Гонка LLM и её скрытый след: 12,3 ГВт·ч энергии, 15,9 млн литров воды и 4 251 тонна CO₂e только на OLMo 3.

Гонка LLM продолжается. Но во что она обходится нашей планете?

OpenAI готовит к релизу нового монстра под кодовым именем Astra, который уже уточнил решения 10 комплексных фундаментальных математических задач. На днях выпустили новый Qwen 3.8 Max, который сразу вошёл в топы всех бенчмарков. По размеру этот гигант сопоставим с Kimi K3. И, очевидно, на обучение таких моделей тратят просто кучу ресурсов. Но сколько именно?

Очень удачно, тут же на днях вышла работа The Hidden Cost of Thinking: Energy Use and Environmental Impact of LMs Beyond Pretraining. Её авторы попытались посчитать то, что обычно остаётся за пределами отчётов AI-компаний: сколько ресурсов уходит на весь процесс создания LLM. Для этого они изучили разработку семейства моделей OLMo 3 (7B и 32B) от первых экспериментов до готовых моделей.

Исследователи включили в расчёт не только успешные запуски, но и подбор архитектуры, тестирование датасетов, неудачные эксперименты, генерацию данных, pretraining и последующий post-training.

Замеряли не деньги и не вычислительные ресурсы, а расход электричества, воды и выбросы CO₂.

Результат исследования OLMo 3

• 12,3 ГВт·ч электроэнергии
• 15,9 млн литров воды
• 4 251 тонны CO₂e

Для расчёта авторы использовали реальные GPU-часы и измеренное энергопотребление оборудования. Затем учитывали серверную инфраструктуру, PUE дата-центра, углеродную интенсивность электричества и воду, потреблённую при его производстве. Расчёт выполнен с некоторыми допущениями, но максимально комплексно.

Много это или мало? По оценкам самих исследователей, это сопоставимо с выбросами CO₂e примерно 850 домохозяйств в течение года. И это всего одно семейство небольших моделей.

Главная же находка авторов в том, что вклад финальных запусков моделей в этот «экологический след» составляет лишь 18%. Оставшиеся 82% вычислений и, соответственно, затраченных ресурсов пришлись на ранние стадии разработки.

Во что обходится гонка LLM в год

Мы использовали GPT-5.6 и открытые данные, чтобы прикинуть ресурсы, затраченные на разработку всех крупных моделей, представленных с начала года.

Методика такая: для каждой модели оцениваем параметры и количество обучающих токенов, переводим их в FLOPs, затем в GPU-часы, электричество, воду и CO₂e с использованием коэффициентов, которые вывели авторы статьи.

Вот что получилось:

• 5,6 ТВт·ч электроэнергии (то есть 5600 ГВт·ч)
• 7,3 млрд литров «водного следа»
• 1,9 млн тонн CO₂e

Чтобы представить масштаб:

• этого электричества хватило бы примерно 460 тысячам домохозяйств на год;
• такой объём воды составляет около 2 900 олимпийских бассейнов;
• такие выбросы сопоставимы с годовыми выбросами примерно 460 тысяч автомобилей.

Конечно, оценка очень и очень грубая. Расчёт включил в себя 44 крупных семейства моделей: GPT, Claude, Gemini, Grok, Qwen, DeepSeek, Kimi, GLM и другие.

Причём очевидно, что модели, представленные в начале года, обучались в основном во втором полугодии 2025. Поэтому можно считать, что это оценка экологического следа за год.

Для открытых моделей брались опубликованные характеристики. Для закрытых, где разработчики не раскрывают архитектуру и затраты на обучение (а таких большинство), использовалась оценка от GPT-5.6 Sol. И разброс может быть в десять раз в обе стороны. Но это позволяет хотя бы прикинуть масштаб проблемы.

Выводы

С одной стороны, все эти ресурсы являются лишь небольшой долей стоимости гонки LLM. Здесь мы посчитали только затраты на обучение моделей. А ведь после того, как модели выходят в релиз, в дата-центрах начинается основная нагрузка. Котики и ролики сами себя не сгенерируют.

С другой стороны, масштаб трагедии пока далеко не трагичный. Это всё ещё очень маленькая часть общемировых затрат электроэнергии (около 0,02%). Но расти они будут экспоненциально и непропорционально.

Сейчас это проблема компаний. Но когда второй волной нахлынет роботизация, проблема может стать национальной. Поэтому Маск, вероятно, понимает, на что делает ставку, когда планирует выводить дата-центры в космос.