Научный обзор: выбросы ИИ

18 октября 2026 г.

Исследование измерения углеродного, энергетического и водного следа корпоративного использования ИИ

Компании увеличивают использование ИИ каждый квартал с помощью ассистентов производительности, инструментов для написания кода, прямого доступа к моделям и функций, встроенных в уже приобретаемое ими программное обеспечение. Ожидается, что к 2030 году центры обработки данных будут потреблять от 9% до 17% электроэнергии в США по сравнению примерно с 5% в 2025 году. Инвесторы, аудиторы и регулирующие органы начинают задаваться вопросом, какая доля этого объема должна учитываться в собственном реестре выбросов компании.

Наше исследование разрабатывает открытые и прозрачные методы, которые позволяют компаниям оценивать выбросы от ИИ на основе имеющихся у них сегодня данных, улучшать эти оценки по мере того, как провайдеры раскрывают больше информации, и находить решения, снижающие выбросы по мере роста использования ИИ. Ниже вы можете ознакомиться с краткой информацией по связанным исследованиям и публикациям. Мы будем дополнять эту сводку по мере появления новых исследований.

Исследования Watershed, посвященные выбросам от ИИ

Измерение: стандартный метод оценки корпоративных выбросов от ИИ

Estimating GHG emissions from AI use: Framework for corporate-level measurement Открытая структура для оценки энергопотребления и выбросов от использования ИИ компанией. Она устанавливает широкие границы системы, которые включают обучение, простаивающие мощности и производство аппаратного обеспечения; сообщает результаты в килограммах CO2e на миллион токенов — единице, которую компании уже используют для отслеживания затрат на ИИ; и предлагает три уровня расчетов: от оценки на основе расходов до показателей, сообщаемых провайдерами ИИ. В ней также предлагаются данные, которые провайдеры ИИ могли бы раскрывать для повышения точности клиентских оценок. Разработано при участии специалистов из Стэнфордского и Цинхуанского университетов.

Открытая структура для измерения выбросов от ИИ Блог Watershed, июль 2026 г. Краткое руководство по структуре: почему выбросы от ИИ сложно измерить, как работают три уровня и какие практические рычаги позволяют снизить углеродный след ИИ.

Электроэнергия и географическое положение: как расположение рабочих нагрузок ИИ влияет на его след

В чем разница? Углеродный след вашего чат-бота зависит от вашего почтового индекса Watershed, сентябрь 2026 г. В рамках анализа энергопотребление одного запроса к ИИ остается неизменным, меняется только энергосистема, питающая его. Выбросы от одного и того же запроса различаются в 34 раза в разных штатах США и примерно в 100 раз с учетом методов учета.

Cornerstone eGRID 2024 Набор данных, Cornerstone, 2026 г. На протяжении двух десятилетий база данных eGRID Агентства по охране окружающей среды США (EPA) была стандартным источником коэффициентов выбросов региональных энергосистем. Когда EPA прекратило ее обновление в 2025 году, компания Cornerstone, созданная в результате сотрудничества Watershed, Стэнфордского университета и ERG, взяла на себя ее обслуживание и выпустила издание 2024 года. Наша методика оценки выбросов от ИИ и региональный анализ используют ее для расчета выбросов энергосистем.

Ключевые выводы

Во всех наших исследованиях и аналитических материалах прослеживается одна закономерность: исходные данные для оценки выбросов от ИИ имеют такое же значение, как и сам метод. Использование одного и того же ИИ может давать оценки, отличающиеся в несколько раз, в зависимости от доступных данных, причем самые большие пробелы связаны с информацией, которой владеют только провайдеры ИИ.

Почему оценки выбросов от ИИ расходятся

• Более качественные данные меняют результат примерно в четыре раза. Для условной компании, тратящей 100 000 долларов в год на передовую модель ИИ, аналогичное использование привело к выбросам 13,4 т CO2e при оценке на основе расходов, от 3,7 до 5,4 т CO2e при расчете на основе объемов токенов и от 3,2 до 4,5 т CO2e на основе данных, предоставленных провайдерами. (Bistline et al., 2026)
• Лабораторные бенчмарки завышают реальное энергопотребление. Бенчмарки, которые тестируют модели по одному запросу за раз, без пакетной обработки и кэширования, используемых в производственных системах, могут завышать энергопотребление при выводе из (инференсе) в 4–20 раз. (Bistline et al., 2026, со ссылкой на Oviedo et al., Joule, 2026)
• Там, где провайдеры опубликовали данные, углеродный след ИИ оказался ниже. Google сообщает, что текстовый запрос в приложениях Gemini в среднем использует 0,24 ватт-часа, а энергопотребление на один запрос снизилось в 33 раза за год. (Bistline et al., 2026, со ссылкой на Elsworth et al., 2025)
• Обучение моделей — главная неизвестная величина. В данном тематическом исследовании на обучение моделей приходится от 32% до 56% общих выбросов. В зависимости от того, сколько токенов модель обслуживает за время своего жизненного цикла (цифру, которую не раскрывает ни один провайдер передовых моделей), эта доля может составлять от 5% до 83%. (Bistline et al., 2026)

Что формирует углеродный след ИИ

• Где выполняется запрос. При неизменном энергопотреблении запроса его выбросы в 34 раза выше в энергосистеме Западной Вирджинии, зависящей от угля, чем в энергосистеме Вермонта, зависящей от гидроэнергетики. (Bistline, 2026)
• Какая модель выполняет задачу. Модели с рассуждениями могут потреблять примерно в 30 раз больше энергии, чем меньшие модели для аналогичных запросов. (Bistline et al., 2026)
• Какая работа выполняется. Потребление электроэнергии на одну задачу различается более чем в 100 раз в зависимости от рабочих нагрузок — от короткого запроса в чате до задач на рассуждение и агентских задач, где один запрос может инициировать от 5 до 50 и более обращений к модели. (Bistline et al., 2026)
• Как обеспечиваются энергией центры обработки данных. Энергосистемы, в которых работают дата-центры США, в настоящее время выделяют в среднем около 307 граммов CO2e на кВт⋅ч, и этот показатель вырастет до 351 (почти на 15%), если будут реализованы запланированные проекты. Около 30% запланированной мощности дата-центров в США будут вырабатывать электроэнергию самостоятельно на месте, причем почти три четверти из них будут работать на природном газе. (Bistline, 2026; Bistline et al., 2026)

Что это означает для команд по устойчивому развитию

Сегодня ИИ составляет небольшую долю в углеродном следе большинства компаний, но эта доля растет. Создание базы данных и налаживание отношений с провайдерами сейчас позволяет сделать показатели обоснованными до того, как они станут существенными.

Вопросы, которые стоит задать вашим провайдерам ИИ

• В каких регионах обрабатываются наши запросы?
• Можете ли вы предоставлять данные о выбросах на миллион токенов как с привязкой к местоположению, так и на рыночной основе?
• Раскрываются ли данные о выбросах от обучения и как они распределяются по степени использования?
• Поступает ли часть электроэнергии от местных источников генерации, таких как природный газ, а не из общей энергосети?

С чего начать

• Проведите инвентаризацию использования ИИ по каналам. Перечислите каждого вендора и то, как ваша компания взаимодействует с ним: чат-ассистенты, инструменты программирования, прямой доступ к API, облачные платформы или функции ИИ внутри другого программного обеспечения.
• Оценивайте на том уровне, который поддерживают ваши данные. Используйте затраты в качестве отправной точки для всего и переходите к оценкам на основе токенов везде, где у вас есть журналы использования.
• Запросите у провайдеров более качественные данные, начиная с энергопотребления на токен и региона обслуживания.
• Учитывайте потребление электроэнергии наряду с выбросами. Отслеживание обоих показателей показывает, было ли достигнуто сокращение за счет более эффективного использования ИИ или за счет более экологичной электроэнергии.

Рычаги снижения выбросов от ИИ

• Сопоставляйте модель с задачей. Перенаправляйте простые запросы на меньшие модели и оставляйте самые крупные модели с рассуждениями для работы, которая в них нуждается. Это также снижает затраты.
• Выбирайте регионы с низким углеродным следом, если ваш провайдер позволяет выбирать место выполнения рабочих нагрузок.
• Пишите эффективные промпты. Убирайте ненужный контекст, сокращайте избыточные вызовы и избегайте агентских циклов, которые не приносят пользы.
• Отдавайте предпочтение провайдерам с надежными источниками экологически чистой электроэнергии и опубликованными данными об эффективности.

Об исследователях

Д-р Джон Бистлайн (Dr. John Bistline): руководитель отдела научных исследований в Watershed. Его исследования посвящены крупномасштабному моделированию энергетики, корпоративной декарбонизации, а также климатическому воздействию ИИ и росту центров обработки данных. Ранее он руководил исследованиями энергетических систем в EPRI, является научным сотрудником MIT и выступает в качестве автора-составителя Седьмого оценочного доклада МГЭИК (IPCC).

Шейна Улисси (Shaena Ulissi): климатолог и специалист по работе с данными в Watershed, занимается стандартизацией методологий учета парниковых газов и оценкой систем ИИ в оценке жизненного цикла. Ранее она в течение восьми лет занималась экологическим и климатическим консалтингом в Ramboll и имеет степень магистра в области физики атмосферы Массачусетского технологического института (MIT).

Д-р Джеймс Джойс (Dr. James Joyce): руководитель направления науки о долгосрочной устойчивости в Watershed, отвечает за корпоративные методологии расчета выбросов парниковых газов, углеродного следа цепочек поставок и продукции. Ранее он руководил отслеживанием корпоративных выбросов парниковых газов и научно обоснованными целевыми показателями в компании Unilever, а также имеет степень доктора наук в области стратегического экологического анализа Королевского технологического института KTH.

Д-р Алекс Смит (Dr. Alex Smith): руководит методологиями углеродного моделирования и ИИ-продуктами в Watershed. Ранее он возглавлял команды по финансовой науке о данных в Stripe и работал над системами машинного обучения и вывода в Всемирном банке и Salesforce. Он учился в Калифорнийском университете в Беркли.

Д-р Мо Ли (Dr. Mo Li): руководитель направления климатологии в Watershed, руководит системами экологического моделирования, базами данных выбросов цепочки поставок по Уровню 3 (CEDA) и проектами сотрудничества в области открытых данных (Cornerstone). Ранее она разрабатывала экологические структуры «затраты-выпуск» для Агентства по охране окружающей среды США (EPA) и имеет степень доктора наук в области управления природными ресурсами и науками о них Университета Миннесоты.

Д-р Стивен Дж. Дэвис (Dr. Steven J. Davis): профессор науки о системе Земли в Стэнфордском университете и директор Лаборатории устойчивых решений. Его исследования охватывают глобальные энергетические сценарии, переходы к нулевым выбросам, встроенный углерод в торговле и корпоративную климатическую стратегию.

Д-р Сангвон Су (Dr. Sangwon Suh): профессор Школы окружающей среды Университета Цинхуа и научный советник Watershed, где ранее он занимал должность руководителя научного направления. Он имеет более чем двадцатилетний опыт работы в области оценки жизненного цикла и учета парниковых газов, включая роли координирующего ведущего автора МГЭИК и члена рабочей группы Протокола по парниковым газам.

Будьте в курсе событий

Электронная почта*

Отправляя эту форму, вы соглашаетесь с политикой конфиденциальности Watershed и даете согласие на получение маркетинговых сообщений от Watershed.