Problem z energią AI: 20-watowy mózg kontra elektrownia
Google News zwróciło 30 sierpnia uwagę na uderzające porównanie: ludzki mózg działa przy mocy około 20 watów, podczas gdy czołowe systemy AI opierają się na energochłonnych centrach danych. Kontrast łatwo zapada w pamięć, ale może też wprowadzać w błąd. Mózg i klaster AI wykonują różne zadania, wykorzystując radykalnie odmienne architektury.
Istotniejsza historia nie dotyczy tego, czy krzem może dorównać biologii wat za watem. Chodzi o to, że energia elektryczna stała się ograniczeniem rozwoju AI. Chipów nadal brakuje i są kosztowne, lecz to wytwarzanie energii, przyłącza do sieci, systemy chłodzenia oraz odpowiednie lokalizacje decydują dziś o tym, które projekty mogą działać.
Ta zmiana wciąga hyperscalerów, przedsiębiorstwa energetyczne, deweloperów centrów danych i górników Bitcoin do tego samego wyścigu infrastrukturalnego. Efektywność poprawia się na poziomie promptów i chipów. Całkowity popyt jednak rośnie, ponieważ firmy wdrażają więcej modeli, obsługują więcej użytkowników i powierzają systemom AI dłuższe zadania.
Co nagłówek Google News ujmuje trafnie
Porównanie do 20 watów sprawdza się jako ostrzeżenie, ale nie jako bezpośredni punkt odniesienia dla sztucznej inteligencji.
Ludzki mózg stanowi około 2% masy ciała, a jednocześnie zużywa mniej więcej 20% tlenu pobieranego w spoczynku. Literatura neuronaukowa szacuje jego stałe zapotrzebowanie na moc na około 17–20 watów, choć wyniki zależą od sposobu przeliczania metabolizmu na jednostki elektryczne.
Energia ta wspiera percepcję, pamięć, ruch, regulację oraz nieprzerwaną komunikację w żywym układzie nerwowym. Nie odpowiada ona energii elektrycznej potrzebnej do udzielenia odpowiedzi na jedno pytanie ani wykonania pojedynczego, odizolowanego zadania.
Centrum danych to również coś więcej niż cyfrowy mózg. Obejmuje procesory, pamięć, magazyny danych, sieć, chłodzenie, konwersję energii, sprzęt zapasowy i niewykorzystaną pojemność zarezerwowaną na szczytowe zapotrzebowanie. Porównywanie jego całkowitego poboru z jednym organem miesza infrastrukturę całego systemu z biologicznym metabolizmem.
Mimo to kontrast ujawnia coś istotnego. Biologia działa w rygorystycznych granicach termicznych i metabolicznych. Czaszka nie może rozpraszać ciepła wytwarzanego przez przemysłowy sprzęt obliczeniowy, a ciało nie jest w stanie dostarczać tkance nerwowej nieograniczonej energii.
Ewolucja sprzyjała więc rzadkiej komunikacji, pamięci lokalnej, wyspecjalizowanym obwodom i selektywnej aktywacji. Rzadka aktywacja oznacza, że intensywną pracę wykonuje w danym momencie tylko część systemu. Współcześni projektanci AI coraz częściej wykorzystują pokrewne idee, choć krzem realizuje je inaczej.
Modele mixture-of-experts na przykład kierują każde wejście przez wybrane części sieci neuronowej, zamiast aktywować każdy parametr. Obliczenia o niższej precyzji zapisują liczby przy użyciu mniejszej liczby bitów, ograniczając energię elektryczną i przepustowość pamięci potrzebne do wielu operacji.
Porównanie staje się niewiarygodne, gdy wiralowe wpisy przypisują mu niepoparte dane liczbowe. Oryginalna analiza prześledziła jedno szeroko rozpowszechnione twierdzenie dotyczące cyfrowego odtworzenia mózgu aż do publikacji z 2023 roku. Szacunek ten ekstrapolowano z mniejszej symulacji i zawierał istotne ograniczenia, które późniejsze wpisy często pomijały.
Według analizy symulowany system działał około 30 000 razy wolniej niż biologia. Pominięcie tego szczegółu tworzy wrażenie, że badacze porównywali równoważne systemy o porównywalnej wydajności. Tak nie było.
Często powtarzana liczba neuronów również wymaga ostrożności. Wartość 86 miliardów neuronów jest użytecznym szacunkiem, a nie specyfikacją inżynieryjną o zerowej niepewności. Pochodzi z ograniczonej liczby próbek biologicznych, a efektywność mózgu zależy od czegoś więcej niż liczby neuronów.
Liczą się także synapsy, okablowanie, typy komórek, sygnalizacja chemiczna, umiejscowienie pamięci i czasowanie aktywności neuronowej. Liczenie neuronów i porównywanie ich z parametrami modeli nie dowodzi równoważnej inteligencji ani obciążenia pracą.
Badania nad budżetem energetycznym mózgu dodatkowo komplikują tę analogię. Znaczna część energii mózgu wspiera komunikację, utrzymanie i procesy wykraczające poza aktywność elektryczną, którą ludzie potocznie nazywają obliczeniami.
To sprawia, że nagłówek jest wartościowy z jednego powodu. Zachęca do przyjrzenia się fizycznemu śladowi AI. Nie powinien jednak służyć jako dowód, że jeden mózg i jeden superkomputer są wymiennymi maszynami.
Użyteczne pytanie jest węższe: dlaczego łączny popyt na AI wciąż rośnie, gdy pojedyncze obliczenia stają się coraz tańsze? Odpowiedź leży w skali wdrożeń, wzroście obciążeń i infrastrukturze otaczającej każdy akcelerator.
Efektywność zapytań AI rośnie, ale obciążenia rosną szybciej
Typowy prompt tekstowy może zużywać znacznie mniej energii, niż sugerują wiralowe szacunki, ale zadania wymagające rozumowania i pracy agentowej niwelują znaczną część tego komfortu.
Na początku 2025 roku Epoch AI oszacowało, że typowe zapytanie do ChatGPT zużywa około 0,3 watogodziny. Kalkulacja łączyła czas pracy akceleratora, pobór mocy serwera i oczekiwane wykorzystanie zasobów, zamiast mierzyć każdy komponent w konkretnym wdrożeniu produkcyjnym.
Szacunek ten był znacznie niższy od wcześniejszych twierdzeń, że każde zapytanie AI zużywa kilka watogodzin. Epoch AI pokazało jednak również, dlaczego pojedyncza średnia może ukrywać duże różnice.
Jego szacunek dla zapytań wskazywał, że żądanie z długim wejściem o długości 10 000 tokenów zużywa blisko 2,5 watogodziny. Wejście zbliżające się do 100 000 tokenów podnosiło szacunek do niemal 40 watogodzin.
Tokeny to niewielkie jednostki tekstu, które modele językowe przetwarzają podczas czytania lub generowania treści. Większa liczba tokenów wymaga dodatkowych operacji arytmetycznych i przesyłania danych w pamięci, szczególnie gdy model wielokrotnie analizuje długi kontekst.
Recenzowane badanie inferencji z 2026 roku doszło do podobnego wyniku w przypadku zwykłych zapytań do modeli z czołówki rynku. Oszacowało medianę na 0,31 watogodziny, przy rozstępie międzykwartylowym od 0,16 do 0,60 watogodziny.
Te same badania wykazały, że zapytania wymagające rozumowania, generujące około 5 000 tokenów wyjściowych, zużywały mniej więcej 13 razy więcej energii niż standardowe zapytania. Różnica ma znaczenie, ponieważ rynek przesuwa się w stronę dłuższych i bardziej autonomicznych zadań.
Chatbot odpowiadający jednym zdaniem nie jest obciążeniem, do którego obsługi przygotowują się firmy infrastrukturalne. Agenci AI mogą przeszukiwać dokumenty, wywoływać narzędzia programowe, pisać kod, oceniać własne wyniki i powtarzać nieudane kroki.
Każde dodatkowe działanie uruchamia kolejną inferencję. Niektóre systemy generują również kilka kandydatów na rozwiązanie i wykorzystują inny model do wyboru najlepszej odpowiedzi. Prosta instrukcja użytkownika może więc wywołać znaczący, ukryty łańcuch obliczeń.
Google poinformował, że mediana zużycia energii przez tekstowy prompt Gemini wyniosła w 2025 roku 0,24 watogodziny. OpenAI wskazało około 0,34 watogodziny dla przeciętnego zapytania ChatGPT. Liczby te sugerują, że dostawcy osiągnęli istotną efektywność w skali produkcyjnej.
Nie dowodzą jednak, że każde zapytanie, model czy centrum danych ma taki sam ślad energetyczny. Dostawcy wykorzystują różny sprzęt, architektury modeli, systemy chłodzenia, źródła zasilania i granice rozliczeń.
Jeden pomiar może obejmować wyłącznie energię elektryczną zużywaną przez akcelerator. Inny może uwzględniać sieć, chłodzenie i straty konwersji energii. Trzeci może uśredniać proste prompty wraz z dłuższymi zadaniami wymagającymi rozumowania.
Ten problem granic pomiaru sprawia, że wiele porównań internetowych jest niewiarygodnych. Wartość może być poprawna matematycznie w ramach jednej definicji, a jednocześnie wprowadzać w błąd, gdy przedstawia się ją jako koszt energetyczny „AI” w ogóle.
Czytelnicy Google News powinni też odróżniać moc od energii. Moc, mierzona w watach, opisuje tempo zużycia w danym momencie. Energia, często mierzona w watogodzinach, opisuje zużycie w czasie.
Mózg o mocy 20 watów działający przez godzinę zużywa około 20 watogodzin. Krótka odpowiedź AI może zużyć ułamek watogodziny, ale centrum danych, które ją obsługuje, może realizować miliony żądań, jednocześnie trenując inne modele.
Wyzwanie branży wynika z mnożenia. Niewielka ilość energii na zapytanie staje się znacząca w skali miliardów interakcji. Dłuższe prompty, generowanie wideo, autonomiczni agenci i stale działające funkcje AI podnoszą tę sumę.
Efektywność obniża również koszt korzystania z AI. Niższe koszty zachęcają deweloperów do umieszczania modeli w wyszukiwarkach, aplikacjach biurowych, systemach operacyjnych, narzędziach obsługi klienta i środowiskach programistycznych.
Ekonomiści nazywają to efektem odbicia: zwiększenie efektywności wykorzystania zasobu może podnieść jego całkowite zużycie, ponieważ dodatkowe zastosowania stają się przystępne cenowo. W AI tańsza inferencja umożliwia obciążenia, których firmy nigdy nie uruchomiłyby przy wcześniejszych kosztach.
Dlatego poprawa zużycia energii na prompt nie prowadzi automatycznie do spadku całkowitego zapotrzebowania na energię elektryczną. System staje się bardziej efektywny, a następnie rozszerza się na kolejne produkty i wykonuje więcej pracy.
Sieć elektroenergetyczna staje się prawdziwym wąskim gardłem AI
Deweloperzy AI mogą zamówić więcej akceleratorów, ale nie są w stanie stworzyć linii przesyłowej ani przyłącza do sieci w tempie właściwym dla oprogramowania.
Zmiana jest widoczna w krajowych danych dotyczących energii elektrycznej. Lawrence Berkeley National Laboratory oszacowało, że amerykańskie centra danych zużyły w 2023 roku 176 terawatogodzin, co odpowiada 4,4% krajowego zużycia energii elektrycznej.
Łączne zużycie wzrosło z 58 terawatogodzin w 2014 roku. Raport laboratorium dotyczący centrów danych prognozował, że zużycie w USA może osiągnąć od 325 do 580 terawatogodzin do 2028 roku.
Przedział jest szeroki, ponieważ przyszły popyt zależy od upowszechnienia modeli, efektywności sprzętu, harmonogramów budowy i dostępności energii elektrycznej. Nawet dolna granica oznaczałaby znaczne nowe obciążenie pojawiające się w krótkim czasie.
Międzynarodowa Agencja Energetyczna podała, że globalne zapotrzebowanie centrów danych na energię elektryczną wzrosło w 2025 roku o 17%. Popyt ze strony obiektów skoncentrowanych na AI rósł jeszcze szybciej, podczas gdy całkowity globalny popyt na energię elektryczną wzrósł o 3%.
Agencja oczekuje, że zużycie energii elektrycznej przez centra danych wzrośnie z około 485 terawatogodzin w 2025 roku do mniej więcej 950 terawatogodzin w 2030 roku. Obiekty skoncentrowane na AI stanowią szybciej rosnącą część tego zapotrzebowania.
Jej globalne prognozy dotyczące energii elektrycznej wskazują również wąskie gardła w turbinach gazowych, transformatorach, zaawansowanych chipach, przyłączach do sieci i zatwierdzeniach regulacyjnych. Ograniczenia te limitują tempo, w jakim ogłoszone kampusy stają się działającą infrastrukturą.
Proponowane centrum danych nie jest tym samym co obiekt podłączony do zasilania. Deweloperzy muszą zabezpieczyć grunt, pozwolenia, połączenia światłowodowe, zdolność chłodzenia, transformatory i niezawodne źródło energii elektrycznej.
Przedsiębiorstwa energetyczne muszą ustalić, czy lokalna sieć może obsłużyć duże, skoncentrowane obciążenie. Przed podłączeniem mogą potrzebować nowych stacji elektroenergetycznych, linii przesyłowych, źródeł wytwórczych lub magazynów energii.
Projekty te rozwijają się według różnych zegarów. Modele AI mogą zmieniać się w ciągu miesięcy. Rozbudowa mocy produkcyjnych półprzewodników zajmuje lata. Duże elektrownie i projekty przesyłowe mogą wymagać jeszcze więcej czasu.
Ta rozbieżność wywiera presję na hyperscalerów takich jak Google, Microsoft, Amazon i Meta. Ich strategie AI zależą od zapewnienia wystarczającej mocy obliczeniowej, ale dodawanie serwerów bez energii elektrycznej nie tworzy użytecznej usługi.
Wywiera także presję na przedsiębiorstwa energetyczne. Muszą planować obciążenia porównywalne z obiektami przemysłowymi, jednocześnie decydując, kto zapłaci za infrastrukturę, jeśli projekt centrum danych zmieni kierunek lub nigdy nie osiągnie pełnej przepustowości.
Społeczności stoją przed kolejnym rachunkiem. Duży kampus może przynieść aktywność budowlaną i wpływy podatkowe, ale może stworzyć mniej stałych miejsc pracy niż tradycyjna fabryka zużywająca porównywalną ilość energii.
Mieszkańcy i regulatorzy chcą także wiedzieć, czy koszty nowej generacji energii trafią na rachunki gospodarstw domowych. Odpowiedź zależy od umów z przedsiębiorstwami użyteczności publicznej, lokalnych struktur taryfowych, modernizacji sieci oraz tego, czy infrastruktura obsługuje również innych odbiorców.
Obciążenia AI wprowadzają dodatkowe komplikacje operacyjne. Trenowanie i inferencja mogą powodować gwałtowne zmiany zapotrzebowania na energię elektryczną. Sieć zaprojektowana z myślą o przewidywalnym zużyciu komercyjnym musi reagować na skoncentrowane obciążenia obliczeniowe, które zmieniają się wraz z aktywnością oprogramowania.
Magazyny energii w bateriach mogą łagodzić część tych zmian i zapewniać zasilanie awaryjne. Wytwarzanie energii na miejscu może zmniejszyć zależność od opóźnionych przyłączeń do sieci. Żadne z tych rozwiązań nie eliminuje pytań o dostawy paliwa, emisje, pozwolenia i podział kosztów.
Branża analizuje więc umowy dotyczące energii jądrowej, generację gazową, projekty odnawialne, systemy geotermalne i magazynowanie energii. Każda opcja rozwiązuje inną część problemu i wiąże się z własnym harmonogramem budowy.
Energia elektryczna nie jest już tylko kolejnym nakładem obok chipów. Staje się czynnikiem decydującym o dostępie. Firma mająca kapitał i akceleratory nadal może stracić czas, jeśli nie dysponuje lokalizacją z doprowadzonym zasilaniem.
Górnicy Bitcoin mają dostęp do energii, ale AI potrzebuje więcej niż megawatów
Obiekty wydobycia Bitcoin oferują rzadki dostęp do sieci, lecz tylko ograniczona część z nich może spełnić wymagania AI dotyczące niezawodności, chłodzenia i łączności sieciowej.
Materiał Google News łączy wyścig AI o energię elektryczną z nieoczekiwanym dostawcą infrastruktury: górnikami kryptowalut. Wielu z nich już kontroluje lokalizacje z przyłączami do sieci, umowami na dostawy energii, stacjami transformatorowymi i działającym wyposażeniem elektrycznym.
Aktywa te zyskały na wartości, ponieważ kolejki przyłączeniowe mogą opóźniać nowe projekty centrów danych o lata. Przejęcie istniejącej lokalizacji z zasilaniem może skrócić jeden etap procesu inwestycyjnego.
Logika strategiczna jest prosta. Przychody z wydobycia Bitcoin zmieniają się wraz z cenami kryptowalut, trudnością sieci, wydajnością sprzętu i kosztami energii elektrycznej. Długoterminowe umowy na hosting AI mogą zapewnić inny profil przychodów.
Firmy AI potrzebują tymczasem uzbrojonych energetycznie gruntów. Górnik, który potrafi przekształcić swój obiekt, może uzyskać większą wartość z dzierżawy energii i infrastruktury niż z dalszego wydobywania Bitcoin.
Ta możliwość zachęciła do zawierania umów z udziałem Core Scientific, Galaxy Digital, TeraWulf, IREN, Riot Platforms i Hut 8. Analiza źródłowa szacowała, że publicznie notowani górnicy ogłosili łącznie kontrakty AI o wartości przekraczającej 70 mld dolarów.
Ogłoszonej wartości nie należy mylić z dostarczoną mocą. Według tej samej analizy ujawnienia za drugi kwartał 2026 roku wskazywały na około 750 megawatów mocy uruchomionej w całej badanej grupie.
Core Scientific odpowiadał za około 437 megawatów. Lokalizacja Helios należąca do Galaxy stanowiła 133 megawaty, podczas gdy TeraWulf, IREN i Riot raportowały mniejsze ilości uruchomionej mocy.
Liczby te pokazują zarówno szansę, jak i lukę wdrożeniową. Kontrakty opisują przyszłe relacje handlowe. Uruchomiona moc mierzy infrastrukturę, która osiągnęła bardziej konkretny etap operacyjny.
Zakład wydobywczy nie staje się automatycznie centrum danych AI. Maszyny do wydobycia Bitcoin mogą tolerować przerwy, ponieważ górnicy mogą wstrzymać działalność, gdy energia elektryczna drożeje lub sieć jest przeciążona.
Klienci AI zazwyczaj oczekują gwarantowanego zasilania i rygorystycznych poziomów usług. Obciążenie chmurowe nie może znikać za każdym razem, gdy przedsiębiorstwo użyteczności publicznej prosi obiekt o ograniczenie zużycia.
Akceleratory AI skupiają też znacznie większą moc obliczeniową w każdej szafie rack. Taka gęstość stawia wysokie wymagania chłodzeniu. Modernizacja może wymagać chłodzenia cieczą, nowych systemów wodnych, przeprojektowanej dystrybucji energii elektrycznej i mocniejszej infrastruktury budynkowej.
Światłowód stanowi kolejną barierę. Obiekty wydobywcze często znajdują się blisko taniej energii w odległych lokalizacjach. Obiekty AI potrzebują wysokoprzepustowych połączeń sieciowych o niskich opóźnieniach, aby przesyłać dane między klastrami, regionami chmurowymi i klientami.
Różnią się także standardy bezpieczeństwa. Hosting danych biznesowych lub własnościowych modeli wymaga zabezpieczeń fizycznych, monitoringu, redundancji i procedur zgodności, których działalność wydobywcza może nie posiadać.
Ekonomia może mimo to działać w przypadku wybranych nieruchomości. BeInCrypto przytoczyło szacunki VanEck, według których koszty konwersji wynoszą kilka milionów dolarów na megawat, podczas gdy nowa budowa wymaga znacznie większego kapitału.
Szacunki te różnią się zależnie od lokalizacji i nie należy traktować ich jako uniwersalnych cen. Obiekt z odpowiednimi budynkami, światłowodem i potencjałem chłodzenia znacznie różni się od odległego zbioru kontenerów wydobywczych.
Szersza lekcja jest taka, że dostęp do sieci stał się zbywalną przewagą strategiczną. Górnicy Bitcoin przez lata lokalizowali tanią energię elektryczną i negocjowali dostęp do niej. Popyt AI zmienił potencjalne zastosowanie tych aktywów.
Jednak twierdzenia o pełnej transformacji wydobycia w AI zasługują na sceptycyzm. Wstępne dane z badania Cambridge, przytoczone w źródle, sugerowały, że do lipca 2026 roku tylko około 10% górników przeznaczyło moc na AI.
Ten ograniczony udział jest zgodny z fizycznymi przeszkodami. Wiele lokalizacji może skutecznie wydobywać kryptowaluty, ponieważ sprzęt wydobywczy toleruje warunki, których korporacyjny najemca AI nie zaakceptuje.
Inwestorzy powinni zatem rozróżniać trzy kategorie: podpisane kontrakty, zakontraktowaną przyszłą moc i działającą moc AI. Traktowanie ich jako równoważnych może zawyżać ocenę tego, jak szybko pojawią się przychody.
Zmiana ta rodzi również praktyczny konflikt. Elastyczne obciążenia wydobywcze mogą wyłączać się w okresach przeciążenia sieci, co może pomagać w równoważeniu systemów elektroenergetycznych. Stałe obciążenia AI odbierają część tej elastyczności, chyba że operatorzy przeprojektują obciążenia wokół warunków sieciowych.
Badacze analizują elastyczne energetycznie przetwarzanie, w którym centra danych przenoszą niepilne zadania w czasie lub między lokalizacjami. Zadania treningowe, przetwarzanie wsadowe i niektóre obciążenia inferencyjne mogłyby zostać wstrzymane bez szkody dla użytkowników.
To jednak klienci komercyjni zdecydują, ile przerw zaakceptują. Teoretyczna zdolność do przenoszenia pracy nie gwarantuje, że pozwolą na to kontrakty, oprogramowanie lub oczekiwania dotyczące usług.
Infrastruktura wydobywcza może przyspieszyć wybrane projekty AI. Nie może wyeliminować potrzeby lepszych sieci, nowej generacji energii, zaawansowanego chłodzenia i przejrzystego raportowania.
Dlaczego lepsze chipy nie zakończą energetycznej historii Google News
Wydajność zmienia to, co AI może zrobić na wat, podczas gdy rosnący popyt determinuje, ile watów łącznie zużywa branża.
W latach 2010–2018 globalna aktywność obliczeniowa centrów danych wzrosła o około 550%, podczas gdy zużycie energii elektrycznej zwiększyło się jedynie o około 6%. Lepsze serwery, wirtualizacja, chłodzenie i projektowanie obiektów pochłonęły znaczną część wzrostu.
Ta historia wspiera optymistyczny argument. Akceleratory AI powinny stawać się wydajniejsze, modele powinny używać mniej aktywnych parametrów, a deweloperzy powinni unikać niepotrzebnych obliczeń. Całkowity popyt mógłby wtedy się ustabilizować.
Problem polega na tym, że niedawne zużycie w USA już odbiegło od wcześniejszego wzorca. Zużycie energii elektrycznej przez centra danych potroiło się między 2014 a 2023 rokiem, według szacunków Berkeley Lab.
Deweloperzy AI inaczej wykorzystują również zyski wydajności. Zamiast dostarczać tę samą usługę przy mniejszym zużyciu energii elektrycznej, często używają lepszego sprzętu do trenowania większych systemów lub obsługi większej liczby użytkowników.
Obliczenia w czasie odpowiedzi nasilają ten trend. Pozwalają modelowi przeznaczyć dodatkowe obliczenia na odpowiedź na trudne zapytanie. Model może generować alternatywy, sprawdzać kroki pośrednie i kontynuować rozumowanie przed przedstawieniem odpowiedzi.
Proces ten może poprawiać wyniki w zadaniach związanych z programowaniem, matematyką, badaniami i planowaniem. Powoduje też, że koszt energii zależy od trudności zapytania oraz ilości dozwolonego rozumowania.
Oprogramowanie agentowe rozciąga obliczenia w czasie. System monitorujący wiadomości, aktualizujący bazy danych, badający potencjalnych klientów lub utrzymujący kod może działać wielokrotnie bez inicjowania każdego kroku przez człowieka.
Jednostka wartości przesuwa się wtedy z jednego promptu na jeden ukończony przepływ pracy. Przepływ pracy może zawierać setki wywołań modeli, wyszukiwań, walidacji i ponowień.
To sprawia, że raportowanie per zapytanie jest mniej informacyjne. Dostawcy potrzebują pomiarów łączących zużycie energii ze złożonością zadania, jakością modelu, sprzętem, lokalizacją i całkowitym wolumenem usług.
Wartość mediany dla promptu nadal ma znaczenie. Koryguje zawyżone twierdzenia i daje użytkownikom przybliżoną skalę. Nie potrafi wyjaśnić infrastruktury wymaganej przez rosnącą flotę autonomicznych usług.
Twierdzenia dotyczące wydajności również wymagają spójnych granic pomiaru. Energia elektryczna zużywana przez akceleratory to tylko jeden składnik. Pamięć, sieć, chłodzenie, pamięć masowa i systemy zapasowe składają się na całkowite zużycie obiektu.
Wskaźnik efektywności wykorzystania energii, czyli PUE, mierzy całkowitą energię obiektu podzieloną przez energię dostarczoną do sprzętu obliczeniowego. Wartość bliższa jedności oznacza mniejsze narzuty, ale nie ujawnia, czy same obliczenia są wydajne.
Wpływ na emisje wprowadza kolejną warstwę. Jedna kilowatogodzina dostarczona przez niskoemisyjne źródło energii ma inny profil emisji niż jedna wyprodukowana przez sieć opartą w dużej mierze na paliwach kopalnych.
Liczy się także czas. Centrum danych korzystające z energii elektrycznej, gdy produkcja odnawialna jest obfita, może wywierać inny wpływ na sieć niż takie, które wymaga gwarantowanego zasilania podczas regionalnego szczytu.
Zużycie wody różni się zależnie od technologii chłodzenia i klimatu. Niektóre obiekty w dużym stopniu polegają na chłodzeniu wyparnym, podczas gdy inne korzystają z chłodzenia powietrzem lub systemów zamkniętego obiegu o innych kompromisach energetycznych.
Żadna pojedyncza liczba nie jest w stanie uchwycić wszystkich tych wymiarów. Lepsze ujawnienia powinny raportować energię obiektu, energię obliczeniową, typ obciążenia, lokalizację geograficzną, intensywność emisji dwutlenku węgla i zużycie wody.
Ludzki mózg pozostaje pouczającym punktem odniesienia dla projektowania. Łączy pamięć i przetwarzanie w bliskiej relacji, komunikuje się selektywnie i działa w ramach ścisłego limitu energii.
Współczesne procesory często przenoszą dane między pamięcią a jednostkami obliczeniowymi. Ten ruch może zużywać więcej energii niż samo działanie arytmetyczne, zwłaszcza w przypadku dużych modeli.
Techniki takie jak kwantyzacja, rzadkość, mniejsze modele wyspecjalizowane w zadaniach oraz lepsze pakowanie pamięci obniżają ten koszt. Obliczenia neuromorficzne również próbują naśladować wybrane właściwości biologicznych systemów neuronowych.
Żadna z tych metod nie gwarantuje ucieczki od wzrostu łącznego popytu. Firmy programistyczne mogą wykorzystać każdy zaoszczędzony wat, aby dodać użytkowników, zwiększyć okna kontekstowe, generować wideo lub pozwolić agentom działać dłużej.
Rzeczywiste obniżenie całkowitego popytu wymagałoby, aby wydajność poprawiała się szybciej niż rozszerzają się obciążenia. Obecne prognozy pokazują na poziomie branży odwrotną sytuację, nawet gdy poszczególne operacje stają się tańsze.
Porównanie z mózgiem prowadzi zatem do odwrócenia perspektywy. AI uczy się od biologii kilku lekcji wydajności, ale lekcje te umożliwiają ekspansję, zanim ograniczą zużycie energii elektrycznej.
Trzy sygnały, które pokażą, co wydarzy się dalej
Kolejna faza będzie mierzona poprzez uruchomioną moc, ujawnienia na poziomie obciążeń oraz kontrakty sprawiające, że AI reaguje na warunki sieciowe.
Pierwszym sygnałem jest różnica między ogłoszoną mocą centrów danych a mocą, która faktycznie trafia do eksploatacji. Komunikaty prasowe mogą opisywać gigawaty przyszłych projektów, ale uruchomione lokalizacje pokazują, czy deweloperzy uzyskali sprzęt, pozwolenia, chłodzenie, światłowód i energię elektryczną.
Inwestorzy i klienci powinni obserwować umowy przyłączeniowe z przedsiębiorstwami użyteczności publicznej, kamienie milowe budowy oraz ujawnianą moc operacyjną. Zmniejszająca się luka wskazywałaby, że inwestycje infrastrukturalne pokonują obecne wąskie gardła.
Powiększająca się luka osłabiłaby agresywne prognozy wzrostu. Sugerowałaby, że niedobory transformatorów, spory dotyczące pozwoleń, ograniczenia sieci lub ekonomika projektów spowalniają wdrożenia.
Górnicy Bitcoin stanowią użyteczny test. Jeśli ich konwersje na potrzeby AI zaczną obsługiwać najemców zgodnie z harmonogramem, istniejący dostęp do energii okaże się cenny. Jeśli terminy się przesuną, rynek zobaczy, jak wiele dodatkowej infrastruktury wymagają te lokalizacje.
Drugim sygnałem będzie lepsze ujawnianie danych o zużyciu energii przez dostawców modeli. Google, OpenAI, Microsoft i niezależni badacze opublikowali przydatne szacunki na poziomie pojedynczych promptów, lecz ich metody i zakresy nadal trudno porównywać.
Raportowanie powinno oddzielać zwykłe generowanie tekstu od zadań wymagających rozumowania, generowania obrazów, wideo i pracy agentowej. Powinno też rozróżniać zużycie akceleratorów od całkowitego zużycia energii elektrycznej przez obiekt.
Spójne ujawnianie danych pomogłoby klientom korporacyjnym porównywać modele pod kątem wdrożeń o dużej skali. Pozwoliłoby również przedsiębiorstwom energetycznym prognozować popyt na podstawie rzeczywistych wzorców obciążeń, a nie szerokich założeń.
Warto obserwować, czy dostawcy publikują rozkłady zamiast jednej średniej. Różnica między krótką odpowiedzią a długim przepływem pracy agenta ma większe znaczenie niż pojedyncza mediana.
Trzecim sygnałem będzie to, czy operatorzy AI podpisują umowy zapewniające elastyczność obliczeń. Centra danych mogą planować część prac związanych ze szkoleniem, wsadowym wnioskowaniem i ewaluacją na okresy obfitości energii elektrycznej.
Jeśli operatorzy wdrożą baterie i przesuną istotną część obciążeń, mogą zmniejszyć presję w okresach szczytowego zapotrzebowania sieci. IEA szacuje, że do 2030 roku centra danych mogłyby globalnie dysponować od 20 do 25 gigawatów magazynów energii w bateriach.
Taki rezultat wzmocniłby argument, że obiekty AI mogą stać się bardziej współpracującymi uczestnikami sieci energetycznej. Nie wyeliminowałoby to ich rocznego zużycia energii elektrycznej, ale mogłoby obniżyć koszt i ryzyko obsługi skoncentrowanych obciążeń.
Jeśli klienci nadal będą wymagać nieprzerwanego działania niemal każdego obciążenia, przedsiębiorstwa energetyczne będą potrzebować więcej stabilnych źródeł wytwarzania i przepustowości sieci. Ta ścieżka zwiększa znaczenie długoterminowych kontraktów energetycznych i lokalnych zgód.
Dla deweloperów i pracowników umysłowych kwestia energii wpłynie na coś więcej niż deklaracje środowiskowe. Niedobory infrastruktury mogą oddziaływać na dostępność modeli, limity użytkowania, opóźnienia oraz funkcje, które dostawcy są w stanie oferować ekonomicznie.
Firmy budujące przepływy pracy AI powinny mierzyć wartość ukończonego zadania, a nie tylko liczbę promptów. Mogą ograniczać marnotrawstwo, wybierając mniejsze modele do rutynowych zadań, ograniczając niepotrzebny kontekst i analizując powtarzające się działania agentów.
Przechowywanie informacji wielokrotnego użytku w uporządkowanej osobistej bazie wiedzy może również ograniczyć powtarzające się wyszukiwanie i nadmiernie rozbudowane prompty. To usprawnienie przepływu pracy, a nie pełna odpowiedź na zapotrzebowanie centrów danych.
Nagłówek Google News odnosi sukces, ponieważ kondensuje konflikt infrastrukturalny w jednym zapadającym w pamięć obrazie. Twój mózg działa w ramach bezwzględnego budżetu energetycznego. Firmy AI historycznie działały w ramach budżetu kapitałowego, który rozszerzał się zawsze, gdy inwestorzy oczekiwali większych możliwości.
Elektryczność sprawia, że to rozróżnienie trudniej utrzymać. Decydujące pytanie nie brzmi już, czy jedna odpowiedź AI zużywa więcej energii niż jedna ludzka myśl. Żadna strona tego porównania nie ma czystej, uniwersalnej jednostki.
Obserwuj, co staje się operacyjne, co ujawniają dostawcy i czy obciążenia dostosowują się do sieci. Te sygnały pokażą, czy AI nauczy się działać pod fizycznym sufitem, czy nadal będzie szukać większej elektrowni.
