Экологическое воздействие проектирования, обучения, развёртывания и использования искусственного интеллекта включает , связанные с выработкой электроэнергии для центров обработки данных и вычислительного оборудования, эксплуатационное и косвенное потребление воды, а также материальные последствия производства оборудования, добычи полезных ископаемых и образования электронных отходов.

Оценка экологических последствий ИИ может быть затруднена, поскольку результаты зависят от способа измерения воздействия, включая то, учитываются ли только вычисления модели или также накладные расходы центра обработки данных, простаивающие мощности, производство оборудования и местные источники электроснабжения.

По мере того как этим вопросам уделяется всё больше внимания, правительства и регулирующие органы всё чаще рассматривают требования к отчётности центров обработки данных, стандарты энергоэффективности и более широкие меры по обеспечению прозрачности использования ресурсов, связанных с ИИ.

Углеродный след и энергопотребление Энергопотребление, связанное с ИИ, возникает на нескольких этапах, включая обучение модели, тонкую настройку, инференс, хранение данных, сетевое взаимодействие и вспомогательную инфраструктуру, такую как системы охлаждения и преобразования электроэнергии.

Индивидуальный уровень

Опубликованные оценки энергопотребления на один запрос к ИИ существенно различаются в зависимости от модели, задачи и методики измерения. Эталонное исследование, представленное на ACM Conference on Fairness, Accountability, and Transparency 2024 года, выявило значительные различия между типами задач: некоторые текстовые задачи требовали сравнительно мало энергии, тогда как генерация изображений в условиях тестирования исследования потребляла значительно больше. В этом исследовании простые задачи классификации в среднем потребляли около 0,002-0,007 Вт·ч на запрос (примерно 9 % заряда смартфона на 1000 запросов), тогда как генерация текста и его суммаризация требовали около 0,05 Вт·ч на запрос каждая; генерация изображений в среднем потребляла 2,91 Вт·ч на запрос, а наименее эффективная модель генерации изображений в исследовании использовала 11,49 Вт·ч на одно изображение (что примерно соответствует половине заряда смартфона).

Также были опубликованы измерения, выполненные самими разработчиками в производственных средах. Исследование Google 2025 года, посвящённое работе помощника Gemini, представило медианные оценки энергопотребления, выбросов и использования воды на один запрос в рамках методологии учёта, использованной авторами, при этом подчёркивалось, что различные границы учёта могут приводить к существенно отличающимся результатам. Согласно исследованию, медианная оценка для текстового запроса составляла около 0,24 Вт·ч, что приблизительно соответствует количеству энергии, необходимому для просмотра телевизора в течение девяти секунд. В исследовании также утверждалось, что улучшения программного обеспечения и инфраструктуры позволили в течение одного года сократить энергопотребление для типичного запроса в 33 раза, а выбросы углерода — в 44 раза в рамках методологии авторов.

Исследователи из Мичиганского университета измерили энергопотребление различных моделей LLaMA 3.1, выпущенных в 2024 году компанией Meta, и обнаружили, что меньшие языковые модели (8 миллиардов параметров) используют около 114 джоулей (0,03167 Вт·ч) на один ответ, тогда как более крупные модели (405 миллиардов параметров) требуют до 6700 джоулей (1,861 Вт·ч) на ответ. Это соответствует количеству энергии, необходимому для работы микроволновой печи примерно одну десятую секунды и восемь секунд соответственно.

Сравнения между системами ИИ и человеческим трудом при выполнении конкретных задач дали неоднозначные результаты и по-прежнему сильно зависят от допущений относительно качества результата, объёма работы и границ рассматриваемой системы. Исследование 2024 года, опубликованное в Scientific Reports, показало, что при принятых авторами допущениях расчётные выбросы углерода для отдельных систем ИИ были в 130—2900 раз ниже, чем для писателей и иллюстраторов-людей. Более поздняя статья в Scientific Reports привела противоположный пример для задач программирования: согласно её допущениям, расчётные выбросы от оцениваемой системы ИИ оказались в 5-19 раз выше, чем у программистов-людей при выполнении тестов, использованных в исследовании.

Системный уровень

Энергопотребление и эффективность

Энергоёмкость ИИ зависит не только от архитектуры модели, но и от эффективности оборудования и объекта размещения. Операторы центров обработки данных обычно публикуют показатель Power usage effectiveness (PUE), который измеряет отношение общего энергопотребления объекта к энергопотреблению ИТ-оборудования; более низкое значение PUE указывает на меньшие накладные затраты энергии на охлаждение и другую вспомогательную инфраструктуру.

Операторы также могут публиковать метрики и тематические исследования, посвящённые эффективности оборудования, системам охлаждения и источникам электроснабжения. В своём экологическом отчёте за 2024 год компания Google (компания) заявила, что её совокупные выбросы парниковых газов в 2023 году выросли на 13 % по сравнению с предыдущим годом главным образом из-за увеличения энергопотребления центров обработки данных и выбросов в цепочке поставок, одновременно сообщив о более низком показателе PUE по сравнению со среднеотраслевыми значениями для собственных объектов.

Международное энергетическое агентство также отмечает, что центры обработки данных в целом по-прежнему составляют относительно небольшую долю мирового потребления электроэнергии, однако их локальное воздействие может быть значительно более заметным из-за географической концентрации спроса.

Углеродный след На системном уровне ИИ способствует росту спроса на электроэнергию со стороны центров обработки данных и связанной с ними инфраструктуры. Международное энергетическое агентство оценило, что в 2024 году центры обработки данных потребили около 415 ТВт·ч электроэнергии, или примерно 1,5 % мирового потребления электроэнергии, и спрогнозировало, что к 2030 году потребление электроэнергии центрами обработки данных может вырасти примерно до 945 ТВт·ч. При этом ИИ был назван основным фактором такого роста наряду с другими цифровыми сервисами.

Углеродный след систем ИИ в значительной степени зависит от источников электроэнергии, эффективности оборудования, коэффициентов использования и того, какие этапы учитываются при расчётах. Обучение крупных моделей может требовать значительных объёмов электроэнергии, тогда как совокупное воздействие на протяжении жизненного цикла также зависит от масштаба развёртывания и объёма инференса, выполняемого после завершения обучения.

Ранние исследования разработки передовых моделей сообщали о быстром историческом росте объёмов вычислений, используемых для обучения отдельных систем, хотя последующие тенденции зависели от изменений в проектировании моделей, развития оборудования и повышения эффективности.

Методы учёта, включающие косвенные или воплощённые воздействия, такие как производство оборудования и строительство объектов инфраструктуры, могут существенно влиять на оценки выбросов, связанных с ИИ.

Решения и стратегии отдельных компаний Крупные технологические компании сообщают, что расширение использования ИИ и облачной инфраструктуры влияет на достижение их целей в области устойчивого развития, спрос на электроэнергию и потребление ресурсов. Например, Google в своём экологическом отчёте за 2024 год связала часть роста выбросов в 2023 году с увеличением энергопотребления центров обработки данных и выбросов в цепочке поставок.

Компании, работающие в области облачных вычислений и ИИ, также объявляли о мерах, направленных на снижение воздействия на окружающую среду, включая инвестиции в более эффективное оборудование, закупку низкоуглеродной электроэнергии, альтернативные системы охлаждения и программы рационального управления водными ресурсами. Степень детализации, сопоставимость и независимая проверка таких раскрываемых данных различаются в зависимости от компании и юрисдикции.

Использование воды Центры обработки данных могут потреблять воду как непосредственно для охлаждения, так и косвенно через воду, используемую при выработке электроэнергии, в зависимости от местного энергетического баланса.

Публичная отчётность об использовании воды центрами обработки данных нередко была непоследовательной, что затрудняет сравнение различных операторов и регионов.

Для стандартизации операционной отчётности организация The Green Grid предложила показатель эффективности использования воды (WUE), определяемый как годовое потребление воды объектом, делённое на объём энергии, потребляемой ИТ-оборудованием. Сам по себе показатель WUE не отражает уровень местного водного стресса, устойчивость источников воды или все косвенные воздействия на водные ресурсы. Исследования использования воды системами ИИ также различают понятия забор воды и потребление воды.

Исследования, посвящённые непосредственно водопотреблению ИИ, указывают, что водный след систем ИИ может быть трудно наблюдаемым и существенно варьироваться в зависимости от местоположения, конструкции системы охлаждения и источника электроэнергии. Статья 2025 года в Communications of the ACM обобщила методы оценки водного следа ИИ и подчеркнула важность различия между забором воды и её потреблением.

Ли и его коллеги оценили, что глобальный объём забора воды, связанный с ИИ, может достичь 4,2-6,6 млрд кубических метров в 2027 году в рамках сценариев, рассмотренных в их статье. Используя в качестве примера GPT-3, выпущенную компанией OpenAI в 2020 году, они оценили, что обучение модели в американских центрах обработки данных Microsoft могло потребовать около 700 000 литров воды непосредственно на площадках центров обработки данных и около 5,4 млн литров в общей сложности с учётом водопотребления, связанного с выработкой электроэнергии вне площадки. Они также подсчитали, что генерация 10-50 ответов GPT-3 средней длины может потреблять около 500 мл воды в зависимости от времени и места эксплуатации модели. Опубликованные оценки на уровне отдельных запросов также различаются в зависимости от системы и используемой методологии учёта: исследование Google 2025 года, посвящённое обслуживанию запросов помощником Gemini, сообщило о медианной оценке примерно 0,26 мл воды на текстовый запрос в рамках своей методики.

Местоположение может существенно влиять на значимость водопотребления центров обработки данных. Исследование американских центров обработки данных показало, что одна пятая прямого водного следа серверов приходилась на водосборные бассейны с умеренным или высоким уровнем водного стресса, тогда как почти половина серверов полностью или частично обеспечивалась электроэнергией от электростанций, расположенных в регионах с водным стрессом. В репортаже агентства Reuters 2025 года со ссылкой на данные Verisk Maplecroft и NatureFinance сообщалось, что средний центр обработки данных среднего размера использует около 1,4 млн литров воды в сутки для охлаждения, а в случае ввода в эксплуатацию всех запланированных центров обработки данных годовой уровень водного стресса в Финиксе увеличится на 32 %.

Использование воды происходит также на предшествующих этапах, в частности при производстве полупроводников, которое требует больших объёмов ультрачистой воды.

Электронные отходы

Системы ИИ зависят от специализированного вычислительного оборудования, а быстрая замена серверов и ускорителей вычислений может способствовать росту объёмов электронных отходов. Согласно отчёту Global E-waste Monitor 2024, в 2022 году в мире было образовано примерно 62 миллиона тонн электронных отходов, а к 2030 году этот показатель, согласно рассматриваемым в отчёте сценариям, может вырасти до 82 миллионов тонн. Всемирная организация здравоохранения также рассматривает электронные отходы как растущую экологическую проблему и проблему общественного здравоохранения.