Η ραγδαία ανάπτυξη της γενετικής τεχνητής νοημοσύνης αυξάνει την παγκόσμια ζήτηση ηλεκτρικής ενέργειας και ασκεί νέα πίεση στα συστήματα ηλεκτρικής ενέργειας. Η χρήση ηλεκτρικής ενέργειας από κέντρα δεδομένων που κατασκευάζονται για τεχνητή νοημοσύνη θα μπορούσε να αυξηθεί από περίπου 118 τεραβατώρες το 2024 σε 239 έως 295 τεραβατώρες έως το 2030, ή περίπου το 1% της παγκόσμιας ζήτησης ηλεκτρικής ενέργειας.
Οι τοποθεσίες
Η νέα υπολογιστική υποδομή είναι ιδιαίτερα συγκεντρωμένη στη Βόρεια Αμερική, τη Δυτική Ευρώπη και την περιοχή Ασίας-Ειρηνικού, οι οποίες μαζί αντιπροσωπεύουν περισσότερο από το 90% της προβλεπόμενης υπολογιστικής χωρητικότητας. Ορισμένες περιοχές, συμπεριλαμβανομένων του Όρεγκον, της Ιρλανδίας και της Αϊόβα, αντιμετωπίζουν μεγαλύτερη πίεση από τα συγκεντρωμένα φορτία των κέντρων δεδομένων, ενώ μεγαλύτερα συστήματα όπως το Τέξας μπορούν να απορροφήσουν τη νέα ζήτηση πιο αποτελεσματικά. Αυτά τα αποτελέσματα δείχνουν ότι η υποδομή τεχνητής νοημοσύνης γίνεται δομικό μέρος της δυναμικής των συστημάτων ηλεκτρικής ενέργειας. Η μελέτη συνδυάζει την ανάλυση μεγάλων γλωσσικών μοντέλων εταιρικών, πολιτικών και μέσων ενημέρωσης με προβλέψεις βασισμένες σε σενάρια για τη μελλοντική ζήτηση ηλεκτρικής ενέργειας.
Η ταχεία εμφάνιση της γενετικής τεχνητής νοημοσύνης (AI) και της ανάλυσης δεδομένων μεγάλης κλίμακας έχει οδηγήσει σε απότομη επέκταση της υπολογιστικής ζήτησης. Καθώς τα μοντέλα τεχνητής νοημοσύνης αυξάνονται εκθετικά σε μέγεθος και πολυπλοκότητα, η εκπαίδευση και η εξαγωγή συμπερασμάτων τους απαιτούν τεράστια υπολογιστική ισχύ και απόδοση δεδομένων, οδηγώντας σε ρεκόρ επενδύσεων σε κέντρα δεδομένων υψηλής απόδοσης και ψηφιακές υποδομές.
Σύμφωνα με την Παγκόσμια Έκθεση Τεχνολογίας 2025 της Bain & Company, η διατήρηση των υπολογιστικών απαιτήσεων της επέκτασης της Τεχνητής Νοημοσύνης θα μπορούσε να δημιουργήσει σχεδόν 2 τρισεκατομμύρια δολάρια ΗΠΑ σε ετήσια έσοδα έως το 2030 - ισοδύναμα με το συνδυασμένο ΑΕΠ των δέκα μεγαλύτερων αναδυόμενων οικονομιών στον κόσμο8. Αυτή η «έκρηξη των υποδομών Τεχνητής Νοημοσύνης» μετατρέπει τα κέντρα δεδομένων στη βιομηχανική ραχοκοκαλιά της ψηφιακής οικονομίας και, ολοένα και περισσότερο, σε σημαντική πηγή ζήτησης ηλεκτρικής ενέργειας.
Η αύξηση της χρήσης ηλεκτρικής ενέργειας
Η χρήση ηλεκτρικής ενέργειας έχει αυξηθεί απότομα παράλληλα με την ψηφιακή μετάβαση. Ο Διεθνής Οργανισμός Ενέργειας (IEA, 2025) προβλέπει ότι η παγκόσμια κατανάλωση ηλεκτρικής ενέργειας από κέντρα δεδομένων θα υπερδιπλασιαστεί - από περίπου 415 TWh το 2024 σε περίπου 945 TWh έως το 2030 - με τις Ηνωμένες Πολιτείες και την Κίνα να αντιπροσωπεύουν σχεδόν το 80% της αύξησης. Οι εγκαταστάσεις που αφορούν την Τεχνητή Νοημοσύνη βασίζονται σε υπολογισμούς που βασίζονται σε GPU, οι οποίοι επιτρέπουν την παράλληλη επεξεργασία μεγάλης κλίμακας, αλλά καταναλώνουν έως και έξι φορές περισσότερη ενέργεια από τα συμβατικά racks, αυξάνοντας τόσο την ένταση ψύξης όσο και τις απαιτήσεις αιχμής φορτίου.
Αυτές οι εγκαταστάσεις συγκεντρώνονται ολοένα και περισσότερο σε περιοχές με άφθονες ανανεώσιμες πηγές ενέργειας, χαμηλές τιμές ηλεκτρικής ενέργειας και ευνοϊκό κλίμα, ωστόσο μια τέτοια ομαδοποίηση ενισχύει επίσης την τοπική πίεση στο δίκτυο και τους περιορισμούς μετάδοσης. Καθώς οι εγκαταστάσεις τεχνητής νοημοσύνης κλιμακώνονται από μεγαβάτ σε γιγαβάτ, η διασφάλιση μιας αξιόπιστης και χαμηλών εκπομπών άνθρακα παροχής ηλεκτρικής ενέργειας έχει γίνει στρατηγική πρόκληση για τις επιχειρήσεις κοινής ωφέλειας, τις ρυθμιστικές αρχές και τους κατασκευαστές τεχνολογίας.
Η κατανάλωση ενέργειας
Ένας αυξανόμενος όγκος βιβλιογραφίας έχει εξετάσει το ενεργειακό αποτύπωμα των ψηφιακών υποδομών. Πρώιμες μελέτες ποσοτικοποίησαν την κατανάλωση ηλεκτρικής ενέργειας και τις εκπομπές που σχετίζονται με τις τεχνολογίες πληροφοριών και επικοινωνιών, ενώ πιο πρόσφατες εργασίες υπογραμμίζουν ότι η αύξηση των φόρτων εργασίας τεχνητής νοημοσύνης - ιδιαίτερα των μεγάλης κλίμακας συστάδων GPU και των γενετικών μοντέλων - μπορεί να αυξήσει σημαντικά τη ζήτηση ηλεκτρικής ενέργειας και τις σχετικές περιβαλλοντικές επιπτώσεις.
Για την ποσοτικοποίηση αυτών των επιπτώσεων, προηγούμενη έρευνα έχει αναπτύξει δύο κύριες κατηγορίες προσεγγίσεων μοντελοποίησης. Οι μέθοδοι από πάνω προς τα κάτω εκτιμούν την κατανάλωση ηλεκτρικής ενέργειας χρησιμοποιώντας συγκεντρωτικούς δείκτες όπως η κίνηση δεδομένων, η υπολογιστική χωρητικότητα ή τα στατιστικά στοιχεία. Ενώ αυτές οι προσεγγίσεις παρέχουν χρήσιμα παγκόσμια σημεία αναφοράς, συχνά δυσκολεύονται να καταγράψουν τα ετερογενή και ταχέως εξελισσόμενα φόρτα εργασίας που σχετίζονται με την υπολογιστική τεχνητής νοημοσύνης.
Αντιθέτως, τα μοντέλα μηχανικής από κάτω προς τα πάνω εκτιμούν την κατανάλωση ενέργειας από τα χαρακτηριστικά σε επίπεδο εγκατάστασης, συμπεριλαμβανομένων των διαμορφώσεων υλικού διακομιστή, των συστημάτων ψύξης και των μετρήσεων λειτουργικής απόδοσης. Ωστόσο, τέτοια μοντέλα συχνά περιορίζονται από την περιορισμένη διαθεσιμότητα δεδομένων και την ελλιπή γνώση των ιδιόκτητων αναπτύξεων υπερκλίμακας υποδομών. Πρόσφατες μελέτες επιχειρούν να γεφυρώσουν αυτές τις προοπτικές συνδέοντας τα υπολογιστικά φόρτα εργασίας με την ενεργειακή ζήτηση μέσω πλαισίων λογιστικής που βασίζονται σε εργασίες ή σε επίπεδο μοντέλου, τα οποία συμπληρώνονται από αναλύσεις σεναρίων όπως η έκθεση Ενέργειας και Τεχνητής Νοημοσύνης του IEA11.
Παρά αυτές τις εξελίξεις, οι υπάρχουσες προσεγγίσεις παραμένουν σε μεγάλο βαθμό επικεντρωμένες στην εκτίμηση της συνολικής ζήτησης ή στην ενέργεια σε επίπεδο εγκατάστασης.
www.worldenergynews.gr
