Kan AI operere effektivt? Forskere kan ha funnet en løsning

Kunstig intelligens (AI) fortsetter å forme vår fremtid på nesten alle bransjer etter hvert som bruken øker for å automatisere viktige forretningsprosesser, redusere kostnader og øke produktiviteten. 

Data viser at mer enn 80 % av bedrifter bruker AI i noen grad, og ser det som en kjerne­teknologi i organisasjonene sine. Det økonomiske engasjementet i AI har også økt ettersom bruken gir betydelige fordeler og mye høyere avkastning.

Med dette vokste AI‑markedet til over 184 milliarder dollar i 2024 og forventes å overstige 826 milliarder dollar innen slutten av dette tiåret, ifølge Statista.

All denne veksten og den eksplosive interessen for AI har ført til et kappløp om å utvikle teknologien. AI‑modeller som store språkmodeller (LLM‑er) som bygges av organisasjoner bruker algoritmer for å forstå, oppsummere, oversette og generere menneskelig språk, og blir trent på enorme datamengder ved hjelp av kraftkrevende prosessorer. 

For dette investerer selskaper og datasenteroperatører store mengder kapital i å bygge nye høykapasitets‑datasentre. Investeringene i nye datasentre, ifølge International Energy Agency (IEA), har allerede skutt i været de siste to årene, ledet av USA. I 2023 var den totale kapitalinvesteringen fra Microsoft (MSFT ), Google og Amazon (AMZN ) alene høyere enn den for hele olje‑ og gassindustrien i landet.

Disse datasentrene krever mye elektrisitet for å drives. I 2022 oppga IEA at datasentre forbrukte 1,65 milliarder gigajoule elektrisitet, omtrent 2 % av den globale etterspørselen. 

Den globale strøm‑etterspørselen fra datasentre er videre prognostisert å øke med 50% innen 2027 og med 165% innen 2030, ifølge Goldman Sachs (GS ) Research fra tidligere denne måneden.

Det nåværende strømforbruket i datasentre er estimert til rundt 55 gigawatt (GW), bestående av sky‑databehandlingsarbeidsbelastninger (54 %), tradisjonelle arbeidsbelastninger som lagring (32 %) og AI (14 %). Modellering av fremtidig etterspørsel for disse arbeidsbelastningstypene gir en projisert strøm‑etterspørsel på 84 GW innen 2027, hvor AI vil vokse til 27 % mens sky‑andelen faller til 50 % og tradisjonelle arbeidsbelastninger til 23 %.

Den globale markedskapasiteten for datasentre er derimot for tiden rundt 59 GW, hvor 60 % leveres av hyperskala‑skyleverandører som Google og Alibaba samt tredjeparts‑datasenteroperatører, mens resten kommer fra tradisjonelle bedrifts‑ og telekommunikasjons‑eide datasentre.

Strøm‑etterspørselen til disse store hyperskala‑datasentrene er 100 MW eller mer, med et årlig strømforbruk som er omtrent likt strømbehovet til så mange som 400 000 el‑biler.

Etter hvert som organisasjoner fortsetter å omfavne AI, kan vi også forvente en økning i AI‑dedikerte datasentre, en ny klasse infrastruktur som er spesielt designet for å betjene de særskilte kravene til AI‑arbeidsbelastninger. Selv om svært få finnes så langt, er de hovedsakelig lokalisert i Asia‑Stillehavsregionen og Nord‑America, spesielt i Beijing, Shanghai, Northern Virginia og San Francisco‑området. 

Ifølge estimater fra Goldman Sachs Research vil det innen slutten av 2030 være rundt 122 GW datasenterkapasitet i drift. På grunn av de høyere behandlingskravene fra AI, vil tettheten i strømforbruket i datasentre sannsynligvis også øke til 176 kilowatt‑timer per kvadratfot innen to år.

Ettersom datasentre bidrar til et økende strømbehov, vil også strømnettet kreve betydelige investeringer, anslått til 720 milliarder dollar i nettutgifter frem til 2030.

I tillegg er det karbondioksidutslippene fra datasentre, som kan mer enn dobles mellom 2022 og 2030. Så strømforbruket i datasentre, som nå utgjør 1–2 % av total strøm og sannsynligvis vil øke til 3–4 % innen slutten av tiåret, har blitt en bekymring, selv om det ikke er en tapt sak. 

Tallene, selv om de er enorme, er beskjedne når de vurderes i en bredere kontekst av den globale veksten i strømforbruk, som IEA anslår vil øke med 6 750 TWh innen 2030, drevet av ikke bare AI, men også fortsatt økonomisk vekst, el‑biler, klimaanlegg og strømintensiv produksjon.

I tillegg er ikke bare hastigheten på AI‑bruken usikker, men fortsatt effektivitetsforbedringer i både maskinvare og programvare kan bidra til å møte strømkravene til AI‑teknologien. 

Effektiviteten til AI‑relaterte databrikker har doblet seg omtrent hvert 2,5–3. år. En moderne AI‑brikke bruker nå 99 % mindre strøm mens den utfører de samme beregningene som en modell fra 2008. I tillegg blir AI‑modeller selv mer effektive. Sammen med ny kjøleteknologi og innovative vitenskapelige løsninger reduserer disse utviklingene energibruken og minimerer miljøpåvirkningen.

Klikk her for å lære hvorfor tradisjonell lagring ikke kan holde tritt med AI.

Forskere utvikler en banebrytende løsning 

Illustrativt bilde. Ikke et faktisk fotografi.

Mot bakgrunn av AI‑utviklingen og det økende energibehovet har forskere i Japan utviklet en innovativ spintronisk enhet som lover en betydelig reduksjon i strømforbruket ved å tillate elektrisk kontroll av magnetiske tilstander. 

Dette gjennombruddet kan revolusjonere AI‑maskinvare ved å lage brikker som speiler hvordan nevrale nettverk fungerer og er langt mer energieffektive. I stedet for å bruke en elektrisk strøm til å lagre informasjon, bruker disse enhetene spinnet til elektroner for det samme, noe som gjør dem raskere og mer effektive.

Spintroniske enheter brukes i masselagringsenheter og databehandling for å øke hastigheten og ytelsen til datamaskiner.

Forskere fra National Institute for Materials Science, Tohoku University og Japan Atomic Energy Agency bruker nå dette for lavstrøms‑AI‑brikker og har demonstrert et konseptbevis for en strøm‑programmerbar spin‑orbit‑torque (SOT)‑enhet.

SOT gir en lovende mekanisme for elektrisk koding av informasjon i magnetiske tilstander. I eksisterende ordninger er den imidlertid passivt bestemt av materialet og enhetsstrukturene. 

“Mens spintronisk forskning har gjort betydelige fremskritt i å kontrollere magnetisk orden elektrisk, separerer de fleste eksisterende spintroniske enheter rollen til det magnetiske materialet for å bli kontrollert og materialet som gir drivkraften.”

– Shunsuke Fukami, Tohoku University

Spintroniske enheter, når de er fremstilt, har et fast operasjonsskjema der de vanligvis bytter informasjon i en binær måde; fra “0” til “1”“ fashion. Den nye forskningen har imidlertid gjort fremskritt i elektrisk programmerbar bytting av flere magnetiske tilstander. Manipulering av den iboende SOT‑polariteten gjør det mulig med fleksibelt programmerbare SOT‑enheter.

Ifølge resultatene av studien publisert i Nature Communications¹ denne måneden, gjør denne spintroniske enheten det mulig med elektrisk gjensidig kontroll av ikke‑kollineære antiferromagneter og ferromagneter for effektiv bytting av magnetiske tilstander. 

Den elektriske kontrollen av magnetiske tilstander er grunnlaget for magnetisk minne, logikk og databehandling, og SOT tilbyr en effektiv tilnærming til å kontrollere dem. 

Det betyr at det banebrytende SOT‑apparatet kan lagre og behandle informasjon på en måte som ligner på en hjerne‑inspirert AI‑brikke, samtidig som det bruker betydelig mindre energi, og åpner døren for en ny generasjon av AI‑maskinvare som er både svært effektiv og energisparende.

Studien brukte Mn3Sn, et ikke‑kolineært antiferromagnet, som det viktigste magnetiske materialet og påførte en elektrisk strøm på det, noe som førte til at det produserte en spinn‑strøm som drev bytting av CoFeB, den tilstøtende ferromagneten. Dette ble gjort gjennom en prosess kalt den magnetiske spin‑Hall‑effekten.

Spin Hall‑effekten (SHE) er et nøkkel­element i moderne spintronikk som oppnår “kobling mellom ladningsstrømmer og kollektiv spin‑dynamikk i magnetisk ordnede systemer”.

Tidligere forskning² fra Tohoku University, i samarbeid med andre institusjoner, viste at sammenlignet med ikke‑magnetiske materialer har antiferromagneter sterkere spin‑Hall‑egenskaper. I Mn3Sn har SHE også en anomal endring av tegn når de trekantformede ordnede momentene endrer orientering. Det tilskrives også Mn3Sn sin høye magnetiske mekanisme til spin‑splittingen, som er avhengig av momentum og genereres av den ikke‑kolineære magnetiske ordenen, og utvider omfanget av antiferromagnetisk spintronikk.

I den nyeste forskningen reagerte ferromagneten på den spin‑polariserte strømmen og, i tillegg, påvirket den magnetisk tilstand i Mn3Sn. Dette muliggjorde den elektriske gjensidige bytting mellom de to materialene.

Teamet viste faktisk i eksperimentet at informasjon skrevet til ferromagneten kan kontrolleres elektrisk med hjelp av Mn3Sn sin magnetiske tilstand. De klarte å bytte CoFeB‑s magnetisering i ulike spor som representerer flere tilstander ved å justere den påførte strømmen.

Denne strøm‑polariteten endrer fortegnet på den skrevne informasjonen, som er en analog bytte‑mekanisme, og er en nøkkeloperasjon i nevrale nettverk som etterligner hvordan analoge verdier fungerer i AI‑behandling.

Oppdagelsen, ifølge Fukami, er et kritisk steg fremover i produksjonen av mer energieffektive AI‑brikker. 

“Ved å realisere den elektriske gjensidige bytting mellom en ikke‑kolineær antiferromagnet og en ferromagnet, har vi åpnet nye muligheter for strøm‑programmerbare nevrale nettverk,“ la han til, og bemerket at fokuset nå er på “å ytterligere redusere driftsstrømmer og øke avlesningssignaler, noe som vil være avgjørende for praktiske anvendelser i AI‑brikker”.

Ettersom datasentre forbruker så mye energi, hadde en annen studie som mål å redusere strømforbruket med SOT‑magnetisk RAM (MRAM).

Denne separate studien³, som ble publisert i Nature Communications forrige måned, kom fra forskere ved Johannes Gutenberg University Mainz (JGU), som utviklet en kraftig og svært effektiv løsning for databehandling og lagring samtidig som energiforbruket reduseres.

Prototypen “baner vei for raskere, mer effektive minneløsninger,“ sa hovedforfatteren av studien, Dr. Rahul Gupta, som er tidligere postdoktor ved JGU Institute of Physics.

Den er basert på SOT‑MRAM, som er kjent for sin overlegne strøm‑effektivitet, ikke‑flyktighet og ytelse sammenlignet med statisk RAM. Teknologien som bruker elektriske strømmer til å bytte magnetiske tilstander møter utfordringer med å redusere den høye inngangsstrømmen som trengs under skriveprosessen. Dette betyr å opprettholde tilstrekkelig termisk stabilitet for å lagre data over lang tid og minimere energien som kreves for å utføre lagringsoppgaven.

I stedet for SHE benyttet denne studien Orbital Hall‑effekten (OHE), hvor en transversal strøm av orbitalt moment oppstår i et materiale når en elektrisk strøm påføres. Ved å bruke dette fenomenet klarte forskerne å oppnå større energieffektivitet uten å være avhengige av dyre eller sjeldne materialer.

Det unike magnetiske materialet som ble utviklet bruker elementer som Ruthenium som en SOT‑kanal for å forbedre ytelsen. Med dette klarte teamet å oppnå en 20 % reduksjon i inngangsstrømmen, en 30 % økning i effektiviteten, og en over 50 % reduksjon i total energiforbruk.

Selskaper som leder veien

La oss nå se på fremtredende navn som bidrar til å fremme AI‑området:

1. NVIDIA Corporation

Nvidia (NVDA ) designer og produserer grafikkprosesseringsenheter eller GPUer. En GPU er en elektronisk krets som utfører matematiske beregninger med høy hastighet og er et populært valg for utvikling av AI‑modeller.

I løpet av det siste tiåret har selskapet betydelig forbedret ytelse‑per‑watt for sine GPUer, opptil 4 000 ganger, ifølge hovedforsker William Dally, og fortsetter å utvikle spesialiserte kretser i disse brikkene som er spesielt designet for AI‑beregninger.

Nvidia er verdens nest største selskap etter markedsverdi på 3,21 billioner dollar. Aksjene handles for øyeblikket til 130,86 $, ned 2,35 % år‑til‑dato. Selskapets EPS (TTM) er 2,54 og P/E‑forholdet (TTM) er 51,67, mens utbytteavkastningen er 0,03 %.

Når det gjelder selskapets økonomi, vil Nvidia offentliggjøre tallene for fjerde kvartal FY25 den 26. februar. For Q3 var GAAP‑resultatet per fortynnet aksje 0,78 $ og non‑GAAP‑resultatet per fortynnet aksje 0,81 $.

For dette kvartalet kunngjorde Nvidia en rekordinntekt på 35,1 milliarder dollar, en økning på 17 % fra Q2 og 94 % fra ett år siden. Inntekten fra datasentre utgjorde 30,8 milliarder dollar av dette. For Q4 delte de en utsikt på 37,5 milliarder dollar i inntekter.

“AI‑alderen er i full gang og driver et globalt skifte til NVIDIA‑databehandling,” sa administrerende direktør og grunnlegger Jensen Huang på den tiden, og bemerket at de ser en “utrolig” etterspørsel etter Hopper samt forventningene til Blackwell, som muliggjør høyytelses‑databehandling (HPC) for akselerert trening, inferens og effektivitet i generativ AI.

Nvidia har hatt en fantastisk reise ettersom aksjekursen steg fra under 11 $ i oktober 2022 til over 152 $ tidlig i januar 2025. Nylig mistet den noe momentum etter at det kinesiske AI‑oppstartsselskapet DeepSeek lanserte sin nyeste AI‑modell. Den første oppfatningen var at DeepSeek ville undergrave etterspørselen etter Nvidias høyytelses‑GPUer, men det kan faktisk være positivt for Nvidia ettersom oppstartens lavere beregningskraftbehov kan åpne flere AI‑muligheter, og dermed drive opp prisene til den største chipprodusenten.

“AI transformerer alle industrier, selskaper og land,” sa Huang under forrige kvartals økonomi og la videre til at bedrifter adopterer agentisk AI mens gjennombrudd innen fysisk AI sees i industriell robotikk. Land, la han til, har også våknet til viktigheten av å bygge sin egen AI‑infrastruktur.

#2. Broadcom Inc.

Broadcom (AVGO ) er blant de ti største selskapene, med en markedsverdi på 1,1 billioner dollar. Det er involvert i design, utvikling og levering av et bredt spekter av halvleder- og infrastruktur‑programvareløsninger. Selskapet har partnerskap med store aktører som Google, Meta Platforms (META ) og ByteDance. Det samarbeider også med OpenAI og Apple (AAPL ) for å bygge sine egne AI‑brikker.

Per skrivende stund handles Broadcom‑aksjer til 235 $, opp 1,95 % år‑til‑dato. Selskapets EPS (TTM) er 1,28 og P/E‑forholdet (TTM) er 184,78, mens utbytteavkastningen er 1 %.

I Q4 2024 hadde Broadcom en inntekt på over 14 milliarder dollar, en økning på 51 % fra samme periode året før, mens GAAP‑nettoinntekt var 4,324 milliarder dollar. For Q1 i regnskapsåret 2025 ga selskapet en inntektsveiledning på omtrent 14,6 milliarder dollar.

I fjerde kvartal nådde chipprodusentens halvlederinntekt en rekord på 30,1 milliarder dollar, noe administrerende direktør og president Hock Tan bemerket ble drevet av AI‑inntekter på 12,2 milliarder dollar. Den 220 % år‑til‑år veksten i AI‑inntekter ble drevet av deres XPUs.

Broadcoms GAAP‑fortynnede EPS var 0,90 $ og non‑GAAP‑fortynnede EPS var 1,42 $. Kontantstrøm fra driften var samtidig 5,6 milliarder dollar. Selskapet rapporterte også en økning på 11 % i kvartalsvis vanlig aksjeutbytte til 0,59 $ per aksje, noe som var den fjortende påfølgende økningen. Fri kontantstrøm ekskludert restrukturering var også “sterk” på 21,9 milliarder dollar, mens kontanter og kontantekvivalenter var 9,348 milliarder dollar.

“Vi ser vår mulighet i AI de neste tre årene som enorm. Spesifikke hyperskalere har begynt sine respektive reiser for å utvikle sine egne tilpassede AI‑akseleratorer.”

– Tan sa i inntjeningspresentasjonen

Han delte også at selskapet utvikler AI‑brikker med tre store sky‑kunder, som hver forventes å distribuere 1 million AI‑brikker i nettverkede klynger innen 2027.

Konklusjon

Etter hvert som populariteten og bruken av kunstig intelligens fortsetter å vokse, gjør også energiforbruket. AI‑modeller, spesielt dyp læring, krever betydelige mengder energi for beregning, og konvensjonelle løsninger møter grenser for strøm‑effektivitet.

Mot denne bakgrunnen kan forskning som har som mål å forbedre energieffektiviteten til AI‑brikker og minimere deres miljøpåvirkning hjelpe verden med å realisere det fulle potensialet til teknologien samtidig som de negative effektene reduseres.

SOT‑baserte minne‑ og logikkenheter kan gjøre en stor forskjell her ved å tilby en lav‑strøm‑løsning som bruker magnetiske tilstander for beregning i stedet for ladningsbasert logikk. Å beholde data uten konstant strøm kan redusere energikostnadene for AI‑inferens, muliggjøre mer energieffektive AI‑akseleratorer for sanntids‑AI‑beslutningstaking ved å etterligne hjernen, og øke behandlingshastigheten for AI‑oppgaver ved å integrere logikk og minne.

Kontinuerlige innsats som dette gjør AI‑maskinvare og -programvare mer energieffektiv, raskere og i stand til å håndtere komplekse beregninger, og dermed driver bredere AI‑adopsjon på tvers av industrier samtidig som karbonavtrykket reduseres!

Klikk her for å lære hvorfor 2025 er året for AI‑drevet investeringer.