GRID: ИИ нуждается в энергии, а не только в чипах

Искусственный интеллект стремительно превращается из сугубо вычислительной задачи в проблему глобальной энергетической инфраструктуры. Пока рынок сосредоточен на гонке за новыми чипами и архитектурами, аналитики и инженеры все чаще указывают на фундаментальное ограничение: существующие электросети не готовы к экспоненциальному росту потребления дата-центров. Согласно отчету консалтинговой группы GRID, опубликованному на этой неделе, ключевым барьером для дальнейшего масштабирования ИИ-систем становится не производительность GPU, а доступ к стабильным и дешевым источникам энергии.

Энергетический аппетит нового поколения вычислений

Современные модели ИИ, особенно крупные языковые модели (LLM) и генеративные нейросети, требуют колоссальных вычислительных мощностей. Один сеанс обучения GPT-4, по разным оценкам, потребляет от 50 до 100 гигаватт-часов электроэнергии. Для сравнения: это годовой объем потребления среднего европейского домохозяйства из нескольких тысяч квартир. Однако пиковая нагрузка приходится не на обучение, а на этап инференса — то есть непосредственную работу модели с пользователями. Каждый запрос к ChatGPT требует в десятки раз больше энергии, чем стандартный поисковый запрос в Google.

По данным GRID, к 2027 году совокупное энергопотребление дата-центров, обслуживающих ИИ-нагрузки, может достигнуть 500 тераватт-часов в год. Это сопоставимо с суммарным производством электроэнергии в Японии — третьей экономики мира. При этом текущая инфраструктура передачи и распределения энергии во многих странах, включая США и Западную Европу, уже работает на пределе пропускной способности. Строительство новых линий электропередач и трансформаторных подстанций занимает от 5 до 10 лет, что значительно превышает темпы развертывания новых дата-центров.

Почему чипы перестали быть главным лимитом

Долгое время индустрия была сосредоточена на законе Мура и повышении плотности транзисторов. Компании вроде NVIDIA и AMD ежегодно удваивают производительность своих ускорителей. Однако энергоэффективность чипов растет гораздо медленнее. Современные GPU H100 потребляют до 700 ватт в пиковом режиме, а их преемники, такие как B200, могут потреблять более 1000 ватт на один чип. При плотности размещения в стойке в десятки таких устройств тепловыделение достигает 40–60 киловатт на стойку, что требует жидкостного охлаждения и дополнительных энергозатрат на системы кондиционирования.

Эксперты GRID подчеркивают, что дальнейший прирост производительности за счет наращивания количества чипов упирается в физические ограничения электросетей. Операторы дата-центров в таких регионах, как Северная Виргиния (США), которая является крупнейшим хабом облачных вычислений, уже сталкиваются с отказами в подключении новых мощностей из-за перегрузки местных подстанций. Фактически, доступ к энергии становится более дефицитным ресурсом, чем доступ к передовым полупроводникам.

Региональные диспропорции и перекосы рынка

На сегодняшний день более 70% мощностей для обучения ИИ сосредоточено в трех странах: США, Китае и Германии. При этом в США основные кластеры расположены в регионах с относительно дешевой электроэнергией (например, в штатах Вашингтон и Орегон за счет гидроэнергетики). Однако эти регионы уже исчерпали резервы свободной мощности. Парадоксальная ситуация складывается в Европе: страны с развитой возобновляемой энергетикой (Дания, Швеция) имеют избыток энергии, но страдают от недостатка физической инфраструктуры передачи данных и низкой пропускной способности интернет-каналов для синхронизации распределенных вычислений.

Аналитики GRID предупреждают, что без масштабных инвестиций в модернизацию сетей, а также в строительство новых атомных и гидроэлектростанций, рост ИИ может замедлиться уже к 2026 году. Это создает уникальную рыночную ситуацию: энергетические компании и операторы сетей становятся ключевыми бенефициарами бума ИИ, опережая по потенциалу роста даже производителей чипов.

Поиск решений: от малых модульных реакторов до переработки отходов

На фоне энергетического кризиса в индустрии наметилось несколько стратегических направлений. Первое — это переход к малым модульным ядерным реакторам (SMR). Такие компании, как Oklo и NuScale Power, уже заключили предварительные соглашения с операторами дата-центров на поставку энергии от реакторов мощностью 10–50 МВт. Преимущество SMR — компактность и возможность размещения непосредственно рядом с дата-центром, что исключает потери при передаче. Однако коммерческая эксплуатация таких реакторов ожидается не ранее 2028–2030 годов.

Второе направление — использование отработанного тепла. Современные дата-центры выделяют огромное количество тепла, которое в большинстве случаев просто выбрасывается в атмосферу. В Скандинавии и Нидерландах уже реализуются проекты по интеграции

Всё это подводит к неизбежному выводу: будущее искусственного интеллекта будет определяться не столько скоростью вычислений, сколько способностью человечества обеспечить эти вычисления энергией. Эра «бесплатного» масштабирования ИИ закончилась — теперь каждый новый прорыв в этой сфере потребует синхронных прорывов в электроэнергетике, от модернизации сетей до внедрения атомных микрореакторов. Индустрия входит в фазу, где стратегическим преимуществом будет владеть не тот, кто создал самый мощный чип, а тот, кто смог договориться с энергетиками и получить стабильный доступ к дешёвому киловатту.

Таким образом, парадокс современного технологического развития становится очевидным: чем умнее становятся машины, тем сильнее они зависят от самой примитивной инфраструктуры — проводов, трансформаторов и электростанций. И если в ближайшие пять лет не будут найдены и внедрены кардинальные решения по энер