Энергозатраты LLM, чат-ботов и агентных систем

Энергия обучения (МВт·ч)

Инференс: энергия на токен (Дж/токен)

Инференс: энергия на запрос (Вт·ч)

Углеродоёмкость сети (г CO2e/кВт·ч)

PUE по сегментам ЦОД

Множитель токенов агента (vs обычный чат)

Электричество ЦОД по странам (ТВт·ч)

Промышленные роботы (embodied AI), ТВт·ч

Что значат эти цифры

Ориентиры для сравнения (приблизительно): домохозяйство в ЕС ≈ 3 600 кВт·ч/год, в США ≈ 10 500 кВт·ч/год; электромобиль ≈ 6 км/кВт·ч; 1 кипячение чайника ≈ 0,11 кВт·ч; солнечная панель 400 Вт ≈ 400 кВт·ч/год. CO2: 1 т ≈ 7 700 км перелёта на пассажира (эконом), ≈ 5 900 км на бензиновом авто, ≈ 45 деревьев, растущих год. Пример: обучение Gemini 1.0 Ultra (≈92 ГВт·ч) — примерно как годовое электропотребление ≈26 000 домохозяйств ЕС (или ≈8 800 в США), т.е. целого района или небольшого завода.

Сетевая карта — провайдеры, модели, страны

Источники встроены в data.js (блок sources), каждая запись ссылается на source_id. Цифры — оценки/измерения из цитируемой литературы (см. README.md с методологией и оговорками). Значения с method=«forecast» — прогнозы по скейлинговым законам (обучение 6·N·T FLOPs, инференс 2·N FLOPs/токен), порядок величины ±2–3×, а не измерения. PUE, углеродоёмкость сети и энергия на токен имеют год и область применения. «Домохозяйство/перелёт/деревья» — грубые ориентиры для интуитивного масштаба, а не точные эквиваленты.