В 1865 году английский философ и экономист Уильям Стэнли Джевонс опубликовал работу «Угольный вопрос». В ней он отметил, что после появления парового двигателя Джеймса Уатта, который был значительно эффективнее машины Томаса Ньюкомена, потребление угля в Англии резко возросло. Хотя макроэкономисты предполагали, что повышенная экономичность нового двигателя приведёт к снижению потребления угля, произошло обратное. Изобретение Уатта сделало уголь более выгодным источником энергии, что способствовало активному внедрению паровых машин в промышленности. В результате общее потребление угля увеличилось, несмотря на снижение его расхода на одну машину.

На основании этого наблюдения Джевонс утверждал, что повышение эффективности использования топлива, вопреки ожиданиям, ведёт к росту его общего потребления: «Ошибочно думать, что экономичное использование топлива означает снижение его потребления. Верно как раз обратное». Этот эффект получил название парадокса Джевонса. Позже, данное поведение наблюдали в различных экономических ситуациях, что показывает его достаточно универсальный характер.

Пример парадокса Джевонса в ИТ - закон Энди и Билла (закон Мэя)

Ситуации в ИТ-отрасли, которые объясняются парадоксом Джевонса, встречаются достаточно часто. Наиболее ярким примером парадокса Джевонса является парадокс стремительного прогресса вычислительных устройств и роста "неэффективности" программного обеспечения. Например, Apollo Guidance Computer, бортовой компьютер, разработанный для навигации и управления полётом на Луну, имел оперативную память 2кБ, которые было достаточно для проведения всех необходимых расчетов и управления, а сейчас простое приложение "Hello, World!" на Electron будет "весить" 100Мб, несмотря на экспоненциальный рост вычислительных ресурсов и эффективности технологий проектирования и разработки программного обеспечения.

Удешевление и ускорение вычислительных ресурсов, доступных для разработчиков программного обеспечения, не привели к быстрым и эффективным программам. Роль сыграл один из вариантов парадокса Джевонса - "закон Энди и Билла", иногда называемый "Великим компенсатором закона Мура" (The Great Moore's Law Compensator), который гласит, что новое программное обеспечение, как правило, будет потреблять все увеличение вычислительной мощности, которое предоставляет новое "железо".

Закон берет начало из шутливой фразы, распространённой на ИТ-конференциях 1990-х годов: "Что даёт Энди, то отнимает Билл" (What Andy giveth, Bill taketh away). Она намекает на бизнес-стратегии бывших генеральных директоров Intel (Энди Гроув) и Microsoft (Билл Гейтс). В 1980-х и 1990-х годах компании Intel и Microsoft создали прибыльный союз: чипы Intel стали стандартом для ПК с Windows, породив термин "Wintel". Однако Гроув считал, что Гейтс намеренно не оптимизирует свои программы для максимальной загрузки оборудования. Все это приводило к постоянной гонке требований к мощности вычислительных ресурсов. Удешевление процессоров и памяти приводило к тому, что существующее программное обеспечение "раздувалось". Также увеличивалось разнообразие применений программного обеспечения, создаваемых различными компаниями, т.е. происходил не только его качественный, но и количественный рост.

Разочарование Гроува стало достоянием общественности, породив популярную фразу, которая впоследствии трансформировалась в полуэмпиричкский "закон". Данное наблюдение также известно как закон Дэвида Мея (David May): "Эффективность программного обеспечения уменьшается вдвое каждые 18 месяцев, что компенсирует закон Мура".

DeepSeek и парадокс Джевонса

Все мы наблюдаем, как развитие искусственного интеллекта в последние годы сильно повлияло на рынок видеокарт. Компании, которые разрабатывают нейросети, массово скупают самые мощные модели, из-за чего их становится меньше, а цены растут. Особенно это заметно с картами вроде NVIDIA H100 или RTX 4090, которые изначально предназначены для профессионалов и геймеров, но теперь активно используются для ИИ. Из-за такого спроса обычным пользователям становится сложнее купить мощные видеокарты, а если они и есть в продаже, то по завышенной цене. Некоторые модели в несколько раз дороже своей официальной стоимости. В результате геймеры и энтузиасты столкнулись с дефицитом и завышенными ценами.

Однако появление более эффективных ИИ-моделей, таких как DeepSeek, способных работать при меньших затратах вычислительных ресурсов, казалось бы, даёт некоторую надежду на снижение спроса на видеокарты в будущем. Если разработчикам удастся создать оптимизированные модели, требующие меньше оборудования, это может привести к падению цен на GPU и улучшению их доступности для обычных пользователей. Не так ли?

Однако, если парадокс Джевонса нас чему-то и учит, то ситуация будет скорее обратной. Удешевление создания и обучения моделей АИ приведет не к снижению потребности к вычислительным ресурсам, а, наоборот, к ее увеличению. Снижение стоимости вычислений приведет к увеличению их применений и увеличению числа программистов, работающих с ними, зачастую с не самым высоким уровнем инженерного понимания. Работа таких программистов будет требовать создания определенного уровня абстракций на уровне промежуточного программного обеспечения, что в свою очередь повысит нагрузку на CPU и GPU.

Таким образом, парадокс Джевонса говорит нам о том, что доступность видеокарт, даже с учетом появления специализированного железа TPU, для простых геймеров и потребителей среднего уровня, так и останется очень низкой из-за ненасытного спроса корпоративных потребителей.