ИИ жрёт энергию хаотично. Сети не готовы.

Искусственный интеллект пожирает энергию. Но проблема не только в этом.

Стремительное расширение инфраструктуры ИИ обычно подают как энергетическую проблему. Прогнозируется, что дата-центры будут потреблять всё большую долю мирового электричества. Международное энергетическое агентство оценивает: к концу десятилетия на них придётся от трёх до четырёх процентов глобального потребления.

Энергокомпании уже корректируют долгосрочные прогнозы, готовясь к росту от гипермасштабных объектов и высокоплотных вычислительных кластеров.

Такой взгляд улавливает масштаб. Но он упускает из виду поведение. Проблема не только в том, сколько энергии жрут огромные вычислительные системы. Дело в том, как всё более плотные и синхронизированные вычислительные нагрузки начинают менять саму работу электросети. Из-за непредсказуемого спроса, который резко меняется и во времени, и в пространстве, у операторов сетей возникают новые сложности.

Капризные аппетиты ИИ

Традиционное планирование сетей исходит из относительно предсказуемого поведения потребителей. Промышленные, коммерческие и жилые нагрузки обычно следуют устоявшимся профилям, которые можно спрогнозировать с приемлемой точностью. Даже существенный рост спроса исторически удавалось компенсировать резервами, модернизацией линий передач и программами управления потреблением.

Крупные вычислительные инфраструктуры вводят новый класс электрических нагрузок. Обучение моделей — та самая вычислительная задача, которая делает ИИ умным, — обычно сильно синхронизировано: кластеры GPU, TPU и специализированных ускорителей работают параллельно, плотно и по расписанию. А вот инференс — процесс непосредственного использования этих моделей — распределён и управляется пользователями, что делает спрос куда менее предсказуемым и по времени, и по месту.

Оба типа нагрузок, хоть и по разным причинам, серьёзно отличаются от традиционных промышленных профилей.

В отличие от многих обычных производственных процессов, эти нагрузки могут взлетать мгновенно — в зависимости от циклов обучения, координации распределённых вычислений и стратегий планирования задач. Для сети это не просто повышенный спрос. Это резкий спрос. Высокоплотные вычислительные нагрузки способны вызывать значительные скачки потребления электроэнергии за сверхкороткие интервалы, включая флуктуации в миллисекундном диапазоне.

Операторы дата-центров уже внедряют смягчающие технологии: батареи, системы коррекции мощности, суперконденсаторы. Но в совокупности быстрые изменения нагрузки от ЦОДов создают дополнительное напряжение на резервные генераторы, системы регулировки подачи энергии под спрос, механизмы контроля частоты (которые держат стабильность сети) и местную передающую инфраструктуру.

Важно понимать: изменчивость, связанная с вычислениями, отличается от непостоянства возобновляемых источников энергии. Колебания ветра и солнца возникают на стороне генерации и привязаны к погоде. А вычислительная изменчивость рождается на стороне спроса — из-за синхронизации задач, планирования и вычислительной интенсивности.

Взаимодействие всё более динамичных условий и спроса, и предложения вносит дополнительную неопределённость в прогнозирование, управление резервами, планирование загрузки линий и балансировку сети. Исследовательские организации, вроде Национальной лаборатории возобновляемой энергии (NREL), уже подчёркивают растущую сложность интеграции высокодинамичных ресурсов в современные энергосистемы.

Место, место, место

Проблема становится острее, когда вычислительная активность географически сконцентрирована. Крупные дата-центры обычно жмутся в регионах с выгодными условиями: оптоволоконная связь, доступ к рынкам, налоговые льготы и исторически низкие цены на электричество. Северная Виргиния, которую часто называют «Аллеей дата-центров», — самый яркий пример. В регионе находится крупнейшая в мире концентрация ЦОДов, через него проходит значительная доля мирового интернет-трафика.

Энергокомпании, работающие в этих местах, уже назвали рост дата-центров главным драйвером будущего расширения нагрузок. Виргинский поставщик электроэнергии Dominion Energy, к примеру, неоднократно упоминал гипермасштабный рост спроса в своих документах по комплексному планированию ресурсов. Виргиния пережила один из крупнейших в мире бумов строительства дата-центров. Здесь, в Манассасе, ландшафт определяют центры обработки данных Amazon Web Services и Iron Mountain.

Внезапный скачок потребления электроэнергии на небольшой территории способен перегрузить подстанции, линии электропередачи и местные балансирующие системы. И это при том, что в целом по энергосети запасов мощности может быть достаточно. Так возникают локальные проблемы с надежностью, которые не всегда видны за общими цифрами спроса.

Ситуацию усугубляют системы терморегуляции. Охлаждение в центрах обработки данных высокой плотности должно мгновенно реагировать на изменения рабочих нагрузок. Растет интенсивность вычислений — растет и потребность в охлаждении, причем часто нелинейно. Эта связь между вычислительными и тепловыми системами приводит к тому, что колебания нагрузки распространяются сразу на несколько уровней энергопотребления объекта.

Кластеры высокой плотности создают и другие проблемы на местном уровне. Большое количество ускорителей, импульсных блоков питания и высокочастотного оборудования генерируют гармоники и нелинейные нагрузки. Это дополнительно нагружает распределительную инфраструктуру. Современные дата-центры, конечно, оснащены системами подавления помех. Но масштаб и концентрация оборудования нового поколения могут заставить операторов и энергетиков пересмотреть подходы к локальной фильтрации, управлению гармониками и устойчивости инфраструктуры.

Кстати, эти же факторы вызывают кратковременные электрические переходные процессы. Они тоже бьют по местным сетям и системам электропитания.

Нужны новые правила

Проблема еще и в том, что многие существующие нормативные и операционные рамки создавались под относительно стабильный промышленный спрос. Раньше большие и резко меняющиеся нагрузки старались ограничивать. Почему? Резкие перепады усложняют балансировку, повышают износ оборудования и снижают предсказуемость работы системы. Высокоплотные вычислительные кластеры в эти рамки не вписываются.

Отсюда давление — нужно менять и операционные подходы, и нормативку. Механизмы управления спросом могут позволить переносить или сокращать часть вычислительных нагрузок в периоды пиков. Операторы дата-центров уже экспериментируют с гибким планированием, аккумуляторами и собственной генерацией. А сетевые операторы пересматривают планы развития и правила подключения для таких крупных и гибких потребителей.

Совет по надежности электроснабжения Техаса (ERCOT), например, публично признал: крупные гибкие нагрузки, включая дата-центры, все сильнее влияют на долгосрочное планирование и стабильность сети. Очереди на подключение по всей территории США продолжают расти — это прямое отражение давления на генерацию и передачу электроэнергии.

Но вот в чем загвоздка. Сроки расширения сетей измеряются годами, а не кварталами. Возникает структурный дисбаланс. Вычислительная инфраструктура масштабируется быстро. Электрическая — нет.

Главный вывод: крупные вычислительные центры — это не просто еще одна категория промышленных потребителей. Они меняют саму структуру спроса на электроэнергию во времени и пространстве. Сводить все к общему объему потребления — значит упускать из виду эти вторичные операционные эффекты. Простое наращивание мощностей не решает проблем с резкими скачками нагрузки, синхронизацией, локальными перегрузками, переходными процессами, сжатием резервов и все более жесткими требованиями к отслеживанию нагрузки.

Вопрос не только в том, сколько энергии потребляют эти системы. Вопрос в том, как они меняют условия работы самой сети. Речь не о том, чтобы тормозить развитие ИИ. Речь о признании: гипермасштабные вычисления — это новый тип электрической нагрузки. И по мере масштабирования ИИ-инфраструктуры планы развития должны учитывать не только общее энергопотребление, но и волатильность спроса, эффекты синхронизации и географическую концентрацию. Устойчивость сети все больше будет зависеть от понимания того, как именно эти объекты потребляют энергию, а не просто сколько.