ИИ и климат: дата-центры потребляют 415 ТВт·ч в год, а польза пока в прогнозах

Вопрос звучит почти как политический лозунг: ИИ сожжёт планету или поможет её спасти? Цифры дают менее эффектный, но более полезный ответ. По оценке Международного энергетического агентства, в 2024 году дата-центры потребили около 415 ТВт·ч, примерно 1,5% мирового электричества. К 2030 году, по базовому прогнозу МЭА, показатель может вырасти до 945 ТВт·ч. Это сопоставимо с годовым потреблением Японии. При этом на дата-центры приходится меньше 1% энергетических выбросов CO2, то есть сегодня проблема локальная, а не глобальная. Беспокоит скорость роста.

Сколько на самом деле ест ИИ

Самые заметные цифры связаны с обучением моделей и особенно с инференсом: когда запросов миллиарды, мелочи складываются в мегаватты. Оценки по отдельному запросу сильно расходятся и зависят от методики. Google в 2025 году сообщила, что медианный запрос к Gemini потребляет 0,24 Вт·ч, а OpenAI называла для ChatGPT около 0,34 Вт·ч. Для одного пользователя это ничтожно. Но тяжёлые сценарии вроде генерации видео, длинных рассуждений и агентов, которые делают десятки обращений к модели за одну задачу, смещают среднее в большую сторону.

Ориентиры, на которые опирается дискуссия:

• Дата-центры мира, 2024 год: около 415 ТВт·ч, примерно 1,5% глобального электричества (МЭА).
• Прогноз на 2030 год: около 945 ТВт·ч при базовом сценарии.
• США, 2023 год: 4,4% национального электропотребления, к 2028 году 6,7–12% по оценке Lawrence Berkeley National Laboratory.
• Выбросы Google в 2024 году выше уровня 2019 года на 48%, у Microsoft рост с 2020 года около 29%.
• Медианный запрос к Gemini: 0,24 Вт·ч, по данным самой Google.

Отдельный запрос к модели стал заметно эффективнее. Проблема в том, что их стало несоизмеримо больше, а нагрузка собирается в нескольких регионах: Вирджиния, Техас, Ирландия, окрестности Сингапура. Там сети упираются в пределы раньше, чем появляется новая генерация.

Что ИИ может дать климату

Вторая половина вопроса тоже имеет под собой основания. Модели прогнозирования погоды на нейросетях вроде GraphCast и аналогов считают глобальный прогноз за минуты на одном ускорителе, тогда как классическим численным методам нужны суперкомпьютеры. Алгоритмы помогают балансировать нагрузку в сетях с большой долей солнца и ветра, находить утечки метана по спутниковым снимкам, оптимизировать отопление и охлаждение зданий, подбирать материалы для батарей. МЭА отмечает, что при широком внедрении такие применения потенциально могут сократить выбросы больше, чем добавят сами дата-центры. Ключевое слово здесь «потенциально»: автоматического эффекта нет, а внедрение идёт медленно и неравномерно.

Есть и обратная сторона. Те же модели используют нефтегазовые компании для поиска и разработки месторождений, и этот вклад в эмиссии в сравнительных расчётах часто остаётся за скобками. Экономия от эффективности нередко ведёт к росту спроса: когда вычисления дешевеют, их тратят больше. Этот эффект известен экономистам с XIX века как парадокс Джевонса.

На что смотреть дальше

Чтобы не тонуть в заголовках, стоит отслеживать несколько вещей. Первая: откуда берётся электричество для новых кампусов. Контракты на атомную и геотермальную генерацию дают долгосрочный эффект, а продление срока работы угольных и газовых станций уничтожает его. Вторая: раскрывают ли компании потребление по часам и по площадкам, а не только годовые средние с зелёными сертификатами. Третья: считает ли отчётность воду и выбросы оборудования, а не только электричество. Для бизнеса вывод практичный: выбирать регион и время запуска тяжёлых задач, учитывать углеродную интенсивность сети и мерить энергию на единицу результата, а не на запрос. Для регуляторов важнее всего прозрачные данные. Без них любые разговоры о «хорошем» или «плохом» ИИ остаются спором о вере.