Centra danych AI wystawiają amerykańską sieć elektroenergetyczną na próbę
Google News uwidoczniło wyraźny konflikt: centra danych mogą zużywać 11,8% energii elektrycznej w USA do 2030 roku, lecz krajowa sieć nie załamuje się równomiernie. Nowe badania federalne wskazują raczej na bardziej złożony problem. Popyt na energię elektryczną szybko rośnie, ale największe ryzyka koncentrują się wokół konkretnych miast, obszarów działania przedsiębiorstw energetycznych i systemów przesyłowych.
Kluczowe pytanie brzmi, czy centra danych AI przeciążą sieć elektroenergetyczną. Dostępne dowody nie uzasadniają prostego twierdzenia w skali całego kraju. Pokazują sieć wkraczającą na nieznane terytorium po niemal dwóch dekadach powolnego wzrostu popytu. Niektóre regiony mogą przyjąć większe obciążenie obliczeniowe, podczas gdy inne mierzą się z wyższymi cenami, opóźnionymi przyłączeniami i mniejszymi marginesami niezawodności.
To rozróżnienie ma znaczenie dla Google, Microsoft, Amazon, Meta oraz firm budujących duże kampusy obliczeniowe AI. Wyścig o chipy stał się wyścigiem o niezawodną energię elektryczną. Umowy Google dotyczące zasilania centrów danych obejmują obecnie zarówno zakup nowej energii, jak i tymczasowe ograniczanie obciążeń. Wyłaniająca się rywalizacja nie dotyczy już wyłącznie firm AI walczących między sobą. Chodzi o tempo ich zapowiadanej ekspansji kontra wolniejsze, fizyczne tempo budowy generatorów, stacji elektroenergetycznych, transformatorów i linii przesyłowych.
Google News wskazuje na znacznie większe obciążenie w 2030 roku
Najnowszy szacunek federalny czyni z centrów danych znaczącego krajowego odbiorcę energii elektrycznej, ale nadal jest to prognoza, a nie potwierdzone obciążenie.
Lawrence Berkeley National Laboratory opublikowało w czerwcu 2026 roku zaktualizowaną analizę zużycia energii przez amerykańskie centra danych. W scenariuszu referencyjnym przewiduje, że centra danych zużyją 649 terawatogodzin energii elektrycznej w 2030 roku. Odpowiada to 11,8% prognozowanego zużycia energii elektrycznej w USA.
Terawatogodzina mierzy miliard kilowatogodzin energii. Obejmuje zużycie w czasie, w przeciwieństwie do gigawata, który opisuje tempo wykorzystania energii elektrycznej w konkretnym momencie. Obie miary mają znaczenie, ponieważ przedsiębiorstwa energetyczne muszą zapewnić wystarczającą ilość energii w skali roku oraz wystarczającą moc chwilową.
Laboratorium nie przedstawia 11,8% jako gwarantowanego wyniku. Jego prognoza dla centrów danych obejmuje zakres od 521 do 843 terawatogodzin w 2030 roku. Odpowiada to w przybliżeniu 9,5% do 15,3% całkowitego zużycia energii elektrycznej w USA.
Scenariusz referencyjny wykorzystuje model oddolny. Badacze szacują przyszłe instalacje sprzętu, zużycie energii na urządzenie, wymagania dotyczące chłodzenia, typy obiektów i rozmieszczenie geograficzne. Metoda łączy prognozowane dostawy sprzętu z energią potrzebną tym maszynom i wspierającym je systemom.
Wyspecjalizowane procesory graficzne są kluczowym źródłem niepewności. Jeden scenariusz wrażliwości zwiększa prognozowaną liczbę instalacji tych procesorów i podnosi zużycie w 2030 roku do 664 terawatogodzin. Inny zakłada wyższy pobór energii w stanie bezczynności i większe wykorzystanie serwerów, co daje szacunek na poziomie 782 terawatogodzin.
Ta różnica jest istotna. Serwer AI może pobierać znaczną ilość energii elektrycznej nawet wtedy, gdy jego procesory nie wykonują użytecznej pracy. Wykorzystanie zasobów, projekt modelu, efektywność chipów, wydajność chłodzenia i harmonogramy wycofywania sprzętu wpływają na końcowy popyt.
Zaktualizowana prognoza jest także znacząco wyższa od obecnego zużycia. Poprzednie badanie krajowe szacowało, że centra danych zużyły około 176 terawatogodzin w 2023 roku. Stanowiło to około 4,4% zużycia energii elektrycznej w USA.
Nowy scenariusz referencyjny sugeruje więc, że zużycie energii elektrycznej przez centra danych wzrośnie ponad trzykrotnie między 2023 a 2030 rokiem. Nie oznacza to, że każdy obiekt potroi swoje zużycie. Wzrost obejmuje nowe budynki, gęściej rozmieszczony sprzęt obliczeniowy oraz rosnący udział serwerów zaprojektowanych do obsługi zadań AI.
AI nie jest jedyną działalnością prowadzoną w centrum danych. Obiekty te obsługują również przechowywanie danych w chmurze, streaming, aplikacje biznesowe, handel internetowy, komunikację i tradycyjne przetwarzanie danych. Prognozy nie mogą jednoznacznie przypisać każdej kilowatogodziny generatywnej AI.
Scenariusze pokazują jednak, że sprzęt AI jest decydującym źródłem wzrostu. Akceleratory zaprojektowane do trenowania modeli i inferencji mieszczą więcej mocy obliczeniowej w każdej szafie rack. Inferencja oznacza uruchamianie już wytrenowanego modelu w celu odpowiadania na zapytania lub generowania treści. Może stać się stałym obciążeniem, gdy produkty AI zyskują użytkowników.
Dlatego wyszukiwania dotyczące wpływu Google AI na sieć prowadzą dziś do szerszego pytania o infrastrukturę. Google jest tylko jednym operatorem, ale jego strategia energetyczna ilustruje presję, przed którą stoi każdy hyperscaler. Hyperscaler obsługuje bardzo duże sieci obliczeniowe, które mogą rozwijać się w wielu regionach.
Relacje Google News często sprowadzają te prognozy do jednego krajowego odsetka. Bazowe badanie jest bardziej użyteczne, ponieważ uwzględnia niepewność. Wyzwanie dla sieci zależy od tego, który scenariusz się zmaterializuje, gdzie powstaną obiekty i jak szybko pojawią się nowe źródła energii.
Szacunek 11,8% należy więc traktować jako sygnał do planowania. Informuje przedsiębiorstwa energetyczne, że dawne założenie niemal płaskiego popytu na energię elektryczną nie jest już bezpieczne. Nie dowodzi, że Stany Zjednoczone utracą zdolność dostarczania 11,8% swojej energii elektrycznej do centrów danych.
Krajowa sieć nie jest jedną siecią
Centra danych AI tworzą najpoważniejsze problemy lokalnie, ponieważ kampusy obliczeniowe skupiają się szybciej, niż może rozbudowywać się infrastruktura przesyłowa.
Stany Zjednoczone dysponują zbiorem regionalnych sieci, przedsiębiorstw energetycznych i rynków energii elektrycznej. Różnią się one miksami wytwórczymi, procesami planowania, ryzykiem pogodowym i dostępną przepustowością przesyłową. Łączna wartość możliwa do opanowania w skali kraju może mimo to stworzyć poważne wąskie gardło na obszarze działania jednego przedsiębiorstwa energetycznego.
Międzynarodowa Agencja Energetyczna szacuje, że niemal połowa amerykańskiej mocy centrów danych znajduje się w pięciu regionalnych klastrach. Połowa obiektów będących obecnie w trakcie rozwoju również jest zlokalizowana w ugruntowanych klastrach. Ta koncentracja zwiększa ryzyko, że nowy popyt trafi do tych samych stacji elektroenergetycznych i korytarzy przesyłowych.
Północna Wirginia stanowi najczytelniejszy przykład. Koncentracja obiektów chmurowych wzrosła tam wokół połączeń światłowodowych, odpowiednich gruntów, klientów biznesowych i polityki podatkowej. Ta cyfrowa przewaga stała się wyzwaniem dla planowania energetycznego, gdy proponowane kampusy rosły pod względem wielkości i zapotrzebowania na energię.
Teksas mierzy się z inną wersją tej samej presji. Dysponuje obfitymi zasobami energii i stosunkowo szybkim tempem rozwoju, co przyciąga centra danych i innych dużych odbiorców. Jednak ogromne wnioski o przyłączenie nie oznaczają działających obiektów. Wiele propozycji się pokrywa, zmienia harmonogramy lub nigdy nie zapewnia finansowania.
To rozróżnienie pozwala uniknąć częstego błędu analitycznego. Kolejka przyłączeń do sieci jest potokiem wniosków, a nie wiarygodną prognozą ukończonych projektów. Deweloperzy mogą składać spekulacyjne wnioski, zanim mają klientów, sprzęt, zgody na wykorzystanie gruntu lub ostateczne plany budowy.
Przedsiębiorstwa energetyczne nadal nie mogą ignorować tych wniosków. Muszą zdecydować, które stacje, linie i elektrownie mogą być potrzebne z wieloletnim wyprzedzeniem. Jeśli zbudują infrastrukturę dla projektów, które znikają, inni klienci mogą ponieść niepotrzebne koszty. Jeśli będą czekać zbyt długo, realne projekty napotkają niedobory lub długie opóźnienia.
Najnowsze federalne dane dotyczące sieci pokazują, gdzie presja w krótkim terminie jest najsilniejsza. U.S. Energy Information Administration oczekuje, że obciążenie elektroenergetyczne będzie rosło najszybciej w regionach Electric Reliability Council of Texas i PJM Interconnection do 2027 roku.
ERCOT zarządza większością teksańskiej sieci. PJM koordynuje dostawy energii elektrycznej we wszystkich lub części 13 stanów oraz w Waszyngtonie, D.C. Oba regiony obejmują znaczny rozwój centrów danych, choć ich struktury rynkowe i miksy zasobów różnią się.
Bazowa prognoza EIA z lutego 2026 roku przewidywała wzrost krajowego obciążenia elektroenergetycznego o 1,9% w 2026 roku i o 2,5% w 2027 roku. Zakładała, że roczny wzrost obciążenia będzie wynosić średnio około 10% w ERCOT i 3% w PJM między 2025 a 2027 rokiem.
Te regionalne liczby pokazują, dlaczego krajowy odsetek może wprowadzać w błąd. Centrum danych pobierające energię w Teksasie nie przeciąża bezpośrednio linii przesyłowej w Wirginii. Niezawodność zależy od lokalnej generacji, możliwości dostarczenia energii, pogody i momentu wystąpienia szczytowego popytu.
Zużycie energii elektrycznej zmieniło również kierunek w skali kraju. EIA stwierdziła, że obciążenie w USA rosło o około 1,7% rocznie między 2020 a 2025 rokiem. Porównywalne tempo od 2005 do 2019 roku wynosiło zaledwie 0,1%.
Wiele planów inwestycyjnych przedsiębiorstw energetycznych powstało w okresie niskiego wzrostu. Centra danych, produkcja przemysłowa, elektryfikacja i wzrost liczby ludności podważają teraz te założenia jednocześnie. AI jest ważnym czynnikiem, ale nie jedynym nowym odbiorcą energii z sieci.
Kampus AI może też działać inaczej niż gospodarstwa domowe i zwykłe biura. Jego serwery mogą pracować przez całą dobę, zapewniając wysoki współczynnik obciążenia. Współczynnik obciążenia opisuje, jak konsekwentnie klient wykorzystuje swoją maksymalną dostępną moc.
Ten stały popyt może wspierać inwestycje w nowe elektrownie, ponieważ wytwórcy zyskują stabilnego klienta. Może jednak również zwiększać napięcie w sieci podczas ekstremalnych warunków pogodowych, gdy gospodarstwa domowe i firmy potrzebują więcej energii elektrycznej. Lokalizacja i elastyczność kampusu decydują o tym, który efekt przeważy.
Duży obiekt może wymagać kilku lat planowania po stronie przedsiębiorstwa energetycznego, zanim zostanie otwarty. Według IEA nowe linie przesyłowe mogą wymagać od czterech do ośmiu lat w gospodarkach rozwiniętych. Czas oczekiwania na transformatory i kable podwoił się w ciągu trzech lat.
Infrastruktura obliczeniowa może pojawić się szybciej. Deweloperzy mogą zbudować budynki serwerowe i zainstalować procesory, zanim nowa linia wysokiego napięcia uzyska pozwolenia. To niedopasowanie harmonogramów, a nie samo roczne zużycie energii elektrycznej, stwarza najbardziej wiarygodne ryzyko lokalnego przeciążenia.
Zapotrzebowania Google na energię dla centrów danych nie można więc oceniać na podstawie jednego krajowego wykresu. Istotne pytania dotyczą przedsiębiorstwa energetycznego obsługującego obiekt, punktu przyłączenia, zapotrzebowania szczytowego, harmonogramu pracy i zakontraktowanych dostaw. To te szczegóły przesądzają, czy kolejny kampus wzmacnia rynek, czy go obciąża.
Rzeczywisty konflikt to szybkość AI kontra szybkość sieci
System elektroenergetyczny może w ujęciu łącznym dodać wystarczającą ilość energii, ale nie może umieścić każdego potrzebnego zasobu dokładnie tam, gdzie deweloperzy AI chcą go mieć, i w preferowanym przez nich harmonogramie.
Firmy AI wymieniają sprzęt obliczeniowy w krótkich cyklach. Mogą zamówić tysiące procesorów, wdrożyć nowe systemy sieciowe i zmienić architektury modeli w ciągu kilku lat. Infrastruktura elektroenergetyczna podąża wolniejszą ścieżką obejmującą pozwolenia, konsultacje publiczne, finansowanie, budowę i analizy przyłączeniowe.
Ta różnica tworzy kompromis. Deweloperzy chcą gwarantowanego, stale dostępnego zasilania, ponieważ drogie procesory przynoszą zwrot tylko wtedy, gdy działają. Zarządzający siecią potrzebują elastyczności, ponieważ podaż i popyt muszą pozostać zrównoważone w każdej sekundzie.
Międzynarodowa Agencja Energetyczna oczekuje, że centra danych w USA będą odpowiadać za niemal połowę krajowego wzrostu popytu na energię elektryczną do 2030 roku. Globalnie prognozuje, że zużycie energii przez centra danych wzrośnie ponad dwukrotnie — z 415 terawatogodzin w 2024 roku do około 945 terawatogodzin w 2030 roku.
W oderwaniu od kontekstu liczby te brzmią przytłaczająco. Ta sama globalna prognoza energetyczna wskazuje, że centra danych odpowiadają za około jedną dziesiątą światowego wzrostu popytu na energię elektryczną do 2030 roku. Silniki przemysłowe, klimatyzacja i pojazdy elektryczne wnoszą globalnie większy wkład we wzrost.
Obraz w Stanach Zjednoczonych jest bardziej wymagający, ponieważ kraj przez lata doświadczał ograniczonego wzrostu obciążenia. Deweloperzy energetyczni i regulatorzy muszą przejść od utrzymywania względnie stabilnego systemu do jego rozbudowy. AI pojawia się równolegle z fabrykami, pojazdami elektrycznymi, pompami ciepła i wzrostem liczby ludności.
Podaż może zareagować na kilka sposobów. Przedsiębiorstwa użyteczności publicznej mogą częściej wykorzystywać istniejące elektrownie, dodawać instalacje solarne i magazyny energii, budować źródła gazowe, przedłużać działanie obiektów jądrowych oraz wzmacniać sieć przesyłową. Duzi odbiorcy mogą też uruchamiać własne źródła energii na miejscu lub wybierać lokalizacje z mniejszymi ograniczeniami.
Każda z tych opcji ma ograniczenia. Produkcja energii słonecznej spada wieczorem. Baterie dostarczają energię przez ograniczony czas. Elektrownie gazowe wymagają infrastruktury paliwowej i turbin. Projekty jądrowe trwają latami. Linie przesyłowe napotykają bariery pozwoleniowe i sprzeciw lokalnych społeczności.
Teksas pokazuje zarówno możliwości, jak i ograniczenia. Zapotrzebowanie na energię elektryczną w ERCOT wzrosło o 5% w ciągu pierwszych dziewięciu miesięcy 2025 roku w porównaniu z tym samym okresem 2024 roku. Osiągnęło 372 terawatogodziny, czyli o 23% więcej niż w porównywalnym okresie 2021 roku.
Produkcja energii odnawialnej rosła wraz z obciążeniem. Energia wiatrowa i wielkoskalowa energia słoneczna pokryły 36% zapotrzebowania na energię elektryczną w ERCOT w pierwszych dziewięciu miesiącach 2025 roku. Latem baterie dostarczały średnio 4 gigawaty w godzinie 20:00, gdy produkcja energii słonecznej malała.
Dane dotyczące produkcji energii w Teksasie podważają twierdzenie, że każde nowe centrum danych wymaga równoważnej nowej elektrowni na paliwa kopalne. Energia słoneczna, wiatr, baterie i istniejące generatory mogą wspólnie obsłużyć część wzrostu.
Podważają również przeciwne twierdzenie, że rozbudowa źródeł odnawialnych automatycznie rozwiązuje problem. Sieć musi zaspokoić popyt podczas bezwietrznych nocy, silnych burz i okresów, gdy baterie są rozładowane. Przepustowość sieci przesyłowej musi umożliwiać dostarczenie energii od generatorów do odpowiedniego odbioru.
EIA zamodelowała scenariusz, w którym popyt rósł o 50% szybciej niż w jej scenariuszu bazowym w regionach o znaczącym rozwoju centrów danych. Utrzymała przyszłą moc wytwórczą bez zmian, ponieważ dodatkowe elektrownie byłyby trudne do ukończenia do końca 2027 roku.
Większość regionów poradziła sobie w modelu z wyższym obciążeniem. Wynik ten jest istotny, ponieważ nie potwierdza tezy o nieuchronnym ogólnokrajowym kryzysie niezawodności. Istniejące generatory mogą zwiększać produkcję, a różnorodność regionalna zapewnia pewną odporność.
Dostosowanie nie było jednak bezkosztowe. EIA założyła wyższe ceny gazu ziemnego i stwierdziła, że dodatkowa produkcja pochodziła głównie z gazu. Produkcja z węgla spadała wolniej, ponieważ istniejące elektrownie dostarczały dodatkową energię w PJM, na Środkowym Zachodzie i Południowym Wschodzie.
W scenariuszu bazowym krajowa produkcja energii z gazu ziemnego wzrosła o 1,7% między 2025 a 2027 rokiem. Przy wyższym popycie wzrosła o 7,3%. To właśnie wpływ Google AI na energię może zniknąć z twierdzeń opartych wyłącznie na zakupach energii odnawialnej.
Firma może podpisać umowę wspierającą nową instalację solarną, a mimo to jej centrum danych nadal zużywa energię elektryczną, gdy ta instalacja nie produkuje energii. Roczne dopasowanie czystej energii nie gwarantuje, że każda godzina pracy jest zasilana bez paliw kopalnych.
Scenariusz wyższego popytu wywołał najwyraźniejszą presję cenową w ERCOT. EIA stwierdziła, że wynik podkreśla wyzwanie związane z zarządzaniem dużymi krótkoterminowymi wzrostami obciążenia. Nie uznała jednak, że przerwy w dostawach energii są nieuniknione.
To kluczowe odwrócenie perspektywy w ujęciu Google News. Centra danych AI są wystarczająco duże, aby zmienić krajowe planowanie energetyczne, lecz ich sama roczna konsumpcja nie jest decydującą miarą niezawodności. Tempo, lokalizacja, zachowanie godzinowe i podział kosztów określają, czy sieć się dostosuje, czy załamie.
Wpływ Google AI na sieć zależy od elastycznego przetwarzania
Reakcja na popyt może uczynić centra danych uczestnikami systemu energetycznego, ale operatorzy muszą zaakceptować, że część zadań obliczeniowych nie może działać zawsze wtedy, gdy tego chcą.
Reakcja na popyt oznacza ograniczanie lub przesuwanie zużycia energii elektrycznej, gdy sieć znajduje się pod presją. Gospodarstwa domowe już uczestniczą w tym procesie dzięki inteligentnym termostatom i taryfom zależnym od pory dnia. Użytkownicy przemysłowi mogą przerywać pracę maszyn lub przesuwać produkcję, gdy ceny hurtowe stają się skrajnie wysokie.
Centra danych historycznie kładły nacisk na nieprzerwane działanie. Usługi chmurowe wspierają przedsiębiorstwa, instytucje publiczne, komunikację i aplikacje konsumenckie. Operatorzy utrzymują systemy zapasowe, ponieważ awaria może zakłócić działalność klientów daleko poza samym obiektem.
Nie każde zadanie obliczeniowe ma jednak taką samą pilność. Przetwarzanie wideo, część trenowania modeli, analityka wsadowa i inne zadania oczekujące w kolejce można przenieść na inną godzinę. Niektóre zadania można też przesunąć do innego obiektu, gdy pozwalają na to przepustowość sieci i zasady dotyczące danych.
Google sformalizowało tę koncepcję poprzez umowy z Indiana Michigan Power i Tennessee Valley Authority. Firma poinformowała, że może tymczasowo ograniczać obciążenia związane z uczeniem maszynowym podczas zdarzeń w sieci. Wcześniej testowała redukcję obciążeń z Omaha Public Power District.
Plan elastycznych obciążeń oferuje praktyczny przykład wpływu Google AI na energię wyjaśnionego przez pryzmat operacji, a nie rocznych sum. Zamiast traktować każdy serwer jako nieelastyczne obciążenie, operator identyfikuje zadania obliczeniowe, które można wstrzymać lub przenieść.
Ta elastyczność może obniżyć szczytowe zapotrzebowanie, które często determinuje najdroższe inwestycje w sieć. Linia przesyłowa lub elektrownia szczytowa może być potrzebna tylko przez niewielką liczbę krytycznych godzin. Obniżenie obciążenia w tych godzinach może odroczyć budowę.
Podejście to ma również ograniczenia ekonomiczne. Obiekt skoncentrowany na AI zawiera kosztowne procesory, które generują przychody podczas obsługi użytkowników lub realizacji cykli treningowych. Ograniczenie poboru pozostawia część tej inwestycji niewykorzystaną.
IEA szacuje, że centrum danych skoncentrowane na AI może być 10 razy bardziej kapitałochłonne niż huta aluminium. To utrudnia finansowo dobrowolne ograniczanie zużycia energii, nawet jeśli dane obliczenia można technicznie przenieść.
Kolejne ograniczenie tworzą opóźnienia. Opóźnienie to czas między wysłaniem żądania a otrzymaniem odpowiedzi. Konsumenckie chatboty, funkcje wyszukiwania, asystenci programowania i aplikacje biznesowe nie mogą rutynowo czekać godzinami na odzyskanie sprawności przez sieć.
Trenowanie zapewnia większą elastyczność, ale nie nieograniczoną. Duże procesy koordynują wiele procesorów. Ich zatrzymanie może zmarnować ukończone obliczenia, zakłócić harmonogramowanie lub opóźnić wydanie modelu. Operatorzy potrzebują oprogramowania zaprojektowanego tak, by bezpiecznie wstrzymywać pracę i sprawnie ją wznawiać.
Suwerenność danych może również uniemożliwiać przesuwanie obciążeń geograficznie. Organizacje mogą wymagać, aby informacje pozostawały w obrębie stanu, kraju lub zatwierdzonego regionu chmurowego. Dostępna gdzie indziej moc obliczeniowa może nie spełniać tych wymogów.
Operatorzy sieci potrzebują dowodu, że obiecana elastyczność pojawi się podczas rzeczywistej sytuacji awaryjnej. Dobrowolna deklaracja jest słabsza niż umowa określająca dostępną redukcję, czas reakcji, czas trwania, metodę pomiaru i kary za niewykonanie zobowiązania.
Istnieje również problem punktu odniesienia. Przedsiębiorstwa użyteczności publicznej muszą wiedzieć, ile energii obiekt zużyłby bez zdarzenia związanego z reakcją na popyt. W przeciwnym razie operator mógłby otrzymać uznanie za redukcję, która i tak by nastąpiła.
Elastyczność zużycia energii przez centra danych Google jest więc obiecująca, ale nie uniwersalna. Działa najlepiej w przypadku zadań, które można odroczyć, obiektów z wolną mocą oraz regionów połączonych wystarczającą przepustowością sieciową. Nie może uczynić każdej usługi AI przerywalną.
Poprawa efektywności wiąże się z podobną niepewnością. Nowe chipy mogą wykonać więcej obliczeń na jednostkę energii elektrycznej. Lepsze chłodzenie i oprogramowanie mogą obniżyć energię potrzebną do każdego zapytania lub kroku treningowego.
Niższe koszty mogą jednak zachęcać do większego wykorzystania, co określa się mianem efektu odbicia. Jeśli wydajna AI stanie się tańsza, deweloperzy mogą umieszczać ją w większej liczbie produktów i uruchamiać większe modele. Całkowite zużycie energii elektrycznej może rosnąć, nawet gdy zużycie energii na zadanie spada.
Scenariusze LBNL uwzględniają część tej niepewności poprzez różne założenia dotyczące wykorzystania i sprzętu. Scenariusz wysokiej efektywności IEA zakłada globalne zużycie energii elektrycznej przez centra danych o 20% niższe niż w scenariuszu bazowym w 2035 roku. Pełny zakres scenariuszy dla tego roku wynosi od 700 do 1 700 terawatogodzin.
Tak szeroki zakres nie jest dowodem, że prognozowanie jest bezużyteczne. Wskazuje zmienne, które mają znaczenie. Dostawy chipów, wykorzystanie, efektywność modeli, adopcja, opóźnienia przyłączeniowe i dostępność energii określą wynik.
Sceptyczne spojrzenie powinno koncentrować się na tych zmiennych, zamiast ogłaszać katastrofę albo bezwysiłkową adaptację. Elastyczne przetwarzanie może odciążyć kilka krytycznych godzin. Nie może zastąpić wytwarzania energii, przesyłu ani zdyscyplinowanego planowania sieci.
Co dane o amerykańskiej sieci wskazują, że warto obserwować dalej
Decydującymi sygnałami są ukończone przyłączenia, regionalne zmiany cen i zweryfikowane redukcje popytu, a nie zapowiedzi planowanej mocy obliczeniowej.
Pierwszym sygnałem jest różnica między zgłoszonym a uruchomionym obciążeniem centrów danych. Uruchomione obciążenie oznacza obiekty, które ukończyły budowę, zostały podłączone do sieci i zaczęły zużywać energię elektryczną. Ta liczba ma większe znaczenie niż spekulacyjna kolejka przyłączeniowa.
Przedsiębiorstwa użyteczności publicznej i regionalni operatorzy sieci powinni ujawniać, jaka część dużych obciążeń zawarła wiążące umowy. Powinni także wskazywać projekty osiągające kamienie milowe budowy i wpłacające wymagane depozyty. Spadający wskaźnik realizacji osłabiłby najbardziej skrajne prognozy popytu.
Wysoki wskaźnik realizacji je wzmocni. Jeśli deweloperzy uruchomią nowe kampusy zgodnie z ogłoszonymi harmonogramami, przedsiębiorstwa użyteczności publicznej będą potrzebować wytwarzania i przesyłu szybciej. Referencyjny scenariusz LBNL zakładający 649 terawatogodzin stanie się wtedy bardziej wiarygodny.
Drugim sygnałem jest ruch cen hurtowych, cen mocy i taryf detalicznych w regionach o wysokim wzroście. Ceny hurtowe odzwierciedlają krótkoterminową podaż i popyt na energię elektryczną. Rynki mocy płacą zasobom za pozostawanie dostępnymi w przyszłych warunkach szczytowych.
Rosnące ceny nie są automatycznie dowodem, że centra danych spowodowały każdy wzrost. Na rachunki wpływają również koszty paliw, wycofywanie elektrowni, ograniczenia przesyłowe, ekstremalna pogoda i decyzje regulacyjne. Analitycy muszą rozdzielić te czynniki.
Najbardziej użyteczne dowody pojawią się w postępowaniach dotyczących alokacji kosztów. Regulatorzy decydują, czy duzi odbiorcy obliczeniowi powinni gwarantować minimalne płatności, finansować dedykowaną infrastrukturę lub akceptować specjalne taryfy. Taryfa to regulowany harmonogram stawek i warunków świadczenia usług.
Decyzje te odpowiadają na pytanie, kto ponosi ryzyko, gdy prognozowane kampusy powstają z opóźnieniem lub zużywają mniej energii elektrycznej, niż oczekiwano. Wymaganie wiążących zobowiązań może chronić gospodarstwa domowe przed infrastrukturą budowaną dla spekulacyjnego popytu. Źle zaprojektowane zasady mogą również zniechęcać projekty, które sfinansowałyby użyteczną rozbudowę sieci.
Trzecim sygnałem są zmierzone wyniki programów reakcji na popyt. Google i inni operatorzy muszą pokazać, o ile megawatów mogą zmniejszyć pobór, jak szybko rozpoczynają redukcję i jak długo ona trwa. Publiczne wyniki przekształciłyby obiecującą koncepcję w oparty na dowodach zasób sieciowy.
Powtarzalne wyniki podczas fal upałów lub awarii generatorów wzmocniłyby argument, że obiekty AI mogą wspierać niezawodność. Niewykonane zdarzenia lub bardzo małe redukcje pokazałyby, że kosztowne obliczenia pozostają w dużej mierze nieelastyczne.
Najnowszy federalny scenariusz sieciowy oferuje najbardziej wyważoną odpowiedź na główne pytanie artykułu. Większość regionów USA może w krótkim terminie dostosować się do szybszego wzrostu popytu. ERCOT pokazuje, że szybkie przyrosty mogą mimo to podnosić ceny i produkcję opartą na paliwach kopalnych, gdy podaż nie może dostosować się wystarczająco szybko.
Oznacza to, że centra danych AI raczej nie przeciążą całej amerykańskiej sieci energetycznej w ramach jednej ogólnokrajowej awarii. Mogą jednak przeciążyć lokalne procesy planowania, punkty przyłączeniowe i mechanizmy ochrony odbiorców. Mogą także opóźniać inne projekty przemysłowe konkurujące o ten sam sprzęt i przepustowość przesyłową.
To rozróżnienie powinno wpływać na to, jak czytelnicy interpretują nagłówki Google News. Krajowe wartości procentowe określają skalę, ale regionalne dane operacyjne ujawniają ryzyko. Proponowany gigawat nie jest gigawatem działającym, a kontrakt na energię odnawialną nie oznacza nieprzerwanej dostawy czystej energii elektrycznej.
Deweloperzy, nabywcy korporacyjni i użytkownicy AI powinni zadawać trudniejsze pytania dotyczące infrastruktury. Gdzie będą działać obliczenia danej usługi? Czy jej dostawy energii elektrycznej są stabilne w okresach szczytowego zapotrzebowania? Czy obciążenia robocze można przenosić bez narażania wrażliwych danych lub pogarszania wydajności?
W nadchodzących miesiącach obserwuj te trzy sygnały: uruchomione obciążenie, ceny regionalne i zweryfikowaną elastyczność. Pokażą one, czy obawy dotyczące wpływu Google AI na sieć energetyczną przeradzają się w kryzys operacyjny, czy też prowadzą do wdrożenia praktycznych reform. Sieć może obsłużyć więcej AI, ale tylko wtedy, gdy harmonogramy obliczeń, inwestycje infrastrukturalne i ochrona klientów zaczną zmierzać w tym samym kierunku.
