Масштаб проблемы: сколько энергии потребляют дата-центры сегодня и завтра
Аналитики BloombergNEF прогнозируют: к 2035 году дата-центры в США будут потреблять 20% всей электроэнергии страны. Это в четыре раза выше текущего уровня. Абсолютный рекорд, который переопределяет правила игры для энергетического сектора.
Глобальная картина выглядит ещё более впечатляюще. К 2033 году новые ЦОДы могут использовать столько же электричества, сколько сегодня расходует вся Индия - около 1935 тераватт-часов. Почти половина этих мощностей будет задействована под обучение и инференс нейросетей. AI становится крупнейшим драйвером энергопотребления планеты.
Цифры перестают быть абстрактными, когда смотришь на региональные кейсы. PJM Interconnection, оператор энергосети, обслуживающий крупные кластеры ЦОДов в США, столкнулся с ростом цен на электроэнергию на 76% за последний год. Это прямое следствие концентрации вычислительных мощностей в определённых хабах - Северная Вирджиния, Даллас, Санта-Клара.
Динамика потребления ускоряется. Если в 2023 году дата-центры потребляли около 4-5% электроэнергии США, то к 2030 году этот показатель может достичь 10-12%, а к 2035 - 20%. Основной катализатор - взрывной рост AI-инфраструктуры. Облачные провайдеры и технологические гиганты разворачивают кластеры GPU, каждый из которых потребляет мегаватты.
Плотность мощности в стойках растёт экспоненциально. Традиционные серверные стойки потребляли 5-10 кВт. Современные AI-стойки с NVIDIA H100 требуют 40-60 кВт. Новые системы Vera Rubin NVL72 поднимают планку до 100+ кВт на стойку. Это меняет архитектуру дата-центров: старые проекты с воздушным охлаждением не справляются с такими нагрузками.
Почему AI требует так много энергии: обучение, инференс и инфраструктура
Энергоёмкость AI-вычислений объясняется тремя факторами: масштабом моделей, интенсивностью вычислений и требованиями к охлаждению. Каждый из этих факторов создаёт каскадный эффект, увеличивающий общее потребление.
Обучение больших языковых моделей - энергетически затратный, но разовый процесс. Инференс в продакшене - менее интенсивный, но непрерывный. Суммарно инференс часто потребляет больше энергии, чем обучение. ChatGPT обрабатывает миллионы запросов ежедневно, и каждый запрос требует прохода через нейросеть с триллионами параметров.
GPU остаются основными потребителями энергии в AI-дата-центрах. NVIDIA H100 имеет TDP 700 Вт. Стойка из 8 таких ускорителей потребляет 5.6 кВт только на вычислениях, без учёта процессоров, памяти, сетевого оборудования и систем охлаждения. Полное потребление такой стойки достигает 10-12 кВт. Кластер из 10 000 H100 требует 100-120 МВт - это мощность небольшого города.
Системы Vera Rubin NVL72, которые NVIDIA уже поставляет Google Cloud, Microsoft Azure, Oracle Cloud и CoreWeave, увеличивают вычислительную плотность, но и энергопотребление растёт пропорционально. Производительность на ватт улучшается, однако абсолютные цифры продолжают расти из-за масштабирования кластеров.
Обучение vs инференс: где скрыт основной потребитель
Обучение GPT-3 потребовало около 1.3 ГВт·ч электроэнергии. Это эквивалентно годовому потреблению 120 средних американских домохозяйств. Обучение GPT-4, по оценкам, потребовало в 3-5 раз больше - порядка 5-6 ГВт·ч. Llama 3 с 405 миллиардами параметров также потребовала несколько гигаватт-часов на обучение.
Инференс ChatGPT при 10 миллионах ежедневных запросов может потреблять 1-2 ГВт·ч в месяц. За год это 12-24 ГВт·ч, что превышает энергозатраты на обучение в 2-4 раза. Модели с 2+ триллионами параметров, такие как Kimi K3, увеличивают эти цифры кратно. Мы подробно разбирали архитектуру Kimi K3 и её требования к инфраструктуре в отдельном материале.
Энергетический след модели - это сумма затрат на обучение и всего жизненного цикла инференса. Для популярных моделей инференс доминирует. Для исследовательских моделей, которые обучаются, но редко используются в продакшене, основная нагрузка приходится на обучение. Оптимизация инференса становится критически важной для снижения общего энергопотребления AI-индустрии.
Давление на энергосети: рост цен и региональные перегрузки
PJM Interconnection обслуживает 13 штатов и округ Колумбия, включая крупнейший в мире кластер дата-центров в Северной Вирджинии. За последний год цены на электроэнергию в этой зоне выросли на 76%. Причина - опережающий рост спроса со стороны ЦОДов при ограниченных возможностях генерации и передачи.
Концентрация дата-центров создаёт узкие места в энергосетях. Северная Вирджиния обрабатывает около 70% мирового интернет-трафика. Местная энергокомпания Dominion Energy прогнозирует, что к 2030 году дата-центры будут потреблять 80% всей электроэнергии в регионе. Это создаёт риски для других потребителей: рост тарифов, задержки в подключении, потенциальные перебои.
Задержки в подключении новых мощностей становятся системной проблемой. В том же PJM очередь на технологическое присоединение растянулась на годы. Новые проекты ЦОДов сталкиваются с необходимостью ждать 3-5 лет до получения достаточной мощности. Некоторые операторы рассматривают строительство собственной генерации, включая газовые турбины и солнечные электростанции.
Инвестиции в сети требуются колоссальные. По оценкам, для удовлетворения спроса со стороны дата-центров США необходимо вложить $50-100 миллиардов в модернизацию передачи и распределения электроэнергии до 2035 года. Эти затраты будут переложены на потребителей через тарифы. Бизнес, не связанный с AI, также ощутит рост цен.
Региональные перегрузки уже влияют на решения о размещении новых ЦОДов. Компании ищут локации с доступной энергией: Айова, Огайо, Техас. Но и эти регионы быстро насыщаются. Возникает конкуренция между AI-инфраструктурой и другими отраслями за ограниченный ресурс.
Технологические ответы: как индустрия охлаждает AI-аппетиты
Переход от воздушного к жидкостному охлаждению - основной технологический ответ на рост плотности мощности. Жидкостное охлаждение отводит тепло в 50-100 раз эффективнее воздуха. Это позволяет увеличить плотность размещения GPU и снизить затраты энергии на охлаждение с 30-40% от общего потребления ЦОДа до 10-15%.
Прямое жидкостное охлаждение (direct-to-chip) и иммерсионное охлаждение становятся стандартом для AI-кластеров. NVIDIA сертифицирует партнёров по этим технологиям через программу Power & Cooling Partner. Среди участников - крупнейшие производители систем охлаждения.
Mitsubishi Heavy Industries: модульные чиллеры и фрикулинг
Mitsubishi Heavy Industries (MHI) отгрузила в Джорджию тестовую установку центробежного чиллера класса 10 МВт, спроектированного специально для AI-дата-центров. Этот чиллер способен обслуживать кластер из нескольких тысяч GPU, поддерживая стабильную температуру теплоносителя даже при пиковых нагрузках.
MHI разрабатывает Modular Chiller Plant (MCP) - предварительно спроектированную модульную систему охлаждения. MCP поддерживает NVIDIA DSX, стандарт для AI-инфраструктуры, и интегрируется с системами прямого жидкостного охлаждения. Модульная архитектура позволяет масштабировать охлаждение параллельно с ростом вычислительных мощностей.
Ключевое преимущество MCP - поддержка фрикулинга и замкнутой конфигурации. Фрикулинг использует наружный воздух для охлаждения, снижая потребление электроэнергии компрессорами на 50-80% в холодное время года. Замкнутая конфигурация решает проблему дефицита воды: вместо испарительных градирен используется замкнутый контур с сухими охладителями. MHI участвует в NVIDIA Partner Network как Power & Cooling Partner, что подтверждает совместимость решений с экосистемой NVIDIA.
Vertiv: масштабирование производства и R&D
Vertiv расширяет производственные мощности по выпуску систем охлаждения для дата-центров в Италии. К концу 2026 года проект позволит удвоить региональные мощности по выпуску чиллеров. Это прямой ответ на растущий спрос: очередь на чиллеры большой мощности растянулась на месяцы.
Vertiv строит крупномасштабную испытательную лабораторию для чиллеров и систем жидкостного охлаждения с завершением в начале 2027 года. Лаборатория позволит тестировать системы мощностью до 5 МВт в одной стойке, имитируя реальные нагрузки AI-кластеров. Это ускорит вывод новых продуктов на рынок и повысит их надёжность.
Оба производителя - MHI и Vertiv - инвестируют в технологии, снижающие водопотребление. Традиционные системы охлаждения дата-центров испаряют миллионы литров воды ежегодно. Замкнутые контуры и фрикулинг сокращают водопотребление на 80-90%, что критически важно для регионов с дефицитом воды.
Реакция Big Tech: инвестиции, сделки и ставка на эффективность
Alphabet отчиталась за второй квартал 2026 года и повысила прогноз годовых капитальных затрат до $190 миллиардов. Основная часть этих средств направляется на AI-инфраструктуру: дата-центры, GPU, сети. Компания намекает на дальнейший рост CAPEX в 2027 году. Это сигнал рынку: гонка AI-вооружений продолжается, несмотря на энергетические вызовы.
Microsoft заключила многомиллиардную сделку с французским AI-стартапом Mistral по аренде вычислительных мощностей. Mistral предлагает эффективные модели, оптимизированные под инференс, что позволяет Microsoft снизить энергопотребление на один запрос. Параллельно Microsoft использует системы Vera Rubin NVL72 от NVIDIA, повышая производительность на ватт.
NVIDIA поставляет Vera Rubin NVL72 всем крупным облачным провайдерам. Эта система обеспечивает более высокую производительность на ватт по сравнению с предыдущим поколением H100. Однако абсолютное энергопотребление кластеров растёт, поскольку провайдеры разворачивают больше ускорителей.
Ставка на энергоэффективное оборудование - это не благотворительность, а экономическая необходимость. При цене электроэнергии $0.10 за кВт·ч каждый мегаватт потребления обходится в $876 000 в год. Кластер из 10 000 GPU с общим потреблением 100 МВт - это $87.6 миллиона ежегодно только на электричество. Снижение энергопотребления на 10% экономит миллионы.
Китайские AI-компании также вносят вклад в энергетическую гонку. Мы анализировали, почему Китай выпускает больше фундаментальных моделей, чем США, и как это влияет на глобальный спрос на вычисления. Рост числа моделей означает рост числа кластеров для обучения и инференса, что дополнительно нагружает энергосистемы.
Долгосрочные последствия: дефицит энергии, рост стоимости вычислений и будущее AI
Дефицит энергии может стать основным ограничением для развития AI. Если прогнозы BloombergNEF сбудутся, дата-центры начнут конкурировать за электроэнергию с промышленностью и населением. Регуляторы могут ввести ограничения на строительство новых ЦОДов в регионах с напряжённым энергобалансом.
Рост стоимости облачных сервисов неизбежен. Цены на электроэнергию растут, CAPEX на инфраструктуру увеличивается, сроки окупаемости удлиняются. Облачные провайдеры будут перекладывать эти затраты на клиентов. Ставки на инференс могут вырасти на 20-50% в ближайшие 3-5 лет. Технический долг в эпоху AI, который мы разбирали в отдельной статье, также вносит вклад в рост издержек: неэффективные архитектуры требуют больше вычислений.
Региональные ограничения на строительство ЦОДов уже вводятся. Нидерланды, Ирландия и Сингапур ввели моратории на новые дата-центры из-за нагрузки на энергосети. Другие страны могут последовать примеру. Это приведёт к перераспределению ЦОДов в регионы с избытком энергии: Скандинавию, Канаду, Ближний Восток.
Позитивные сценарии связаны с технологическими прорывами. Энергоэффективность чипов улучшается: переход на 2-нм техпроцесс, специализированные AI-ускорители, оптические межсоединения. Фрикулинг и замкнутые системы охлаждения снижают затраты на охлаждение. Возобновляемые источники энергии обеспечивают дата-центры дешёвой электроэнергией. NVIDIA, AMD и Intel конкурируют за производительность на ватт, что ускоряет прогресс.
Прогнозы BloombergNEF могут корректироваться. Они основаны на текущих трендах и не учитывают возможные прорывы в энергоэффективности или изменения в регулировании. Однако даже с учётом оптимистичных сценариев, AI останется крупнейшим драйвером роста энергопотребления в ближайшее десятилетие. Индустрия стоит перед выбором: найти способы снизить энергоёмкость вычислений или столкнуться с ограничениями роста.