ИИ ускоряет климатические расчёты, но сам становится крупным потребителем энергии

Искусственный интеллект становится важным инструментом климатического моделирования, декарбонизации и адаптации к природным рискам. Одновременно необходимая для его работы вычислительная инфраструктура быстро наращивает потребление электроэнергии и воды, создавая новые косвенные выбросы парниковых газов.

К такому выводу пришли специалисты Центра стратегических разработок в докладе «Изменение климата и искусственный интеллект: глобальные вызовы». Авторы рассмотрели применение ИИ в климатологии, электроэнергетике, промышленности, природно-климатических проектах и системах раннего предупреждения, а также оценили ресурсные последствия расширения сети дата-центров.

Главный вывод доклада состоит в том, что ИИ нельзя однозначно считать ни климатически полезной, ни вредной технологией. Итоговый эффект будет зависеть от источников электроэнергии, эффективности вычислительных систем, размещения центров обработки данных и того, насколько практическая польза алгоритмов превышает их собственный углеродный и водный след.

Климатические расчёты ускоряются в тысячи раз

Традиционные климатические модели описывают взаимодействие атмосферы, океана, суши, ледников и биосферы при помощи сложных систем физических уравнений. Такие расчёты требуют значительных вычислительных ресурсов: моделирование тысячи лет климата может занимать около 90 суток на суперкомпьютере с 1280 процессорами.

ИИ-модели способны выполнять сопоставимые по длительности симуляции значительно быстрее. Разработанная при участии Вашингтонского университета система DLESyM моделирует тысячу лет менее чем за 12 часов на одной видеокарте NVIDIA A100. Климатический эмулятор ACE2 может рассчитать до 1500 лет за сутки, а NeuralGCM в отдельных задачах ускоряет вычисления до 100 тыс. раз по сравнению с традиционными моделями.

Практическое значение заключается не только в экономии времени. Более дешёвые расчёты позволяют запускать тысячи вариантов одного сценария, изучать редкие волны жары, экстремальные осадки и другие события, которые сложно воспроизвести при единичных дорогостоящих расчётах.

ИИ также применяется для повышения пространственной детализации. Из глобальных моделей с ячейкой около 100 километров алгоритмы могут формировать региональные поля с разрешением 12,5 километра и менее. Такие данные удобнее использовать при проектировании инфраструктуры и оценке климатических рисков конкретных территорий.

Авторы предупреждают, что более детальное изображение не всегда означает более точный прогноз. Алгоритм может сгладить экстремальные значения или создать реалистично выглядящие, но неверные подробности. Поэтому результаты требуют проверки по независимым наблюдениям и соблюдения физических ограничений климатической системы.

ИИ помогает интегрировать солнце и ветер в энергосистему

Одно из наиболее зрелых направлений — прогнозирование выработки солнечных и ветровых электростанций. Алгоритмы объединяют метеорологические данные, историю генерации, спутниковые наблюдения и технические характеристики конкретного объекта.

В отдельных проектах в Австралии, Индии и Великобритании точность прогнозов удалось повысить на 45% по сравнению с традиционными подходами. Более точная оценка выработки позволяет уменьшать объём резерва, который энергосистема поддерживает на случай снижения ветра или солнечной активности.

Если резерв обеспечивают газовые или угольные электростанции, его сокращение косвенно уменьшает расход топлива и выбросы. В Дании применение ИИ для прогнозирования позволило снизить затраты на оперативные резервы на 10–15%, обеспечив потребителям ежегодную экономию более $9 млн.

Алгоритмы также используются для выявления перегрузок, управления напряжением, сокращения сетевых потерь и координации распределённых ресурсов — домашних солнечных установок, аккумуляторов, зарядных станций и управляемого спроса.

При этом ИИ не заменяет строительство электросетей, накопителей и низкоуглеродной генерации. Его эффект проявляется прежде всего там, где уже существуют датчики, интеллектуальные счётчики, системы диспетчерского управления, надёжные данные и подготовленные специалисты.

Промышленность может снизить потери и энергозатраты

На промышленность приходится почти четверть мировых прямых выбросов углекислого газа. Особенно трудно сокращать их в производстве стали, цемента, химической продукции и цветных металлов.

В этих отраслях ИИ применяется для управления температурой, давлением, подачей сырья, загрузкой оборудования и распределением энергопотребления. Алгоритмы позволяют удерживать технологические процессы ближе к оптимальному режиму и быстрее реагировать на изменение качества сырья или нагрузки.

Одним из примеров стало применение ИИ на предприятиях южнокорейской металлургической компании POSCO. Точность определения температуры и состава расплава при управлении конвертерной операцией выросла с 94 до 97%, а качество контроля покрытия при горячем цинковании — с 84 до 99%.

Сокращение брака и повторной переработки продукции уменьшает расход сырья и энергии. Однако доклад подчёркивает, что цифровая оптимизация не заменяет технологического переоснащения, электрификации или перехода на низкоуглеродное топливо.

Алгоритмы ускоряют поиск новых материалов

ИИ может сократить ранний этап разработки аккумуляторов, катализаторов и материалов для улавливания углекислого газа. Вместо последовательного лабораторного перебора большого числа соединений система предварительно оценивает их свойства и отбирает наиболее перспективные варианты.

При поиске сорбентов и металлоорганических каркасов алгоритмы способны сформировать и оценить около 120 тыс. структур за несколько дней. Эти материалы могут использоваться для улавливания CO₂ из промышленных газов.

Аналогичные подходы применяются при создании электролитов для аккумуляторов и катализаторов преобразования углекислого газа. Однако компьютерный отбор не отменяет лабораторного синтеза, проверки долговечности и масштабирования производства.

Спутниковые данные делают климатические проекты проверяемее

В лесных, болотных и других природно-климатических проектах ИИ используется для обработки спутниковых снимков, аэросъёмки, данных беспилотников и наземных датчиков.

Алгоритмы выявляют изменения лесного покрова, деградацию земель, колебания влажности и состояние растительности. Это позволяет чаще обновлять сведения о территории и обнаруживать нарушения, которые могут снизить заявленный климатический эффект проекта.

Такой мониторинг особенно важен для выпуска углеродных единиц, поскольку результат проекта необходимо измерить и подтвердить. ИИ может повысить качество отчётности и верификации, но не заменить методику расчёта поглощения углерода и полевые обследования.

Пожары и наводнения можно обнаруживать раньше

Для управления лесными пожарами ИИ применяется на всех стадиях: от оценки вероятности возгорания до моделирования распространения огня и распределения сил при тушении.

Система NASA FIRMS обрабатывает спутниковые данные приборов MODIS и VIIRS и предоставляет сведения об активных очагах в режиме, близком к реальному времени. Для части территории США и Канады информация может поступать менее чем через минуту после пролёта спутника.

Алгоритмы также учитывают ветер, рельеф, влажность и тип растительности, формируя вероятностные карты распространения пожара. Это позволяет заранее оценить угрозу населённым пунктам и инфраструктуре.

При прогнозировании наводнений применяется двухуровневая система. Сначала рассчитывается изменение уровня и расхода воды в реке, затем результаты переводятся в динамическую карту затопления с указанием конкретных дорог, поселений и сельскохозяйственных земель.

Платформа Google Flood Hub использует машинное обучение и охватывает сотни миллионов жителей в десятках стран. Главное преимущество таких систем — возможность создавать прогнозы для территорий с недостаточной сетью наземных гидрологических постов.

В условиях засухи ИИ решает другую задачу: оценивает доступность воды и будущий спрос, помогая заранее распределять ресурс между населением, сельским хозяйством, промышленностью и энергетикой.

Обратная сторона — рост дата-центров

В 2024 году мировые дата-центры потребили около 415 ТВт·ч электроэнергии — примерно 1,5% глобального объёма. Связанные с их электроснабжением выбросы оценивались в 180 млн тонн CO₂-эквивалента.

По базовому сценарию Международного энергетического агентства, к 2035 году потребление дата-центров может почти утроиться и достигнуть 1175 ТВт·ч. При ускоренном внедрении ИИ показатель может превысить 1700 ТВт·ч.

Соответствующие выбросы способны увеличиться до 300–500 млн тонн CO₂-эквивалента в год. Точный объём будет зависеть от структуры генерации: подключение к ВИЭ и атомным электростанциям даст один результат, использование новых угольных и газовых мощностей — другой.

ИИ-центры отличаются высокой плотностью нагрузки. Одна стойка или квадратный метр такого объекта может потреблять в три-шесть раз больше электроэнергии, чем традиционный центр хранения данных. Типичный крупный ИИ-ЦОД сопоставим по энергопотреблению примерно со 100 тыс. домохозяйств.

В США к 2030 году дата-центры могут потреблять от 9 до 17% всей электроэнергии страны. Такие объекты превращаются в нагрузку промышленного масштаба, для подключения которой требуются новые электростанции, подстанции и линии электропередачи.

Энергетика не успевает за строительством ЦОДов

Крупный дата-центр можно построить за 18–24 месяца, тогда как создание необходимой генерации и сетевой инфраструктуры требует не менее пяти-семи лет. В отдельных европейских регионах ожидание подключения нового ЦОДа к сети достигает семи-десяти лет.

Это вынуждает технологические компании заранее резервировать мощности и инвестировать в собственное энергоснабжение. В 2025 году крупнейшие операторы заключили соглашения о покупке 28,3 ГВт электроэнергии из возобновляемых источников — около половины всех корпоративных закупок ВИЭ в мире.

При этом дефицит низкоуглеродной генерации создаёт риск обратного эффекта. Если строительство ВИЭ, АЭС и накопителей отстаёт от спроса, дата-центры могут стимулировать ввод газовых или угольных электростанций и закрепить связанные с ними выбросы на десятилетия.

Водопотребление может удвоиться

Электроэнергия нужна не только процессорам, но и системам охлаждения. По оценке МЭА, дата-центры потребляют около 560 млрд литров воды в год. К 2030 году показатель может вырасти до 1,2 трлн литров.

В 2023 году Google использовал для охлаждения своих дата-центров 37 млрд литров воды, около 80% которой пришлось на испарение. Проблема усиливается тем, что значительная часть новой вычислительной инфраструктуры строится в регионах, уже испытывающих дефицит воды.

В Чили проблемы с водоснабжением ранее стали основанием для частичного отзыва разрешения на строительство одного из дата-центров компании.

Климатический эффект зависит от устройства энергосистемы

Авторы доклада предлагают рассматривать ИИ как усиливающую технологию. Он способен ускорить климатические расчёты, повысить эффективность энергетики и промышленности, улучшить мониторинг экосистем и предупреждение о стихийных бедствиях.

Но сам по себе алгоритм не снижает выбросы. Для положительного эффекта нужны низкоуглеродное энергоснабжение, развитые сети, качественные данные, специалисты и связь цифровых решений с реальными технологическими изменениями.

Поэтому климатическая оценка ИИ должна учитывать не только возможности программных моделей, но и полный инфраструктурный контур — производство электроэнергии, водоснабжение, строительство центров обработки данных и выпуск вычислительного оборудования.

Именно соотношение полученной климатической пользы и ресурсных затрат определит, станет ли ИИ инструментом декарбонизации или новым крупным источником нагрузки на окружающую среду.