По оценкам, основанным на тестах, проведённых в лаборатории ИИ Университета Род-Айленда, модель ИИ GPT-5 от OpenAI демонстрирует значительно большую мощность по сравнению с предыдущими версиями, однако ее энергопотребление примерно в 8,6 раза выше, чем у GPT-4. Несмотря на отсутствие официальных данных об энергопотреблении от OpenAI, этот вывод вызывает обеспокоенность по поводу экологического следа модели, и эти результаты являются предварительными оценками.
Опираясь на расчёты, Университет Род-Айленда предполагает, что GPT-5 потребляет в среднем около 18 Вт·ч на запрос. Если учесть, что ChatGPT обрабатывает около 2,5 миллиардов запросов в день, общее энергопотребление может достигать 45 ГВт·ч.
Для сравнения, типичная современная атомная электростанция вырабатывает от 1 до 1,6 ГВт электроэнергии в час. Таким образом, для поддержания работы OpenAI GPT-5 с потреблением 18 Вт·ч на запрос может потребоваться мощность, эквивалентная двум-трем ядерным реакторам, что может сравниться с потреблением небольшой страны.
В ходе исследований было установлено, что для создания ответа средней длины, состоящего из 1000 токенов, GPT-5 может потреблять до 40 Вт·ч электроэнергии, в среднем около 18,35 Вт·ч. Это значительно превышает показатели GPT-4 (2,12 Вт·ч) и других протестированных моделей, за исключением o3 от OpenAI (25,35 Вт·ч) и R1 от Deepseek (20,90 Вт·ч).
Важно учитывать, что методология лабораторных испытаний имеет свои ограничения и основана на ряде предположений. Команда исследователей измеряла энергопотребление GPT-5, учитывая время, необходимое для ответа на запрос, и среднее энергопотребление используемого оборудования.
В связи с отсутствием точной информации от OpenAI о конфигурации оборудования, исследователи предположили, что GPT-5 работает на системах Nvidia DGX H100 или DGX H200, размещенных в Microsoft Azure. Полученные значения ватт-часов для различных выходных данных были рассчитаны путем умножения времени ответа на запрос на предполагаемое энергопотребление оборудования.
При оценке также учитывались компоненты, не связанные с графическим процессором (процессоры, память, хранилище, системы охлаждения), и экологические факторы, специфичные для Azure, такие как эффективность использования энергии (PUE), эффективность использования воды (WUE) и коэффициент интенсивности выбросов углерода (CIF). Использование оборудования Blackwell от Nvidia, которое значительно быстрее, возможно, искажает оценку энергопотребления.
GPT-5 использует смешанную архитектуру, что позволяет снизить энергопотребление для некоторых коротких или простых запросов, поскольку не все параметры активны для каждого запроса. Однако в режиме рассуждений с увеличенным временем обработки энергопотребление может увеличиваться в 5–10 раз для одного и того же ответа, что может превышать 40 Вт·ч на запрос. Это подчеркнул исследователь Шаолей Жэнь.
Оценки Университета Род-Айленда могут дать представление о том, как энергопотребление GPT-5 соотносится с моделями предыдущего поколения. Однако абсолютные цифры могут быть неточными. Уже сейчас наблюдается резкий рост счетов за электроэнергию в США, связанный с центрами обработки данных с искусственным интеллектом, и все указывает на то, что дефицит электроэнергии будет усугубляться по мере распространения технологии.
Значительное энергопотребление GPT-5 поднимает несколько проблем:
Увеличение затрат: Для поддержания работы GPT-5 потребуются значительные инвестиции в инфраструктуру центров обработки данных и обеспечение энергоснабжения, что может сказаться на стоимости использования модели.
Экологические последствия: Увеличение энергопотребления способствует увеличению выбросов парниковых газов, особенно если электроэнергия производится из ископаемого топлива.
Доступность: Высокие энергетические требования могут ограничить доступность GPT-5 для организаций с ограниченными ресурсами.
Альтернативные подходы:
Для решения проблемы энергопотребления ИИ разрабатываются альтернативные подходы, включая:
Более эффективные алгоритмы: Исследователи работают над созданием алгоритмов ИИ, которые требуют меньше вычислительных ресурсов для достижения сопоставимой производительности.
Специализированное оборудование: Разрабатываются специализированные аппаратные решения, такие как нейроморфные вычисления, которые имитируют структуру и функционирование человеческого мозга, что позволяет значительно снизить энергопотребление.
Распределенные вычисления: Использование распределенных вычислительных ресурсов позволяет распределить нагрузку на несколько серверов, что может снизить энергопотребление каждого отдельного сервера.
Возобновляемые источники энергии: Обеспечение центров обработки данных энергией из возобновляемых источников, таких как солнечная и ветровая энергия, может снизить воздействие на окружающую среду.
Рост энергопотребления моделей ИИ, таких как GPT-5, является серьезной проблемой, требующей внимания и инновационных решений. Для обеспечения устойчивого развития ИИ необходимо стремиться к созданию более энергоэффективных алгоритмов и аппаратных решений, а также использовать возобновляемые источники энергии для питания центров обработки данных.
