Гонка LLM триває. Але во що вона обходиться нашій планеті?
Дослідники оцінили енергоспоживання, водний слід та викиди CO₂ при навчанні великих мовних моделей, виявивши, що 82% ресурсів витрачається на ранні етапи дослідження. Це показує, що екологічний вплив гонки LLM може стати значим фактором для бізнесу через потенційні регуляторні обмеження та зростання енергетичних витрат.
🔬 Це дослідження, а не готовий інструмент, тому для kompanій до 200 людей тут нема дії: немає конкретного продукту або рекомендації, якою можна скористатися протягом тижня.
🎯 Чи підходить це вашому бізнесу?
Заповніть профіль компанії — і ми автоматично покажемо, чи варто вам це впроваджувати.
Заповнити профіль · 30 секундTL;DR
- •Навчання великих мовних моделей спожило 5,6 ТВт·ч електроенергії за рік.
- •Водний слід становить 7,3 млрд літрів, що еквівалентно 2 900 олімпійським басейнам.
- •Викиди CO₂e досягли 1,9 млн тонн, що порівнюється з викидами 460 тис. автомобілів.
- •82% ресурсів витрачається на ранні етапи дослідження, а не на фінальний запуск моделей.
- •Оцінка включає 44 великі родини моделей: GPT, Claude, Gemini, Grok, Qwen, DeepSeek, Kimi, GLM та інші.
Як це змінить ваш ринок?
Зростаючий екологічний слід AI може спричинити нові регуляторні обмеження та підвищення енерготарифів для дата-центрів. Компанії, що активно інвестують у LLM, повинні очікувати зростання операційних витрат та можливих податків на вуглецеві викиди. Це також створює можливості для поставщиків «зеленого» хмарного обчислювання та рішень з оптимізацією енергоспоживання. Підприємства, які вже використовують AI у продуктах, можуть переглянути свої стратегії закупок хмарних ресурсів, орієнтуючись на провайдерів з низьким PUE та використанням obnovляємої енергії.
Визначення: LLM (велика мовна модель) — тип штучного інтелекту, що навчається на великих текстах і здатний генерувати логічні відповіді, перекладати тексти та виконувати складні аналітичні завдання.
Для кого це і за яких умов
- •Рівень: керівники та стратегічні планувальники компаній розміром 10-500 осіб.
- •Обладнання: не вимагає спеціалізованого заліза; достатньо доступу до звітів про енергоспоживання ваших AI-постачальників.
- •Бюджет: аналіз можна провести за допомогою безкоштовних онлайн-калькуляторів або корегувати внутрішні звіти про витрати на хмарні ресурси.
- •Час на впровадження: 1-2 тижні для збору даних та оцінки ризиків.
- •Умова: актуально для компаній, які планують розширити використання AI або переговорити контракти з хмарними провайдерами з урахуванням екологічних показників.
Альтернативи
| Показник | GPT-4 family | Claude 3 family | Gemini Pro family |
|---|---|---|---|
| Оцінка енергоспоживання (ТВт·ч/рік) | дані не розкриті | дані не розкриті | дані не розкриті |
| Водний слід (млн л/рік) | дані не розкриті | дані не розкриті | дані не розкриті |
| Викиди CO₂e (тис. т/рік) | дані не розкриті | дані не розкриті | дані не розкриті |
| Основне завдання | генерація тексту, код | розумовий диалог, аналіз | мультимодальна обробка |
| Примітка | оцінки варіюються за методологією | оцінки варіюються за методологією | оцінки варіюються за методологією |
💬 Часті запитання
Чи означає це, що тренування LLM стало неефективним?
Ні, це означає, що значна частина енергоспоживання припадає на експериментальний етап, де тестуються архітектури та датасети. Оптимізація цих процесів може зменшити загальний слід без втрати якості моделей.
Чи можливо зменшити водний слід при тренуванні моделей?
Так, використання дата-центрів з системою замкнутого водообігу та холодіння повітрям замість води може зменшити споживання на 30-50%. Деякі провайдери вже пропонують такі рішення.
Чи вплинуть екологічні норми на вартість AI-послуг?
Ймовірно, так. Якщо урядівведе податок на викиди CO₂ або обмежить водозабір, вартість тренування може зрости на 10-25%, що відобразиться в цін API та облачних планів.
Чи слід мені перейти на менші моделі для економії ресурсів?
Менші моделі (наприклад, 7B) споживають значно менше енергії, але можуть бути менш ефективними для складних задач. Потрібно проводити тест A/B, щоб знайти оптимальний баланс між продуктивністю та екологічним слідom.
Де я можу знайти методику розрахунку енергоспоживання власних моделей?
Автори дослідження публікують свої коефіцієнти та формули у доповненні до статті; їх можна адаптувати під вашу інфраструктуру, використовуючи дані про GPU-години та PUE вашого дата-центру.
Такий розбір щоранку о 08:00
Персональний AI-дайджест для вашої галузі — щодня у Telegram
Джерела
Заместители — оригіналAI Advisory Board
Навчіть вашу команду будувати такі AI-автоматизації
За 5 днів кожен співробітник побудує автоматизацію для своєї ділянки роботи.
Дізнатись більше → aiadvisoryboard.me