Hur mycket el använder AI?

Det finns ingen tillförlitlig global totalsumma för el som används enbart av AI. AI körs i datacenter tillsammans med molnlagring, video, konventionell programvara och andra arbetsbelastningar, och operatörer publicerar sällan tillräckligt med detaljer för att separera dem. Det bästa ärliga svaret börjar därför en nivå upp.

International Energy Agency uppskattar att alla datacenter används ca 415 terawattimmar el 2024, cirka 1.5% av den globala elförbrukningen. Dess basfall räknar med cirka 945 TWh år 2030 och identifierar AI som den viktigaste drivkraften bakom ökningen, tillsammans med tillväxten inom andra digitala tjänster. Det är modellerade datacentersiffror, inte en läsning av "AI-elektricitet".

För ett vanligt textmeddelande är de senaste offentliga uppskattningarna mycket mindre – vanligtvis en bråkdel av en wattimme – men modellval, sammanhang och utdatalängd kan ändra resultatet avsevärt.

Varför det globala AI-numret saknas

En elmätare för datacenter ser servrar, nätverk, lagring, kylning och energiomvandling. Den betecknar inte varje elektron "AI-inferens", "modellutbildning" eller "e-post". En leverantör kan allokera energi internt, men offentlig rapportering kombinerar vanligtvis tjänster eller rapporterar företagsövergripande totaler.

Även kategorin AI är hal. En rekommendationsmodell, en vädermodell, en bildgenerator och en långresonerande chatbot är olika arbetsbelastningar. Vissa delar acceleratorer med andra kunder. Andra använder dedikerade kluster. En server kan också förbruka ström medan den väntar på arbete, vilket måste tilldelas på något sätt om målet är en siffra per uppgift.

Det är därför en exakt global AI-total bör ställa frågor om gränsen och metoden. Det kan vara ett scenario, en kapacitetsuppskattning eller en delmängd av hårdvara snarare än direkt uppmätt förbrukning.

IEA:s 415 TWh uppskattning ger skala utan att låtsas att varje datacenteruppgift är AI. Det visar också varför en liten global procentandel kan samexistera med ett allvarligt lokalt tryck. Stora anläggningar samlas i vissa regioner och ansluter till specifika nät, så deras effekt är inte jämnt spridd över världen.

För USA, Lawrence Berkeley National Laboratory's 2024 datacenter energirapport modellerar historisk användning och en rad scenarier fram till 2028. Användningen av en rad spelar roll: framtida efterfrågan beror på acceleratorleveranser, utnyttjande, effektivitetsförbättringar och hur snabbt nya platser färdigställs.

EPRI publicerar också scenarier snarare än en viss framtid. dess Powering Intelligence-analys projicerar en stor spridning av elanvändning i USA:s datacenter till 2030. Prognoserna skiljer sig åt eftersom deras indata och brytdatum skiljer sig åt, inte nödvändigtvis för att en sida har hittat en dold mätare.

Ett meddelande är inte en fast enhet

På individnivå blir frågan mer konkret men behöver ändå sammanhang. Ett AI-meddelande kan vara en omskrivning på tio ord eller en begäran som bearbetar ett stort dokument, söker på webben och producerar flera tusen ord. Var och en involverar olika mängd beräkningar.

De senaste uppskattningarna diskuteras i hur mycket energi a ChatGPT fråga använder placera ett typiskt textutbyte runt en bråkdel av en wattimme. Långa inmatningar, utökade resonemang, flera verktygsanrop och bild- eller videogenerering kan vara mycket mer krävande. Energikostnaden förändras också med modell, hårdvara, batchning och datacenteroverhead.

Den variationen är anledningen till att multiplicera en populär "per fråga"-siffra med all AI-användning ger en bräcklig summa. Den antagna budskapsmixen kan dominera svaret.

Både träning och slutledning räknas

Utbildning är det koncentrerade jobbet som skapar eller väsentligt uppdaterar en modell. Inferens är det upprepade arbetet som utförs när människor använder det. Träning kan konsumera en stor mängd under en begränsad period; slutsatsen börjar efteråt och växer med varje begäran.

Vilken som är störst över en modells liv kan inte svaras på utan att veta hur ofta modellen används. En allmänt spridd tjänst kan ackumulera en enorm efterfrågan på slutsatser. En modell som tränats och sedan sällan används kan förbli träningstung. Att tilldela träningsenergi per meddelande kräver också att man gissar modellens livstidsanvändning.

Distinktionen utforskas längre in AI-träning kontra slutledningsutsläpp. För elplanering bidrar båda arbetsbelastningarna till efterfrågan på anläggningar. För ett kvitto per meddelande är operativ slutledning vanligtvis den mer försvarbara gränsen eftersom den hänför sig till det arbete som just begärts.

Effektivitet garanterar inte lägre totalsummor

Hårdvara och mjukvara kan leverera mer AI-arbete per watt. Mindre modeller kan minska beräkningen, kvantisering kan minska minnes- och aritmetiska krav, och högre utnyttjande kan sprida en servers overhead över fler förfrågningar. IEA inkluderar ett högeffektivt scenario just för att dessa förändringar väsentligt kan sänka framtida efterfrågan i förhållande till dess basfall.

Men effektivitet per uppgift och total elanvändning är separata frågor. Om AI blir billigare och placeras i fler produkter kan antalet och komplexiteten av uppgifter växa snabbare än energin per uppgift faller. Nya funktioner kan också skapa arbetsbelastningar – som persistenta agenter eller genererad video – som inte var vanliga tidigare.

Det är det centrala svaret på varför AI använder så mycket energi: krävande beräkningar blir både effektivare och mer utbredda.

Hur man läser ett AI-elpåstående

Fråga först om anspråket omfattar AI, accelererade servrar eller alla datacenter. Kontrollera sedan om det är uppmätt förbrukning, beräknad energi eller beräknad kapacitet. Titta efter årtal, geografi, användningsantagande och om kyla och effektomvandling ingår. Slutligen, håll elen åtskild från kol: samma wattimme kan ha olika utsläpp beroende på var och när den genereras.

Treechat s meddelandemottagning är medvetet smalare än en global prognos. Den uppskattar operativ energi från modellen och tokenanvändningen, lägger till angiven datacenteroverhead och konverterar den med hjälp av ett avslöjat nätantagande. Det är inte en effektmätare eller ett påstående om hela livscykeln. De nuvarande ingångarna och gränserna är på vår metodsida.

Så hur mycket el använder AI? Tillräckligt för att vara en materiell drivkraft för tillväxt av datacenter, men inte tillräckligt för att offentliga bevis ska stödja en exakt AI-enbart totalsumma. Använd intervall på systemnivå för rutnätsfrågor och uppskattningar på uppgiftsnivå för individuella val – och blanda inte ihop de två.