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.
Дополнительный контекст
Стоит отметить 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.


