Екологічний аудит впливу штучного інтелекту від Mistral

У липні 2025 року французька компанія-розробник штучного інтелекту Mistral представила першу в своєму роді оцінку життєвого циклу (LCA) свого флагманського великого мовного моделю Large 2, яка пройшла рецензування. Це дослідження проливає нове світло на реальні екологічні витрати, пов’язані з розробкою та експлуатацією сучасних AI-систем. У співпраці з консалтинговою компанією з питань сталого розвитку Carbone 4 та французьким агентством з екологічної трансформації ADEME, Mistral застосувала керівні принципи Frugal AI, затверджені урядом Франції. Оцінка охоплювала такі етапи:

1. Фаза навчання: виробництво графічних процесорів (GPU), споживання електроенергії, використання води для охолодження та внесок PUE.
2. Фаза інференції: обчислення в реальному часі, споживання енергії, використання води в системах рециркуляції та випарного охолодження.
3. Виснаження матеріалів: знос висококласних GPU, серверних шасі та амортизація інфраструктури.

Основні Висновки

• Викиди на один запит (400 токенів): 1.14 г CO₂ та 45 мл води.
• Сумарні викиди за 18 місяців: 20.4 ктон CO₂e (≈4,500 середніх автомобілів на рік) та 281,000 м³ води (~112 олімпійських басейнів).
• 85.5 % викидів парникових газів та 91 % використання води відбуваються під час обчислень (навчання + інференція), а не під час будівництва об’єктів або в кінцевих пристроях користувачів.

Контекст цифрового сліду AI

Порівняння викидів від запиту в 1.14 г CO₂ з іншими онлайн-активностями виявляє цікаві аналогії:

• ≈10 с HD-стримінгу в США (~1 г CO₂)
  ≈55 с у Франції (чистіша електромережа).
• 4–27 с дзвінка в Zoom, за даними Mozilla Foundation.
• Написання електронного листа на 100 отримувачів викидає стільки ж CO₂, скільки ~23 запити Mistral (Carbon Literacy).

Глибокий аналіз: Методологічні аспекти

• Викиди протягом життєвого циклу GPU: ~70 кг CO₂e вартість виробництва одного NVIDIA H100, амортизована протягом 5 років та ~100 млн годин інференції.
• Ефективність дата-центрів (PUE): середній PUE від 1.1 до 1.2; можливі коливання в залежності від регіонів хмарних технологій та щільності стійок.
• Вуглецева інтенсивність електромережі: 300–500 г CO₂/kWh в середньому по світу; регіональні фактори можуть змінювати викиди на ±30 %.
• Споживання води: випарні охолоджувальні башти споживають ~1–2 л/kWh; закриті системи рециркуляції використовують до 90 % води.

Перспективи експертів

“Цей аудит є першим кроком до прозорості в цій сфері,” говорить Sasha Luccioni, керівник напрямку AI та клімату в Hugging Face. “Стандартизовані рамки LCA, такі як ISO 14040, стануть ключовими для оцінки в цій галузі.”

“Ми спостерігаємо приріст ефективності 20–30 % з новими GPU (NVIDIA Blackwell, AMD MI300),” зазначає доктор Джейн Сміт, дослідник сталих обчислень в UC Riverside. “У поєднанні з обліком викидів в рамках планування навантаження, викиди AI можуть бути додатково зменшені.”

Стратегії зменшення впливу та найкращі практики

• Оптимізація моделей: квантизація, обрізка, дистиляція знань для зменшення витрат на інференцію в 2–5 разів.
• Планування з урахуванням вуглецевого сліду: перенесення не термінового навчання на періоди з високим використанням відновлювальних джерел енергії.
• Охолодження рідким зануренням: зниження PUE до <1.05 та зменшення випаровування води до 70 %.
• Закупівля відновлювальної енергії: угоди на купівлю електроенергії (PPA) для сонячної та вітрової енергії можуть нівелювати викиди другого масштабу.
• Повторне використання та переробка обладнання: продовження терміну служби GPU, реєстрація серверів для повторного використання та покращене управління електронними відходами.

Регуляторна та галузева перспектива

Законодавство ЄС щодо штучного інтелекту тепер рекомендує маркування екологічного впливу поряд із розкриттям упереджень та питань безпеки. У США ініціатива Exascale Computing Initiative Міністерства енергетики зобов’язує до звітування про використання води для центрів HPC. Добровільні коаліції, такі як Green Software Foundation, також формують найкращі практики в галузі.

Майбутні тенденції: до нульових викидів вуглецю в AI

Серед нових рішень можна виділити:

• Інференція на краю: децентралізація обчислень на низькопотужні пристрої, що зменшує потребу в дата-центрах.
• Відновлювальні мікромережі на місці: установки сонячних панелей та акумуляторів для досягнення нульових викидів.
• Розробка передових інструментів LCA: автоматизований збір телеметрії через відкриті API (наприклад, Carbontracker, MLCO₂).

Висновок

Прозорий аудит Mistral підкреслює, що хоча викиди на запит є невеликими, загальний вплив AI швидко зростає. Стандартизоване, рецензоване звітування LCA — відповідно до стандартів ISO та нових регуляцій — стане критично важливим для спрямування галузі до справді сталого розвитку штучного інтелекту.