Экологическая цена прогресса
ИИ бросает вызов устойчивому развитию
Институт водных ресурсов, окружающей среды и здоровья Университета ООН (UNU-INWEH) в июне представил доклад об экологических издержках, связанных с развитием технологий искусственного интеллекта. В исследовании подчеркивается, что сформировавшаяся система оценок не дает полного представления об этих издержках: ранее в основном изучался объем углеродного следа в процессе обучения моделей и не учитывалось энергопотребление систем ИИ в процессе генерации разных типов контента, кроме того, обычно не принимались во внимание водопотребление и использование земельных ресурсов. Предлагая более широкий взгляд на риски для устойчивого развития, которые несет новая ИИ-эпоха, авторы исследования призывают и государства, и всех нас не отказываться от достижений технического прогресса, а более ответственно пользоваться возможностями, которые он дает.
Цифровой разрыв
Суть четвертой промышленной революции, ключевой технологией которой стал искусственный интеллект, — в переходе от цифровизации к оптимизации и автоматизации сложных систем. По прогнозам, приведенным в исследовании, к началу 2030-х годов объем мирового рынка ИИ составит от $2,4 до $4,8 трлн.
Темпы внедрения технологий ИИ оказались беспрецедентными. В 2022 году число пользователей ChatGPT превысило 1 млн всего за пять дней после запуска, а отметку в 100 млн сервис преодолел менее чем за два месяца. Китайский DeepSeek, запущенный в январе 2025 года, за три недели привлек более 20 млн активных пользователей в сутки, а к середине 2025 года число его активных пользователей в месяц достигло примерно 125 млн.
Авторы доклада подчеркивают, что инфраструктура и выгоды от этого бурного развития распределены крайне неравномерно. Для создания и работы передовых систем ИИ необходимы высокопроизводительные вычислительные мощности, специализированные чипы и ресурсы центров обработки данных, сосредоточенных лишь в немногих точках мира. Так, только 16% стран располагают облачными вычислительными мощностями, которые требуются для работы ИИ, причем 90% этих мощностей находятся в США и Китае.
Страны, которым не хватает собственной инфраструктуры для обучения или запуска моделей ИИ, вынуждены обращаться к лидерам ИИ-гонки, предоставляющим доступ к вычислительным ресурсам. Такая схема определяет, кто получает стратегические и экономические преимущества и устанавливает правила доступа, ценообразования и управления данными. В результате еще больше усугубляется существующий цифровой разрыв между странами, создающими и контролирующими системы ИИ, с одной стороны и странами, выступающими просто потребителями, — с другой.
Невидимые последствия
Когда какая-либо технология развивается настолько стремительно, непредвиденные социальные, экономические, геополитические и экологические последствия накапливаются незаметно. Но их будет сложно исправить, как только система окончательно сложится, предупреждают авторы доклада.
Жаркие споры о рисках, которые несет человечеству ИИ, идут с момента запуска ChatGPT в 2022 году. Основное внимание, и не без оснований, уделяется предвзятости алгоритмов, угрозам конфиденциальности, распространению фейковой информации и переформатированию рынка труда. Однако, по мнению авторов исследования, не менее значимым, но пока недостаточно изученным аспектом ИИ является его воздействие на окружающую среду. Важно понимать, что ИИ — это не просто программный код: технология неразрывно связана с физической инфраструктурой и цепочками поставок, включая функционирование центров обработки данных, производство чипов, генерацию электроэнергии, потребление водных и земельных ресурсов, добычу критически важных минералов и, в конечном итоге, утилизацию электронных отходов. Так, по данным, приведенным в докладе, к 2030 году инфраструктура ИИ может ежегодно создавать до 2,5 млн тонн электронных отходов, по объемам утилизации это почти 250 Эйфелевых башен.
Центры обработки данных — физическая основа инфраструктуры ИИ
448 ТВт·ч
электроэнергии потребили в 2025 году мировые центры обработки данных. Если бы ЦОДы были отдельным государством, по уровню энергопотребления они заняли бы 11-е место в мире
до 945 ТВт·ч
может вырасти спрос на электроэнергию со стороны ЦОДов при сохранении текущих тенденций к 2030 году. Это почти в 3 раза превышает суммарное годовое энергопотребление Пакистана, Бангладеш и Нигерии, где в общей сложности проживает более 650 млн человек
399 млн тонн
CO2-эквивалента — углеродный след, которым по расчетам будет сопровождаться производство электроэнергии для ЦОДов в 2030 году. Для его компенсации нужно вырастить 6,7 млрд деревьев, что примерно в 2 раза превышает общее количество деревьев в Великобритании
9,3 трлн литров
может составить сопутствующий водный след, это сопоставимо с годовой потребностью в воде для бытовых нужд всех 1,3 млрд жителей стран Африки к югу от Сахары
14 500 км²
может составить земельный след, связанный с производством такого объема электроэнергии, — это площадь, которая почти в 10 раз превышает территорию Мехико
20%
общего объема электроэнергии, потребляемой ЦОДами, приходилось на долю рабочих нагрузок, связанных с ИИ. К 2030 году этот показатель, согласно прогнозам, вырастет до 40%
Цифры
Авторы доклада предлагают устранить пробелы в экологическом регулировании ИИ с помощью комплексной оценки его воздействия на окружающую среду. Для этого исследователи выходят за рамки привычного подсчета исключительно выбросов парниковых газов и количественно оценивают экологический след (углеродный, водный и земельный), возникающий при производстве электроэнергии для работы систем ИИ.
Это имеет принципиальное значение, так как низкоуглеродные решения сами по себе не гарантируют минимального потребления воды или земельных ресурсов. Оценка устойчивости по единственному показателю может скрыть другие риски и переложить экологическую нагрузку на регионы, уже испытывающие дефицит водных ресурсов или нехватку земель. Такой подход может лишь усугубить экологические проблемы одних регионов, в то время как все выгоды от развития ИИ будут доставаться другим.
Цена производительности
Известно, что создание моделей ИИ требует больших энергозатрат, которые увеличиваются с ростом мощности моделей. Так, на обучение GPT-3, по оценкам, приведенным в докладе, потребовалось 1,3 ГВт·ч электроэнергии в течение 34 дней, а на обучение GPT-4 — от 50 до 70 ГВт·ч за 100 дней, то есть в 40–55 раз больше. Но обучение моделей — это лишь малая часть общей картины. Чем больше ИИ входит в нашу повседневную жизнь, тем большую роль в его энергопотреблении играет процесс инференса (от англ. inference — «логический вывод»), то есть применения обученной модели для решения поставленной задачи. После развертывания моделей ИИ именно миллиарды ежедневных взаимодействий обеспечивают основную долю расхода энергии: на инференс приходится от 80 до 90% общего объема энергопотребления.
Согласно приведенным в докладе данным, только ChatGPT обрабатывает около 2,5 млрд запросов в день. С такими масштабами незначительные затраты ресурсов на отдельную задачу превращаются в колоссальную нагрузку на инфраструктуру: при консервативной оценке расхода энергии в 0,42 Вт·ч на один текстовый запрос использование системы уровня ChatGPT требует примерно 383 ГВт·ч электроэнергии в год. Для компенсации сопутствующих выбросов углерода потребовалось бы вырастить 2,6 млн деревьев, объем потребляемой воды сопоставим с минимальной годовой потребностью в бытовой воде примерно 500 тыс. жителей стран Африки к югу от Сахары, а площадь используемой земли эквивалентна более чем 800 футбольным полям. Эти цифры резко возрастут, если учитывать ИИ, встроенный в массовые платформы, например поисковые.
Обучение моделей и практическое применение искусственного интеллекта
в 42 000 тонн
CO₂-эквивалента оценивается углеродный след от обучения моделей уровня GPT-5. Для его компенсации потребовалось бы 700 000 саженцев, что примерно равно количеству деревьев в 40 нью-йоркских Центральных парках или в 155 раз превышает число деревьев в парке Хай-Парк в Торонто
1,5 км²
(или примерно 210 футбольных полей) — оценочная площадь земель, необходимых для обеспечения обучения GPT-5 (для GPT-4 — примерно 0,9 км², или 126 футбольных полей)
2,5 млрд
запросов в день обрабатывает в настоящее время ChatGPT — только одна модель из многих существующих
от 80 до 90%
общего энергопотребления систем ИИ приходится на этап непрерывного инференса (вывода) — генерации ответов в ходе миллиардов взаимодействий
на 42 часа
работы светодиодной лампы мощностью 10 Вт может хватить энергии, затрачиваемой на создание сложного видео с помощью ИИ (при генерации типичного изображения среднего разрешения такая же лампа может работать17 минут)
4,1 литра
водный след, связанный с потреблением электроэнергии при создании сложного видео с помощью ИИ, что почти равно двухдневной норме питьевой воды для одного человека. Для одного типичного изображения этот показатель составляет около 2 столовых ложек воды (29 мл)
Цифры
Не менее важно, отмечают авторы, что энергозатраты на один запрос могут различаться на порядки в зависимости от модальности и объема генерируемого контента. Если взять за отправную точку процесс классификации текста (например, фильтрацию спама), то обычный запрос к системе типа ChatGPT требует примерно в 200 раз больше энергии, чем простая классификация текста, создание длинных ответов — до 1000 раз больше, а генерация изображений с помощью ИИ — в 1450–2000 раз больше. Оценочные показатели общего экологического воздействия одного ИИ-изображения стандартного разрешения таковы: 2,9 Вт·ч электроэнергии, 1,22 г CO2-эквивалента, 28,6 мл воды и 0,45 см² земельной площади. Видеоконтент — это новый рубеж энергопотребления: создание одного короткого видеоролика с помощью ИИ может потребовать столько же электроэнергии, сколько классификация 200 000 спам-сообщений или генерация сотен изображений. Сложный мультимедийный контент будет еще более энергозатратным. Поэтому ключевыми факторами, определяющими экологический след, могут стать настройки по умолчанию и выбор пользователя.
Путь ответственных
Хотя доклад экспертов Университета ООН посвящен преимущественно экологическому следу, связанному с ИИ-энергопотреблением, в нем отмечены и другие значительные аспекты воздействия ИИ на окружающую среду. Например, для аппаратного обеспечения ИИ важно использование некоторых критически важных минералов, их добыча и переработка могут наносить ущерб экологии, причем негативные последствия зачастую сосредоточены в странах Глобального Юга. Кроме того, ненадлежащее обращение с электронными отходами по истечении срока службы оборудования может подвергать локальные сообщества воздействию опасных веществ. Именно поэтому ответственное развитие ИИ требует управления всей цепочкой создания стоимости: от добычи сырья до переработки и безопасной утилизации.
Для решения этих задач предлагается создать экосистему ответственного ИИ, опирающуюся на шесть принципов: прозрачность; эффективность на этапе проектирования; справедливость, в том числе экологическую; ответственность на протяжении всего жизненного цикла; глобальное сотрудничество; устойчивое использование. По мнению авторов доклада, оценка углеродного, водного и земельного следа позволяет сделать воздействие ИИ наглядным, сопоставимым и поддающимся корректировке, что поможет создать основу для управления и обеспечения подотчетности в разных странах. Признавая физическое воздействие ИИ и внедряя строгие механизмы управления жизненным циклом, международное сообщество сможет обеспечить экологическую управляемость технологического прогресса.
Профессор Кавех Мадани, директор UNU-INWEH, возглавлявший группу исследователей, назвал развитие ИИ движущей силой технологической революции нашей эпохи и подчеркнул: «Этот доклад — не выступление против искусственного интеллекта, технологической трансформации, улучшающей жизнь миллиардов людей во всем мире. Это призыв к ответственному использованию технологии и к упреждающему решению проблем, связанных с ее непредвиденными последствиями, ради обеспечения устойчивости и справедливости».
