Kunstig intelligens (AI) er ved at blive en del af hverdagen for mange mennesker rundt om i verden. På individniveau bruger folk i stigende grad AI-modeller til søgeforespørgsler. Mens Google stadig dominerer søgemarkedet, har ChatGPT udgjort den største trussel mod dets dominans.
På forretningsniveau er ingen industri udeladt, fra landbrug til sundhedspleje, fra finans til underholdning, organisationer over hele verden integrerer AI i deres daglige drift.
Verdens efterspørgsel efter og brug af kunstig intelligens forventes at vokse eksponentielt i de kommende år, så teknologivirksomheder reagerer på denne udvikling ved at bygge massive datacentre. Men denne vækst har en pris: energiforbrug, økonomiske omkostninger og miljøpåvirkning. Traditionel databehandling kan simpelthen ikke følge med det voksende databehandlings- og energibehov. For at opretholde AI-revolutionen skal vi genoverveje fysikken i moderne computere.
Energispørgsmål
Selv uden at overveje AI, er elektronisk databehandling på et kritisk tidspunkt. Moores lov svigter, Dennard-skalering er brudt sammen, og resultatet er spredningen af "mørk silicium", de dele af transistorer på en chip, der skal forblive uden strøm eller inaktiv for at undgå overophedning.
At træne en stor AI-model er ikke nogen nem opgave. Store sprogmodeller (LLM'er) trænes på enorme mængder data og har billioner af parametre. De forudsiger, måler, justerer og gentager processen milliarder af gange. Det anslås, at den computerkraft, der kræves for at træne AI-modeller, vil fordobles hver sjette måned.
Behandling og flytning af så store mængder data kræver massiv parallelitet og kraft. I traditionel databehandling kræver højere effekt systemer med højere tæthed. Højere densitet betyder mere modstand, og mere modstand betyder mere varme. Dette tvinger datacentre til at flytte en masse energi fra computer til afkøling, hvor op til 40 % af det samlede datacenters energiforbrug bruges til at forhindre servernedsmeltning.
Infrastrukturen, der understøtter AI, kæmper allerede, og det er klart, at traditionel computer ikke længere kan understøtte fremtidig udvikling.
Økonomiske spørgsmål
Datacenteroperatører står over for en økonomisk gåde: enten begrænse beregningstætheden til, hvad deres nuværende kølefaciliteter kan håndtere, hæmme deres forretningsmuligheder eller skubbe termiske grænser, hvilket forårsager accelereret aldring af hardware og komponenter, hvilket øger driftsomkostninger og spild.
Derudover er omkostningerne ved at bygge nye datacentre også meget høje - McKinsey forudser, at der vil være behov for 5,2 billioner USD i investeringer i 2030. Hvis datacentre fortsat er afhængige af traditionel databehandling, vil investering i ineffektiv infrastruktur være en enorm økonomisk risiko. Almindelige forbrugere er også ramt af dårlige økonomiske forhold; Efterhånden som kunstig intelligens lægger et hidtil uset pres på nettet, og efterspørgslen efter datacentre stiger, stiger elpriserne. Disse omkostninger væltes over på omkringliggende husstande i form af hurtigt stigende elregninger.
