Kan AI fungere effektivt? Forskere har måske fundet en løsning

Kunstig intelligens (AI) fortsætter med at forme vores fremtid på tværs af næsten alle brancher, efterhånden som dens adoption vokser for at automatisere vigtige forretningsprocesser, reducere omkostninger og øge produktiviteten. 

Data viser, at mere end 80 % af virksomhederne anvender AI i nogen grad og ser det som en kerne‑teknologi i deres organisationer. Den økonomiske forpligtelse til AI er også steget, da adoptionen giver betydelige fordele og meget højere ROI.

Med det voksede AI‑markedets størrelse til over $184 milliarder i 2024 og forventes at overstige $826 milliarder inden udgangen af dette årti, ifølge Statista.

Al denne vækst og den eksplosive interesse for AI har resulteret i et våbenkapløb om at udvikle teknologien. AI‑modeller som store sprogmodeller (LLM’er), der bygges af organisationer, bruger algoritmer til at forstå, opsummere, oversætte og generere menneskeligt sprog og trænes på enorme datamængder ved hjælp af strømkrævende processorer. 

For dette investerer virksomheder og datacenteroperatører store summer i at bygge nye højkapacitets‑datacentre. Investeringerne i nye datacentre, ifølge International Energy Agency (IEA), er allerede steget kraftigt de sidste to år, ledet af USA. I 2023 var den samlede kapitalinvestering fra Microsoft (MSFT ), Google og Amazon (AMZN ) alene højere end den for hele olie‑ og gasindustrien i landet.

Disse datacentre kræver meget elektricitet for at kunne drives. I 2022 udtalte IEA, at datacentre forbrugte 1,65 milliarder gigajoule elektricitet, svarende til omkring 2 % af den globale efterspørgsel. 

Den globale efterspørgsel efter strøm fra datacentre er desuden forudsagt at stige med 50 % inden 2027 og med 165 % inden 2030, ifølge Goldman Sachs (GS ) Research fra tidligere denne måned. 

Den nuværende strømforbrug i datacentre anslås til omkring 55 gigawatt (GW), bestående af cloud‑computing‑arbejdsbelastninger (54 %), traditionelle arbejdsbelastninger som lagring (32 %) og AI (14 %). Modellering af fremtidig efterspørgsel for disse arbejdsbelastningstyper giver et forventet strømforbrug på 84 GW i 2027, hvor AI vil vokse til 27 % mens cloud falder til 50 % og traditionelle arbejdsbelastninger falder til 23 %.

Det globale markedskapacitet for datacentre ligger i øjeblikket omkring 59 GW, hvoraf 60 % leveres af hyperskala‑cloud‑udbydere som Google og Alibaba samt tredjeparts‑datacenteroperatører, mens resten kommer fra traditionelle virksomheders og telekommunikations‑ejede datacentre.

Strømkravet for disse store hyperskala‑datacentre er 100 MW eller mere med et årligt elforbrug, der svarer til elbehovet fra så mange som 400 000 elbiler.

Efterhånden som organisationer fortsat omfavner AI, kan vi også forvente fremkomsten af AI‑dedikerede datacentre, en ny klasse af infrastruktur designet specifikt til at imødekomme de særlige krav fra AI‑arbejdsbelastninger. Selvom der indtil videre kun findes få, er de primært placeret i Asien‑Stillehavsområdet og Nordamerika, især i Beijing, Shanghai, Northern Virginia og San Francisco‑området. 

Ifølge estimater fra Goldman Sachs Research vil der ved udgangen af 2030 være omkring 122 GW datacenterkapacitet online. På grund af de højere behandlingskrav fra AI vil energitætheden i datacentre sandsynligvis også vokse til 176 kilowatt‑timer per kvadratfod inden to år.

Da datacentre bidrager til et stigende strømbehov, vil elnettet også kræve betydelige investeringer, anslået til $720 milliarder i netudgifter frem til 2030.

Derudover er CO₂‑udledningen fra datacentre også på vej til at mere end fordobles mellem 2022 og 2030. Så elforbruget i datacentre, som i øjeblikket udgør 1‑2 % af den samlede strøm, sandsynligvis vil stige til 3‑4 % inden årtiets udgang, er blevet en bekymring, selvom det ikke er en tabt sag. 

Tallene er massive, men beskedne i en bredere kontekst af den globale vækst i samlet elforbrug, som ifølge IEA forventes at vokse med 6 750 TWh inden 2030, drevet af ikke kun AI, men også fortsat økonomisk vækst, elbiler, klimaanlæg og el‑intensiv fremstilling.

Derudover er både hastigheden af AI‑brug usikker, men fortsatte effektivitetforbedringer i både hardware og software kan hjælpe med at imødekomme AI‑teknologiens strømkrav. 

Effektiviteten af AI‑relaterede computerchips har fordoblet sig omtrent hver 2,5‑3. år. Et moderne AI‑chip forbruger nu 99 % mindre strøm, mens det udfører de samme beregninger som en model fra 2008. Derudover bliver AI‑modellerne selv mere effektive. Kombineret med nye køleteknologier og innovative videnskabelige løsninger reducerer disse fremskridt energiforbruget og minimerer deres miljøpåvirkning.

Klik her for at lære, hvorfor traditionel lagring ikke kan følge med AI.

Forskere udvikler en banebrydende løsning 

Illustrativt billede. Ikke et egentligt fotografi.

Mod baggrunden af AI‑udviklingen og dens stigende energibehov har forskere i Japan udviklet en innovativ spintronisk enhed, der lover en væsentlig reduktion i strømforbruget ved at muliggøre elektrisk kontrol af magnetiske tilstande. 

Dette gennembrud kan revolutionere AI‑hardware ved at skabe chips, der efterligner den måde, neurale netværk fungerer på, og som er langt mere energieffektive. I stedet for at bruge en elektrisk strøm til at gemme information, bruger disse enheder elektronernes spin til det samme, hvilket gør dem hurtigere og mere effektive.

Spintroniske enheder anvendes i masse‑lagringsenheder og computere for at øge hastigheden og ydeevnen.

Forskere fra National Institute for Materials Science, Tohoku University og Japan Atomic Energy Agency bruger nu enheden til lav‑strøm‑AI‑chips og har demonstreret et proof‑of‑concept for en strøm‑programmeret spin‑orbit‑torque (SOT)‑enhed.

SOT tilbyder en lovende mekanisme til elektrisk kodning af information i magnetiske tilstande. I eksisterende ordninger bestemmes den dog passivt af materialet og enhedsstrukturerne. 

“Mens spintronisk forskning har gjort betydelige fremskridt i elektrisk kontrol af magnetisk orden, adskiller de fleste eksisterende spintroniske enheder rollen for det magnetiske materiale til at blive kontrolleret og materialet, der leverer den drivende kraft.”

– Shunsuke Fukami, Tohoku University

Spintroniske enheder, når de først er fremstillet, har et fast driftsprincip, hvor de typisk skifter information i en binær måde; fra “0” til “1”. Den nye forskning har dog gjort fremskridt i elektrisk programmerbar skiftning af flere magnetiske tilstande. Manipulation af den iboende SOT‑polaritet tillader fleksibelt programmerbare SOT‑enheder.

Ifølge resultaterne af studiet offentliggjort i Nature Communications¹ denne måned, muliggør denne spintroniske enhed elektrisk gensidig kontrol af ikke‑kollineære antiferromagneter og ferromagneter for effektiv skiftning af magnetiske tilstande. 

Den elektriske kontrol af magnetiske tilstande er grundlaget for magnetisk hukommelse, logik og beregning, og SOT tilbyder en effektiv tilgang til at styre dem. 

Det betyder, at den banebrydende SOT‑enhed kan gemme og behandle information på samme måde som en hjerne‑inspireret AI‑chip, mens den bruger betydeligt mindre energi, hvilket åbner døren for en ny generation af AI‑hardware, der er både yderst effektiv og energibesparende.

Studiet brugte Mn3Sn, et ikke‑kollineært antiferromagnet, som den centrale magnetiske materiale og påførte en elektrisk strøm på det, hvilket førte til, at det producerede en spin‑strøm, der drev skiftningen af CoFeB, den tilstødende ferromagnet. Dette blev gjort gennem en proces kaldet den magnetiske spin‑Hall‑effekt.

Spin‑Hall‑effekten (SHE) er et centralt element i moderne spintronik, der opnår “kobling mellem ladningsstrømme og kollektiv spin‑dynamik i magnetisk ordnede systemer”.

Tidligere forskning² fra Tohoku University, i samarbejde med andre institutter, viste, at i forhold til ikke‑magnetiske materialer har antiferromagneter stærkere spin‑Hall‑egenskaber. Desuden har SHE i Mn3Sn et unormalt tegnskift, når de trekantede ordnede momenter ændrer orientering. Det tilskrives også Mn3Sn’s høje magnetiske mekanisme til spin‑splittet, som er afhængig af momentum og genereres af den ikke‑kollineære magnetiske orden, hvilket udvider omfanget af antiferromagnetisk spintronik.

I den seneste forskning reagerede ferromagneten på den spin‑polariserede strøm og udover det, påvirkede den magnetiske tilstand af Mn3Sn. Dette gjorde den elektriske gensidige skiftning mellem de to materialer mulig.

Teamet demonstrerede i deres eksperiment, at information skrevet til ferromagneten kan kontrolleres elektrisk med hjælp fra Mn3Sn’s magnetiske tilstand. De var i stand til at skifte CoFeB’s magnetisering i forskellige spor, der repræsenterer flere tilstande, ved at justere den indstillede strøm.

Denne strøm‑polaritet ændrer fortegnet på den skrevne information, hvilket er en analog skiftning, og er en nøgleoperation i neurale netværk, der efterligner den måde, analoge værdier fungerer i AI‑behandling.

Opdagelsen, ifølge Fukami, er et kritisk skridt fremad i produktionen af mere energieffektive AI‑chips. 

“Ved at realisere den elektriske gensidige skiftning mellem et ikke‑kollineært antiferromagnet og en ferromagnet, har vi åbnet nye muligheder for strøm‑programmerbare neurale netværk,“ tilføjede han, og bemærkede, at deres fokus nu er på “yderligere at reducere driftsstrømme og øge læsesignaler, hvilket vil være afgørende for praktiske anvendelser i AI‑chips.”

Med datacentre, der forbruger så meget energi, har en anden undersøgelse haft til formål at reducere strømforbruget med SOT‑Magnetisk Random‑Access Memory (MRAM).

Dette separate studie³, som blev offentliggjort i Nature Communications sidste måned, kom fra forskere ved Johannes Gutenberg University Mainz (JGU), som udviklede en kraftfuld og højt‑effektiv løsning til databehandling og lagring, samtidig med at energiforbruget reduceres.

Prototypen “baner vejen for hurtigere, mere effektive hukommelsesløsninger,“ sagde hovedforfatteren af studiet, Dr. Rahul Gupta, som tidligere har været post‑doktor ved JGU Institute of Physics.

Den er baseret på SOT‑MRAM, som er kendt for sin overlegne strøm‑effektivitet, ikke‑flygtighed og ydeevne sammenlignet med statisk RAM. Teknologien, der bruger elektriske strømme til at skifte magnetiske tilstande, står over for udfordringer med at reducere den høje indgangsstøm, der kræves under skriveprocessen. Dette betyder at opretholde tilstrækkelig termisk stabilitet for at gemme data i lang tid og minimere den energi, der kræves for at udføre lagringsopgaven.

I stedet for SHE benyttede dette studie den Orbital Hall Effect (OHE), hvor en transversal strøm af orbitalt impulsmoment produceres i et materiale, når en elektrisk strøm påføres. Ved at udnytte dette fænomen kunne forskerne opnå større energieffektivitet uden at være afhængige af dyre eller sjældne materialer.

Det unikke magnetiske materiale, der blev udviklet, bruger elementer som Ruthenium som en SOT‑kanal for at forbedre ydeevnen. Med dette lykkedes det teamet at opnå en 20 % reduktion i indgangsstømmen, en 30 % stigning i effektiviteten og en over 50 % reduktion i det samlede energiforbrug.

Virksomheder, der fører vejen

Lad os nu se på fremtrædende navne, der hjælper med at fremme AI‑området:

1. NVIDIA Corporation

Nvidia (NVDA ) designer og fremstiller grafiske behandlingsenheder eller GPU’er. En GPU er en elektronisk kredsløb, der udfører matematiske beregninger med høj hastighed og er et populært valg til udvikling af AI‑modeller.

I løbet af det sidste årti har virksomheden markant forbedret ydeevne‑pr‑watt for sine GPU’er, op til 4.000‑gange, ifølge chefforsker William Dally, og fortsætter med at udvikle specialiserede kredsløb i disse chips, som er specifikt designet til AI‑beregninger.

Nvidia er verdens næststørste virksomhed efter markedsværdi på $3,21 billioner. Aktierne handles i øjeblikket til $130,86, ned 2,35 % år‑til‑dato. Virksomhedens EPS (TTM) er 2,54 og P/E‑forholdet (TTM) er 51,67, mens udbytteafkastet er 0,03 %.

Hvad angår virksomhedens økonomi, vil Nvidia offentliggøre resultaterne for 4. kvartal FY25 den 26. februar. For Q3 var de GAAP‑justerede indtjening pr. udvandet aktie $0,78 og de non‑GAAP‑justerede $0,81.

I dette kvartal annoncerede Nvidia en rekordomsætning på $35,1 milliarder, en stigning på 17 % fra Q2 og 94 % fra året før. Indtægterne fra datacentre udgjorde $30,8 milliarder af dette beløb. For Q4 forventer de en omsætning på $37,5 milliarder.

“AI‑alderen er i fuld gang og driver et globalt skift til NVIDIA‑computing,“ sagde administrerende direktør og grundlægger Jensen Huang på tidspunktet, mens han bemærkede den “utrolige“ efterspørgsel efter deres Hopper samt forventningerne til Blackwell, som muliggør høj‑ydeevne‑computing (HPC) for accelereret træning, inferens og effektivitet i generativ AI.

Nvidia har gennemgået en fantastisk rejse, idet aktiekursen gik fra under $11 i oktober 2022 til over $152 i begyndelsen af januar 2025. For nylig mistede de noget momentum efter, at den kinesiske AI‑startup DeepSeek lancerede deres seneste AI‑model. Den oprindelige opfattelse var, at DeepSeek ville underminere efterspørgslen efter Nvidias høj‑ydeevne‑GPU’er, men det kan faktisk være positivt for Nvidia, da startup‑ens lavere beregningsbehov kan åbne flere AI‑muligheder og dermed drive priserne på den største chipproducent opad.

“AI transformerer hver branche, hver virksomhed og hvert land,“ sagde Huang under sidste kvartals‑regnskab og tilføjede, at virksomheder adopterer agentisk AI, mens gennembrud inden for fysisk AI ses i industriel robotik. Lande, tilføjede han, er også blevet bevidste om vigtigheden af at bygge deres egen AI‑infrastruktur.

#2. Broadcom Inc.

Broadcom (AVGO ) er blandt de 10 største virksomheder med en markedsværdi på $1,1 billioner. De beskæftiger sig med design, udvikling og levering af et bredt udvalg af halvleder‑ og infrastruktur‑softwareløsninger. Virksomheden har partnerskaber med store aktører som Google, Meta Platforms (META ) og ByteDance. De arbejder også sammen med OpenAI og Apple (AAPL ) om at bygge deres egne AI‑chips.

På nuværende tidspunkt handles Broadcom‑aktier til $235, op 1,95 % år‑til‑dato. Virksomhedens EPS (TTM) er 1,28 og P/E‑forholdet (TTM) er 184,78, mens udbytteafkastet er 1 %.

I Q4 2024 havde Broadcom en omsætning på over $14 milliarder, en stigning på 51 % i forhold til samme periode sidste år, mens GAAP‑nettoresultatet var $4,324 milliarder. For Q1 i regnskabsåret 2025 gav virksomheden en omsætningsguidance på omkring $14,6 milliarder.

I fjerde kvartal nåede chipproducentens halvlederomsætning en rekord på $30,1 milliarder, hvilket administrerende direktør og præsident Hock Tan bemærkede var drevet af AI‑omsætning på $12,2 milliarder. Den 220 % år‑til‑år‑vækst i AI‑omsætning blev drevet af deres XPUs.

Broadcoms GAAP‑udvannede EPS var $0,90 og non‑GAAP‑udvannede EPS var $1,42. Pengestrøm fra driften var $5,6 milliarder. Virksomheden rapporterede også en stigning på 11 % i kvartalsudbyttet til $0,59 pr. aktie, hvilket var den fjortende på hinanden følgende stigning. Fri pengestrøm ekskl. omstrukturering var “stærk” på $21,9 milliarder, mens likvide midler udgjorde $9,348 milliarder.

“Vi ser vores mulighed i AI over de næste tre år som enorm. Specifikke hyperscalere er begyndt deres respektive rejser for at udvikle deres egne skræddersyede AI‑acceleratorer.”

– Tan sagde på indtjeningsopkaldet

Han delte også, at virksomheden udvikler AI chips med tre store cloud‑kunder, som hver forventes at implementere 1 million AI‑chips i netværkede klynger inden 2027.

Konklusion

Efterhånden som populariteten og brugen af kunstig intelligens vokser, gør deres energiforbrug også. AI‑modeller, især dyb læring, kræver en betydelig mængde energi til beregning, og konventionelle løsninger møder grænser for strøm‑effektivitet.

Mod denne baggrund kan forskning, der har til formål at forbedre energiefektiviteten i AI‑chips og minimere deres miljøpåvirkning, hjælpe verden med at realisere det fulde potentiale i teknologien, samtidig med at de negative effekter mindskes.

SOT‑baserede hukommelses‑ og logikkenheder kan gøre en stor forskel ved at levere en lav‑strøm‑løsning, der bruger magnetiske tilstande til beregning i stedet for ladnings‑baseret logik. At bevare data uden konstant strøm kan reducere energikostnader for AI‑inference, muliggøre mere energieffektive AI‑acceleratorer til real‑time AI‑beslutningstagning ved at efterligne hjernen, og øge behandlingshastigheden for AI‑opgaver ved at integrere logik og hukommelse.

Konstante bestræbelser som disse gør AI‑hardware og -software mere energieffektive, hurtigere og i stand til at håndtere komplekse beregninger, hvilket igen driver bredere AI‑adoption på tværs af brancher, mens deres CO₂‑aftryk reduceres!

Klik her for at lære, hvorfor 2025 er året for AI‑drevne investeringer.