Гигантские модели не являются основной причиной кризиса вычислительных ресурсов

Каждый раз, когда выпускается новая модель ИИ — обновления GPT, DeepSeek, Gemini — люди поражаются огромному размеру, сложности и все чаще вычислительному голоду этих гигантских моделей. Предполагается, что эти модели определяют потребности в ресурсах ИИ-революции.

Это предположение неверно.

Да, крупные модели требуют много вычислительных ресурсов. Но основная нагрузка на инфраструктуру ИИ не исходит от нескольких гигантских моделей — она исходит от бесшумного распространения моделей ИИ по отраслям, каждая из которых настроена для конкретных приложений и потребляет вычислительные ресурсы в беспрецедентном масштабе.

Несмотря на потенциальную конкуренцию среди крупнейших языковых моделей, ИИ-ландшафт в целом не централизуется — он фрагментируется. Каждый бизнес не только использует ИИ, но и обучает, настраивает и развертывает частные модели, адаптированные к своим потребностям. Именно это создаст кривую спроса на инфраструктуру, с которой облачные провайдеры, предприятия и правительства не готовы справиться.

Мы уже видели эту тенденцию. Облачные вычисления не консолидировали рабочие нагрузки ИТ — они создали разветвленную гибридную экосистему. Сначала это была проблема с серверами. Затем проблема с виртуальными машинами. Теперь? Распространение ИИ. Каждая волна вычислений привела к размножению, а не упрощению. ИИ не является исключением.

Распространение ИИ: почему будущее ИИ — это миллион моделей, а не одна

Финансы, логистика, кибербезопасность, обслуживание клиентов, исследования и разработки — каждая из этих областей имеет свою модель ИИ, оптимизированную для конкретной функции. Организации не обучают одну модель ИИ для управления всей своей деятельностью. Они обучают тысячи. Это означает больше циклов обучения, больше вычислительных ресурсов, больше требований к хранилищу и больше инфраструктурного распространения.

Это не теоретически. Даже в отраслях, которые традиционно осторожны в отношении принятия новых технологий, инвестиции в ИИ ускоряются. Отчет McKinsey 2024 года показал, что организации сейчас используют ИИ в среднем в трех бизнес-функциях, с лидерством в производстве, цепочке поставок и разработке продукта (McKinsey).

Здравоохранение — яркий пример. Navina, стартап, который интегрирует ИИ в электронные медицинские записи для предоставления клинических прозрений, только что привлек 55 миллионов долларов в рамках финансирования серии C от Goldman Sachs (Business Insider). Энергетика не является исключением — лидеры отрасли запустили консорциум Open Power AI, чтобы принести оптимизацию ИИ на объекты и в сети (Axios).

Нагрузка на вычислительные ресурсы, о которой никто не говорит

ИИ уже ломает традиционные модели инфраструктуры. Предположение, что облако может масштабироваться бесконечно для поддержки роста ИИ, совершенно неверно. ИИ не масштабируется как традиционные рабочие нагрузки. Кривая спроса не постепенная — она экспоненциальная, и гипермасштабные провайдеры не справляются.

• Ограничения мощности: центры обработки данных, специфичные для ИИ, теперь строятся вокруг доступности мощности, а не только сетевых магистралей.
• Сетевые узкие места: гибридные ИТ-среды становятся неуправляемыми без автоматизации, которую рабочие нагрузки ИИ только усугубляют.
• Экономическое давление: рабочие нагрузки ИИ могут потреблять миллионы за один месяц, создавая финансовую непредсказуемость.

Центры обработки данных уже составляют 1% мирового потребления электроэнергии. В Ирландии они теперь потребляют 20% национальной сети, доля, которая ожидается к 2030 году (IEA).

Добавьте к этому надвигающееся давление на графические процессоры. Bain & Company недавно предупредила, что рост ИИ создает предпосылки для нехватки полупроводников, обусловленной взрывным спросом на чипы класса центров обработки данных (Bain).

Тем временем проблема устойчивости ИИ растет. Анализ 2024 года в Устойчивые города и общество предупреждает, что широкое внедрение ИИ в здравоохранении может существенно увеличить потребление энергии и выбросы углекислого газа в секторе, если не будут приняты целевые меры по повышению эффективности (ScienceDirect).

Распространение ИИ больше, чем рынок — это вопрос государственной власти

Если вы думаете, что распространение ИИ — это корпоративная проблема, подумайте еще раз. Наиболее значимым фактором фрагментации ИИ не является частный сектор — это правительства и военные агентства, развертывающие ИИ в масштабе, который ни один гипермасштабный провайдер или предприятие не может сравниться.

Правительство США alone развернуло ИИ в более чем 700 приложениях по 27 агентствам, охватывающим анализ разведки, логистику и многое другое (FedTech Magazine).

Канада инвестирует до 700 миллионов долларов для расширения внутренней вычислительной мощности ИИ, запуская национальный вызов для укрепления суверенной инфраструктуры центров обработки данных (Innovation, Science and Economic Development Canada).

И есть растущие призывы к «программе Аполлон» для инфраструктуры ИИ — подчеркивая возвышение ИИ от коммерческого преимущества до национального императива (MIT Technology Review).

Военный ИИ не будет эффективным, скоординированным или оптимизированным для затрат — он будет обусловлен национальными безопасными мандатами, геополитической срочностью и необходимостью закрытых, суверенных систем ИИ. Даже если предприятия сдерживают распространение ИИ, кто скажет правительствам, чтобы они замедлили темп?

Потому что когда национальная безопасность на кону, никто не останавливается, чтобы спросить, может ли энергосистема справиться с этим.