Hoeveel elektriciteit gebruikt AI?

Er bestaat geen betrouwbaar mondiaal totaal voor elektriciteit dat alleen door AI wordt gebruikt. AI draait in datacenters naast cloudopslag, video, conventionele software en andere workloads, en operators publiceren zelden genoeg details om ze van elkaar te scheiden. Het beste eerlijke antwoord begint dus een niveau hoger.

Het International Energy Agency schat dat alle datacenters ongeveer 415 terawattuur elektriciteit in 2024, ongeveer 1.5% van het mondiale elektriciteitsverbruik. Het basisscenario gaat uit van ongeveer 945 TWh in 2030 en identificeert AI als de belangrijkste aanjager van de toename, naast de groei van andere digitale diensten. Dit zijn gemodelleerde datacentercijfers, geen interpretatie van ‘AI-elektriciteit’.

Voor een gewoon sms-bericht zijn recente publieke schattingen veel kleiner – doorgaans een fractie van een wattuur – maar modelkeuze, context en uitvoerlengte kunnen het resultaat aanzienlijk veranderen.

Waarom het mondiale AI-nummer ontbreekt

Een elektriciteitsmeter in een datacenter ziet servers, netwerken, opslag, koeling en stroomconversie. Het labelt niet elk elektron ‘AI-inferentie’, ‘modeltraining’ of ‘e-mail’. Een aanbieder kan energie intern toewijzen, maar openbare rapportage combineert doorgaans diensten of rapporteert bedrijfsbrede totalen.

Zelfs de categorie AI is glad. Een aanbevelingsmodel, een weermodel, een beeldgenerator en een lang redenerende chatbot zijn verschillende werklasten. Sommigen delen versnellers met andere klanten. Anderen gebruiken speciale clusters. Een server kan ook stroom verbruiken tijdens het wachten op werk, wat op de een of andere manier moet worden toegewezen als het doel een cijfer per taak is.

Dit is de reden waarom een nauwkeurig mondiaal AI-totaal vragen zou moeten oproepen over de grens en de methode. Het kan een scenario zijn, een capaciteitsschatting of een subset van hardware, in plaats van een direct gemeten verbruik.

De schatting van 415 TWh van het IEA geeft schaal aan zonder te doen alsof elke datacentertaak AI is. Het laat ook zien waarom een ​​klein mondiaal percentage kan samengaan met ernstige lokale druk. Grote faciliteiten clusteren in bepaalde regio's en zijn aangesloten op specifieke netwerken, waardoor hun effect niet gelijkmatig over de wereld is verspreid.

Voor de Verenigde Staten: Lawrence Berkeley National Laboratory Energierapport datacenters 2024 modelleert historisch gebruik en een reeks scenario's tot 2028. Het gebruik van een reeks is van belang: de toekomstige vraag hangt af van de levering van versnellers, het gebruik, efficiëntieverbeteringen en hoe snel nieuwe locaties worden voltooid.

EPRI publiceert eveneens scenario's in plaats van één bepaalde toekomst. Het is Intelligente analyse mogelijk maken voorspelt een grote spreiding in het elektriciteitsverbruik van Amerikaanse datacentra in 2030. De voorspellingen verschillen omdat hun inputs en afsluitdata verschillen, niet noodzakelijkerwijs omdat één kant een verborgen meter heeft gevonden.

Een bericht is geen vaste eenheid

Op individueel niveau wordt de vraag concreter, maar heeft nog steeds context nodig. Een AI-bericht kan een herschrijving van tien woorden zijn of een verzoek dat een groot document verwerkt, het internet doorzoekt en enkele duizenden woorden produceert. Elk omvat een andere hoeveelheid berekeningen.

Recente schattingen besproken in hoeveel energie A ChatGPT vraag gebruikt plaats een typische tekstuitwisseling rond een fractie van een wattuur. Lange invoer, uitgebreid redeneren, meerdere tooloproepen en het genereren van afbeeldingen of video's kunnen veel veeleisender zijn. De energiekosten veranderen ook afhankelijk van het model, de hardware, de batching en de overhead van het datacenter.

Die variatie is de reden waarom het vermenigvuldigen van één populair ‘per zoekopdracht’-cijfer met al het AI-gebruik een kwetsbaar totaal oplevert. De veronderstelde berichtenmix kan het antwoord domineren.

Training en gevolgtrekking tellen beide

Training is de geconcentreerde taak die een model creëert of substantieel bijwerkt. Inferentie is het herhaalde werk dat wordt uitgevoerd wanneer mensen het gebruiken. Training kan in een beperkte periode een grote hoeveelheid kosten; gevolgtrekking begint daarna en groeit met elk verzoek.

Welke vraag groter is gedurende de levensduur van een model, kan niet worden beantwoord zonder te weten hoe vaak het model wordt gebruikt. Een breed inzetbare dienst kan een enorme vraag naar gevolgtrekkingen accumuleren. Een model dat is getraind en vervolgens zelden wordt gebruikt, kan zwaar blijven trainen. Om trainingsenergie per bericht toe te wijzen, moet ook het levensduurgebruik van het model worden geraden.

Het onderscheid wordt verder onderzocht in AI-training versus gevolgtrekkingsemissies. Voor de elektriciteitsplanning dragen beide werklasten bij aan de vraag naar faciliteiten. Voor een ontvangstbewijs per bericht is operationele gevolgtrekking meestal de beter verdedigbare grens, omdat deze betrekking heeft op het zojuist aangevraagde werk.

Efficiëntie garandeert geen lagere totalen

Hardware en software kunnen meer AI-werk per watt leveren. Kleinere modellen kunnen het rekenwerk verminderen, kwantisering kan de geheugen- en rekenkundige vereisten verminderen, en een hoger gebruik kan de overhead van een server over meer verzoeken verdelen. Het IEA heeft een hoog-efficiëntiescenario opgesteld, juist omdat deze veranderingen de toekomstige vraag aanzienlijk zouden kunnen verlagen ten opzichte van het basisscenario.

Maar de efficiëntie per taak en het totale elektriciteitsverbruik zijn afzonderlijke vragen. Als AI goedkoper wordt en in meer producten wordt geplaatst, kan het aantal en de complexiteit van taken sneller groeien dan de energie per taak daalt. Nieuwe mogelijkheden kunnen ook werklasten creëren, zoals persistente agenten of gegenereerde video, die voorheen niet gebruikelijk waren.

Dat is het centrale antwoord op waarom AI zoveel energie verbruikt: veeleisende berekeningen worden zowel efficiënter als op grotere schaal gebruikt.

Hoe een AI-elektriciteitsclaim te lezen

Vraag eerst of de claim AI, versnelde servers of alle datacenters dekt. Controleer vervolgens of het gemeten verbruik, geschatte energie of geprojecteerde capaciteit is. Zoek naar het jaartal, de geografie, de aanname van het gebruik en of koeling en stroomconversie zijn inbegrepen. Houd ten slotte elektriciteit gescheiden van koolstof: hetzelfde wattuur kan verschillende emissies hebben, afhankelijk van waar en wanneer het wordt opgewekt.

Treechat’s berichtontvangst is opzettelijk beperkter dan een mondiale voorspelling. Het schat de operationele energie op basis van het model en het tokengebruik, voegt de aangegeven overhead van het datacenter toe en converteert deze met behulp van een openbaar gemaakte netwerkaanname. Het is geen vermogensmeterstand of een bewering over de hele levenscyclus. De huidige inputs en limieten liggen op ons methodologie pagina.

Hoeveel elektriciteit gebruikt AI? Genoeg om een ​​materiële aanjager te zijn van de groei van datacenters, maar niet genoeg om het publieke bewijsmateriaal één exact totaal voor alleen AI te laten ondersteunen. Gebruik bereiken op systeemniveau voor rastervragen en schattingen op taakniveau voor individuele keuzes – en verwar deze twee niet.