Капитальные затраты на ИИ-ЦОДы могут составить $5,2 трлн к 2030 году

Такие данные опубликованы в исследовании McKinsey The cost of compute: A $7 trillion race to scale data centers.

Указанные инвестиции в ИИ-ЦОДы распределятся примерно следующим образом:

В своей оценке аналитики рассматривали базовый сценарий развития ИИ-отрасли в период с 2025 по 2030 годы, предполагающий стабильный рост. Однако реальная цифра может быть намного выше или ниже в зависимости от различных факторов, но в любом случае речь идет о триллионах. В частности, McKinsey рассматривает  повышенный спрос (позитивный сценарий) и ограниченный спрос (негативный сценарий). В рамках негативного сценария к 2030 году может быть введено в строй 78 ГВт новых мощностей, что потребует $3,7 трлн новых инвестиций. По позитивному сценарию прирост новых мощностей составит 205 ГВт, а инвестиции — $7,9 трлн. 

Цифры огромны, и ставки, как предупреждают аналитики, высоки. Чрезмерные инвестиции в инфраструктуру ЦОДов рискуют заморозить активы, в то время как недостаточные инвестиции означают отставание. Чтобы решить, сколько инвестировать в вычислительные мощности, компании должны сначала точно спрогнозировать будущий спрос — сложная задача, особенно если учитывать, что сектор ИИ меняется чрезвычайно быстро. По данным McKinsey, глобальный спрос на мощности дата-центров к 2030 году может почти утроиться, причем около 70% этого спроса будет приходиться на рабочие нагрузки ИИ. 

Развитие отрасли по тому или иному сценарию зависит от ряда факторов, в том числе от массовости внедрения генеративного ИИ, интеграции ИИ в бизнес, развития конкуренции между компаниями и геополитики.

В McKinsey отмечают, что ИИ — это стремительно развивающаяся область. Однако есть «критические неопределенности», которые пока невозможно оценить количественно. В частности, аналитики обращают внимание на тот факт, что реальная ценность ИИ заключается в том влиянии, которое он может оказать на бизнес. Если компании не смогут создать значимую ценность для бизнеса на основе ИИ, то спрос на вычислительные мощности может не оправдать ожиданий. И наоборот, рабочие ИИ-приложения, оказывающее реальное влияние на бизнес, могут спровоцировать больший спрос, чем предполагают текущие прогнозы.

Кроме того, постоянное развитие всех связанных с ИИ технологий может значительно повысить эффективность. Например, в феврале 2025 года китайская DeepSeek сообщила, что эффективность ее модели V3 существенно выросла, в результате чего затраты на обучение  сокращены почти в 18 раз, а на инференс — примерно в 36 раз по сравнению с GPT-4о. Однако, предупреждают аналитики, такое повышение эффективности, вероятно, будет компенсировано увеличением количества  экспериментов и широтой обучения. В результате повышение эффективности может не оказать существенного влияния на общий спрос на вычислительную мощность в долгосрочной перспективе.

Чтобы достичь правильного баланса между ростом и эффективностью капиталовложений, инвесторам необходимо понимать прогнозы спроса в условиях неопределенности. Компании должны заранее оценивать потребности в вычислениях ИИ, предвидеть потенциальные изменения спроса и разрабатывать масштабируемые инвестиционные стратегии, которые могут адаптироваться по мере развития моделей и вариантов использования ИИ. 

Кроме того, инвесторы должны найти способы внедрения инноваций в области эффективности вычислений, например, отдавая приоритет инвестициям в экономичные и энергоэффективные вычислительные технологии. 

Наконец, инвесторам стоит обратить внимание на возможности поддержания роста ИИ-инфраструктуры без чрезмерного увеличения капитала, обеспечивая критически важные ресурсы (энергию и чипы), оптимизируя выбор площадок и повышая гибкость цепочек поставок.

«Стратегическое инвестирование — это не просто вложения в масштабирование инфраструктуры данных, это формирование будущего самого ИИ», — заключают в McKinsey.

Заметили неточность или опечатку в тексте? Выделите её мышкой и нажмите: Ctrl + Enter. Спасибо!