Гонка LLM продолжается. Но во что она обходится нашей планете?
OpenAI готовит к релизу нового монстра под кодовым именем Astra, который уже уточнил решения 10 комплексных фундаментальных математических задач. На днях выпустили новый Qwen 3.8 Max, который сразу вошел в Топы всех бенчмарков. По размеру этот гигант сопоставим с Kimi K3. И, очевидно, на обучение таких моделей тратят просто кучу ресурсов. Но сколько именно?
Очень удачно, тут же на днях вышла работа The Hidden Cost of Thinking: Energy Use and Environmental Impact of LMs Beyond Pretraining. Её авторы попытались посчитать то, что обычно остаётся за пределами отчётов AI-компаний: сколько ресурсов уходит на весь процесс создания LLM. Для этого они изучили разработку семейства моделей OLMo 3 (7B и 32B) — от первых экспериментов до готовых моделей.
Исследователи включили в расчёт не только успешные запуски, но и подбор архитектуры, тестирование датасетов, неудачные эксперименты, генерацию данных, pretraining и последующий post-training.
Замеряли не деньги и не вычислительные ресурсы, а расход электричества, воды и выбросы CO₂.
Результат:
⚡ 12,3 ГВт·ч электроэнергии
💧 15,9 млн литров воды
🏭 4 251 тонны CO₂e
Для расчёта авторы использовали реальные GPU-часы и измеренное энергопотребление оборудования. Затем учитывали серверную инфраструктуру, PUE дата-центра, углеродную интенсивность электричества и воду, потреблённую при его производстве. В общем, все по-уму, с некоторыми допущениями, но зато максимально комплексно.
Много это или мало? По оценкам самих исследователей — это сопоставимо с выбросами CO₂e примерно 850 домохозяйств в течение года. И это всего 1 семейство маленьких моделей.
Главная же находка авторов в том, что вклад финальных запусков моделей в этот "экологический след" — лишь 18%. Оставшиеся 82% вычислений и, соответственно, затраченных ресурсов пришлись на те самые ранние стадии разработки.
Мне стало интересно, во что же нам тогда обходится вся гонка LLM в год?
Вооружившись ГПТ 5.6 и открытыми данными я прикинул ресурсы затраченные на разработку всех крупных моделей, представленных с начала года.
Методика такая: для каждой модели оцениваем параметры и кол-во обучающих токенов → переводим в FLOPs → переводим в GPU-часы → электричество → вода и CO₂e с использованием коэффициентов, которые вывели авторы статьи.
Вот что получилось:
⚡ 5.6 ТВт·ч электроэнергии (то есть 5600 Гигаватт!)
💧 7,3 млрд литров "водного следа"
🏭 1,9 млн тонн CO₂e
Чтобы представить масштаб:
• этого электричества хватило бы примерно 460 тысячам домохозяйств на год
• такой объём воды — около 2 900 олимпийских бассейнов
• такие выбросы сопоставимы с годовыми выбросами примерно 460 тысяч автомобилей 🤙
Конечно, оценка очень-очень грубая. Расчет включил в себя 44 крупных семейства моделей: GPT, Claude, Gemini, Grok, Qwen, DeepSeek, Kimi, GLM и другие.
Причем, очевидно, что модели представленные в начале года, обучались в основном в втором полугодии 2025. Поэтому можно считать, что это оценка экологического следа за год.
Для открытых моделей брались опубликованные характеристики. Для закрытых, где разработчики не раскрывают архитектуру и затраты на обучение (а таких большинство), использовалась оценка от GPT 5.6 Sol. И разброс может быть раз в десять в обе стороны. Но это позволяет хотя бы прикинуть масштаб проблемы.
Мысли
С одной стороны, все эти ресурсы — это лишь маленькая доля стоимости гонки LLM. Ведь тут я посчитал только затраты на обучение моделей. А ведь после того, как модели релизятся — в датацентрах начинается самое пекло. Котики и рилсы сами себя не сгенерят 😈
С другой стороны — на самом деле масштаб трагедии пока далеко не трагичный. Это все еще очень маленькая часть общемировых затрат электроэнергии (около 0.02%). Но расти они будут экспоненциально и непропорционально.
Сейчас это проблема компаний. Но когда второй волной нахлынет роботизация, о которой я писал в прошлом посте — проблема может стать национальной. Так что Маск, знает, на что ставит, когда планирует выводить датацентры в космос 📈