В июне 2025 года число активных пользователей ChatGPT в неделю составило 800 млн (еще в феврале их было в два раза меньше), каждый день к нему обращаются около 122,58 млн человек, и чат обрабатывает более 1 млрд запросов в день. На генерацию изображения может уходить от 10 до 100 Вт·ч (последнее сопоставимо с минутой работы электрического чайника), текстовый запрос расходует 0,3 Вт·ч. Простая математика показывает, что энергопотребление выходит колоссальное.
Горшочек, не вари: как ChatGPT и нейросети влияют на экологию
Нейросети все плотнее входят в нашу жизнь, и, пока одни полагаются на чат-ботов как на психологов и советчиков по любым вопросам, другие бьют тревогу — и дело не только в сгенерированном контенте, вводящем в заблуждение, и потере критического мышления. Разбираемся в неочевидных влияниях искусственного интеллекта на вполне реальную экологическую обстановку.
Dean Mouhtaropoulos/Getty Images
Пару месяцев назад гендиректор OpenAI Сэм Альтман рассказал, что компания тратит «десятки миллионов долларов» из-за «спасибо» и «пожалуйста», которые пользователи пишут ChatGPT. Дело в том, что каждый запрос чат-боту требует обработки, обработка — это затраты электроэнергии, пусть и крошечные, но по капле набегает целое море.
И это расход не только денег: все же пока большая часть выработки энергии связана со сжиганием ископаемого топлива и, следовательно, выбросами в атмосферу углекислого газа. По разным данным, один запрос в ChatGPT — выброс от 2,5 до 5 граммов CO2. Оценка энергозатрат предыдущей модели показала: от работы чата набегает 8,4 тонны углекислого газа в год, что примерно в два раза превышает среднее количество, производимое одним человеком (это не только наше дыхание, но в целом углеродный след с учетом использования транспорта и других аспектов быта). Обучение модели GPT-3 обошлось в 552 тонны углекислого газа.
Есть и другие ресурсы, о которых мы думаем не в первую очередь. Так, для усиления и поддержания компьютерного оборудования и батарей требуются различные металлы вроде лития и кобальта, добыча которых все еще сопряжена с проблемами эксплуатации труда в развивающихся странах.
Для охлаждения серверов используют воду. Для того чтобы чат-бот на языковой модели GPT-4 написал имейл из 100 слов, требуется в среднем 519 мл воды (расход зависит от места, где расположен дата-центр: там, где электричество дешевле, для охлаждения оборудования включают кондиционеры), а если делать это раз в неделю в течение года, получится уже 27 литров, то есть целая канистра. Умножаем на количество пользователей, получаем объемы, сравнимые с потреблением воды целым городом в течение пары дней. Журналисты The Washington Post также посчитали, что если для производства 1 фунта говядины требуется около 6992 литров воды (она используется для выращивания корма, уборки ферм и питья для коров), то во время обучения модели GPT-3 затратили столько же воды, сколько ушло бы на производство 100 фунтов говядины.
Такой расход воды даже вызвал бурную дискуссию в соцсетях в связи с пожарами в Лос-Анджелесе. «Где-то люди, которые создают чат-боты с искусственным интеллектом, выбирают интерьеры для ракет, на которых они покинут Землю и всех нас, сгорающих тут, — написал художник и активист Мэтт Бернстайн в посте, ставшем вирусным. — Один поиск в ChatGPT использует в десять раз больше энергии, чем поиск в Google. Обучение одной модели искусственного интеллекта производит столько же углекислого газа, сколько 300 рейсов туда и обратно между Нью-Йорком и Сан-Франциско, и в пять раз превышает выбросы автомобиля за весь срок его службы». Данные про пятикратные автомобильные выбросы не новы, как и сама дискуссия вокруг экологического влияния ИИ, да и ChatGPT ни капли не виноват в калифорнийских пожарах. Но то, что пост завирусился и набрал множество реакций, говорит о том, что тема горячая в прямом и переносном смысле.
Еще в сентябре прошлого года на неочевидные стороны влияния ИИ на экологию обратила внимание экологическая программа ООН: «Жизненный цикл ИИ можно рассматривать с двух точек зрения: программное обеспечение и оборудование. Жизненный цикл программного обеспечения включает сбор и подготовку данных, разработку модели, обучение, проверку, развертывание, вывод, обслуживание и вывод из эксплуатации. Жизненный цикл оборудования включает производство компьютерных чипов и графических процессоров, а также строительство и эксплуатацию центров обработки данных. Он начинается с добычи сырья (затем следуют производство, доставка и строительство центров обработки данных) и заканчивается эксплуатацией, обслуживанием и утилизацией электронных отходов. При оценке воздействия ИИ на окружающую среду важно изучить оба цикла».
До недавнего времени считалось, что основная эконагрузка ложится только на этап разработки и обучения модели, но составители вышеупомянутой записки подчеркнули, что уже сейчас становится ясно: усложнение нейросетей требует все больше и больше ресурсов, их потребление возрастает почти лавинообразно.
Более того, у проблемы есть три уровня, и непосредственное потребление ресурсов — воды, ископаемого топлива, редких металлов — только первый из них. Второй — косвенное воздействие ИИ на паттерны потребления аудитории: например, автоматизация вождения и автопилоты уже стимулируют все больше людей пересаживаться на личный автотранспорт. Пусть это пока вовсе не массовое явление, но и широту распространения ChatGPT до таких масштабов пару лет назад сложно было предсказать.
Есть и эффекты более высокого порядка, они лежат больше в области этики, чем экологии, но все еще входят в понятие устойчивого развития. Так, у искусственного интеллекта еще сохраняется «гендерная предвзятость», или gender bias: нейросети, обучаясь на старых данных, наследуют гендерные стереотипы и могут усугублять неравенство. Это касается не только гендера, но и, например, цвета кожи и других характеристик групп, которые меньше представлены в инфополе. Нейросеть, обученная на данных о белых мужчинах, будет выдавать соответствующие ответы.
Впрочем, нельзя сказать, что нейросети — однозначное экологическое зло. Во-первых, и до их активного развития центры обработки данных были значительно энерго- и ресурсоемкими: так, к 2022 году выбросы парниковых газов от облачных вычислений составляли от 2,5 до 3,7% всех мировых выбросов, то есть больше, чем производила коммерческая авиация (около 2,4%). Это сфера жизни, которая выходит далеко за пределы обращения с личными данными, хранения фотографий из отпуска и общения в соцсетях: на облачных вычислениях сейчас работает львиная доля интернета.
Во-вторых, нейросети эффективны для работы с большими объемами данных, и за счет этого их можно использовать на благо — сделать процессы более энергетически (и, следовательно, экологически) эффективными. Это уже внедряют в разных сферах индустрии: нейросети оптимизируют цепи поставок, сокращают транспортные издержки и производство отходов, помогают наладить экономику замкнутого цикла. Особенно это важно в там, где одновременно приходится учитывать много факторов, например в сельском хозяйстве, которое зависит от климатических условий, состояния почвы, внесения удобрений и много чего еще.
Также нейросети помогают в экологическом мониторинге: от частных вопросов вроде прогнозирования нашествия тли до уточнения климатических моделей, предсказания стихийных бедствий и внедрения новых методов сохранения популяций редких видов в заповедниках.
Получается, что издержки технологии перекрываются преимуществами — притом, возможно, кратно. Индустрия уже не откажется от нейросетей, да это и не нужно, но устойчивое развитие как раз и заключается в том, чтобы любыми ресурсами — и физическими, и технологическими — пользоваться с умом. Мы научились сортировать мусор, бережнее относиться к своему гардеробу, выбирать многоразовые альтернативы пластику, значит, следующий шаг — осознать, что стоит за эфемерными на первый взгляд цифровыми технологиями. Возможно, без «спасибо» в окошко ChatGPT можно и обойтись.