Чтобы стать умным, человеку нужно 20 лет и тонны еды: Альтман сравнил энергозатраты ИИ и человека
Почему сравнивать энергопотребление ИИ и мозга — некорректно: честный разбор заявлений Альтмана
Глава OpenAI снова в центре спора. Сэм Альтман заявил: сравнивать энергию, которую тратит нейросеть на один ответ, с работой человеческого мозга — нечестно. Мол, вы забыли про 20 лет кормёжки человека и всю эволюцию. Звучит логично? Только вот дьявол в деталях.
Что именно сказал Альтман
На мероприятии The Indian Express он объяснил: «Люди говорят о том, сколько энергии нужно для обучения ИИ. Но и человека учить надо. На это уходит 20 лет жизни и вся съеденная еда за этот срок. Только потом мы становимся умными». И добавил: если ещё учесть эволюцию 100 миллиардов людей, копивших знания, то современные нейросети уже выглядят эффективнее.
Альтман предлагает считать не только операционные затраты — электричество для серверов, — а полный жизненный цикл. Мол, мозг в покое жрёт 20 ватт, но за его «обучение» заплачено миллионами лет эволюции и тоннами пищи.
«Технологии OpenAI не родились в вакууме. Они — прямой продукт тех же эволюционных достижений, на которые ссылается Альтман. Его аргумент — классическая передёржка: сравнение apples и oranges, где одна сторона включает все вложения, а другая — только текущий счёт за электричество.»
Почему аргумент спорный
- ИИ — продукт человеческого разума. Если считать эволюционные затраты на человека, то они же пошли и на создание нейросетей. Двойной учёт недопустим.
- Дегуманизация. Сводить детство и обучение к «киловатт-часам» — опасный тренд. Люди не аккумуляторы, а общество — не электростанция.
- Выборочная статистика. Альтман берёт огромный период (эволюцию), но игнорирует колоссальные затраты на инфраструктуру ИИ: производство чипов, охлаждение дата-центров, утилизацию отходов.
Как на самом деле можно сравнить энергоэффективность?
Давайте попробуем честную таблицу. Только реальные цифры, без эволюционных фантазий.
| Параметр | Человеческий мозг | Нейросеть (GPT-3, инференс) |
|---|---|---|
| Энергопотребление в рабочем режиме | ~20 Вт | ~400 Вт на один запрос (сервер) |
| Энергия на «обучение» (тренировку) | ~70 000 кВт·ч (еда за 20 лет) | ~1 287 000 кВт·ч (обучение GPT-3) |
| Время «обучения» | 20 лет | Несколько месяцев |
| Количество решаемых задач в секунду | ~10^16 операций (оценка) | ~10^12 операций (FP16) |
| Эффективность на операцию | ~10^-16 Дж/оп | ~10^-9 Дж/оп |
Мозг выигрывает по операционке, но проигрывает по обучению. Однако это сравнение не учитывает универсальность: мозг умеет всё, нейросеть — только то, на чём её натренировали.
Личное наблюдение автора
Недавно я заметил странную вещь. Те же самые люди, которые кричат об энергоэффективности ИИ, активно используют его для оптимизации расписания электрозаправок или балансировки нагрузки на сети. Получается парадокс: мы жалуемся на прожорливость нейросетей, но без них не можем сделать энергосистему умнее. Это как ругать бензопилу за шум, когда рубишь ей дрова.
Микроинструкция: как оценить энергоэффективность ИИ-системы
- Считайте полный цикл: обучение + инференс + амортизация оборудования.
- Учитывайте прирост производительности: что делает нейросеть за 1 кВт·ч по сравнению с человеком. Например, GPT-4 обрабатывает 1000 страниц текста за 0.1 кВт·ч — человеку на это потребовалось бы 10 часов и ~200 ккал (0.23 кВт·ч).
- Сравнивайте с альтернативами: облачные вычисления против десятков сотрудников. Часто ИИ выгоднее даже с учётом энергозатрат.
- Не смешивайте эволюцию и эксплуатацию. Эволюционные затраты sunk cost — они уже случились, их не вернуть. Имеет значение только то, сколько энергии мы тратим сейчас.
Резюме от автора
Аргумент Альтмана про 20 лет еды — ловкая риторика, но не физика. Эволюция не имеет счёта, и притягивать её к сравнению энергопотребления — значит уводить дискуссию в сторону. Нам нужны метрики «польза на ватт», а не «сколько калорий съели предки». И да, устойчивая энергетика для ЦОДов — реальная проблема, и здесь Альтман прав: без дешёвой зелёной энергии ИИ останется игрушкой для богатых.
