Запросы к ИИ выбрасывают в атмосферу столько же CO2, что и полет через Атлантику
Углеродный след нейросетей: чем точнее ответ, тем больше CO2? Разбор исследования
Вы когда-нибудь задумывались, сколько углекислого газа оставляет ваш вопрос к ChatGPT? Немецкие исследователи из Hochschule München University of Applied Sciences решили это выяснить. Они взяли 14 больших языковых моделей, задали каждой 1000 одинаковых вопросов — и замерили выбросы. Результаты заставляют пересмотреть «зелёный» имидж ИИ.
Как считали
За основу взяли усреднённый показатель — 480 граммов CO₂ на каждый киловатт-час электроэнергии. Умножили на время работы GPU и получили эмиссию. Простая арифметика, но выводы неожиданные.
Моделям велели отвечать максимально кратко. Но «думающие» системы (reasoning models) игнорировали просьбу. Пример: на простой математический вопрос, ответ которого помещается в один токен, Deepseek-R1 7B выдала 14 187 токенов. Четырнадцать тысяч! Этот «словесный понос» жрёт электричество тоннами.
Личное наблюдение автора. Недавно заметил: я сам прошу нейросеть «объясни подробно» и получаю простыни текста. Каждый такой запрос — крошечный, но реальный вклад в глобальное потепление. Мы привыкли к дешёвым вычислениям, но природа платит за них.
Точность vs выбросы — прямая зависимость
Исследование выявило чёткую корреляцию: чем меньше выбросов, тем ниже точность. Если нейросеть производит менее 500 граммов CO₂ на задачу, её точность не превышает 80%. Вот конкретные цифры:
| Модель | Выбросы CO₂ (г) | Точность (%) |
|---|---|---|
| Qwen 7B (Alibaba) | 27,7 | 31,9 |
| Deepseek R1 70B | 2042 | 79,8 |
| Deep Cogito 70B | ≈ 6000 (оценка) | 84,9 |
Deep Cogito 70B — лидер по точности (84,9%), но платит за это тройной ценой: её выбросы втрое выше, чем у моделей аналогичной мощности, адаптированных под краткие ответы без «рассуждений».
Ещё один шокирующий факт: если задать Deepseek R1 70B всего 600 тысяч вопросов, выбросы CO₂ сравняются с перелётом из Нью-Йорка в Лондон. А в США, по оценкам, 130 миллионов человек регулярно пользуются нейросетями. Умножайте — и становится страшно.
Почему это важно прямо сейчас
Мы не учитываем стоимость вычислений в экологическом смысле. Инференс (вывод модели) часто требует больше энергии, чем обучение, — потому что обучение однократно, а вывод повторяется миллиарды раз.
Крупные игроки (OpenAI, Google, Anthropic) не участвовали в исследовании, но эксперты уверены: картина аналогичная. Их модели ещё больше и «тяжелее».
Пошаговый совет: как разработчику снизить углеродный след ИИ
Если вы используете нейросети в продукте, вот четыре конкретных шага:
- Квантизация — уменьшите разрядность весов с FP32 до INT8. Это снижает энергопотребление на 30–50% без заметной потери точности.
- Дистилляция — обучите маленькую модель подражать большой. Google показала: 50% точности за 10% энергии.
- Кэширование — типичные запросы (например, «переведи на английский») повторяются. Сохраняйте ответы, не пересчитывайте.
- Выбор «зелёного» дата-центра — хостинг на возобновляемой энергии сокращает CO₂ в 2–3 раза.
«Каждый поиск в ChatGPT генерирует в 10 раз больше выбросов, чем обычный запрос в Google». Это не шутка — реальные цифры. Пока мы гонимся за умными ответами, планета нагревается.
Резюме от автора
Нейросети не бесплатны. За каждую удобную функцию стоит гигаватт-час и тонна CO₂. Выбирая между «умным» и «экономным» ИИ, вспомните о цене. Лично я теперь дважды думаю, прежде чем попросить ChatGPT написать трёхстраничное эссе вместо двух абзацев. И вам советую.
