Сколько воды тратят нейросети: реальные цифры, скрытые расходы и что это значит для планеты

Почему нейросетям нужна вода: физика охлаждения дата-центров

Когда вы отправляете запрос к ChatGPT или другой нейросети, текст разбивается на токены и передается в дата-центр, где тысячи серверов с ИИ-ускорителями выполняют вычисления. Эти чипы выделяют огромное количество тепла: без охлаждения они перегреваются и выходят из строя. Самый распространенный способ отвести тепло — испарительное охлаждение, при котором вода испаряется, забирая энергию. Именно поэтому каждый запрос к нейросети косвенно расходует воду.

Объем потребления зависит от климата и конструкции дата-центра. В жарких регионах испарение идет интенсивнее, в прохладных можно использовать наружный воздух. Microsoft публикует показатели водной эффективности по регионам, и они различаются в разы. Например, дата-центр в Аризоне будет тратить значительно больше воды, чем аналогичный в Швеции.

Кроме прямого расхода на охлаждение, есть косвенный: вода, необходимая для производства электроэнергии. Тепловые и атомные электростанции используют воду в системах охлаждения турбин. По данным исследования Калифорнийского университета в Риверсайде, с учетом этого водный след запроса увеличивается на порядок. То есть, когда вы пользуетесь нейросетью, вы тратите воду не только в дата-центре, но и на электростанции, которая его питает.

Сколько воды уходит на один запрос: разброс цифр от 0,26 мл до 45 мл

Оценки водопотребления одного запроса к нейросети различаются в десятки раз. Это связано с тем, что разные компании и исследователи учитывают разные этапы. Google, например, считает только работу дата-центра: чипы, серверы, охлаждение. По их данным, средний текстовый запрос к Gemini требует 0,26 мл воды — примерно пять капель. Компания Mistral посчитала весь жизненный цикл модели, включая производство серверов и обучение, и получила 45 мл на ответ — это три столовые ложки.

Разница объясняется методологией. Google не включает косвенный расход воды на электростанциях, а Mistral учитывает даже производство оборудования. Исследователи из Амстердамского университета оценивают потребление ИИ в 312–765 миллиардов литров воды в год, но эти цифры тоже теоретические: они не учитывают производство чипов и утилизацию техники.

Для сравнения: заваривание чашки чая требует около 200 мл воды, то есть на сотни простых запросов к нейросети уходит меньше, чем на один чайник. Но проблема не в отдельном запросе, а в их количестве: ChatGPT обрабатывает около 2,5 млрд запросов в день, и суммарный расход становится значимым.

Энергопотребление: от 0,24 Вт·ч за запрос до 850 МВт·ч в сутки

Энергопотребление нейросетей оценивается точнее, чем водный след, но тоже с разбросом. Google сообщает, что текстовый запрос к Gemini требует 0,10 Вт·ч, если учитывать только ИИ-ускорители, и 0,24 Вт·ч с учетом процессоров, памяти, резервных мощностей и накладных расходов дата-центра. Это чуть больше минуты работы светодиодной лампочки.

Однако суммарные цифры впечатляют. По оценке главы OpenAI Сэма Альтмана, ChatGPT тратит около 850 МВт·ч в сутки — столько же потребляет небольшой город. Международное энергетическое агентство (МЭА) сообщает, что в 2024 году дата-центры мира потребили около 415 ТВт·ч (1,5% мирового спроса), а в 2025 — уже 485 ТВт·ч. Рост составляет 12–15% в год, что вчетверо быстрее общего роста спроса.

К 2030 году МЭА прогнозирует потребление 945 ТВт·ч — это около 3% мирового спроса, что эквивалентно годовому расходу электроэнергии всей Японии. При этом на ИИ сейчас приходится около 20% энергопотребления дата-центров, а к 2030 году доля может вырасти до 40%.

Обучение моделей: разовая, но огромная трата ресурсов

Обучение нейросетей — это крупная единоразовая трата, которую не всегда включают в стоимость запроса. Например, при обучении языковой модели GPT-3 в дата-центрах Microsoft было использовано около 700 тысяч литров чистой пресной воды. Компания скрыла эту информацию, но исследователи смогли ее восстановить.

Стоимость обучения сложно сопоставить напрямую: модели различаются размером, а компании используют разные методики подсчета. Meta учитывала только энергию ускорителей, Mistral — даже производство серверов. Из-за этого цифры в отчетах могут отличаться в разы.

Важно понимать: обучение — это разовая инвестиция. После того как модель обучена, основные затраты приходятся на обработку пользовательских запросов. Исследователи Университета ООН подсчитали, что до 90% энергозатрат ИИ приходится именно на инференс (обработку запросов), а не на обучение. Это значит, что даже если прекратить обучать новые модели, текущая нагрузка на экологию сохранится.

Глобальный водный след: от 312 млрд до 9,3 трлн литров в год

Оценки глобального водного следа ИИ сильно разнятся. Исследователь из Амстердамского университета Алекс де Врис-Гао оценивает потребление в 312–765 миллиардов литров воды в год. Это превышает прогнозы, которые делались на 2027 год. Другие исследователи, например из Университета ООН, прогнозируют, что к 2030 году водный след ИИ-инфраструктуры достигнет 9,3 трлн литров в год — столько расходуют на бытовые нужды 1,3 млрд человек.

Для сравнения: Демократическая Республика Конго за год потребляет около 683 млн кубометров воды, Уганда — 637 млн кубометров. Прогноз на 2027 год (6,6 млрд кубометров) почти в десять раз больше. Небольшой дата-центр в США использует для охлаждения 25,5 млн литров в год — это в 2 тысячи раз больше, чем потребляет один человек в Нигерии (12 410 литров в год).

Эти цифры вызывают тревогу, особенно в регионах с дефицитом воды. По данным расследования SourceMaterial и The Guardian, Amazon, Google и Microsoft уже запустили или строят более 60 дата-центров в местах, испытывающих дефицит воды, — от Аризоны до испанского Арагона. Один дата-центр Google в аризонской Месе получил разрешение расходовать столько же воды, сколько 23 000 жителей.

Почему оценки так различаются: методология и скрытые данные

Главная проблема в оценке водного следа ИИ — непрозрачность технологических компаний. Google, Microsoft и другие гиганты публикуют общие отчеты об устойчивом развитии, но не раскрывают, какую долю ресурсов потребляет именно ИИ. Исследователям приходится собирать данные по крупицам: из финансовых отчетов, оценок аналитиков и публичных заявлений топ-менеджеров.

Разброс в оценках объясняется несколькими факторами. Во-первых, разные компании учитывают разные этапы: кто-то только работу дата-центра, кто-то весь жизненный цикл. Во-вторых, местоположение дата-центра влияет на экологию: если регион получает энергию от угольных станций, вред больше, чем от возобновляемых источников. В-третьих, косвенное потребление воды на электростанциях часто игнорируется.

Например, Google считает 0,26 мл на запрос к Gemini, а Mistral — 45 мл. Разница в 173 раза! Это не значит, что одна компания врет, а другая нет. Просто они отвечают на разные вопросы: Google — сколько воды тратит дата-центр, Mistral — сколько воды нужно для полного жизненного цикла модели. Пользователю важно понимать, что любая цифра — это оценка, а не точный факт.

Влияние на климат и здоровье: парадокс ИИ в медицине

ИИ активно используется в медицине: нейросети помогают диагностировать рак молочной железы, меланому, диабетическую ретинопатию, аномалии ЭКГ. Исследования показывают, что ИИ снижает количество ложноположительных результатов на 5,7%, а ложноотрицательных — на 9,4%. Нейросеть лучше диагностирует ранние стадии рака (91% против 74% у радиологов).

Однако эти достижения имеют экологическую цену. Дата-центры, на которых работают медицинские ИИ, потребляют огромное количество воды. Получается парадокс: ИИ спасает жизни, но при этом усугубляет водный кризис, который угрожает здоровью миллиардов людей. Глобальная комиссия по экономике воды предупреждает: более половины мирового производства продуктов питания окажется под угрозой в ближайшие 25 лет из-за водного кризиса. Спрос на пресную воду превысит предложение на 40% к 2030 году.

Эксперты призывают компании к прозрачности. Без точных данных общество не может оценить реальную цену технологического прогресса и решить, готово ли оно платить такими ресурсами за удобство генеративных нейросетей. Пока же технологические гиганты скрывают реальные цифры, что затрудняет принятие взвешенных решений.

Как снизить водный след: технологии и альтернативы

Существует несколько способов снизить водопотребление дата-центров. Самый простой — замкнутые системы охлаждения, которые позволяют использовать воду многократно. По оценкам, это снижает потребление пресной воды до 70%. Также есть метод свободного охлаждения наружным воздухом, но он работает только в прохладных регионах.

Более современный подход — иммерсионное охлаждение, при котором серверы погружаются в диэлектрическую жидкость. Она поглощает тепло и передает его теплообменнику, где оно отводится, а охлажденная жидкость возвращается. Эта технология требует высоких начальных затрат, но экономит не только воду, но и энергию и пространство.

Еще один важный аспект — переход на возобновляемые источники энергии. Солнечные панели и ветряные турбины не нуждаются в охлаждающей воде, в отличие от угольных и газовых станций. Сегодня чуть больше половины электричества (56%), которое используют дата-центры в США, производится из ископаемого топлива. Угольные электростанции требуют около 72 623 литров воды на мегаватт-час, газовые — 10 599 литров. Если страны перейдут на 100% возобновляемую энергию, это позволит сэкономить миллиарды литров воды.

Что может сделать обычный пользователь: практические советы

Многие пользователи задаются вопросом: стоит ли отказываться от нейросетей ради экологии? Эксперты сходятся во мнении, что полный отказ неразумен. Генерация видео в нейросети может тратить меньше ресурсов, чем традиционная киносъемка. Однако можно оптимизировать использование ИИ.

Во-первых, используйте простые запросы. Анализ длинных документов и «рассуждающие» модели стоят в десятки и сотни раз дороже простого вопроса. Если вам нужно быстро узнать факт, лучше воспользоваться поисковиком, а не нейросетью. Во-вторых, избегайте генерации бессмысленного контента: мемов, картинок «на поржать», бесконечных диалогов с ботом. Каждый такой запрос — это реальные ресурсы.

В-третьих, используйте офлайн-инструменты для простых задач. Например, справочники или локальные программы могут заменить нейросеть для перевода или проверки орфографии. Наконец, поддерживайте компании, которые инвестируют в зеленые технологии и публикуют прозрачные отчеты. Потребительский спрос может стимулировать индустрию к более ответственному подходу.

Будущее: прогнозы и вызовы

Прогнозы на будущее выглядят тревожно. МЭА ожидает, что к 2030 году потребление электроэнергии дата-центрами вырастет более чем вдвое — до 945 ТВт·ч. Это около 3% мирового спроса, что эквивалентно годовому расходу Японии. Водный след ИИ может достичь 9,3 трлн литров в год — столько расходуют на бытовые нужды 1,3 млрд человек.

Однако есть и позитивные тенденции. Компании начинают внедрять более эффективные технологии охлаждения, переходить на возобновляемую энергию. В Швеции, например, пробуют утилизировать тепло дата-центров для отопления домов. Это позволяет превратить отходы в ресурс.

Главный вызов — прозрачность. Без точных данных о потреблении ресурсов невозможно оценить реальную цену технологического прогресса. Исследователи призывают корпорации раскрывать информацию о водном и углеродном следе ИИ. Пока этого не произойдет, общество будет оставаться в неведении о том, сколько планета платит за каждый сгенерированный текст или изображение.

Вопросы и ответы