В мире высоких технологий стремление к созданию максимально точных и универсальных моделей искусственного интеллекта (ИИ) оборачивается всё более ощутимыми экологическими затратами. Недавние исследования показывают, что современные передовые AI-модели, использующие сложные алгоритмы reasoning (логического рассуждения), могут генерировать до 50 раз больше выбросов CO₂ по сравнению с более простыми, классическими языковыми моделями (LARGE LANGUAGE MODELS — LLMs), отвечающими на те же вопросы. Эти цифры шокируют и требуют углубленного анализа.

Почему современные AI-модели вызывают такой рост выбросов

Разработчики и исследователи в области ИИ давно пришли к выводу, что увеличение точности решений напрямую связано с ростом вычислительных затрат. Стратегии повышения рациональности и детализации ответов — так называемые модели reasoning — требуют от нейросетей значительно большего объема данных и вычислительных ресурсов. Например, такие модели, как Anthropic’s Claude, OpenAI’s GPT-4 или DeepSeek R1, используют процесс цепочки рассуждений, чтобы разбивать сложные задачи на серию более простых шагов, имитируя мышление человека. Этот подход позволяет достигать результатов с точностью до 84-90%, однако на практике он увеличивает объем вычислений и энергопотребление в разы.

Изучение реальных данных и статистики

Ключевым исследованием, которое проливает свет на проблему, стало опубликование 19 июня в журнале Фронтиры в коммуникациях. В нем команда ученых из Германии, во главе с Максимилианом Даунером, провела серию тестов, в которых 14 разных моделей ИИ отвечали на 1000 вопросов по различным тематикам. Модели имели от 7 до 72 миллиардов параметров, а вычисления проходили на GPU NVIDIA A100 с помощью специальной платформы Perun, которая отслеживает показатели энергии и вычислительные затраты.

Результаты показали, что модели с reasoning в среднем формируют около 543 токенов на один вопрос, тогда как более простые модели — всего около 38 токенов. Эта разница в объеме объясняется необходимостью выполнения дополнительных промежуточных шагов. Чем больше токенов обрабатывает модель, тем выше энергетическая нагрузка и, соответственно, объем выбросов CO₂. Исходя из расчета, предполагающего, что каждый киловатт-час энергии производит примерно 480 г CO₂, ученые смогли определить, что модели reasoning в среднем выбрасывают в атмосферу в 50 раз больше углекислого газа, чем их менее сложные аналоги.

Конкретные показатели и примеры

Самая точная модель исследования — Cogito с 72 миллиардами параметров — справилась с 84.9% вопросов. Однако, при этом, ее выбросы CO₂ достигали трехкратных значений по сравнению с аналогичными моделями, отвечающими так же точно, но без применения reasoning. Другими словами, чтобы получить действительно точные ответы, разработчикам приходится идти на огромные энергетические затраты, что говорит о наличии очевидного компромисса между точностью и экологией.

Для иллюстрации масштабов: чтобы ответить на 60 000 вопросов, R1 модель с 70 миллиардами параметров выделит столько же CO₂, сколько и воздушное путешествие из Нью-Йорка в Лондон и обратно. А модель Qwen 2.5, несмотря на такую же точность, потребует примерно треть энергии и выбросит значительно меньше газа в атмосферу.

Экономический и экологический эффект

Важно подчеркнуть, что эти показатели могут варьироваться в зависимости от используемого оборудования и энергетической инфраструктуры. Однако уже сейчас очевидно, что внедрение передовых reasoning-моделей без учета их экологической стоимости способствует усилению экологического кризиса. В условиях глобального потепления, когда счет идет на миллиарды тонн выбросов CO₂, такой расклад вызывает тревогу.

Интересно, что исследования показывают: увеличение времени и объема вычислений для сложных задач ведет к росту выбросов примерно в шесть раз в сравнении с простыми запросами. Так, решение задач по алгебре или философии в рамках reasoning вызывает скачок emissions, что свидетельствует о необходимости поиска компромиссов и новых подходов.

Практические рекомендации для разработчиков и пользователей

• Определите баланс между точностью и экологией: пользователи должны быть осведомлены о реальных затратах при использовании AI для определенных задач.
• Используйте модели, оптимизированные по энергопотреблению: компании разрабатывают более экологичные алгоритмы, учитывающие углеродный след.
• Разрабатывайте новые методики снижения энергозатрат: внедрение альтернативных методов обучения и оптимизации может значительно сократить выбросы без потери качества.
• Информируйте общественность о влиянии AI: прозрачность поможет стимулировать более ответственное использование высокотехнологичных решений.

Экологический аспект развития AI — одна из самых актуальных проблем дня. Если научные сообщества и индустрия не начнут учитывать углеродный след при создании и использовании моделей, дальнейшее развитие технологий может привести к непредсказуемым последствиям для планеты. Настало время задуматься о том, как сохранить баланс между инновациями и ответственностью.