Потребление энергии языковых моделей: почему растут затраты ресурсов

Рост почти вдвое за несколько лет превращает вычислительную инфраструктуру в заметного участника энергетического рынка.

Языковая модель выглядит лёгкой в использовании: пользователь отправляет строку текста и получает ответ. Но за этим простым действием стоят серверы, ускорители и охлаждение. Расход энергии на один запрос может быть невелик, однако миллионы запросов и новые сценарии работы меняют масштаб задачи. Поэтому потребление энергии языковых моделей и рост затрат ресурсов всё чаще обсуждают не только инженеры, но и энергетики.

Масштаб инфраструктуры ЦОД

По оценкам IEA, дата-центры потребляют около 1,5% мировой электроэнергии. В США их доля составляет примерно 4,4–5%. Это уже крупный промышленный спрос, причём нагрузки распределены по миру неравномерно. В регионах, где сосредоточены вычислительные мощности, дата-центры заметно влияют на энергосистему и планы её развития.

Для языковых моделей нужны ускорители, способные быстро выполнять большое число операций. Они работают не только во время обучения: после запуска модели серверы постоянно обрабатывают пользовательские запросы. По мере роста числа пользователей компании расширяют инфраструктуру, а модели становятся частью поиска, офисных приложений, клиентской поддержки и программных инструментов.

Такой спрос накладывается на уже существующую нагрузку от облачных сервисов, хранения данных и других цифровых продуктов. Не вся энергия дата-центров уходит на ИИ, а рост энергопотребления ЦОД нельзя целиком приписывать языковым моделям. Но строительство новых мощностей под обучение и инференс становится одной из причин, по которым прежние прогнозы общего спроса на вычисления приходится пересматривать.

Географическая концентрация: Вирджиния и Ирландия

В штате Вирджиния дата-центры потребляют свыше 25% электроэнергии штата. Это оценка доли ЦОД в потреблении электроэнергии, а не в её производстве. Показатель также относится к дата-центрам в целом: он не позволяет определить, какая часть нагрузки связана именно с интернет-запросами или нейросетевыми моделями.

В Ирландии на дата-центры приходится более 20% национального электропотребления. В обоих случаях речь идёт о высокой концентрации вычислительной инфраструктуры. Для энергосистемы важны не только суммарные потребности отрасли, но и то, где именно появляются новые объекты и насколько легко регион может обеспечить их электричеством.

Дата-центры потребляют свыше 25% электроэнергии штата Вирджиния. В Ирландии их доля превышает 20% национального электропотребления.

Поэтому обсуждение экологических издержек больших языковых моделей начинается не с абстрактной цифры для всей отрасли, а с конкретного места. Два одинаковых по нагрузке центра обработки данных могут иметь разный углеродный след, если получают электричество из разных источников. И наоборот, наличие сертификатов на возобновляемую энергию само по себе не говорит о том, какая генерация обслуживает объект в каждый момент времени.

Сколько энергии требует текстовый запрос

Оценка, часто появлявшаяся в публичных обсуждениях в 2023–2024 годах, приписывала одному запросу к языковой модели около 3 Вт·ч. С ней сравнивали обычный поисковый запрос и делали вывод, что нейросеть расходует примерно в десять раз больше энергии. Такие оценки строились на общих вычислительных характеристиках и не всегда учитывали оптимизацию производственных систем и специализированные ускорители.

Позже появились данные самих компаний. В 2025 году Сэм Альтман сообщил, что средний запрос к ChatGPT потребляет около 0,34 Вт·ч. Google указала, что медианное энергопотребление текстового запроса к Gemini составляет около 0,24 Вт·ч. Эти значения относятся к разным системам и методикам, поэтому воспринимать их как универсальную норму для любого чат-бота нельзя.

Даже точная оценка одного запроса мало говорит о совокупном расходе. Важно, сколько запросов обрабатывает сервис, насколько длинны входные и выходные тексты, какая модель выбрана и как загружено оборудование. Небольшой расход на отдельное взаимодействие складывается в заметную нагрузку при массовом использовании. Кроме того, публичная метрика для одного текстового запроса не обязательно включает все процессы, связанные с работой продукта.

Именно здесь важно различать энергопотребление нейросетей при обучении и расход энергии на их повседневную работу. Обучение крупной модели требует значительных ресурсов в ограниченный период. Инференс распределён во времени, зато повторяется при каждом обращении пользователей и программных систем. При большом объёме использования он может стать крупнейшей частью общего расхода.

Ускорители, серверы и охлаждение

Энергопотребление начинается с аппаратной базы. Серверные графические процессоры для обучения и инференса могут требовать от 300 до 700 Вт на один ускоритель. Но мощность отдельного GPU не равна полному потреблению серверной стойки или дата-центра: в расчёт входят также процессоры, память, сетевое оборудование, системы питания и охлаждения.

В качестве ориентира можно взять серверный узел уровня NVIDIA DGX H100. Для него указывается потребление порядка 10,2 кВт с учётом конфигурации оборудования. Такой показатель даёт представление о масштабе нагрузки, но не означает, что любой сервер на базе H100 потребляет столько же. Конкретное значение зависит от комплектации и режима работы.

Электричество требуется и на поддержание температурного режима. Ускорители выделяют тепло, которое необходимо отводить, особенно если оборудование постоянно работает под высокой нагрузкой. Поэтому эффективность дата-центра оценивают не только по характеристикам вычислительных чипов. Для этого используют PUE, отношение общего энергопотребления объекта к энергии, которую потребляет ИТ-оборудование. Чем больше дополнительных затрат на охлаждение и питание, тем выше значение PUE.

Такая разница важна при сравнении технических оценок. Цифра для отдельного ускорителя описывает только часть картины. Чтобы понять расход ресурсов дата-центров LLM, нужно учитывать всю цепочку: сервер, систему электропитания, охлаждение и загрузку инфраструктуры. Даже мощное оборудование может использоваться неравномерно, а низкая загрузка не всегда означает пропорционально низкий расход энергии.

Обучение и инференс: два разных профиля нагрузки

По опубликованным оценкам, обучение GPT-2 с 1,5 млрд параметров потребовало около 28 000 кВт·ч. Для GPT-3 с 175 млрд параметров приводится оценка около 284 000 кВт·ч. Различие показывает, насколько дорого может обходиться обучение более крупной модели, хотя прямое сравнение зависит от оборудования, методики и деталей вычислительного процесса.

Для новых закрытых моделей полные сведения об энергозатратах обучения часто не раскрываются. Поэтому публичные цифры нельзя складывать в полную карту отраслевого энергопотребления. Они дают отдельные ориентиры, но не позволяют оценить общий расход на разработку, обучение, тестирование и последующее обслуживание модели.

Инференс устроен иначе. Он не обязательно требует такого же разового пика, как обучение, однако продолжается всё время, пока продуктом пользуются. В крупном сервисе нагрузка возникает снова и снова: модель отвечает на запросы, обрабатывает контекст и генерирует продолжения. Итоговый расход зависит от количества пользователей, размера запросов, выбранной модели и эффективности инфраструктуры.

Поэтому спор о том, что важнее, обучение или инференс, не имеет универсального ответа. Для одной модели особенно затратным может быть этап обучения. Для массового продукта основная доля энергии со временем может приходиться на ежедневную работу. На практике влияют и фоновые вычисления, хранение данных, обслуживание моделей и повторные запросы, которые пользователь не всегда видит.

Почему автономные агенты увеличивают расход ресурсов

Обычный чат-запрос чаще всего состоит из одного обращения к модели и одного ответа. Автономный агент решает задачу иначе: разбивает её на шаги, выбирает инструмент, получает результат и снова обращается к модели. Если ответ инструмента требует уточнения, цикл повторяется.

В исследовании KAIST, опубликованном в июле 2026 года, для агентских сценариев приводится оценка: расход энергии на задачу может быть до 136,5 раза выше, чем при стандартном одиночном инференсе. Авторы также сообщают, что GPU могут простаивать в ожидании внешних инструментов до 54,5% рабочего времени. Эти результаты относятся к рассмотренным сценариям и не означают, что каждый агент всегда расходует столько же энергии.

Причина повышенного расхода не только в количестве вызовов модели. Агент чередует вычисления с ожиданием ответа от внешнего сервиса. Пока поиск, API или выполнение кода возвращают результат, выделенный GPU может быть занят не полностью, но его нельзя автоматически считать выключенным. В итоге растёт расход ресурсов на одну завершённую задачу, а эффективность использования оборудования становится отдельной инженерной проблемой.

Агентская задача может включать целую цепочку обращений к модели и ожиданий внешних инструментов. Поэтому её энергозатраты нельзя оценивать по цене одного обычного текстового запроса.

Для разработчиков это означает, что важна не только скорость отдельного ответа. Нужно учитывать длину цепочки действий, необходимость повторных проверок и то, можно ли передать часть работы более компактной модели. Если простую операцию выполняет большая модель, система может тратить ресурсы без заметной пользы для пользователя.

Углеродный след и прогнозы до 2030 года

Киловатт-часы сами по себе не показывают размер углеродного следа. Для него важен источник электричества: одинаковый объём энергии может сопровождаться разными выбросами в зависимости от структуры генерации. Поэтому увеличение углеродного следа ИИ связано и с количеством вычислений, и с тем, где расположены дата-центры, и с тем, как устроена местная энергосистема.

Крупные технологические компании заявляют о закупках возобновляемой энергии и использовании сертификатов. Такие инструменты имеют значение для оценки обязательств компаний, но не всегда отвечают на вопрос, какая генерация физически обеспечивает конкретный дата-центр в конкретный час. Чтобы понять влияние объекта на энергосистему, важны его местоположение, профиль нагрузки и доступные источники электричества.

В базовом сценарии IEA мировое потребление электроэнергии дата-центрами к 2030 году достигает примерно 945–950 ТВт·ч. Это прогноз для всей инфраструктуры ЦОД, а не только для серверов, обслуживающих языковые модели. На динамику влияют облачные вычисления, хранение данных и другие цифровые сервисы. ИИ усиливает спрос, но отделить его вклад от остальных нагрузок по общей цифре нельзя.

Для компаний, развивающих ИИ-продукты, практический вопрос состоит в том, где размещать вычисления и как соотнести энергозатраты с полезностью функции. Более компактная модель, подходящая для конкретной задачи, может сократить расход по сравнению с универсальной крупной системой. Оптимизация также включает уменьшение лишних вызовов, эффективную загрузку оборудования и выбор инфраструктуры с учётом локального энергобаланса.

Пока данные об энергопотреблении моделей раскрываются фрагментарно, точную оценку для всей отрасли получить трудно. Но направление ясно: рост числа сервисов, более длинные контексты и переход к агентам увеличивают нагрузку на вычислительную инфраструктуру. Эффективность моделей и доступность электричества будут влиять не только на экологические издержки, но и на стоимость цифровых продуктов.