии/воды и управлению нагрузкой (thegreengrid.org; iea.blob.core.windows.net). Какая регуляция устанавливает разумные ориентиры, не тормозя инновации — например пределы водопользования в регионах с риском засухи? Продолжающиеся дискуссии показывают, насколько динамично развита эта область (iea.org).

Заключение

Зеленый ИИ начинается с честного баланса: измерение, сравнение, управление. Кто связывает PUE и WUE, отслеживает Energy-per-Token, уменьшает точности, умно выбирает батчи и учитывает размещение площадок и охлаждение — тот снижет затраты и влияние на окружающую среду, а также получит прочные аргументы для решений в области технологий и инвестиций (aclanthology.org; upm.es; openreview.net; google.com).