NVIDIA-inspirerede fremskridt reducerer AI‑træningsstrømbehov 100‑fold

Kunstig intelligens (AI) har overtaget hele verden, og ingen sektor er uberørt af magien ved denne teknologiske udvikling. I dag integrerer 77 % af enheder AI‑teknologi, selvom kun en tredjedel af forbrugerne tror, de bruger AI‑platforme. 

Et stigende antal organisationer tager også i stigende grad AI i brug for forretningsvækst, hvor 9 ud af 10 virksomheder støtter teknologien for at opnå en konkurrencemæssig fordel. Denne brug forventes at fjerne 85 millioner jobs, men samtidig skabe 97 millioner nye. 

Disse tal afspejler estimaterne om, at AI‑markedet vil bidrage med 15,7 billioner dollars til den globale økonomi inden 2030. AI‑markedets størrelse forventes også at vokse med mindst 120 % år for år. 

Men efterhånden som AI‑adoptionen vokser, vokser også efterspørgslen efter energi til at drive datacentre, som er ekstremt energikrævende. Driften og kølingen af tusindvis af servere døgnet rundt kræver enorme mængder energi. I øjeblikket trækkes denne energi fra elnettet, hvilket skaber problemer under spidsbelastning og belaster systemet. Ifølge Chevron (CVX ) CEO Mike Wirth:

“Væksten og efterspørgslen efter strøm kan belaste et net, der allerede er presset. Det kan øge omkostningerne for forbrugerne. Naturgas vil hjælpe med at drive den hurtige vækst i kunstig intelligens med sit umættelige behov for pålidelig elektricitet.”

Som svar på denne efterspørgsel annoncerede Chevron for nylig, at de vil samarbejde med GE (GE ) Verona og Engine No. 1 for at generere elektricitet til AI ved at bygge naturgaskraftværker, der er direkte forbundet til datacentre.

I øjeblikket udgør datacentre omkring 1 % af den globale elforbrug, ifølge en rapport fra International Energy Agency (IEA). 

Men dette er kun begyndelsen, da virksomheder bruger milliarder af dollars på at bygge endnu flere datacentre. 

Microsoft (MSFT ) planlægger at investere 80 milliarder dollars i AI‑aktiverede datacentre, hvor halvdelen af beløbet tildeles USA. Ifølge Blackstone (BX ) anslår, at over 1 billion dollars vil blive investeret i amerikanske datacentre frem til 2030, med Google (GOOGL ), Meta (META ), og Amazon (AMZN ) blandt de teknologigiganter, der bygger datacentre over hele landet.

Så energiforbruget i sektoren vil kun accelerere herfra. Goldman Sachs (GS ) anslår, at efterspørgslen på strøm til datacentre vil vokse med 160 % i de næste fem år, hvilket naturligt vil drive en hidtil uset stigning i elforbruget.

Ifølge estimater fra Electric Power Research Institute (EPRI) kan energiforbruget i disse faciliteter i USA udgøre mellem 4,6 % og 9,1 % af den samlede elproduktion ved årtiets slutning. 

I Europa, specifikt Tyskland, forbrugte datacentre omkring 16 milliarder kWh energi i 2020 til beregning, lagring og transmission, et tal der forventes at stige til 22 milliarder kWh i 2025.

Som følge heraf undersøger forskere konstant måder at reducere AI‑s strømkrav på. 

Reducerende AI‑energiforbrug

AI‑teknologi spiller en central rolle i at forbedre energieffektiviteten på tværs af forskellige sektorer ved at optimere energiforbruget, forudsige efterspørgsel og muliggøre smart netstyring, hvilket i sidste ende reducerer energispild og CO₂‑udledning. 

For eksempel har Vodafone UK brugt AI til at sænke den daglige strømforbrug for 5G‑radioenheder (RUs) ved hjælp af avancerede AI‑ og maskinlæringsbaserede softwareløsninger fra Ericsson. De har allerede med succes sænket forbruget med 33 % på udvalgte steder i London.

Vodafone UK implementerede tre hovedfunktioner for energibesparelse som del af forsøget. 

Dette inkluderer et Radio Power Efficiency Heatmap, som bruger ML til at identificere og rangere underpræsterende steder for målrettet effektiviseringsforbedring ved at skabe en visuel repræsentation af alle netværksceller. Derudover er der 4G Cell Sleep Mode Orchestration, som har udviklet en adfærdsmodel for netværksceller for at finjustere søvnparametre og skabe en balance mellem energibesparelser og ydeevne. 5G Deep Sleep bruger derimod AI‑drevede forudsigelsesalgoritmer, der reducerer strømforbruget med 70 % i lavbelastningsperioder.

Men hvad med AI’s energiforbrug? Forskere og virksomheder har rettet fokus mod mange forskellige områder for at reducere energiforbruget af denne hurtigt voksende teknologi.

Dette inkluderer optimering af AI‑modeller, brug af energieffektivt hardware og vedtagelse af bæredygtige praksisser som vedvarende energi og effektiv køling i datacentre.

Når det gælder optimering af AI‑modeller, kan der anvendes tilgange som pruning, kvantisering og destillation. Ved modelpruning fjernes unødvendige parametre og forbindelser fra en model uden at påvirke nøjagtigheden. Kvantisering reducerer præcisionen af modelparametre for at mindske beregningskrav og energiforbrug. Ved destillation trænes mindre modeller til at efterligne adfærden af en større, mere kompleks model, hvilket giver en mere energieffektiv model med lignende ydeevne. 

Som MIT Technology Review bemærkede i årets udgave, er mindre modeller et af de teknologiske gennembrud, der vil definere den næste æra. Disse modeller trænes på mere fokuserede datasæt og kan tilbyde domænespecifik præcision, omkostningseffektivitet og forbedret datasikkerhed sammenlignet med store sprogmodeller (LLM’er). 

GPT‑4o mini fra OpenAI, Phi fra Microsoft, Gemini Nano fra Google DeepMind og Haiku fra Anthropic’s Claude 3 er nogle eksempler på mindre versioner af større AI‑modeller fra teknologigiganter.

Når det gælder hardware, har fokus været på brug af GPU‑er og andre specialiserede AI‑processorer, der er designet specifikt til højtydende arbejdsbelastninger. 

Derudover findes der udvalgte energieffektive servere og processorer, der justerer strømforbruget efter arbejdsbelastning, virtualisering for bedre ressourceudnyttelse ved at køre flere processer på færre fysiske maskiner, samt avancerede køleteknologier for at reducere behovet for energikrævende klimaanlæg. 

Som vi delte sidste måned, har forskere fra Tohoku University, Japan Atomic Energy Agency og National Institute for Materials Science opnået en yderst effektiv og energibesparende AI‑hardware. Forskerne brugte spintronic‑enheder til lav‑strøm‑AI‑chips og demonstrerede en current‑programmeret spin‑orbit‑torque (SOT)‑enhed, som åbner døren for en ny generation af AI‑hardware.

Endnu en måde at reducere AI‑energiforbruget på er gennem bæredygtige praksisser. Datacentre kan udnytte vedvarende energikilder, implementere energieffektive kølesystemer og designe effektive layout for at reducere energiforbruget.

Virksomheder gør aktivt forpligtelser i denne retning, hvor Google gør fremskridt med geotermisk energi. Microsoft er en anden, som planlægger at genåbne Three Mile Island‑atomkraftværket for at blive CO₂‑neutral inden 2030.

Interessant nok bruges AI også til at bringe energieffektivitet til AI selv. Teknologien bruges til at optimere energiforbruget i bygninger og industrier, forudsige hvornår udstyr har brug for vedligeholdelse, og reducere spidsbelastning ved at udnytte real‑time netforhold.

Midt i alt dette har forskere fra Technical University of Munich (TUM) udviklet en ny metode, der træner neurale netværk op til 100 gange hurtigere, hvilket markant reducerer energiforbruget forbundet med AI‑applikationer.

Til dette beregnede forskerne parametrene direkte ud fra sandsynligheder i stedet for en iterativ tilgang, men resultaterne har indtil videre været sammenlignelige i kvalitet med eksisterende iterative metoder.

En ny måde at reducere AI‑energiforbruget betydeligt på 

Udover den øgede brug af AI vil lanceringen af mere komplekse AI‑applikationer i de kommende år medføre en betydelig stigning i efterspørgslen på datacenterkapacitet. 

Disse applikationer vil forbruge enorme mængder energi til træning af neurale netværk. Så den nye undersøgelse fokuserer på at reducere den massive strøm, der kræves for at træne neurale netværk til AI. 

Neurale netværk bruges i AI til at genkende billeder og behandle sprog blandt andre opgaver. Disse netværks funktion er inspireret af den måde, den menneskelige hjerne fungerer på.

Det neutrale netværk består af sammenkoblede noder kaldet kunstige neuroner. Her vægtes input‑signalerne med specifikke parametre, før de summeres, og hvis den definerede grænse overskrides, sendes signalet videre til den næste node.

For at træne netværket er den indledende udvælgelse af parameterværdier typisk tilfældig og justeres derefter gradvist for at forbedre netværkets forudsigelser løbende.

Denne tilgang kræver naturligvis mange iterationer, hvilket gør træningen ekstremt krævende og dermed fører til et stort elforbrug.

Så et forskerteam ledet af Felix Dietrich, professor i fysik‑forstærket maskinlæring, udviklede en ny metode. Dietrich er kernemedlem af Munich Data Science Institute (MDSI) og associeret medlem af Munich Center for Machine Learning (MCML).

Den nye teknik benytter sandsynligheder i stedet for at bestemme parametrene mellem noderne gentagne gange. Denne probabilistiske metode anvender målrettet værdier på kritiske placeringer i træningsdataene – steder hvor store og hurtige ændringer i værdier finder sted. 

Med denne tilgang sigter undersøgelsen mod at opnå energibesparende dynamiske systemer ud fra data. Sådanne dynamiske systemer ændrer sig over tid i henhold til regler. Disse systemer kan findes i finansmarkeder og klimamodeller.

“Vores metode gør det muligt at bestemme de nødvendige parametre med minimal beregningskraft. Dette kan gøre træning af neurale netværk meget hurtigere og som følge heraf mere energieffektiv. Derudover har vi set, at nøjagtigheden af den nye metode er sammenlignelig med den for iterativt trænede netværk.”

– Dietrich

Denne fremskridt har potentialet til at sænke AI’s miljøpåvirkning betydeligt ved at mindske den energi, der kræves for at træne neurale netværk. Vi kan forvente, at industrier, der implementerer store AI‑modeller, vil adoptere denne metode inden for de næste 1‑3 år, hvilket fører til mere bæredygtige og omkostningseffektive AI‑løsninger.​

Innovativ virksomhed

NVIDIA Corporation

En leder inden for AI‑computing, NVIDIA (NVDA ) udvikler energieffektive GPU‑er og AI‑acceleratorer og innoverer løbende for at forbedre ydeevnen, mens strømforbruget reduceres.​

Sidste år på AI Summit DC rapporterede virksomheden, at energiforbruget af deres GPU‑er har set en massiv 2.000‑fold reduktion i træning over det sidste årti. I samme periode oplevede de også en 100.000‑fold energireduktion i token‑generering. Effektivitetsforbedringen har været 2.000‑fold, mens en 4.000‑fold forbedring er registreret i beregningsydelse over de sidste ti år.

Ifølge Bob Pette, Nvidias VP for enterprise‑platforme på det tidspunkt:

“Hvis biler havde forbedret deres effektivitet så meget, som vi har forbedret inferens‑ydelsen, kunne du køre over 300 år på en enkelt tank benzin. Kernen i accelereret computing er bæredygtig computing.”

Nvidias Blackwell er deres nye flagskibs‑GPU‑arkitektur, som følger Hopper og er designet til at forbedre AI‑ydelsen “på en betydelig måde.” Denne platform er udstyret med verdens mest kraftfulde chip, en transformer‑motor i anden generation og NVLink i femte generation, samtidig med at den er ekstremt energieffektiv for inferens og træning.

NVIDIA Corporation er faktisk et full‑stack computing‑infrastruktur‑firma med segmenter som Compute & Networking og Graphics.

Compute & Networking dækker datacenter, netværk, autonome og elektriske køretøjs‑løsninger, DGX Cloud‑computingtjenester og Jetson, mens Graphics‑segmentet dækker GeForce GPU‑er, GeForce NOW, virtuel GPU‑software, NVIDIA RTX GPU‑er og Omniverse Enterprise‑software.

Med en markedsværdi på 2,96 billioner dollars handles NVIDIA‑aktier, på tidspunktet for denne skrivning, til $121,50, ned 9,4 % år‑til‑dato. Virksomheden har en EPS (TTM) på 2,94 og en P/E (TTM) på 41,40, mens udbytteafkastet ligger på 0,03 %.

På trods af den seneste nedgang i NVIDIA‑aktiekurser, som ikke kun gælder chip‑producenten, fortsætter virksomheden med at tiltrække investorer. Efter alt er deres aktieværdi steget med mere end 1.800 % siden 2020, hvilket gør den til en af de mest værdifulde virksomheder i verden.

Interessen for NVIDIA er især stor blandt unge investorer, da den overhaler Tesla (TSLA ) som den mest holdte aktie på Robinhood (HOOD ). Et stort flertal (75 %) af de finansierede konti på denne kommissionsfri investeringsplatform ejes af Millennials og Gen Z. 

Robinhood‑CEO Vlad Tenev mener også, at Nvidia vil blive vigtigere end nogensinde, takket være AI.

“Jeg tror, AI vil gøre investering mere vigtigt, fordi hvis kontrollen over teknologien centraliseres i teknologivirksomhederne, så skal du være investor i disse virksomheder for at drage fordel.”

– Tenev

Når det gælder virksomhedens finanser, rapporterede Nvidia Q4, der sluttede den 26. januar 2025, en omsætning på $39,3 milliarder, en stigning på 12 % og 78 % fra forrige kvartal og året før, henholdsvis. 

I datacenter‑segmentet var virksomhedens omsætning i fjerde kvartal en rekord på $35,6 milliarder. I denne periode blev NVIDIA udvalgt som nøgle‑teknologipartner for $500 milliarder Stargate‑projektet.

Andre udviklinger omfattede cloud‑tjenesteudbydere som AWS, CoreWeave (CRWV ), Google Cloud Platform (GCP), Microsoft Azure og Oracle (ORCL ) Cloud Infrastructure (OCI), der bruger NVIDIA® GB200‑systemer til at imødekomme den stigende AI‑efterspørgsel, lanceringen af NVIDIA DGX™ Cloud AI‑computing‑platformen og NVIDIA NIM™‑mikrotjenester via AWS Marketplace, Cisco integrerer NVIDIA Spectrum‑X™ i deres netværksportefølje, samarbejde med Verizon om at integrere NVIDIA AI Enterprise, samt partnerskaber med IQVIA (IQV ), Mayo Clinic, Illumina og Arc Institute for at fremme lægemiddelforskning, genomik og sundhedspleje.

Omsætningen fra Gaming og AI‑PC faldt til $2,5 milliarder, mens NVIDIA annoncerede nye GeForce RTX™ 50‑serie grafikkort og laptops drevet af Blackwell‑arkitekturen, lancerede GeForce RTX 5090 og 5080 grafikkort og introducerede DLSS 4. 

Udover dette var omsætningen fra professionel Visualisering $511 millioner, og $570 millioner kom fra Automotive‑ og Robotics‑divisionen.

I dette kvartal var virksomhedens GAAP‑indtjening pr. udvandet aktie $0,89, en stigning på 14 % fra forrige kvartal og op 82 % fra et år siden. Non‑GAAP‑indtjening pr. udvandet aktie var samtidig $0,89.

For regnskabsåret 2025 var omsætningen $130,5 milliarder, en stigning på massive 114 % fra året før. GAAP‑indtjening pr. udvandet aktie for perioden var $2,94 og non‑GAAP‑indtjening pr. udvandet aktie var $2,99. 

“Efterspørgslen efter Blackwell er fantastisk, da resonnerende AI tilføjer en ny skaleringslov — øget compute til træning gør modeller smartere, og øget compute til langvarig tænkning gør svarene smartere.”

– CEO og grundlægger Jensen Huang

Så har virksomheden øget produktionen af sine Blackwell AI‑supercomputere og opnået milliarder i salg.

For første kvartal af regnskabsåret 2026 forventer virksomheden en omsætning på $43 milliarder, GAAP‑driftsomkostninger på $5,2 milliarder og non‑GAAP‑andre indtægter på omkring $400 millioner.

“AI udvikler sig med lysets hastighed, da agentisk AI og fysisk AI baner vejen for den næste bølge af AI, der vil revolutionere de største industrier.”

– Huang

Seneste om NVIDIA Corporation

Konklusion

AI er på vej til at revolutionere virksomheder på tværs af sektorer, men det betyder en hidtil uset stigning i energiefterspørgslen. Denne efterspørgsel udgør en stor udfordring, som mange forskere arbejder på at løse. 

Udviklingen af en ny probabilistisk træningsmetode markerer et betydningsfuldt gennembrud inden for energieffektiv AI ved at reducere strømbehovet op til 100‑fold. Med AI‑relateret energiforbrug forventet at stige, efterhånden som datacentre udvides, kan dette fremskridt markant sænke driftsomkostninger og miljøpåvirkning. 

Kombineret med Nvidias fokus på energieffektive GPU‑er og AI‑acceleratorer kan disse innovationer hjælpe med at accelerere AI‑adoption og øge produktiviteten.

Klik her for at lære alt om investering i kunstig intelligens.