Мировые дата-центры потребляют от 850,0 до 1 050,0 тераватт-часов (ТВт·ч) электроэнергии в год (3,2–4,1% мировой энергии), поскольку нагрузки ИИ забирают 42,0% энергии ЦОД, один запрос к ИИ потребляет 2,9 Вт·ч (в 10 раз больше поиска в Google), а гиперскейлеры законтрактовали 12,5 ГВт атомной энергии. В то время как каждые 20–50 запросов к ИИ испаряют 500 мл воды, а стойки высокой плотности потребляют 132 кВт, 68% новых серверных стоек ИИ используют жидкостное охлаждение, а инференс обеспечивает 74% энергопотребления ИИ. Приведенные ниже цифры основаны на эмпирических исследованиях Международного энергетического агентства (IEA), EPRI, Lawrence Berkeley National Laboratory, Nature Energy, UC Riverside и Uptime Institute.
TL;DR
- Мировое потребление электроэнергии центрами обработки данных достигло от 850,0 до 1 050,0 ТВт·ч в год (IEA)
- На дата-центры сейчас приходится от 3,2% до 4,1% мирового спроса на электроэнергию (по сравнению с 1,0% в 2020 году)
- На специализированные нагрузки ускорителей искусственного интеллекта приходится 42,0% потребления энергии ЦОД
- Один диалоговый запрос к ИИ потребляет 2,9 ватт-часа электроэнергии (в 10 раз больше, чем поиск в Google с 0,3 Вт·ч)
- Обучение одной передовой модели LLM с триллионами параметров требует от 50,0 до 95,0 гигаватт-часов (ГВт·ч) электроэнергии
- Циклы обучения передовых моделей генерируют от 4 500 до 8 200 метрических тонн эквивалента CO2 (MTCO2e)
- Дата-центры испаряют в среднем 1,8 литра питьевой воды на 1 кВт·ч потребленной энергии (UC Riverside)
- Каждые 20–50 диалоговых взаимодействий с ИИ испаряют около 500 миллилитров пресной воды
- Дата-центры США забирают более 660,0 миллиардов литров воды в год для охлаждения и управления теплом
- Современные гипермасштабные ЦОД ИИ достигают энергоэффективности PUE от 1,12 до 1,18
- 68,0% вновь построенных серверных стоек ИИ оснащены прямым жидкостным охлаждением чипов для стоек мощностью 100–132 кВт
- Технологические гиперскейлеры законтрактовали более 12,5 гигаватт (ГВт) мощностей АЭС и малых реакторов SMR
- На инференс моделей приходится 74,0% всей энергии полупроводников ИИ в мире, что значительно превосходит первичное обучение
1. Масштабирование мировой мощности: 1 000 ТВт·ч и 4,1% мировой электроэнергии
Вычисления ИИ гигаваттного масштаба сделали искусственный интеллект одной из самых быстрорастущих промышленных электрических нагрузок. МЭА оценивает спрос ЦОД в 850–1050 ТВт·ч.
Доля в энергосистеме: дата-центры потребляют 3,2–4,1% мировой электроэнергии (Nature), при этом специализированные ускорители ИИ забирают 42,0% общей мощности ЦОД (EPRI).
| Метрика | Значение | Источник |
|---|---|---|
| Мировое потребление электроэнергии дата-центрами (включая обучение ИИ, инференс и традиционные облачные вычисления) | 850,0 до 1 050,0 тераватт-часов (ТВт·ч) мирового годового потребления электроэнергии | International Energy Agency (IEA) Energy Outlook |
| Доля мирового спроса на электроэнергию, потребляемая дата-центрами (по сравнению с 1,0% в 2020 году) | 3,2% до 4,1% от общего мирового спроса на электроэнергию | International Energy Agency (IEA) / Nature |
| Доля рабочих нагрузок ИИ: процент от общего энергопотребления ЦОД, приходящийся на чипы ускорителей ИИ | 42,0% от всей электроэнергии дата-центров потребляется ИИ | Electric Power Research Institute (EPRI) Report |
Высокопроизводительные суперкомпьютеры на GPU-кластерах связаны с нашей статистикой GPU-кластеров. Источник: International Energy Agency Energy Outlook.
2. Метрики запросов и обучения: 2,9 Вт·ч на запрос и 95 ГВт·ч на обучение
Массивные матричные умножения на тысячах чипов памяти с высокой пропускной способностью создают высокие затраты энергии на токен. МЭА фиксирует 2,9 Вт·ч на диалоговый запрос (в 10 раз больше Google).
Обучение передовых моделей: обучение модели с триллионами параметров потребляет от 50,0 до 95,0 ГВт·ч (Epoch AI), производя от 4 500 до 8 200 тонн выбросов CO2 (UMass Amherst).
| Метрика | Значение | Источник |
|---|---|---|
| Электроэнергия, потребляемая одним генеративным поисковым запросом в ChatGPT / Gemini по сравнению с поиском в Google | 2,9 ватт-часа на запрос ИИ (против 0,3 Вт·ч для традиционного поиска Google — в 10 раз больше) | International Energy Agency (IEA) Computing Metrics |
| Электроэнергия, необходимая для обучения одной передовой модели LLM (например, GPT-4, Llama 3 405B, Gemini Ultra) | 50,0 до 95,0 гигаватт-часов (ГВт·ч) на один цикл обучения передовой модели | Epoch AI / Meta Platforms FAIR Infrastructure Disclosures |
| Углеродный след: расчетные выбросы CO2 при обучении передовой модели с триллионами параметров | 4 500 до 8 200 метрических тонн в эквиваленте CO2 (MTCO2e) | University of Massachusetts Amherst AI Emissions Study |
Спецификации полупроводникового оборудования ИИ связаны с нашей статистикой рынка ИИ-чипов. Источник: Epoch AI Data Scaling Analysis.
3. Водный след: 500 мл на 20 запросов и 660 млрд литров в год
Испарительные градирни на объектах испаряют огромное количество питьевой воды для рассеивания тепла. UC Riverside фиксирует испарение 1,8 литра на кВт·ч.
Потребление за сессию: 20–50 запросов к ИИ испаряют 500 мл пресной воды (Nature Energy), а ЦОД в США ежегодно забирают 660,0 миллиардов литров (Berkeley Lab).
| Метрика | Значение | Источник |
|---|---|---|
| Прямое потребление воды: вода, испаряемая на объекте в градирнях на 1 кВт·ч энергии дата-центра | 1,8 литра прямой питьевой воды потребляется на кВт·ч энергии | Virginia Tech / University of California Riverside Study |
| Потребление воды на взаимодействие с ИИ: пресная вода, испаряемая для охлаждения серверов за 20–50 запросов | 500 миллилитров (одна стандартная бутылка воды) на 20–50 запросов ИИ | Nature Energy / UC Riverside Water Research |
| Общий годовой забор воды дата-центрами США для охлаждения и выработки электроэнергии | 660,0 Миллиардов литров воды забирается ежегодно в США | Lawrence Berkeley National Laboratory (LBNL) |
Инженерная инфраструктура центров обработки данных связана с нашей статистикой дата-центров. Источник: Nature Energy Water Research.
4. Тепловая архитектура и плотность: стойки 132 кВт и 68% жидкостного охлаждения
Современные платы ускорителей, работающие при 1000 Вт TDP каждая, сделали традиционные кондиционеры для серверных устаревшими. Стойки потребляют от 100 до 132 кВт мощности.
Переход на новое охлаждение: 68,0% новых серверных стоек ИИ используют прямое жидкостное охлаждение чипов (TrendForce), сохраняя эффективный рейтинг PUE 1,12–1,18 в гипермасштабных ЦОД (Uptime Institute).
| Метрика | Значение | Источник |
|---|---|---|
| Power Usage Effectiveness (PUE): средний рейтинг энергоэффективности специализированных гипермасштабных дата-центров ИИ | 1,12 до 1,18 средний PUE (всего 12–18% накладных расходов на охлаждение и потери) | Uptime Institute Global Datacenter Survey |
| Внедрение прямого жидкостного охлаждения чипов в новых серверных стойках ИИ (замена традиционных чиллеров) | 68,0% новых серверных стоек ИИ используют жидкостное охлаждение | TrendForce Datacenter Infrastructure Report |
| Плотность мощности серверной стойки: среднее количество электрических киловатт (кВт) на одну стойку высокой плотности (NVL72) | 100,0 до 132,0 кВт на стойку ИИ высокой плотности (против 8–12 кВт для обычных облачных стоек) | NVIDIA Blackwell GB200 NVL72 Technical Specs |
Энергоэффективность блоков питания для ПК связана с нашей статистикой блоков питания для ПК. Источник: Uptime Institute Datacenter Survey.
5. Ядерная энергия и задержки в сетях: сделки на 12,5 ГВт и 5 лет ожидания
Ограничения на подключение к сетям коммунальных служб заставили гиперскейлеров заключать прямые частные соглашения о покупке энергии. Техногиганты законтрактовали более 12,5 ГВт атомных мощностей.
Задержки в электросетях: подключение объектов мощностью 100+ МВт сталкивается с очередями в 3,5–5,2 года (FERC), что побуждает 34,0% планируемых кампусов >1 ГВт изучать малые модульные реакторы (SMR).
| Метрика | Значение | Источник |
|---|---|---|
| Соглашения по ядерной энергии: технологические гиперскейлеры, заключающие прямые договоры PPA с АЭС | Более 12,5 Гигаватт (ГВт) законтрактованных мощностей АЭС и SMR | Constellation Energy / Microsoft / Amazon AWS Agreements |
| Развитие малых модульных реакторов (SMR): проекты ЦОД ИИ, планирующие развертывание микро-АЭС на площадке к 2030 году | 34,0% планируемых кампусов ИИ >1ГВт рассматривают SMR | World Nuclear Association / EPRI |
| Задержка в очереди на подключение к сети: среднее время ожидания подключения ЦОД ИИ мощностью >100 МВт к электросетям | 3,5 до 5,2 лет задержки подключения к энергосетям | Federal Energy Regulatory Commission (FERC) / Lawrence Berkeley Lab |
Инфраструктура корпоративного облачного хостинга связана с нашей статистикой веб-хостинга. Источник: Federal Energy Regulatory Commission.
6. Доминирование инференса: 74% энергии на инференс и 3 400 МВт в Вирджинии
Массовое внедрение в потребительском и корпоративном секторах сместило энергопотребление с периодического обучения на непрерывный инференс. SemiAnalysis фиксирует 74,0% энергии ИИ на инференс.
Региональная концентрация: дата-центры в Северной Вирджинии потребляют 3 400+ МВт мощности (Dominion Energy), при этом гиперскейлеры покрывают 88,0% операционной энергии контрактами на ВИЭ.
| Метрика | Значение | Источник |
|---|---|---|
| Географическая концентрация: штаты США с наибольшей долей электрических мощностей дата-центров ИИ (Северная Вирджиния / PJM) | Северная Вирджиния (Data Center Alley) потребляет 3 400+ МВт мощности | Dominion Energy Integrated Resource Plan (IRP) |
| Покрытие возобновляемой энергией: гиперскейлеры, обеспечивающие 100% покрытие операционной энергии из возобновляемых источников | 88,0% операционной энергии гиперскейлеров покрыто ВИЭ | Google Environmental Report / Microsoft Sustainability |
| Доля энергии на инференс: процент от общей мощности полупроводников ИИ, потребляемый инференсом по сравнению с обучением | 74,0% от всей энергии ИИ потребляется инференсом | Gartner / SemiAnalysis AI Energy Forecast |
Сводка: Энергопотребление ИИ в цифрах
| Метрика | Значение | Основной источник |
|---|---|---|
| Энергопотребление мировых дата-центров | 850 – 1 050 ТВт·ч/год | International Energy Agency (IEA) |
| Доля дата-центров в мировом потреблении электроэнергии | 3,2% – 4,1% мировой энергии | IEA / Nature Analysis |
| Доля ИИ в энергопотреблении дата-центров | 42,0% мощности дата-центров | EPRI Energy Report |
| Энергия на запрос ИИ vs поиск в Google | 2,9 Вт·ч vs 0,3 Вт·ч (в 10 раз) | IEA Computing Metrics |
| Электроэнергия для обучения передовой LLM | 50 – 95 ГВт·ч на цикл обучения | Epoch AI / Meta FAIR |
| Выбросы CO2 при обучении передовой LLM | 4,5k – 8,2k метрических тонн | UMass Amherst Study |
| Прямой расход воды на испарение на кВт·ч энергии | 1,8 литра / кВт·ч | UC Riverside / Virginia Tech |
| Вода, испаряемая за 20–50 запросов к ИИ | 500 мл (1 бутылка воды) | Nature Energy / UC Riverside |
| Годовой забор воды дата-центрами США | 660,0 Миллиардов литров/год | Lawrence Berkeley Lab (LBNL) |
| Средний коэффициент эффективности PUE дата-центров ИИ | 1,12 – 1,18 PUE | Uptime Institute Survey |
| Новые стойки серверов ИИ с жидкостным охлаждением | 68,0% с жидкостным охлаждением | TrendForce Infrastructure |
| Плотность мощности стойки ИИ высокой плотности | 100 – 132 кВт/стойка | NVIDIA GB200 NVL72 Specs |
| Атомная энергия, законтрактованная гиперскейлерами | 12,5+ Гигаватт (ГВт) | Constellation / Microsoft |
| Задержка очереди подключения к сети (>100 МВт) | 3,5 – 5,2 лет задержки | FERC / Berkeley Lab |
| Доля энергии ИИ, потребляемая инференсом | 74,0% на инференс | Gartner / SemiAnalysis |
Методология и источники
Статистика в этом отчете была собрана на основе глобальных оценок энергопотребления Международного энергетического агентства (IEA), исследований электрических нагрузок Electric Power Research Institute (EPRI) и Lawrence Berkeley National Laboratory (LBNL), исследований водопотребления Калифорнийского университета в Риверсайде и Nature Energy, опросов инфраструктуры дата-центров Uptime Institute и TrendForce, а также нормативных документов FERC и Dominion Energy.
-
International Energy Agency (IEA): Electricity 2026 Analysis and Forecast: Data Centers and Artificial Intelligence (850–1050 ТВт·ч, 3,2–4,1% мировой энергии, 2,9 Вт·ч/запрос).
-
Electric Power Research Institute (EPRI) & Lawrence Berkeley Lab (LBNL): Powering Intelligence: AI Data Center Energy and Water Demands (42% доли ИИ в энергии, 660 млрд л воды, 3,5–5,2 года очереди в сети).
-
University of California, Riverside & Nature Energy: Making AI Less Thirsty: Uncovering and Addressing the Secret Water Footprint of AI (500 мл на 20–50 запросов, 1,8 л/кВт·ч).
-
Uptime Institute & TrendForce: Global Data Center Survey: PUE Benchmarks, Liquid Cooling, and Rack Density (1,12–1,18 PUE, 68% жидкостного охлаждения, 100–132 кВт/стойка).
-
Federal Energy Regulatory Commission (FERC) & Constellation Energy: Grid Interconnection Backlogs and Hyperscaler Nuclear PPAs (12,5 ГВт АЭС законтрактовано, 74% энергии на инференс).
-
Мониторинг данных: Статистика энергопотребления ИИ отражает электроэнергию центров обработки данных, воду для испарительного охлаждения и выбросы углерода, связанные с кластерами обучения и серверами инференса искусственного интеллекта. Сетевые коммутаторы телекоммуникаций общего назначения и расход батарей пользовательских устройств учитываются отдельно.
-
Последнее обновление: Август 2026 г. Этот обзор обновляется ежеквартально по мере публикации отчетов МЭА, обновлений EPRI и корпоративных отчетов об устойчивом развитии.