NVIDIA-inspiroimat edistysaskeleet vähentävät AI:n koulutuksen energiantarvetta 100‑kertaisesti

Tekoäly (AI) on vallannut koko maailman, eikä mikään sektori ole koskematon tämän teknologisen edistysaskeleen taikaan. Tänään 77 % laitteista sisältää AI-teknologiaa, vaikka vain kolmasosa kuluttajista uskoo käyttävänsä AI-alustoja. 

Yhä useammat organisaatiot ottavat AI:n käyttöön liiketoiminnan kasvun edistämiseksi, ja 9 kymmenestä yrityksestä tukee teknologiaa saadakseen kilpailuetua. Tämän käytön odotetaan poistavan 85 miljoonaa työpaikkaa, mutta samalla luovan 97 miljoonaa uutta.

Nämä luvut heijastavat arvioita, että AI-markkina antaa 15,7 triljoonaa dollaria globaalitaloudelle vuoteen 2030 mennessä. AI-markkinan koon odotetaan myös kasvavan vähintään 120 % vuodesta toiseen.

Kuitenkin AI:n käyttöönoton kasvaessa myös energian kysyntä datakeskusten virittämiseen kasvaa, ja ne ovat erittäin energiaintensiivisiä. Tuhansien palvelimien pyörittäminen ja jäähdyttäminen ympäri vuorokauden vaatii valtavia energiamääriä. Tällä hetkellä energia otetaan sähköverkosta, mikä aiheuttaa ongelmia huippukysynnän aikana ja rasittaa järjestelmää. Lainauksen mukaan Chevron (CVX ) CEO Mike Wirth:

“Kasvu ja energian kysyntä voivat rasittaa jo valmiiksi kuormittunutta verkkoa. Se voi lisätä kuluttajien kustannuksia. Maakaasu auttaa virittämään tekoälyn nopeaa kasvua sen nälkäisen tarpeen vuoksi luotettavalle sähköön.”

Vastauksena tähän kysyntään Chevron ilmoitti äskettäin tekevänsä yhteistyötä GE (GE ) Veronain ja Engine No. 1:n kanssa tuottaakseen sähköä AI:lle rakentamalla maakaasupolttoaineita suoraan datakeskuksiin kytkettyjä voimalaitoksia.

Tällä hetkellä datakeskukset muodostavat noin 1 % maailmanlaajuisesta sähkönkulutuksesta, IEA:n (International Energy Agency) raportin mukaan. 

Mutta tämä on vasta alkua, kun yritykset käyttävät miljardeja dollareita rakentaakseen yhä enemmän datakeskuksia. 

Microsoft (MSFT ) suunnittelee investoivansa 80 miljardia dollaria AI-kykyisiin datakeskuksiin, joista puolet kohdistetaan Yhdysvaltoihin. Blackstonen (BX ) arvioiden mukaan yli 1 triljoona dollaria investoidaan Yhdysvaltain datakeskuksiin vuoteen 2030 mennessä, ja Google (GOOGL ), Meta (META ) ja Amazon (AMZN ) ovat teknologiajättiläisiä, jotka rakentavat datakeskuksia ympäri maata.

Joten sektorin energiankulutus vain kiihtyy tästä eteenpäin. Goldman Sachs (GS ) arvioi, että datakeskusten energian kysyntä kasvaa 160 % seuraavan viiden vuoden aikana, mikä luonnollisesti johtaa ennennäkemättömään sähkönkäytön kasvuun.

Electric Power Research Institute (EPRI) -arvioiden mukaan näiden laitosten energiankulutus Yhdysvalloissa saattaa kattaa 4,6 %–9,1 % koko sähkön tuotannosta tämän vuosikymmenen loppuun mennessä. 

Samaan aikaan Euroopassa, tarkemmin Saksassa, datakeskukset kuluttivat vuonna 2020 noin 16 miljardia kWh energiaa laskentaan, tallennukseen ja siirtoon, ja tämän luvun odotetaan nousevan 22 miljardiin kWh vuoteen 2025 mennessä.

Tämän seurauksena tutkijat etsivät jatkuvasti keinoja vähentää AI:n energiavaatimuksia. 

AI:n energiankulutuksen vähentäminen

AI-teknologia näyttelee keskeistä roolia energiatehokkuuden parantamisessa eri sektoreilla optimoimalla energiankulutusta, ennustamalla kysyntää ja mahdollistamalla älykkään verkon hallinnan, mikä lopulta vähentää energiahävikkiä ja pienentää hiilidioksidipäästöjä. 

Esimerkiksi Vodafone UK käytti AI:ta vähentääkseen 5G‑radioyksiköiden (RUs) päivittäistä energiankulutusta hyödyntämällä Ericssonin kehittyneitä AI- ja koneoppimiseen perustuvia ohjelmistoratkaisuja. He ovat jo onnistuneet vähentämään sitä 33 % valituissa Lontoon kohteissa.

Vodafone UK toteutti kokeilun yhteydessä kolme pääasiallista energiansäästöominaisuutta. 

Tähän sisältyy Radio Power Efficiency -lämpökartta, joka käyttää koneoppimista tunnistaakseen ja luokitellakseen alisuoriutuvat kohteet kohdennettuihin tehokkuusparannuksiin luomalla visuaalisen esityksen kaikista verkon soluista. Lisäksi on 4G Cell Sleep Mode Orchestration, joka on kehittänyt verkon solujen käyttäytymismallin hienosäätääkseen nukkumisasetuksia tasapainottaen energiansäästön ja suorituskyvyn. 5G Deep Sleep puolestaan käyttää AI-pohjaisia ennustavia algoritmeja, mikä vähentää energiankulutusta 70 % huippuaikojen ulkopuolella.

Mutta entä AI:n energiankulutus? No, tutkijat ja yritykset ovat kohdistaneet toimintaansa moniin eri alueisiin vähentääkseen tämän nopeasti kasvavan teknologian energiankulutusta.

Tähän kuuluu AI-mallien optimointi, energiatehokkaan laitteiston käyttö sekä kestävien käytäntöjen omaksuminen, kuten uusiutuva energia ja tehokas jäähdytys datakeskuksissa.

Kun kyse on AI-mallien optimoinnista, voidaan käyttää erilaisia lähestymistapoja, kuten karsintaa, kvantisointia ja destillaatiota. Mallin karsinnassa poistetaan tarpeettomat parametrit ja yhteydet ilman tarkkuuden heikkenemistä. Kvantisointi vähentää malliparametrien tarkkuutta laskenta- ja energiavaatimusten pienentämiseksi. Destillaatiossa pienemmät mallit koulutetaan jäljittelemään suuremman, monimutkaisemman mallin käyttäytymistä, mikä tarjoaa energiatehokkaamman mallin samankaltaisella suorituskyvyllä.

Kuten MIT Technology Review totesi tämän vuoden julkaisussa, pienemmät mallit ovat yksi teknologisista läpimurroista, jotka määrittelevät seuraavan aikakauden. Näitä malleja koulutetaan tarkemmin kohdennetuilla aineistoilla, ja ne voivat tarjota toimialakohtaista tarkkuutta, kustannustehokkuutta ja parempaa tietoturvaa verrattuna suuriin kielimalleihin (LLM).

GPT-4o mini OpenAI:lta, Phi Microsoftilta, Gemini Nano Google DeepMindilta ja Haiku Anthropicin Claude 3:sta ovat esimerkkejä suurempien AI-mallien pienemmistä versioista teknologiajättiläisiltä.

Laitteistossa keskitytään GPU:iden ja muiden erikoistuneiden AI-prosessoreiden käyttöön, jotka on suunniteltu erityisesti korkean suorituskyvyn työkuormiin. 

Sen lisäksi on valikoituja energiatehokkaita palvelimia ja prosessoreita, jotka säätävät energiankulutusta työkuorman mukaan, virtualisointi parempaa resurssien käyttöä varten ajamalla useita prosesseja vähemmällä fyysisellä koneella, sekä kehittyneitä jäähdytystekniikoita, jotka vähentävät voimakkaasti energiaa kuluttavien ilmastointijärjestelmien tarvetta.

Kuten jaoimme juuri viime kuussa, tutkijat Tohoku-universiteetista, Japanin ydinenergia-asiamiehestä ja National Institute for Materials Scienceista saavuttivat erittäin tehokkaan ja energiansäästävän AI-laitteiston. Tutkijat käyttivät spintroniikkalaitteita matalatehoisiin AI-siruja ja esittelivät virtaohjelmoidun spin-orbitaali-kiihdytyslaitteen (SOT), joka avaa ovet AI-laitteiston uudelle sukupolvelle.

Toinen tapa vähentää AI:n energiankulutusta on kestävien käytäntöjen avulla. Datakeskukset voivat hyödyntää uusiutuvaa energiaa, toteuttaa energiatehokkaita jäähdytysjärjestelmiä ja suunnitella tehokkaita tilaratkaisuja energian kulutuksen vähentämiseksi.

Yritykset sitoutuvat tähän aktiivisesti; Google tekee edistystä geotermisen energian kanssa. Microsoft on toinen, joka aikoo avata Three Mile Island -ydinvoimalan uudelleen saavuttaakseen hiilineutraaliuden vuoteen 2030 mennessä.

Mielenkiintoista on, että AI:ta käytetään myös AI:n energiatehokkuuden parantamiseen. Teknologiaa hyödynnetään energian kulutuksen optimointiin rakennuksissa ja teollisuudessa, ennustamaan, milloin laitteet tarvitsevat huoltoa, ja vähentämään huippukysyntää hyödyntämällä reaaliaikaisia verkko-olosuhteita.

Kaiken keskellä Teksinen yliopiston (TUM) tutkijat ovat kehittäneet uuden menetelmän, joka kouluttaa neuroverkkoja jopa 100‑kertaisesti nopeammin, mikä vähentää merkittävästi AI-sovellusten energiankulutusta.

Tässä tutkijat laskivat parametrit suoraan todennäköisyyksiin perustuen sen sijaan, että käyttäisivät iteratiivista lähestymistapaa, mutta tulokset ovat tähän mennessä olleet laadultaan verrattavissa olemassa oleviin iteratiivisiin menetelmiin.

Uusi tapa vähentää AI:n energiankulutusta merkittävästi 

AI:n kasvaneen käytön lisäksi monimutkaisempien AI-sovellusten lanseeraus tulevina vuosina aiheuttaa merkittävän kasvun datakeskusten kapasiteettivaatimuksissa. 

Nämä sovellukset kuluttavat valtavia energiamääriä neuroverkkojen kouluttamiseen. Siksi uusi tutkimus keskittyy vähentämään valtavaa energiaa, jota AI:n neuroverkkojen koulutus vaatii.

Neuroverkkoja käytetään AI:ssa kuvien tunnistamiseen ja kielen käsittelyyn muiden tehtävien ohella. Näiden verkkojen toiminta on inspiroitunut ihmisaivojen tavasta.

Neuroverkko koostuu toisiinsa kytketyistä solmuista, joita kutsutaan keinotekoisiksi neuroneiksi. Tässä syötteet painotetaan erityisillä parametreilla ennen yhteenlaskua, ja jos määritelty raja ylittyy, signaali siirtyy seuraavaan solmuun.

Verkon kouluttamisessa parametrien alkuarvot valitaan yleensä satunnaisesti ja sitten säädetään vähitellen verkon ennusteiden parantamiseksi.

Tämä lähestymistapa vaatii tietenkin monia iteraatioita, mikä tekee koulutuksesta erittäin vaativaa ja johtaa suurten sähkökulutusten syntymiseen.

Siksi Felix Dietrichin johtama tutkijaryhmä, joka on fysiikkaa hyödyntävän koneoppimisen professori, kehitti uuden menetelmän. Dietrich on keskeinen jäsen Münchenin Data Science Institute (MDSI) -instituutissa ja liitännäinen jäsen Münchenin Center for Machine Learning (MCML) -keskuksessa.

Mitä tämä uusi tekniikka tekee, on että se hyödyntää todennäköisyyksiä sen sijaan, että määrittäisi solmujen väliset parametrit toistuvasti. Tämä uusi todennäköisyyspohjainen menetelmä käyttää kohdennetusti arvoja kriittisissä paikoissa koulutusdatassa. Nämä ovat paikkoja, joissa arvot muuttuvat suuresti ja nopeasti. 

Tämän lähestymistavan avulla tutkimus pyrkii saamaan energiansäästäviä dynaamisia järjestelmiä datasta. Tällaiset dynaamiset järjestelmät muuttuvat ajan myötä sääntöjen mukaisesti. Näitä järjestelmiä esiintyy esimerkiksi rahoitusmarkkinoilla ja ilmastomalleissa.

“Menetelmämme mahdollistaa vaadittavien parametrien määrittämisen minimaalisella laskentateholla. Tämä voi tehdä neuroverkkojen koulutuksesta paljon nopeampaa ja siten energiatehokkaampaa. Lisäksi olemme havainneet, että uuden menetelmän tarkkuus on verrattavissa iteratiivisesti koulutettuihin verkkoihin.”

– Dietrich

Tällä edistysaskeleella on potentiaalia merkittävästi vähentää AI:n ympäristövaikutuksia vähentämällä neuroverkkojen koulutukseen tarvittavaa energiaa. Voimme nähdä teollisuuden ottavan käyttöön suuria AI-malleja, jotka omaksuvat tämän menetelmän seuraavan 1–3 vuoden aikana, mikä johtaa kestävämpiin ja kustannustehokkaampiin AI-ratkaisuihin.

Innovatiivinen yritys

NVIDIA Corporation

AI-laskennan johtaja, NVIDIA (NVDA ) kehittää energiatehokkaita GPU:ita ja AI-kiihdyttimiä, jatkuvasti innovoiden suorituskyvyn parantamiseksi samalla kun vähentää energiankulutusta.​

Viime vuonna AI Summit DC -tapahtumassa yritys raportoi, että sen GPU:iden energiankulutus on vähentynyt valtavasti 2 000‑kertaisesti koulutuksessa viimeisen vuosikymmenen aikana. Samana aikana se koki myös 100 000‑kertaisen energiansäästön tokenien tuottamisessa. Tehokkuuden parannus on ollut 2 000‑kertainen, kun taas laskentasuorituskyvyn parannus on kirjattu 4 000‑kertaiseksi viimeisen kymmenen vuoden aikana.

Bob Pette, Nvidian yritysalustojen varapuheenjohtajan mukaan:

“Jos autot olisivat parantaneet tehokkuuttaan yhtä paljon kuin olemme parantaneet inferenssisuorituskykyä, voisit ajaa yli 300 vuotta yhdellä bensatankilla. Kiihdytetyn laskennan ytimessä on kestävä laskenta.”

Nvidian Blackwell on sen uusi lippulaiva-GPU-arkkitehtuuri, joka seuraa Hopperia ja on suunniteltu parantamaan AI-suorituskykyä “merkittävästi”. Tämä alusta sisältää maailman tehokkaimman sirun, toisen sukupolven transformer-moottorin ja viidennen sukupolven NVLinkin, ja on erittäin energiatehokas inferenssi- ja koulutustilanteissa.

NVIDIA Corporation on itse asiassa täyden pinon laskenta-infrastruktuuriyritys, jonka segmentteihin kuuluvat Compute & Networking sekä Graphics.

Compute & Networking kattaa datakeskukset, verkot, autonomiset ja sähköautoratkaisut, DGX‑pilvilaskentapalvelut sekä Jetsonin, kun taas Graphics-segmentti kattaa GeForce‑GPU:t, GeForce NOW:n, virtuaalisen GPU‑ohjelmiston, NVIDIA RTX -GPU:t ja Omniverse Enterprise -ohjelmiston.

Markkina-arvolla 2,96 triljoonaa dollaria Nvidia‑osakkeet, kirjoitushetkellä, kaupankäynnissä hintaan 121,50 $, laskien 9,4 % vuoden alusta lähtien. Yhtiön EPS (TTM) on 2,94 ja P/E (TTM) 41,40, ja osinkotuotto on 0,03 %.

Huolimatta viimeaikaisesta osakekurssin laskusta, joka ei ole pelkästään piirikomponentin syy, yhtiö jatkaa sijoittajien houkuttelemista. Loppujen lopuksi sen osakearvo on noussut yli 1 800 % vuodesta 2020, tehden siitä yhden maailman arvokkaimmista yrityksistä.

Nvidia kiinnostaa erityisesti nuoria sijoittajia, kun se ohittaa Tesla (TSLA ) suosituimpana osakkeena Robinhood (HOOD ) -alustalla. Suuri enemmistö (75 %) rahoitetuista tileistä tällä komissiottomalla sijoitusalustalla omistaa milleniaalit ja Gen Z. 

Robinhoodin toimitusjohtaja Vlad Tenev uskoo myös, että Nvidia tulee olemaan tärkeämpi kuin koskaan AI:n ansiosta.

“Uskon, että AI tekee sijoittamisesta tärkeämpää, koska jos teknologian hallinta keskitetään teknologiayrityksiin, sinun täytyy olla sijoittaja näissä yrityksissä hyötyäksesi.”

– Tenev

Yrityksen taloustietojen osalta Nvidia raportoi vuoden 2025 tammikuun 26. päivänä päättyneestä Q4:stä 39,3 miljardia dollaria liikevaihtoa, mikä on 12 % ja 78 % kasvu edellisestä neljänneksestä ja vuodesta sitten.

Datakeskussegmentissä yhtiön neljänneksen liikevaihto oli ennätyksellinen 35,6 miljardia dollaria. Tänä aikana NVIDIA valittiin keskeiseksi teknologiakumppaniksi 500 miljardi dollarin Stargate-projektille.

Muita kehityksiä olivat pilvipalveluntarjoajat AWS, CoreWeave (CRWV ), Google Cloud Platform (GCP), Microsoft Azure ja Oracle (ORCL ) Cloud Infrastructure (OCI), jotka käyttävät NVIDIA® GB200 -järjestelmiä kasvavan AI-kysynnän täyttämiseksi, sekä NVIDIA DGX™ Cloud AI -laskentaplatformin ja NVIDIA NIM™ -mikropalveluiden tarjoaminen AWS Marketplace -kaupassa, Cisco:n NVIDIA Spectrum-X™ -integraatio verkkoportfoliossa, yhteistyö Verizonin kanssa NVIDIA AI Enterprise -integraatiossa, sekä kumppanuus IQVIA (IQV ):n, Mayo Clinicin, Illumina:n ja Arc Institute:n kanssa lääkekehityksen, genomiikan ja terveydenhuollon edistämiseksi.

Pelaamisen ja AI-PC:n liikevaihto laski 2,5 miljardiin dollariin, kun NVIDIA ilmoitti uusista GeForce RTX™ 50 -sarjan näytönohjaimista ja Blackwell-arkkitehtuurilla varustetuista kannettavista, lanseerasi GeForce RTX 5090- ja 5080-näytönohjaimet sekä esitteli DLSS 4:n.

Näiden lisäksi ammatillisen visualisoinnin liikevaihto oli 511 miljoonaa dollaria ja automaattisen sekä robotiikkaosaston liikevaihto 570 miljoonaa dollaria.

Tänä neljänneksenä yhtiön GAAP-voitto per laimennettu osake oli 0,89 $, noussut 14 % edellisestä neljänneksestä ja 82 % vuodesta sitten. Non-GAAP-voitto per laimennettu osake oli samalla 0,89 $.

Vuoden 2025 tilikaudella liikevaihto oli 130,5 miljardia dollaria, mikä on valtava 114 % kasvu vuodesta sitten. GAAP-voitto per laimennettu osake oli 2,94 $ ja non-GAAP-voitto per laimennettu osake 2,99 $.

“Blackwellin kysyntä on hämmästyttävää, koska päättely-AI lisää toisen skaalauslainsäädännön — lisäämällä laskentatehoa koulutuksessa tekee malleista älykkäämpiä ja lisäämällä laskentatehoa pitkään ajattelussa tekee vastauksesta älykkäämmänn.“ 

– CEO ja perustaja Jensen Huang

Yritys on siis lisännyt Blackwell AI -supertietokoneidensa tuotantoa, saavuttaen miljardien dollareiden myynnin.

Vuoden 2026 ensimmäiselle neljännekselle yhtiö odottaa liikevaihdon olevan 43 miljardia dollaria, GAAP-toimintakustannusten 5,2 miljardia dollaria ja non-GAAP-muiden tulojen noin 400 miljoonaa dollaria.

“AI kehittyy valonnopeudella, kun agenttinen AI ja fyysinen AI asettavat lavan seuraavalle AI-aaltoelle mullistamaan suurimmat teollisuudenalat.”

– Huang

Uusimmat NVIDIA Corporationista

Johtopäätös

AI on valmis mullistamaan yrityksiä eri sektoreilla, mutta se tarkoittaa ennennäkemätöntä energiakysynnän kasvua. Tämä kysyntä asettaa suuren haasteen, jonka monet tutkijat pyrkivät ratkaisemaan. 

Uuden todennäköisyyspohjaisen koulutusmenetelmän kehittäminen merkitsee merkittävää läpimurtoa energiatehokkaassa AI:ssa, vähentäen energian tarvetta jopa 100‑kertaisesti. Kun AI:n aiheuttaman energiankulutuksen odotetaan räjähtävän datakeskusten laajentuessa, tämä edistysaskel voi merkittävästi alentaa toimintakustannuksia ja ympäristövaikutuksia.

Yhdistettynä Nvidian keskittymiseen energiatehokkaisiin GPU:ihin ja AI-kiihdyttimiin, nämä innovaatiot voivat nopeuttaa AI:n omaksumista ja lisätä tuottavuutta.

Klikkaa tästä oppiaksesi kaiken tekoälyyn sijoittamisesta.