Бывший сотрудник Google DeepMind и исследователь в области машинного обучения Ярослав Булатов (Yaroslav Bulatov) заявил, что основным фактором энергопотребления графических процессоров (GPU) является физическое перемещение данных, а не сами вычисления. По его словам, это связано с тем, что провода не могут уменьшаться так же быстро, как транзисторы.
Вопрос энергоэффективности GPU становится критически важным по мере роста масштабов моделей искусственного интеллекта. Ярослав Булатов, ранее работавший в Google DeepMind и Meta, опубликовал тезис, который ставит под сомнение традиционное представление о том, что вычислительные операции являются основным потребителем энергии в современных чипах.
По словам Булатова, ключевая проблема заключается в физических ограничениях: в то время как размеры транзисторов продолжают сокращаться, позволяя размещать на кристалле всё больше логических элементов, провода, по которым передаются данные, не могут уменьшаться с той же скоростью. Это приводит к тому, что значительная часть энергии расходуется не на сами вычисления, а на перемещение информации между различными частями чипа. «Энергопотребление GPU в основном определяется движением данных, а не вычислениями», — отметил исследователь в своём посте.
Тезис Булатова перекликается с более ранними обсуждениями в научном сообществе, где подчёркивалась роль межсоединений в энергетической эффективности чипов. В частности, глава отдела ИИ Meta Ян Лекун (Yann LeCun) ранее комментировал, что оптимизация архитектуры памяти и маршрутизации данных может дать больший эффект, чем дальнейшее уменьшение размеров транзисторов.
Если гипотеза Булатова подтвердится, это может повлиять на направление разработки будущих чипов для ИИ. Вместо фокусировки исключительно на увеличении вычислительной мощности производители могут уделить больше внимания оптимизации физической инфраструктуры передачи данных, включая новые материалы и топологии межсоединений.
Источники: X-пост Ярослава Булатова (Yaroslav Bulatov), 27 июня 2026 года; публикация на платформе Digg.