Цифровата енергийна криза: 945 TWh, които ИИ трябва да плати
Индустриалната сауна, която наричаме прогрес
Влезете в модерен център за данни за изкуствен интелект във Франкфурт или Дъблин и първата ви мисъл няма да е „Това е бъдещето“. А ще бъде „Защо тук е толкова адски горещо?“ Топлината ви удря като при отваряне на фурна, вълни от топлинна енергия се изливат от сървърните стойки, които приличат повече на индустриални пещи, отколкото на компютри. Охладителната система крещи, вентилаторите реват с пълна сила, охладена вода тече през километри тръби, само и само да не позволи на тези машини буквално да се разтопят.
Всеки ускорителен чип за изкуствен интелект консумира 1200 вата. За ориентир, това е повече енергия от електрическия радиатор, който топли апартамента на холандската ви баба през януари. А говорим за хиляди такива чипове, натъпкани в стойки, които консумират по 50, 100, понякога 250 киловата всяка. Една единствена стойка използва толкова енергия, колкото 100 средностатистически европейски домакинства. В пространство с размерите на гардероб.
Това е цифровата енергийна криза, за която възпитаното общество не говори на конференции. Изкуственият интелект не просто консумира електричество. Той го поглъща с апетита на черна дупка, а ние всички кимаме учтиво, сякаш това е съвсем разумно поведение за математика.
Цифрите, които трябва да ви накарат да ругаете
Нека поговорим за мащаба, защото цифрите са наистина плашещи. През 2024 г. центровете за данни по света консумираха приблизително 415 тераватчаса електроенергия. Това е 1,5% от цялото световно потребление на електроенергия. За да го изразим в европейски термини, това е значително повече от цялото годишно потребление на електроенергия в Испания, което е 248 TWh. Цяла Испания. Всеки дом, всяка фабрика, всеки влак, всяка болница. Центровете за данни използват повече.
Но ето къде нещата престават да са просто тревожни и стават наистина плашещи: прогнозите са тази цифра да се удвои до 2030 г., достигайки 945 TWh. Това е 3% от световното потребление на електроенергия. Не 3% от технологичното потребление. 3% от всичко. Повече от всички електрически превозни средства, термопомпи и соларни панели, взети заедно.
А изкуственият интелект е основният двигател. Потреблението на енергия от центровете за данни за изкуствен интелект расте с 44,7% годишно. За да разберете колко експоненциален е този растеж, погледнете Ирландия. През 2024 г. центровете за данни консумираха 22% от цялото електричество в Ирландия, спрямо едва 5% през 2015 г. Това е увеличение от 531% за девет години. EirGrid, операторът на ирландската мрежа, изчислява, че до 2030 г. центровете за данни биха могли да консумират 30% от електричеството на страната. Почти една трета от енергийната мрежа на цяла държава, само за да се обучават модели и да се обслужват заявки към изкуствен интелект.
Само Дъблин разказва историята. Центровете за данни консумираха между 33% и 42% от цялото електричество в Дъблин през 2023 г. Някои оценки го поставят дори по-високо. Ирландското правителство наложи мораториум върху строителството на нови центрове за данни в Дъблин до 2028 г., защото мрежата буквално не може да поеме допълнително натоварване. Амстердам направи същото през 2019 г., като го вдигна едва след въвеждането на строги изисквания за ефективност на потреблението на енергия и таван от 670 MVA до 2030 г. Нидерландия отиде по-далеч, като наложи национален мораториум върху хипермащабни центрове за данни с мощност над 70 мегавата.
Това не е постепенен растеж. Това е експоненциален взрив в потреблението на енергия, който се случва точно сега, ускорява се всяко тримесечие и се блъска с пълна скорост в ограниченията на физическата инфраструктура.
Въглеродната бомба на обучението
Обучението на един голям езиков модел оставя въглероден отпечатък, от който би се изчервила и нефтена рафинерия. И за разлика от рафинериите, които поне произвеждат нещо осезаемо, което можеш да налееш в кола, тези емисии произвеждат... ами, модел, който може с увереност да халюцинира за рецепти за гъби.
GPT-3, моделът, който даде старт на настоящия бум на ИИ, емитира 552 метрични тона CO2 по време на обучението си. Това се равнява на 123 леки автомобила с бензинов двигател, движещи се една година. За един модел. Едно обучение. И това е само прякото потребление на енергия, без да се брои въплътеният въглерод от производството на GPU или изграждането на центъра за данни.
И ето най-лудата част: по днешните стандарти GPT-3 се смята за малък. Съвременните модели са с порядъци по-големи. Обучението на модел със 100 трилиона параметъра струва приблизително 9 милиона евро време за изчисления на GPU. При европейските цени на енергията и въглеродния интензитет това са хиляди тона CO2 еквивалент. За модел. А успешното внедряване обикновено изисква десетки или стотици обучения, защото първите седемнадесет опита произвеждат модел, който смята, че Белгия е вид сирене.
Научните статии тръбят впечатляващите показатели за производителност. А въглеродният отпечатък? Той се заравя в бележка под линия, ако изобщо се спомене. Това е еквивалентът на ИИ да се хвалиш с ускорението на новата си кола, като внимателно премълчаваш, че харчи 2 километра на литър.
Ефектът на умножение при извода
Ето какво пропускат повечето хора и това е частта, която наистина има значение: обучението е еднократен разход. Изводът, използването на модела за отговаряне на въпроси, работи непрекъснато. Завинаги. В мащаб, който кара емисиите от обучението да изглеждат мънички.
Всяка заявка към ChatGPT консумира електричество. Всяко генериране на изображение с ИИ изгаря ватове. Всяка препоръка, всеки превод, всеки отговор на гласов асистент. Милиони заявки в секунда, 24 часа в денонощието, 365 дни в годината. И за разлика от обучението, което се случва в концентрирани изблици, изводът е разпределен в хиляди центрове за данни по света, което го прави почти невъзможен за проследяване.
Проучванията показват, че емисиите от извода често надхвърлят емисиите от обучението с порядъци, особено при широко внедрени модели. Обучението може да струва 500 тона CO2. А изводът през целия живот на модела? Потенциално 50 000 тона. Може би повече. Никой не брои, а точно това е проблемът.
Технологичните компании докладват емисиите от обучението, когато това се изисква от закона съгласно регламентите на ЕС. А емисиите от извода? Те са „оперативни разходи“, удобно заровени в общата статистика за центровете за данни, заедно с имейл сървърите и видеата с котки. Законът на ЕС за ИИ изисква оповестяване на потреблението на енергия за моделите с общо предназначение, но прилагането е неравномерно, а доброволното оповестяване си остава точно това: доброволно.
Кризата с енергийната плътност, която разбива физиката
Традиционните центрове за данни работеха с около 36 киловата на стойка. Управляемо. Конвенционалното въздушно охлаждане се справяше отлично. Можеше да ги изградиш навсякъде с прилична мрежова свързаност и разумни цени на електроенергията. Инфраструктурата беше лесна.
После се появи изкуственият интелект и физиката се ядоса.
Днешните стойки за изкуствен интелект достигат 50 киловата. Най-модерните разполагания стигат до 100 киловата. Някои експериментални конфигурации натискат 250 киловата на стойка. Това е консумацията на електроенергия на 100 средностатистически европейски домакинства, събрана в няколко квадратни метра сървърна стойка. Енергийната плътност се приближава до тази на ракетен двигател.
Проблемът не е само общата мощност. Проблемът е плътността. Събери толкова енергия в толкова малко пространство и физиката става твой враг. Топлината трябва да отиде някъде, а въздушното охлаждане физически не може да се справи. Топлинният товар е твърде висок. Трябва ти течно охлаждане. Охлаждане директно до чипа. Потопяемо охлаждане. Сложни системи за термично управление, които струват повече от самите сървъри и изискват собствени инженерни екипи, за да работят.
Центровете за данни се препроектират не заради изчислителната ефективност, а само за да се предотврати термичен срив. Изграждаме инфраструктура, за да се справим с отпадната топлина от математически операции, които по принцип не би трябвало да произвеждат толкова топлина на първо място. Все едно проектираме по-добра изпускателна система за кола, която гори, вместо да се запитаме защо колата гори.
Чипът, който изяде мрежата
Нека за момент се фокусираме върху хардуера, защото индивидуалната консумация на енергия от чиповете разказва своя собствена история на ескалираща лудост.
Ранните ускорители за ИИ консумираха около 400 вата. Вече много, но управляемо с конвенционално охлаждане. След това 700 вата. После 1 000 вата. Най-новият чип Blackwell на NVIDIA достига 1 200 вата на чип, като някои конфигурации го избутват още по-нависоко. Вече се обсъждат бъдещи дизайни, достигащи 1 400 вата.
Помислете за това. 1 200 вата. На чип. Един чип, който консумира повече енергия от повечето домакински уреди. А обучението на голям модел изисква хиляди такива чипове, работещи непрекъснато в продължение на седмици или месеци.
Сметката е безмилостна: 1 000 чипа × 1 200 вата = 1,2 мегавата. За един тренировъчен клъстер. За един модел. А в световен мащаб има стотици такива клъстери, като всеки тримесечие се добавят нови. Само пазарите FLAP-D (Франкфурт, Лондон, Амстердам, Париж, Дъблин) представляват над 60% от капацитета на европейските центрове за данни, като се очаква търсенето на електроенергия да нарасне от 96 TWh през 2024 г. до 168 TWh до 2030 г.
Това не е устойчиво. Дори не е близо до устойчиво. Изгаряме електричество със скорост, която преди десетилетие би изглеждала фантастична, а разговорът в индустрията се върти около това дали електропреносната мрежа може да издържи, а не дали изобщо трябва да правим това.
Зеленият кошмар на Европа и невъзможният избор
За Европа това създава невъзможен конфликт, който вече не е теоретичен. Той се случва точно сега, в заседанията за планиране на мрежата и регулаторните изслушвания из целия континент.
Европейският зелен пакт цели Европа да стане климатично неутрална до 2050 г. Въглеродните емисии трябва да спаднат с поне 55% до 2030 г. спрямо нивата от 1990 г. Енергийната ефективност трябва да се подобри във всички сектори. Възобновяемата енергия трябва да замени изкопаемите горива. Това са правно обвързващи цели съгласно Европейския закон за климата.
Междувременно потреблението на енергия от ИИ расте експлозивно с 44% годишно. През 2024 г. европейските центрове за данни консумираха 96 TWh, което представлява 3,1% от общото търсене на електроенергия. Но разпределението е изключително неравномерно. В Ирландия това е 22% от националното потребление на електроенергия. В Нидерландия 7%. В Германия 4%. Центровете за данни в Амстердам, Лондон и Франкфурт консумираха между 33% и 42% от електроенергията на тези градове през 2023 г.
Двете траектории са математически несъвместими. Европа може да постигне климатичните си цели или да изгради инфраструктура за ИИ с настоящите подходи. Не и двете. Числата не излизат.
Някои твърдят, че възобновяемата енергия решава този проблем. „Просто захранвайте центровете за данни със слънчева и вятърна енергия.“ Прекрасна идея. Напълно неприложима. Европа инсталира 65,5 GW нови соларни мощности през 2024 г. и 16,4 GW нова вятърна енергия. Възобновяемата енергия достигна 47% от производството на електроенергия. Но новото търсене от центрове за данни от 945 TWh до 2030 г. би изисквало изграждането на възобновяеми мощности, еквивалентни на хиляди допълнителни вятърни паркове и милиони допълнителни соларни панели. Само използването на земя би било астрономическо. Дания, с 88,4% възобновяема електроенергия (предимно вятърна), често се посочва като пример. Но цялото потребление на електроенергия в Дания е само малка част от прогнозираното търсене за центрове за данни с изкуствен интелект.
Дори и да е технически възможно, алтернативната цена е потресаваща. Всеки мегаватчас, отиващ за обучение на ИИ, е мегаватчас, който не е наличен за електрифициране на транспорта, отопление на домове или захранване на индустрията. Това е пряка размяна и ние избираме да изгаряме възобновяема енергия за обучение на модели, които може да са остарели след шест месеца, вместо да отопляваме домове през зимата.
Водната криза, която никой не следи
Енергията не е единственият ресурс, който ИИ изразходва. Водата се превръща в критична криза, особено в региони, които вече са изправени пред воден стрес.
Центровете за данни използват огромни количества вода за изпарително охлаждане, на което разчитат повечето големи съоръжения, защото то е по-ефективно от системите със затворен цикъл. Изпарителното охлаждане буквално изпарява вода, за да разсее топлината. Водата изчезва. Не се връща обратно в системата. Изпарява се в атмосферата. Окончателно се отстранява от местните водни запаси.
Проучване от 2024 г. установи, че обучението на GPT-3 в най-съвременните центрове за данни на Microsoft в САЩ е изразходвало приблизително 700 000 литра прясна вода. Това е достатъчно за производството на 370 автомобила BMW или 320 електрически превозни средства Tesla. За едно обучение. На един модел. И това е само прякото потребление на вода на място, без да се брои водата, използвана за производството на електроенергия.
Пълният воден отпечатък през целия жизнен цикъл, включително производството на електроенергия извън обекта, достига 5,4 милиона литра. И текущата употреба продължава: ChatGPT изисква приблизително 500 милилитра вода за кратък разговор от 20 до 50 въпроса и отговора. Умножете това по милиони потребители, които задават въпроси непрекъснато, и потреблението на вода става потресаващо.
В региони, предразположени към суша, това създава преки конфликти. Центровете за данни се конкурират със селското стопанство и общинските водоснабдявания. В някои региони обучението на ИИ буквално отнема вода от посевите по време на суша. Това не е бъдещ проблем. Случва се сега. И с разрастването на внедряването на ИИ става все по-зле.
Илюзията за ефективност и парадоксът на Джевънс
AI индустрията просто обожава да говори за подобрения в ефективността. Всяка ключова презентация на конференция включва слайд: „Новите чипове са 10× по-ефективни!“ „По-добрите алгоритми намаляват потреблението на енергия с 50%!“ „Нашите центрове за данни се захранват със 100% възобновяема енергия!“
Всичко е вярно. Всичко е технически впечатляващо. Всичко е напълно без значение за реалния проблем.
Защото подобренията в ефективността веднага се поглъщат от увеличаването на мащаба. Това е парадоксът на Джевънс в действие и икономистите предупреждават за него още от 1865 г., когато Уилям Стенли Джевънс забелязва, че подобрената ефективност на въглищата в парните двигатели води до увеличаване на общото потребление на въглища, а не до намаляването му.
Изпълнителният директор на Microsoft Сатя Надела буквално туитна „Парадоксът на Джевънс удря отново!“, когато DeepSeek пусна своя ефективен евтин AI модел. Той разбра точно какво ще се случи: по-ниските разходи означават повече употреба, което води до по-високо общо потребление. И беше прав.
Да, по-новите чипове извършват повече изчисления на ват. Но моделите стават по-големи още по-бързо. Да, по-добрите алгоритми намаляват времето за обучение. Но ние обучаваме повече модели, по-често, с повече параметри, защото сега можем да си го позволим. Общото потребление на енергия не намалява. То се ускорява. Подобрението на ефективността от 10× просто означава, че можем да обучим модел 10× по-голям при същите енергийни разходи. И го правим. А общото потребление расте.
NVIDIA твърди, че Blackwell е 100 000× по-енергийно ефективен за изводи от чиповете отпреди десетилетие. Спектакуларно инженерство. Но общото потребление на енергия от AI е експлодирало през същия период, защото подобренията в ефективността направиха възможно внедряването в мащаби, които преди бяха икономически невъзможни.
Реалната цена на фантазиите с плаваща запетая
Защо AI консумира толкова много енергия? Отговорът се крие в математиката и е по-прост, отколкото си мислите.
Аритметиката с плаваща запетая, основата на съвременните невронни мрежи, е изчислително скъпа. Всяко умножение изисква значителна схемотехника, значителна площ на силиция, значителна мощност. А невронните мрежи са милиарди и милиарди операции с плаваща запетая, повтаряни милиони пъти в секунда.
По-лошо, ние използваме изключителна точност там, където тя наистина не е необходима. 32-битови числа с плаваща запетая. 16-битови. Дори 8-битови. Цялата тази точност, всички тези изчислителни разходи, цялата тази енергия, за да вземаме решения, които в крайна сметка са двоични. Да или не. Котка или куче. Спам или не-спам. Одобряване или отхвърляне.
Това е като да използваш суперкомпютър, за да хвърлиш монета. Резултатът е ези или тура, но ние изгаряме мегавати, изчислявайки вероятности до шестнадесетия знак след десетичната запетая. Точността е математически красива. Тя е и термодинамично безумна.
Това не е оптимизация. Това е разхищение, маскирано като необходимост, защитавано от инерцията на „но така винаги сме го правили“ и от потъналите разходи за милиарди евро, инвестирани в GPU инфраструктура, специално проектирана за операции с плаваща запетая.
Двоичната алтернатива, която наистина работи
И така, какво е решението? Как да изградим AI, без да превърнем центровете за данни в климатични катастрофи?
В Dweve започнахме, като поставихме под въпрос основното предположение. Дали AI наистина се нуждае от аритметика с плаваща запетая? Дали наистина се нуждае от толкова много енергия? Има ли различна математическа основа, която постига същата интелигентност със значително по-малко изчислителни разходи?
Двоичните невронни мрежи дават ясен, емпирично проверен отговор: не, AI не се нуждае от аритметика с плаваща запетая. Дори не му е близо.
Чрез пълното премахване на операциите с плаваща запетая и използването на проста двоична логика, потреблението на енергия спада с 96%. Не чрез периферни оптимизации или умно кеширане. А чрез фундаментално математическо препроектиране. Икономиите на изчислителни ресурси идват от замяната на сложните операции умножение-натрупване с плаваща запетая с прости двоични операции AND и XNOR, които изискват с порядъци по-малко енергия.
Онзи ускорител Blackwell от 1200 вата? Заменете го с 50-ватов процесор, изпълняващ двоични операции. Същата интелигентност. Същите възможности. 24 пъти по-малко енергия. Или още по-добре, разположете системата на FPGA, специално оптимизирани за двоични операции, постигайки 136 пъти по-добра енергийна ефективност в сравнение с традиционните GPU подходи.
Онзи сървърен шкаф от 250 киловата, който консумира колкото цял квартал? Свален до 10 киловата. Онзи огромен център за данни, който поглъща електричеството на цял град? Сведен до потреблението на голяма офис сграда. Изискванията към инфраструктурата се сриват пропорционално. Без екзотично течно охлаждане. Без отделни електрически подстанции. Без модернизации на мрежата.
Сметката е проста: двоичните операции изискват с порядъци по-малко енергия от операциите с плаваща запетая. Ефективността на инфраструктурата следва естествено. Въздействието върху климата спада пропорционално. А резултатите? Същата или по-добра точност при реални задачи, защото двоичните невронни мрежи могат да улавят структурни зависимости, които мрежите с плаваща запетая пропускат.
Отвъд ефективността: различна парадигма за европейския ИИ
Бинарните невронни мрежи не са просто по-ефективни. Те представляват коренно различен подход към интелигентността, който естествено се вписва в европейските ценности за устойчивост, прозрачност и технологичен суверенитет.
Вместо да приближават решенията с непрекъсната математика и мащабни изчисления, те използват директно дискретна логика. Вместо да изгарят енергия, за да преодолеят числената нестабилност при градиентното спускане, те стъпват върху стабилни бинарни основи. Вместо да изискват скъпи патентовани GPU, произведени в чужбина, те работят ефективно на стандартни процесори и могат да бъдат разгърнати на FPGA, произведени в Европа.
Резултатът е изкуствен интелект, който работи с физиката, вместо да се бори с нея. Изчисления, които не изискват екзотични охладителни системи. Инфраструктура, която не се нуждае от собствена електроцентрала. И, което е от решаващо значение за Европа, технологичен подход, който не ви обвързва със зависимост от NVIDIA, базирана в Калифорния, или от други неевропейски доставчици на хардуер.
Компании като германската Black Forest Labs, френската Mistral AI и германската Aleph Alpha изграждат впечатляващи възможности в областта на ИИ, но все още са фундаментално зависими от традиционните архитектури с плаваща запетая и от веригата за доставка на GPU. Бинарните невронни мрежи предлагат път към истински европейски суверенитет в областта на ИИ, работещ на хардуер, който може да се произвежда в Европа, по процеси, съобразени с европейските климатични ангажименти.
Ето как Европа може да има и двете: напредък в ИИ и климатични цели. Не като прави настоящия подход леко по-екологичен чрез покупки на възобновяема енергия и въглеродни компенсации, а като използва математика, която от самото начало не изисква енергопотребление в планетарен мащаб. Европейският акт за ИИ вече признава това, като изисква оповестяване на потреблението на енергия и насърчава доброволни кодекси за поведение относно екологичната устойчивост. Бинарните подходи превръщат тези амбициозни цели в постигната реалност.
Изборът, който правим точно сега
Кризата с цифровата енергия не е неизбежна. Тя е избор. Избор, който правим точно сега, във всяка поръчка за GPU, във всеки договор за изграждане на център за данни, във всяко обучение на модел.
Това е избор да продължим да използваме аритметика с плаваща запетая, защото е позната, защото инструментите съществуват, защото преквалифицирането на цяла индустрия е трудно. Избор да приемем експоненциалния растеж на енергията, защото тримесечните печалби изглеждат добре и рисковите инвеститори са развълнувани. Избор да изгорим повече електричество за обучението на един модел, отколкото един град използва за година, защото можем, и защото някой друг ще плати климатичната цена.
Но бихме могли да изберем по различен начин. Европа всъщност е в уникална позиция да поведе този избор.
Бихме могли да изберем математика, която не хаби 96% от енергията си за ненужна точност. Бихме могли да изберем алгоритми, които работят ефективно на стандартен хардуер, вместо да изискват специализирани ускорители. Бихме могли да изберем архитектури, които зачитат физическите и екологичните ограничения, вместо да предполагат неограничена наличност на енергия. Бихме могли да изберем подходи, които са в съответствие с Европейския зелен пакт, вместо директно да го подкопават.
AI бумът не трябва да се превърне в енергийна катастрофа. Двоичните невронни мрежи доказват, че има друг път. Път, който предоставя интелигентност без климатичната цена. Път, който работи в рамките на ограниченията на възобновяемата енергия, вместо да ги претоварва. Път, който третира ефективността като основна функция, а не като допълнителна мисъл за споменаване в докладите за устойчивост.
Ирландия не трябва да избира между икономическо развитие чрез центрове за данни и достатъчно електричество за домовете. Амстердам не трябва да налага мораториуми. Дъблин не трябва да гледа как центровете за данни поглъщат почти половината от електричеството на града, докато жителите са изправени пред нарастващи разходи за енергия.
Европейският зелен пакт и напредъкът в AI не са несъвместими. Но само ако сме готови да поставим под въпрос основните допускания и да изградим AI, който наистина има математически, физически и икономически смисъл. Настоящата траектория води до 945 TWh до 2030 г., 3% от световното електричество, хиляди тонове CO2 на модел, милиони литри консумация на вода и невъзможен избор между климатичните цели и технологичния прогрес.
Алтернативата съществува днес. Двоични невронни мрежи, работещи на стандартни процесори и ефективни FPGA. Изчисления, които използват 96% по-малко енергия. Устойчив AI, който не изисква избор между прогреса и планетата. Прозрачни алгоритми, които европейците могат действително да разберат и проверят, а не черни кутии с плаващи тегла, контролирани от чуждестранни корпорации.
Единственият въпрос е дали ще го поемем, преди да сме изгорели толкова много енергия, консумирали толкова много вода и изградили толкова неефективна инфраструктура, че да нямаме друг избор. Прозорецът се затваря. Но все още е отворен.
Искате AI, който не изисква собствена електроцентрала? Dweve Core, нашата рамка за дискретни изчисления, съчетаваща двоични невронни мрежи, системи, базирани на ограничения, и импулсни изчисления, която захранва Dweve Loom, осигурява 96% по-ниска консумация на енергия както за обучение, така и за извод на стандартен хардуер. Без патентовани ускорители. Без екзотично охлаждане. Без компромиси върху възможностите. Бъдещето на устойчивия европейски AI е ефективно, прозрачно и достъпно днес.