Sustainable AI

Sustainable AI — направление, которое считает экологический след нейросетей и снижает его. Обучение GPT-4 — оценочно 50 ГВт·ч электричества и 500 тонн CO2. Один запрос к ChatGPT — в 10× энергозатратнее, чем поиск в Google. К 2027 дата-центры будут потреблять 8% мирового электричества. Главные направления: эффективные архитектуры, зелёная электроэнергия, edge-AI, оптимизация моделей, измерение и отчётность carbon footprint.

Коротко

Коротко. Sustainable AI — направление, оценивающее и снижающее экологический след нейросетей. Обучение GPT-4 потребовало оценочно 50 ГВт·ч электричества и выбросило ~500 тонн CO2 — эквивалентно сотням трансатлантических перелётов. Один ChatGPT-запрос — ~10× энергозатратнее обычного поиска Google. К 2027 дата-центры потребят 8% мирового электричества. Главные направления: эффективные архитектуры (MoE, SLM, distillation), зелёная электроэнергия, edge-AI вместо cloud, оптимизация (quantization), и обязательная отчётность по carbon footprint.

Что это такое

Революция AI 2022-2026 имеет тёмную сторону: колоссальные затраты энергии.

Несколько цифр для масштаба:

• GPT-3 (2020): ~1300 МВт·ч на тренировку = ~550 тонн CO2.
• GPT-4 (2023): оценочно 50 ГВт·ч = ~500 тонн CO2.
• GPT-5 (2025): неизвестно, но в разы больше.
• Один ChatGPT-запрос: ~3 Вт·ч (vs ~0.3 Вт·ч у Google search).
• Image-генерация (DALL-E, FLUX): ~3 Вт·ч за картинку.
• Video-генерация (Sora): десятки Вт·ч за минуту видео.

В сумме:

• В 2024 дата-центры потребляли ~1.5% мирового электричества.
• В 2027 (прогноз IEA) — 8% мирового потребления, исключительно из-за AI.
• К 2030 одни AI-дата-центры могут потреблять больше Испании.

Вода тоже:

• На каждые 100 ChatGPT-запросов — ~1 литр воды на охлаждение дата-центра.
• Microsoft в 2023 потребила 6.4 миллиарда литров воды (рост +34% к 2022).

К 2024-2026 это превратилось из академической темы в бизнес-вопрос:

• Инвесторы спрашивают про ESG-метрики.
• Регуляторы требуют carbon reporting.
• Сотрудники Big Tech протестуют против энергопотребления.
• Местные сообщества блокируют новые дата-центры (Ирландия, Аризона).

Как это работает

Sustainable AI — это набор практик и технологий для снижения footprint:

1. Эффективные архитектуры

• MoE (Mixture of Experts) — активна только часть параметров на токен. В разы меньше энергии чем плотная модель того же качества.
• SLM (Small Language Models) — Phi-4, Gemma 3 на 100× меньше энергии чем GPT-4 при сравнимом качестве на узких задачах.
• Distillation — большая модель тренирует маленькую, маленькая бьёт production.
• Quantization — FP16 → INT8/INT4 = в 2-4× меньше энергии inference.
• Pruning — удаление неважных параметров.

2. Зелёная электроэнергия

• Google объявил carbon-free 24/7 к 2030 (атомная + солнечная + ветер).
• Microsoft — water positive к 2030, carbon negative.
• Amazon AWS — 100% renewables к 2025.
• OpenAI через Microsoft Azure — следует стратегии Microsoft.
• Dedicated nuclear — Microsoft + Constellation восстановили Three Mile Island для AI (2024).

3. Edge AI вместо Cloud

• Phone/laptop делают inference локально → не нужен round-trip к ГВт-дата-центру.
• Apple Intelligence ~80% запросов локально → экономия колоссальная.
• Карбон ноутбука + iPhone < ГВт-cluster.

4. Carbon-aware computing

Запускать обучение там и тогда, когда сетка наполнена возобновляемыми (Green Software Foundation):

# Псевдокод carbon-aware scheduler
if carbon_intensity_now() > THRESHOLD:
    pause_training()
elif energy_source == "renewable" or weekend:
    accelerate_training()

5. Измерение и отчётность

• CodeCarbon — Python библиотека для трекинга CO2 при обучении.
• MLCO2 — calculator для оценки emissions.
• GreenAI metrics — академический стандарт report-ить watt-hours и CO2.
• EU AI Act — требует energy-reporting для GPAI.

Что делает каждый разработчик

• Использовать SLM где возможно. Не каждой задаче нужен GPT-4.
• Cache aggressively. 70% запросов в production повторяются — не нужно их заново гонять.
• Quantize models. INT8 вместо FP16 — в 2× меньше энергии.
• Edge first. Если влезет на телефон — пусть будет на телефоне.
• Track CO2. CodeCarbon — 5 строк кода в начало training script.

Пример на практике

Стартап делает AI-помощника для юристов. Сравнение энергопотребления:

Сценарий A — всё через GPT-5 API:

• 10K запросов в день × 3 Вт·ч = 30 кВт·ч/день.
• Год: ~11 МВт·ч = ~5 тонн CO2.
• Стоимость: ~$3000/мес API + растущие emissions.

Сценарий B — Phi-4 локально + GPT-5 для сложных:

• 8K запросов на Phi-4 (локально, RTX 4090): 8K × 0.2 Вт·ч = 1.6 кВт·ч.
• 2K запросов на GPT-5 (сложные): 2K × 3 Вт·ч = 6 кВт·ч.
• Итого: 7.6 кВт·ч/день в ~4× меньше.
• Год: ~3 МВт·ч = ~1.4 тонны CO2 (зависит от источника электричества).
• Стоимость: $2500 на железо + ~$600/мес API = в ~3× дешевле в долгую.

Бонус: меньше latency, приватность, оффлайн-работа.

# Пример CO2-трекинга
from codecarbon import EmissionsTracker

tracker = EmissionsTracker(project_name="legal-assistant")
tracker.start()

# ... тренировка / inference ...

emissions = tracker.stop()
print(f"CO2 emissions: {emissions:.2f} kg")

В ComfyUI sustainable-практики: пакетные запросы, оптимизированные modelы (SDXL Turbo, FLUX-schnell вместо обычного FLUX), повторное использование cache, quantized веса (Q4_K_M GGUF). Локальная генерация на одном RTX 4090 экологичнее, чем 100 cloud-запросов.

С чем часто путают

• Sustainable AI и Green AI — почти синонимы. Green AI чаще про академический research в эффективные алгоритмы. Sustainable — broader, включает инфраструктуру и operations.
• Sustainable AI и AI for Sustainability — разные вещи! AI for Sustainability: использовать AI для борьбы с климатом (предсказание погоды, оптимизация энергосетей). Sustainable AI: сам AI — экологичный.
• Carbon footprint и Energy footprint — разные метрики. Energy: ватт-часы. Carbon: кг CO2 (зависит от источника энергии).
• Training cost и Inference cost — Training: разовый, дорогой. Inference: каждый запрос, в сумме часто больше тренировки.
• Sustainable AI и Cost Optimization — связано (дешёвое обычно эффективнее), но не то же. Эффективная модель может быть «зелёной», но дорогой по специфике железа.

Частые ошибки и заблуждения

• «Один запрос — ничего». Один — да. Но миллиарды запросов в день — катастрофа в масштабах.
• «AI сам решит проблему климата». AI помогает (оптимизация энергосетей, weather prediction), но в сумме увеличивает emissions, а не сокращает.
• «Главное — обучение». Не главное. Inference в production за год обычно превышает тренировку в 10-100 раз.
• «Renewable energy всё решает». Помогает, но дата-центры круглосуточно — солнечная/ветровая нестабильна. Нужны batteries / hydro / nuclear.
• «Это пиар, реальной разницы нет». Реальная: Microsoft потратила $5B на nuclear deal только из-за AI footprint.

Связанные термины

• Small Language Models (SLM) — главный рычаг sustainable AI.
• Edge AI — снижает зависимость от cloud-дата-центров.
• Quantization — техника снижения энергии inference.
• EU AI Act — требует energy-reporting.
• Mixture of Experts (MoE) — эффективнее плотных моделей.

Частые вопросы

Сколько CO2 на один ChatGPT-запрос? ~1.5 г CO2. Зависит от модели (Haiku в 10× меньше Opus) и источника электричества дата-центра. Microsoft Azure (US East) — ~0.3 кг CO2/кВт·ч.

Где смотреть emissions? CodeCarbon (Python lib), ML CO2 Impact (calculator), Hugging Face модели имеют carbon-cards. Crowdsource от ML CO2 Impact.

Что ещё кроме CO2? Вода (cooling), редкоземельные металлы (GPU), литий (batteries), рабочая сила в data-mining странах. AI имеет полный supply-chain.

Реально ли работать carbon-neutral? Анфраструктурно — почти. Microsoft, Google, Amazon идут к этому к 2030. Полностью net-zero — пока никто не достиг.

Для индивидуального разработчика что делать? Использовать SLM где можно, кэшировать запросы, ставить INT8/INT4 квантизацию, запускать обучение когда сетка зелёная.

Главное

Sustainable AI — направление, оценивающее и снижающее экологический след нейросетей. Реалии 2026: GPT-4 при тренировке выбросил ~500 тонн CO2; ChatGPT-запрос в ~10× энергоёмче Google-поиска; к 2027 дата-центры потребят 8% мирового электричества. Главные стратегии: эффективные архитектуры (MoE, SLM, distillation, quantization), зелёная электроэнергия (renewables, nuclear deals Microsoft + Three Mile Island), edge AI вместо cloud, carbon-aware computing, обязательная отчётность через EU AI Act. Главные инструменты: CodeCarbon (трекинг), Phi-4/Gemma 3 (вместо GPT-4 где возможно), edge inference. Что делает каждый разработчик: сначала спроси, нужен ли фронтир — 80% задач решает локальная маленькая модель в 100× меньше энергии. Контр-интуитивный главный риск: AI наращивает мировые emissions, а не сокращает — несмотря на use-case'ы оптимизации энергосетей и weather prediction.