Сколько электричества сжёг твой вайбкодинг? Решил посчитать, во сколько наша мания обходится в реальном мире, причём не в долларах, а в киловатт-часах. Цифры в счётчике токенов давно лишь просто FOMO. Сразу обломался, поскольку ни Anthropic, ни OpenAI, ни другие лаборатории не раскрывают, сколько энергии уходит на запрос. Google назвал 0,24 Вт·ч на средний промпт в Gemini, Альтман одной фразой в блоге написал про 0,34 Вт·ч на запрос в ChatGPT, и на этом всё. По Claude есть только оценки энтузиастов, самая подробная — у Саймона Коуча: он пересчитал данные Epoch AI через цены Anthropic. Миллион токенов, которые модель пишет сама, тянет примерно на 2 кВт·ч. (сам Коуч честно называет это математикой на салфетке) Но в Claude Code модель больше читает, чем пишет: перед каждым шагом заново листает проект, инструкции и всю переписку. Перечитывание в 50 раз дешевле, так что в среднем выходит около 70 Вт·ч на миллион, получаем: 🔹 1 млн ≈ 0,07 кВт·ч = один чайник 🔹 10 млн ≈ 0,7 кВт·ч — одна стирка 🔹 100 млн ≈ 7 кВт·ч — сутки жизни обычной квартиры в Москве 🔹 1 млрд ≈ 70 кВт·ч — из Москвы в Нижний на электромобиле 🔹 10 млрд ≈ 700 кВт·ч — столько энергии человек съедает за 10 месяцев У меня на счётчике 32 миллиарда токенов, то есть за 4 месяца я наел на все 30. Явно не на дефиците калорий сижу. Правда, если попросить Клода перепроверить по логам, то выйдет 12,9 миллиарда: панель завышает в два с половиной раза, потому что считает одно сообщение по несколько раз. Экоактивистом я от этого точно не стану и кэш чистить не побегу, но теперь представляю, как катаюсь на электромобиле до Нижнего. Делитесь своими результатами и рекордами по токенам в комментариях. Скриньте статистику из Claude и кидайте туда же: посмотрим, кто в канале главная ТЭЦ. Константин Сухачев

Один чайник - это 330 ответов ChatGPT Короче, я полез разбираться, сколько воды и электричества уходит на один запрос в нейронку. Потому что «AI потребляет огромное количество ресурсов» звучит страшно, но хочется понять че там реально? Начнем с электричества. Epoch AI посчитали, что обычный запрос к GPT-4o с ответом примерно на 500 токенов требует около 0,3 Вт·ч. У Google есть замеры на инфраструктуре Gemini: 0,24 Вт·ч для медианного текстового запроса по их методике в мае 2025 года. Если вы не сильно шарите в инженерии, то помогут бытовые сравнения. Если взять 0,3 Вт·ч на ответ, получаются: 💡 Лампочка 10 Вт горит час примерно 33 ответа нейронки. 💻 Ноутбук потребляет 50 Вт в течение часа - примерно 167 ответов. 🫖 Чайник мощностью 2 кВт работает 3 минуты - примерно 330 ответов. Пока греете воду для чая, нейронка могла бы несколько сотен раз помочь вам переписать сообщение коллеге😁 Правда, с долгими рассуждениями все иначе. В исследовании 2026 года одна и та же модель Qwen 3 32B в сценарии решения задач с рассуждением тратила на ответ примерно в 23 раза больше энергии, чем в обычном диалоге: ответы были длиннее, настройки обработки тоже отличались. Поэтому переносить «0,3 Вт·ч на запрос» на агента, который час копается в вашем проекте, нельзя. А что с водой? У Google 0,26 мл на текстовый запрос, примерно пять капель. Но учитывается только охлаждение дата-центра. Вода на производство электричества сюда не входит. Методика. У Mistral - 45 мл на ответ в 400 токенов, при более широком учете воздействия, включая производство оборудования. Поэтому напрямую сравнивать эти цифры нельзя. Если взять оценку Mistral: 💧 100 ответов - 4,5 литра воды. 🚿 Пять минут душа при расходе 7,6 литра в минуту 38 литров. По объему - это примерно как 840 ответов Mistral. Но тут есть нюанс: вода из душа уходит в канализацию и может вернуться после очистки. В водном следе AI считают в том числе испарение. Это сравнение объемов, а не одинакового ущерба природе. Что с этим делать? Я бы спокойно пользовался нейронкой для полезных задач. Для «сократи абзац» выбирал простой режим. А долгое рассуждение включал там, где оно действительно помогает. P.S. и тут нифига не учтены расходы на обучение моделей

Тесты DLSS 5 выявили ограничения разъема 12V-2x6 на RTX 5090 Издание Tom's Hardware протестировало утекшую нейросетевую модель DLSS 5, запущенную на флагманских видеокартах через модификацию OptiScaler. Результаты показали, что работа нейросетевого рендеринга на тензорных ядрах создает экстремальную нагрузку, из-за которой стандартный разъем питания 12V-2x6 ограничивает производительность флагмана. При активации DLSS 5 падение кадровой частоты на GeForce RTX 5090 Founders Edition составляет от 39% до 49% в зависимости от игры. Карта быстро упирается в лимит мощности в 575 Вт, предусмотренный одним кабелем 12V-2x6. В то же время видеокарта MSI RTX 5090 Lightning Z с двумя разъемами питания увеличивает энергопотребление с 580 Вт до 802 Вт при включении DLSS 5, что обеспечивает до 20% более высокий средний FPS и меньшую просадку редких кадров.

AMD изменит подход к управлению частотами в архитектуре Zen 6 Разработчик утилиты HYDRA (1usmus) раскрыл подробности о механизмах управления питанием в архитектуре Zen 6. Новые технологии направлены не на увеличение пиковых частот, а на их эффективное удержание. Процессор сможет отдавать приоритет активным задачам, урезая ресурсы фоновым процессам при достижении лимитов TDP. Для реализации этого подхода AMD планирует задействовать несколько новых механизмов: ● CPPC Performance Priority и FloorPerf: позволяют операционной системе задавать минимальный порог частоты для критически важных ядер. ● Per-core EPP Boost: мгновенно возвращает конкретное активное ядро на максимальную частоту после коротких пауз без перевода всего процессора в режим максимального энергопотребления. ● PQOS Global Bandwidth Enforcement: ограничивает пропускную способность оперативной памяти DRAM для фоновых потоков. Главной целью изменений станет борьба с микрозадержками и просадками кадров (1% low) в играх. При этом AMD пока официально не подтвердила использование этих функций в потребительской линейке Ryzen.

Исследование: ИИ-агенты потребляют в 136 раз больше энергии, чем чат-боты Агентный искусственный интеллект может многократно увеличить энергопотребление дата-центров и создать серьёзную нагрузку на мировую энергосистему, предупреждают исследователи Корейского института передовых наук и технологий (KAIST). Один сложный запрос к ИИ-агенту потребляет в среднем 348 Вт·ч — до 136 раз больше, чем у обычного чат-бота, и выполняется в 154 раза дольше. Причина — в автономности: агенты самостоятельно ищут информацию, обращаются к внешним сервисам и координируют несколько действий без участия человека, а значительная часть энергии тратится впустую. https://hightech.plus/2026/07/06/issledovanie-ii-agenti-potreblyayut-v-136-raz-bolshe-energii-chem-chat-boti