Voiko tekoäly toimia tehokkaasti? Tutkijat ovat saattaneet löytää ratkaisun

Tekoäly (AI) jatkaa tulevaisuutemme muokkaamista lähes kaikilla toimialoilla, kun sen käyttöönotto kasvaa automatisoimaan keskeisiä liiketoimintaprosesseja, vähentämään kustannuksia ja lisäämään tuottavuutta. 

Data näyttää, että yli 80 % yrityksistä hyödyntää AI:ta jollain tasolla, pitäen sitä keskeisenä teknologiana organisaatioissaan. Taloudellinen sitoutuminen AI:hin on myös kasvanut, kun sen käyttöönotto tuottaa merkittäviä hyötyjä ja paljon korkeampaa ROI:ta.

Tämän myötä AI-markkinan koko kasvoi yli 184 miljardiin dollariin vuonna 2024, ja sen odotetaan ylittävän 826 miljardia dollaria tämän vuosikymmenen loppuun mennessä Statistan mukaan.

Kaikki tämä kasvu ja kiinnostuksen räjähdys AI:ta kohtaan on johtanut kilpaan teknologian kehittämiseksi. Organisaatioiden rakentamat AI-mallit, kuten suuret kielimallit (LLM), käyttävät algoritmeja ihmiskielen ymmärtämiseen, tiivistämiseen, kääntämiseen ja tuottamiseen, ja ne koulutetaan valtavilla tietomäärillä energiatehokkaita prosessoreja käyttäen. 

Tämän vuoksi yritykset ja datakeskusten operaattorit sijoittavat runsaasti pääomaa uusien suuritehoisten datakeskusten rakentamiseen. Uusien datakeskusten investoinnit, IEA:n (International Energy Agency) mukaan, ovat jo nousseet merkittävästi viimeisen kahden vuoden aikana, Yhdysvaltojen johdolla. Vuonna 2023 Microsoftin, Googlen ja Amazonin yhteenlaskettu pääomainvestointi oli suurempi kuin koko maan öljy- ja kaasuteollisuuden investointi.

(MSFT ) (AMZN )

Nämä datakeskukset vaativat paljon sähköä toimiakseen. Vuonna 2022 IEA totesi, että datakeskukset kuluttivat 1,65 miljardia gigajoulea sähköä, mikä on noin 2 % maailmanlaajuisesta kysynnästä. 

Datakeskusten maailmanlaajuista sähkökysyntää ennustetaan nousevan 50 % vuoteen 2027 mennessä ja 165 % vuoteen 2030 mennessä, Goldman Sachs (GS ) Researchin mukaan.

Datakeskusten nykyinen sähkönkulutus arvioidaan olevan noin 55 gigawattia (GW), johon sisältyy pilvilaskentatyökuormia (54 %), perinteisiä työkuormia kuten tallennus (32 %) ja AI (14 %). Tulevan kysynnän mallintaminen näille työkuormille ennustaa, että vuoteen 2027 mennessä sähkökysyntä on 84 GW, jossa AI:n osuus kasvaa 27 %:iin, pilvi laskee 50 %:iin ja perinteiset työkuormat putoavat 23 %:iin.

Maailmanlaajuinen datakeskusten kapasiteetti on tällä hetkellä noin 59 GW, josta 60 % tulee hyperskaalaisten pilvipalveluntarjoajien kuten Googlen ja Alibaban sekä kolmansien osapuolten datakeskusoperaattoreiden kautta, ja loput perinteisistä yritys- ja teleoperaattorien omistamista datakeskuksista.

Näiden suurten hyperskaalaisten datakeskusten sähkökysyntä on 100 MW tai enemmän, ja niiden vuotuinen sähkönkulutus on suunnilleen yhtä suuri kuin 400 000 sähköauton sähkötarve.

Kun organisaatiot jatkavat AI:n omaksumista, voimme odottaa myös AI‑dedikoitujen datakeskusten nousua, mikä on nouseva infrastruktuuriluokka, joka on suunniteltu erityisesti AI‑työkuormien erityisvaatimuksia varten. Vaikka niitä on tähän mennessä hyvin vähän, ne sijaitsevat pääasiassa Aasian Tyynenmeren alueella ja Pohjois-Amerikassa, erityisesti Pekingissä, Shanghaissa, Pohjois-Virginian ja San Franciscon Bay Area -alueella. 

Goldman Sachs Researchin arvioiden mukaan vuoden 2030 loppuun mennessä on käytössä noin 122 GW datakeskuskapasiteettia. Korkeampien AI‑työkuormien vuoksi datakeskusten energian tiheys todennäköisesti kasvaa 176 kilowattituntiin neliöjalkaa kohden kahden vuoden sisällä.

Kun datakeskukset lisäävät energian tarvetta, myös sähköverkko vaatii merkittävää investointia, jonka arvioidaan olevan 720 miljardia dollaria verkon kulutukseen vuoteen 2030 mennessä.

Lisäksi datakeskusten hiilidioksidipäästöt voivat kaksinkertaistua vuosien 2022–2030 välillä. Siksi datakeskusten sähkönkulutus, joka on tällä hetkellä 1–2 % kokonaisenergiankulutuksesta ja todennäköisesti nousee 3–4 %:iin vuosikymmenen loppuun mennessä, on huolenaihe, vaikka se ei ole täysin toivoton. 

Luvut ovat massiivisia, mutta ne ovat maltillisia, kun tarkastellaan niitä laajemmassa globaalin sähkönkulutuksen kasvun kontekstissa, jonka IEA ennustaa kasvavan 6 750 TWh:lla vuoteen 2030 mennessä, johtuen paitsi AI:n myös jatkuvan talouskasvun, sähköautojen, ilmastointilaitteiden ja energiaintensiivisen teollisuuden noususta.

Lisäksi ei pelkästään AI:n käyttötahdin epävarmuus ole huolenaihe, vaan jatkuvat tehokkuusparannukset sekä laitteistossa että ohjelmistossa voivat auttaa vastaamaan AI-teknologian energiavaatimuksiin. 

AI:hen liittyvien tietokonepiirien tehokkuus on kaksinkertaistunut noin 2,5–3 vuodessa. Nykyaikainen AI-siru kuluttaa nyt 99 % vähemmän energiaa suorittaen samat laskutoimitukset kuin vuodelta 2008 peräisin oleva malli. Lisäksi itse AI-mallit muuttuvat yhä tehokkaammiksi. Yhdistettynä uusiin jäähdytysteknologioihin ja innovatiivisiin tieteellisiin ratkaisuihin, nämä kehitykset vähentävät energian käyttöä ja minimoivat ympäristövaikutuksia.

Klikkaa tästä oppiaksesi, miksi perinteinen tallennus ei pysy AI:n tahdissa.

Tiedemiehet kehittävät mullistavan ratkaisun 

Kuvitteellinen kuva. Ei todellinen valokuva.

AI:n kehityksen ja sen kasvavien energiavaatimusten taustalla japanilaiset tutkijat ovat kehittäneet innovatiivisen spintroniikkalaitteen, joka lupaa merkittävän energiansäästön mahdollistamalla magneettitilojen sähköisen ohjauksen. 

Tämä läpimurto voi mullistaa AI-laitteiston luomalla siruja, jotka jäljittelevät hermoverkkojen toimintaa ja ovat huomattavasti energiatehokkaampia. Sen sijaan, että tieto tallennettaisiin sähkövirralla, nämä laitteet käyttävät elektronien spiniä samaan tarkoitukseen, mikä tekee niistä nopeampia ja tehokkaampia.

Spintroniikkalaitteita käytetään massatallennuslaitteissa ja tietojenkäsittelyssä tietokoneiden nopeuden ja suorituskyvyn lisäämiseksi.

Kansallisen materiaalitieteen instituutin, Tohoku-yliopiston ja Japanin ydinenergia‑viraston tutkijat hyödyntävät sitä nyt vähävirtaisissa AI-siruissa ja ovat osoittaneet konseptin toimivuuden virralla ohjelmoidulla spin-orbitaali‑vääntötunnisteella (SOT).

SOT tarjoaa lupaavan mekanismin tiedon sähköiseen koodaamiseen magneettitiloissa. Nykyisissä järjestelmissä se on kuitenkin passiivisesti materiaalin ja laitteistorakenteiden määräämä. 

“Vaikka spintroniikkatutkimus on edistynyt merkittävästi magneettisen järjestyksen sähköisessä ohjauksessa, suurin osa nykyisistä spintroniikkalaitteista erottaa magneettisen materiaalin roolin ohjattavaksi ja voimanlähteenä toimivan materiaalin.”

– Shunsuke Fukami, Tohoku University

Spintroniikkalaitteet, kun ne on valmistettu, noudattavat kiinteää toimintamallia, jossa ne yleensä vaihtavat tietoa binäärisesti; “0”:sta “1”:een. Uusi tutkimus on kuitenkin edistynyt monien magneettitilojen sähköisesti ohjelmoitavassa kytkennässä. Sisäisen SOT-polariteetin manipulointi mahdollistaa joustavasti ohjelmoitavat SOT-laitteet.

Nature Communications -lehdessä julkaistun tutkimuksen tulosten (1) mukaan, tämä spintroniikkalaite mahdollistaa ei‑kollineaaristen antiferromagneettien ja ferromagneettien sähköisen yhteiskontrollin tehokkaaseen magneettitilojen kytkentään. 

Magneettitilojen sähköinen ohjaus on magneettisen muistin, logiikan ja laskennan perusta, ja SOT tarjoaa tehokkaan tavan niiden hallintaan. 

Tämä tarkoittaa, että läpimurtomainen SOT-laite voi tallentaa ja käsitellä tietoa aivoihin inspiroivan AI-sirun tavoin käyttäen huomattavasti vähemmän energiaa, avaten ovet uudelle AI-laitteiston sukupolvelle, joka on erittäin tehokas ja energiansäästävä.

Tutkimuksessa käytettiin Mn3Sn:ää, ei‑kollineaarista antiferromagneettia, avainmagneettisena materiaalina ja siihen kohdistettiin sähkövirta, mikä aiheutti spini-virran, joka ohjasi viereisen ferromagneetin CoFeB:n kytkennän. Tämä toteutettiin magneettisen spin Hall -efektin (SHE) prosessin avulla.

Spin Hall -efekti (SHE) on modernin spintroniikan keskeinen elementti, joka toteuttaa “kytkennän varausvirtojen ja kollektiivisen spin-dynamiikan välillä magneettisesti järjestäytyneissä järjestelmissä”.

Aikaisempi tutkimus² Tohoku-yliopistolta yhteistyössä muiden instituutioiden kanssa osoitti, että verrattuna ei‑magneettisiin materiaaleihin, antiferromagneeteilla on vahvemmat spin Hall -ominaisuudet. Lisäksi Mn3Sn:ssä SHE:llä on poikkeuksellinen merkki­muutos, kun sen kolmiomaisesti järjestäytyneet momentit vaihtavat suuntaa. Mn3Sn:n korkea magneettinen mekanismi liitettiin spin-jakautumiseen, joka riippuu liikemäärästä ja syntyy ei‑kollineaarisesta magneettisesta järjestyksestä, laajentaen antiferromagneettisen spintroniikan sovellusaluetta.

Viimeisimmässä tutkimuksessa ferromagneetti reagoi spin-polarisoituun virtaan ja lisäksi vaikutti Mn3Sn:n magneettiseen tilaan. Tämä mahdollisti kahden materiaalin välisen sähköisen yhteiskytkennän.

Tiimi osoitti kokeessaan, että ferromagneettiin kirjoitettu tieto voidaan hallita sähköisesti Mn3Sn:n magneettisen tilan avulla. He pystyivät kytkemään CoFeB:n magnetisoinnin eri jälkiin, jotka edustavat useita tiloja, säätämällä asetettua virtaa.

Tämä virran polariteetin muutos, joka vaihtaa kirjoitetun tiedon merkin, on analoginen kytkentämekanismi, joka on keskeinen toiminto hermoverkoissa ja jäljittelee analogisten arvojen toimintaa AI-prosessoinnissa.

Fukamin mukaan tämä löytö on kriittinen edistysaskel energiatehokkaampien AI-sirujen tuottamisessa. 

“Saavuttamalla sähköisen yhteiskytkennän ei‑kollineaarisen antiferromagneetin ja ferromagneetin välillä olemme avanneet uusia mahdollisuuksia virralla ohjelmoitaville hermoverkoille,” hän lisäsi, huomauttaen, että heidän nykyinen fokuksensa on “entisestään pienentää käyttövirtoja ja lisätä luku‑signaaleja, mikä on ratkaisevaa AI-sirujen käytännön sovelluksissa”.

Kun datakeskukset kuluttavat niin paljon energiaa, toinen tutkimus pyrki vähentämään energiankulutusta SOT‑magnetisella satunnaiskäyttömuistilla (MRAM).

Tämä erillinen tutkimus (3), joka julkaistiin Nature Communications -lehdessä viime kuussa, on Johannes Gutenberg -yliopisto Mainz (JGU) -tutkijoiden tekemä, ja se kehitti tehokkaan ja erittäin energiatehokkaan ratkaisun tietojenkäsittelyyn ja tallennukseen samalla kun energiankulutus väheni.

Prototyyppi “rajaa tietä nopeammille, tehokkaammille muistiratkaisuille,” sanoi tutkimuksen pääkirjoittaja, tohtori Rahul Gupta, entinen JGU:n fysiikan laitoksen postdoc-tutkija.

Se perustuu SOT‑MRAM:iin, joka on tunnettu ylivoimaisesta energiatehokkuudestaan, ei‑häviöisyydestään ja suorituskyvystään verrattuna staattiseen RAM-muistiin. Teknologia, joka käyttää sähkövirtoja magneettitilojen kytkemiseen, kohtaa haasteita korkean syöttövirran vähentämisessä kirjoitusprosessin aikana. Tämä tarkoittaa riittävän lämpöstabiilin ylläpitämistä tiedon pitkäaikaiseen tallentamiseen sekä energian minimointia tallennustehtävän suorittamisessa.

SHE:n sijaan tämä tutkimus hyödynsi Orbitaal Hall -efektiä (OHE), jossa materiaalissa syntyy poikittainen kiertymismomentin virtaus, kun siihen kohdistetaan sähkövirta. Hyödyntämällä tätä ilmiötä tutkijat pystyivät saavuttamaan suuremman energiatehokkuuden ilman kalliita tai harvinaisia materiaaleja.

Kehitetty ainutlaatuinen magneettinen materiaali käyttää elementtejä kuten rutheniumia SOT‑kanavana suorituskyvyn parantamiseksi. Tämän avulla tiimi saavutti 20 %:n vähennyksen syöttövirrassa, 30 %:n lisäyksen tehokkuudessa ja yli 50 %:n vähennyksen kokonaisenergiankulutuksessa.

Yritykset, jotka johtavat tietä

Katsotaanpa nyt merkittäviä nimiä, jotka edistävät AI-aluetta:

1. NVIDIA Corporation

Nvidia (NVDA ) suunnittelee ja valmistaa grafiikkaprosessoreita eli GPU:ita. GPU on elektroninen piiri, joka suorittaa matemaattisia laskelmia suurilla nopeuksilla, ja se on suosittu valinta AI-mallien kehittämiseen.

Viimeisen vuosikymmenen aikana yritys on merkittävästi parantanut GPU:iden suorituskykyä per wattia, jopa 4 000‑kertaisesti, pääasiallisten tiedemiestensä William Dallyn mukaan, ja jatkaa näiden sirujen erikoiskytkentöjen kehittämistä, jotka on erityisesti suunniteltu AI-laskentaa varten.

Nvidia on maailman toiseksi suurin yritys markkina-arvolla 3,21 triljoonaa dollaria. Sen osakkeet käyvät tällä hetkellä 130,86 dollaria, mikä on 2,35 % laskua vuoden alusta. Yrityksen EPS (TTM) on 2,54 ja P/E‑suhde (TTM) 51,67, kun osinkotuotto on 0,03 %.

Yrityksen taloustietojen osalta Nvidia julkaisee FY25:n neljännen neljänneksen tiedot 26. helmikuuta. Q3:n osalta sen GAAP‑tulos per laimennettu osake oli 0,78 $, ja non‑GAAP‑tulos per laimennettu osake 0,81 $.

Tällä neljänneksellä Nvidia ilmoitti ennätyksellisen liikevaihdon 35,1 miljardia dollaria, mikä on 17 % kasvu Q2:een verrattuna ja 94 % kasvu vuoteen 2023 verrattuna. Datakeskuksista saadut tulot muodostivat siitä 30,8 miljardia dollaria. Q4:n osalta se odottaa liikevaihdoksi 37,5 miljardia dollaria.

“AI:n aikakausi on täydessä vauhdissa, vauhdittaen maailmanlaajuisen siirtymän NVIDIA‑laskentaan,” sanoi toimitusjohtaja ja perustaja Jensen Huang, kun hän huomautti näkevänsä “uskomatonta” kysyntää sen Hopper-sirulle sekä odotuksia Blackwellille, joka mahdollistaa korkean suorituskyvyn laskennan (HPC) nopeutettuun koulutukseen, inferenssiin ja tehokkuuteen generatiivisessa AI:ssa.

Nvidia on käynyt läpi mahtavan matkan, kun sen osakekurssi nousi alle 11 $:sta lokakuussa 2022 yli 152 $:iin tammikuun 2025 alussa. Äskettäin se menetti hieman vauhtia sen jälkeen, kun kiinalainen AI‑startup DeepSeek lanseerasi uusimman AI‑mallinsa. Alkuperäinen käsitys oli, että DeepSeek heikentäisi Nvidia:n korkean suorituskyvyn GPU:iden kysyntää, mutta se voi itse asiassa olla positiivista Nvidialle, sillä startupin pienemmät laskentatehot voivat avata lisää AI‑mahdollisuuksia, mikä puolestaan nostaa suurimman sirunvalmistajan hintoja.

“AI muuttaa jokaisen toimialan, yrityksen ja maan,” Huang sanoi viime kvartaalin talousraportissa ja lisäsi, että yritykset omaksuvat agenttiai:ta, kun taas fyysisen AI:n läpimurtoja nähdään teollisuusrobotiikassa. Maat, hän lisäsi, ovat myös heränneet oman AI-infrastruktuurin rakentamisen tärkeyteen.

#2. Broadcom Inc.

Broadcom (AVGO ) on kymmenen suurimman yrityksen joukossa, markkina-arvolla 1,1 triljoonaa dollaria. Se on mukana puolijohteiden ja infrastruktuuri‑ohjelmistoratkaisujen suunnittelussa, kehittämisessä ja toimittamisessa. Yrityksellä on kumppanuuksia suurten toimijoiden, kuten Googlen, Meta Platformsin ja ByteDancen kanssa. Se tekee myös yhteistyötä OpenAI:n ja Applen kanssa omien AI-sirujen rakentamiseksi.

Kirjoitushetkellä Broadcomin osakkeet käyvät 235 $, nousussa 1,95 % vuoden alusta. Yrityksen EPS (TTM) on 1,28 ja P/E‑suhde (TTM) 184,78, kun osinkotuotto on 1 %.

Vuoden 2024 neljännen neljänneksen aikana Broadcomilla oli yli 14 miljardia dollaria liikevaihtoa, 51 % kasvu edellisvuoden vastaavasta ajanjaksosta, ja GAAP‑nettovoitto oli 4,324 miljardia dollaria. FY2025:n Q1:lle yritys antoi liikevaihtoennusteen noin 14,6 miljardia dollaria.

Neljännen neljänneksen aikana sirunvalmistajan puolijohde‑liikevaihto saavutti ennätyksen 30,1 miljardia dollaria, jonka toimitusjohtaja ja presidentti Hock Tan totesi johtuvan AI‑liikevaihdosta 12,2 miljardia dollaria. AI‑liikevaihdon 220 %:n vuosi‑vuodelta kasvua vauhditti sen XPU:t.

Broadcomin GAAP‑laimennettu EPS oli 0,90 $ ja non‑GAAP‑laimennettu EPS 1,42 $. Käteinen operatiivisesta toiminnasta oli samalla 5,6 miljardia dollaria. Yritys raportoi myös 11 %:n kasvun neljännesvuosittaisessa osinkossa, 0,59 $ per osake, mikä oli neljästoista peräkkäinen nousu. Uudelleenjärjestelyn ulkopuolinen vapaa kassavirta oli “vahva” 21,9 miljardia dollaria, kun käteinen ja käteisvastineet olivat 9,348 miljardia dollaria.

“Näemme mahdollisuutemme AI:ssa seuraavien kolmen vuoden aikana valtavana. Tietyt hyperskaalat ovat aloittaneet omat matkat kehittääkseen omia räätälöityjä AI‑kiihdyttimiä.”

– Tan sanoi tulospuhelussa

Hän myös kertoi, että yritys kehittää AI-siruja kolmen suuren pilviklientin kanssa, joiden odotetaan käyttöönottavan 1 miljoona AI-sirua verkottuneissa klustereissa vuoteen 2027 mennessä.

Yhteenveto

Kun tekoälyn suosio ja käyttö jatkavat kasvuaan, myös sen energiankulutus kasvaa. AI-mallit, erityisesti syväoppiminen, vaativat merkittävän määrän energiaa laskentaan, ja perinteiset ratkaisut kohtaavat energiatehokkuusrajoja. (META ) (AAPL )

Tässä taustassa tutkimus, jonka tavoitteena on parantaa AI-sirujen energiatehokkuutta ja minimoida niiden ympäristövaikutuksia, voi auttaa maailmaa hyödyntämään teknologian täyden potentiaalin samalla kun sen haitallisia vaikutuksia vähennetään.

SOT-pohjaiset muisti- ja logiikkalaitteet voivat tehdä suuren eron tarjoamalla vähävirtaisen ratkaisun, jossa laskenta tapahtuu magneettitilojen avulla varauksen perustaisten logiikkojen sijaan. Tiedon säilyttäminen ilman jatkuvaa virtaa voi vähentää AI‑inferenssin energiakustannuksia, mahdollistaa energiatehokkaammat AI‑kiihdyttimet reaaliaikaiseen päätöksentekoon jäljittelemällä aivoja, ja nopeuttaa AI‑tehtävien käsittelyä integroimalla logiikan ja muistin.

Jatkuvat tällaiset pyrkimykset tekevät AI‑laitteistosta ja -ohjelmistosta energiatehokkaampia, nopeampia ja kykenevämpiä käsittelemään monimutkaisia laskelmia, mikä puolestaan edistää laajempaa AI‑omaksumista eri toimialoilla samalla kun sen hiilijalanjälkeä vähennetään!

Klikkaa tästä oppiaksesi, miksi vuosi 2025 on AI‑vetoisten investointien vuosi.