NVIDIA‑inspirerte fremskritt reduserer AI‑treningsstrømbehov 100‑fold

Kunstig intelligens (AI) har tatt over hele verden, og ingen sektor er uberørt av magien i denne teknologiske fremgangen. I dag integrerer 77 % av enhetene AI‑teknologi, til tross for at kun en tredjedel av forbrukerne tror de bruker AI‑plattformer.

Et økende antall organisasjoner tar også i økende grad i bruk AI for forretningsvekst, med 9 av 10 selskaper som støtter teknologien for å oppnå konkurransefortrinn. Denne bruken forventes å eliminere 85 millioner jobber, men samtidig skape 97 millioner nye.

Disse tallene gjenspeiler anslagene om at AI‑markedet vil bidra med 15,7 billion dollar til verdensøkonomien innen 2030. Størrelsen på AI‑markedet forventes også å vokse med minst 120 % år for år.

Imidlertid, etter hvert som AI‑adopsjonen vokser, øker også etterspørselen etter energi for å drive datasentre, som er ekstremt energikrevende. Drift og kjøling av tusenvis av servere døgnet rundt krever enorme mengder energi. For øyeblikket hentes denne energien fra strømnettet, noe som skaper problemer under toppbelastning og belaster systemet. Ifølge Chevron (CVX ) CEO Mike Wirth:

“Veksten og etterspørselen etter strøm kan belaste et nett som allerede er presset. Det kan øke kostnadene for forbrukerne. Naturgass vil bidra til å drive den raske veksten av kunstig intelligens med sitt umettelige behov for pålitelig elektrisitet.”

Som svar på denne etterspørselen kunngjorde Chevron nylig at de vil samarbeide med GE (GE ) Verona og Engine No. 1 for å generere elektrisitet til AI ved å bygge naturgasskraftverk direkte koblet til datasentre.

Foreløpig står datasentre for omtrent 1 % av det globale strømforbruket, ifølge en rapport fra International Energy Agency (IEA).

Men dette er bare begynnelsen ettersom selskaper bruker milliarder av dollar på å bygge enda flere datasentre.

Microsoft (MSFT ) planlegger å investere 80 milliarder dollar i AI‑aktiverte datasentre, hvor halvparten av dette er tildelt USA. Ifølge estimater fra Blackstone (BX ) vil over 1 billion dollar bli investert i amerikanske datasentre frem til 2030, med Google (GOOGL ), Meta (META ), og Amazon (AMZN ) blant teknologigigantene som bygger datasentre over hele landet.

Så vil energiforbruket i sektoren bare akselerere videre. Goldman Sachs (GS ) anslår at etterspørselen etter strøm til datasentre vil vokse med 160 % de neste fem årene, noe som naturlig vil drive en enestående økning i strømforbruket.

Ifølge estimater fra Electric Power Research Institute (EPRI) kan energiforbruket til disse anleggene i USA utgjøre mellom 4,6 % og 9,1 % av total strømproduksjon innen slutten av dette tiåret.

I mellomtiden, i Europa, spesielt Tyskland, brukte datasentre rundt 16 milliarder kWh energi i 2020 til databehandling, lagring og overføring, et tall som forventes å stige til 22 milliarder kWh innen 2025.

Som et resultat utforsker forskere kontinuerlig måter å redusere strømkravene til AI på.

Redusere AI‑energiforbruk

AI‑teknologi spiller en nøkkelrolle i å forbedre energieffektiviteten på tvers av ulike sektorer ved å optimalisere energiforbruk, forutsi etterspørsel og muliggjøre smart nettstyring, noe som til slutt fører til redusert energisløsing og lavere karbonutslipp.

For eksempel brukte Vodafone UK AI for å senke det daglige strømforbruket til 5G‑radiouniteter (RUs) ved å bruke avanserte AI‑ og maskinlæringsbaserte programvareløsninger fra Ericsson. De har allerede lykkes med å redusere det med 33 % på utvalgte steder i London.

Vodafone UK implementerte tre hovedfunksjoner for energisparing som en del av forsøket.

Dette inkluderer et Radio Power Efficiency Heatmap, som bruker maskinlæring for å identifisere og rangere underpresterende steder for målrettet effektivitetsforbedring ved å lage en visuell fremstilling av alle nettverksceller. Deretter er 4G Cell Sleep Mode Orchestration, som har utviklet en atferdsmodell for nettverksceller for å finjustere søvnparametere og skape en balanse mellom energisparing og ytelse. 5G Deep Sleep bruker derimot AI‑drevede prediktive algoritmer, og reduserer strømforbruket med 70 % i perioder med lav belastning.

Men hva med AI‑s energiforbruk? Vel, forskere og selskaper har rettet seg mot mange ulike områder for å redusere energiforbruket til denne raskt voksende teknologien.

Dette inkluderer optimalisering av AI‑modeller, bruk av energieffektiv maskinvare, og vedtak av bærekraftige praksiser som fornybar energi og effektiv kjøling i datasentre.

Når det gjelder optimalisering av AI‑modeller, kan ulike tilnærminger brukes som beskjæring, kvantisering og destillasjon. Ved modellbeskjæring fjernes unødvendige parametere og forbindelser fra en modell uten å påvirke nøyaktigheten. Kvantisering handler om å redusere presisjonen til modellparametere for å minske beregningskravene og energiforbruket. Ved destillasjon trenes mindre modeller til å etterligne oppførselen til en større, mer kompleks modell, noe som gir en mer energieffektiv modell med lignende ytelse.

Som MIT Technology Review bemerket i årets utgave, er mindre modeller et av de teknologiske gjennombruddene som vil definere neste æra. Disse modellene trenes på mer fokuserte datasett og kan tilby domenespesifikk presisjon, kostnadseffektivitet og forbedret datasikkerhet sammenlignet med store språkmodeller (LLM‑er).

GPT‑4o mini fra OpenAI, Phi fra Microsoft, Gemini Nano fra Google DeepMind, og Haiku fra Anthropic sin Claude 3 er noen eksempler på mindre versjoner av større AI‑modeller fra teknologigigantene.

Når det gjelder maskinvare, har fokuset vært på å bruke GPU‑er og andre spesialiserte AI‑prosessorer som er designet spesielt for høyytelsesarbeidsbelastninger.

Deretter finnes det utvalgte energieffektive servere og prosessorer som justerer strømforbruket basert på arbeidsbelastning, virtualisering for bedre ressursutnyttelse ved å kjøre flere prosesser på færre fysiske maskiner, og avanserte kjøleteknologier for å redusere behovet for strømintensive klimaanlegg.

Som vi delte bare forrige måned, oppnådde forskere fra Tohoku University, Japan Atomic Energy Agency og National Institute for Materials Science oppnådde en svært effektiv og energisparende AI‑maskinvare. Forskerne brukte spintroteknologiske enheter for lavstrøms‑AI‑brikker og viste en strømprogrammerbar spin‑orbital‑torg (SOT)‑enhet som åpner døren for en ny generasjon av AI‑maskinvare.

En annen måte å redusere AI‑energiforbruket på er gjennom bærekraftige praksiser. Datasentre kan bruke fornybare energikilder, implementere energieffektive kjølesystemer og designe effektive layout for å redusere energiforbruket.

Selskaper gjør aktive forpliktelser i denne retningen, med Google som gjør fremskritt med geotermisk energi. Microsoft er et annet eksempel, som planlegger å gjenåpne Three Mile Island‑atomkraftverk for å bli karbonnøytralt innen 2030.

Interessant nok brukes AI også til å bringe energieffektivitet til AI. Teknologien brukes til å optimalisere energiforbruk i bygninger og industrier, forutsi når utstyr trenger vedlikehold, og redusere toppbelastning ved å utnytte sanntidsnettforhold.

Midt i alt dette har forskere fra Technical University of Munich (TUM) utviklet en ny metode som trener nevrale nettverk opptil 100 ganger raskere, og dermed reduserer energiforbruket knyttet til AI‑applikasjoner betydelig.

For dette beregnet forskerne parametrene direkte basert på sannsynligheter i stedet for å bruke en iterativ tilnærming, men resultatene har så langt vært sammenlignbare i kvalitet med eksisterende iterative metoder.

En ny måte å redusere AI‑energiforbruket betydelig på

I tillegg til den økte bruken av AI, vil lanseringen av mer komplekse AI‑applikasjoner i de kommende årene føre til en betydelig økning i etterspørselen etter datasenterkapasitet.

Disse applikasjonene vil bruke enorme mengder energi til trening av nevrale nettverk. Derfor fokuserer den nye studien på å redusere den massive strømmen som kreves for å trene nevrale nettverk for AI.

Nevrale nettverk brukes i AI for å gjenkjenne bilder og behandle språk blant andre oppgaver. Funksjonen til disse nettverkene er inspirert av hvordan den menneskelige hjernen fungerer.

Det nevrale nettverket består av sammenkoblede noder kalt kunstige nevroner. Her blir inngangssignalene vektet med spesifikke parametere før de summeres, og hvis den definerte grensen overskrides, sendes signalet videre til neste node.

For å trene nettverket er det første utvalget av parameterverdier vanligvis tilfeldig, og deretter justeres de gradvis for å forbedre nettverkets prediksjoner over tid.

Denne tilnærmingen krever selvfølgelig mange iterasjoner, noe som gjør treningen ekstremt krevende, og dermed fører til høyt strømforbruk.

Så utviklet et team av forskere ledet av Felix Dietrich, en professor i fysikkforsterket maskinlæring, en ny metode. Dietrich er kjerne medlem av Munich Data Science Institute (MDSI) og assosiert medlem av Munich Center for Machine Learning (MCML).

Det denne nye teknikken gjør, er at den bruker sannsynligheter i stedet for å bestemme parametrene mellom nodene gjentatte ganger. Denne nye probabilistiske metoden gjør en målrettet bruk av verdier på kritiske steder i treningsdataene. Dette er steder hvor store og raske endringer i verdier finner sted.

Med denne tilnærmingen har studien som mål å oppnå energisparende dynamiske systemer fra dataene. Slike dynamiske systemer endrer seg over tid i henhold til reglene. Disse systemene finnes i finansmarkeder og klimamodeller.

“Vår metode gjør det mulig å bestemme de nødvendige parametrene med minimal datakraft. Dette kan gjøre treningen av nevrale nettverk mye raskere og som et resultat mer energieffektiv. I tillegg har vi sett at nøyaktigheten til den nye metoden er sammenlignbar med den til iterativt trente nettverk.”

– Dietrich

Dette fremskrittet har potensial til å redusere miljøpåvirkningen fra AI betydelig ved å minske energien som kreves for å trene nevrale nettverk. Vi kan se industrier som distribuerer storskalige AI‑modeller ta i bruk denne metoden innen de neste 1 til 3 år, noe som fører til mer bærekraftige og kostnadseffektive AI‑løsninger.​

Innovativt selskap

NVIDIA Corporation

En leder innen AI‑databehandling utvikler NVIDIA (NVDA ) energieffektive GPU‑er og AI‑akseleratorer, og innoverer kontinuerlig for å forbedre ytelsen samtidig som strømforbruket reduseres.​

I fjor på AI Summit DC rapporterte selskapet at energibruken til deres GPU‑er har opplevd en massiv 2 000‑ganger reduksjon i trening de siste ti årene. I samme periode opplevde de også en 100 000‑ganger reduksjon i energi ved generering av tokens. Forbedringen i effektivitet har vært 2 000‑ganger, mens en 4 000‑ganger forbedring i beregningsytelse er registrert de siste ti årene.

Ifølge Bob Pette, Nvidias VP for bedriftsplattformer på den tiden:

“Hvis biler hadde forbedret sin effektivitet så mye som vi har forbedret inferensytelsen, kunne du kjørt over 300 år på en enkelt tank bensin. Kjernen i akselerert databehandling er bærekraftig databehandling.”

Nvidias Blackwell er deres nye flaggskip GPU‑arkitektur, som etterfølger Hopper og er designet for å forbedre AI‑ytelsen «på en betydelig måte». Denne plattformen er utstyrt med verdens kraftigste brikke, en transformer‑motor i andre generasjon, og NVLink i femte generasjon, samtidig som den er ekstremt energieffektiv for inferens og trening.

NVIDIA Corporation er faktisk et full‑stack datainfrastruktur‑selskap med segmenter som Compute & Networking og Graphics.

Compute & Networking omfatter datasenter, nettverk, autonome og elektriske kjøretøyløsninger, DGX‑sky‑datatjenester og Jetson, mens Graphics‑segmentet omfatter GeForce‑GPU‑er, GeForce NOW, virtuell GPU‑programvare, NVIDIA RTX‑GPU‑er og Omniverse Enterprise‑programvare.

Med en markedsverdi på 2,96 billion dollar, handles NVIDIAs aksjer, per skrivende stund, til $121,50, ned 9,4 % år‑til‑dato. Selskapet har en EPS (TTM) på 2,94 og en P/E (TTM) på 41,40, mens utbytteavkastningen er 0,03 %.

Til tross for nedgangen i NVIDIAs aksjekurs de siste tidene, noe som ikke er eksklusivt for chipprodusenten, fortsetter selskapet å tiltrekke investorer. Tross alt har aksjeverdien skutt i været med mer enn 1 800 % siden 2020, noe som gjør det til et av de mest verdifulle selskapene i verden.

Interessen for NVIDIA er spesielt stor blant unge investorer, da det overgår Tesla (TSLA ) som den mest holdte aksjen på Robinhood (HOOD ). Et overveldende flertall (75 %) av finansierte kontoer på denne kommisjonsfrie investeringsplattformen eies av Millennials og Gen Z. 

Robinhood‑administrerende direktør Vlad Tenev mener også at Nvidia vil bli viktigere enn noen gang, takket være AI.

“Jeg tror AI vil gjøre investeringer viktigere fordi hvis kontrollen over teknologien blir sentralisert i teknologiselskapene, må du være investor i disse selskapene for å dra nytte av det.”

– Tenev

Når det gjelder selskapets økonomi, rapporterte Nvidia Q4 som avsluttet 26. januar 2025, med en inntekt på $39,3 billion, en økning på 12 % og 78 % fra forrige kvartal og fra året før, henholdsvis.

I datasentersegmentet var selskapets inntekt i fjerde kvartal en rekord på $35,6 billion. I denne perioden ble NVIDIA valgt som en viktig teknologipartner for det $500 billion Storegate‑prosjektet.

Andre utviklinger inkluderte sky‑tjenesteleverandører AWS, CoreWeave (CRWV ), Google Cloud Platform (GCP), Microsoft Azure og Oracle (ORCL ) Cloud Infrastructure (OCI) som bruker NVIDIA® GB200‑systemer for å møte den økende AI‑etterspørselen, gjør NVIDIA DGX™ Cloud AI‑dataplattform og NVIDIA NIM™‑mikrotjenester tilgjengelige via AWS Marketplace, Cisco integrerer NVIDIA Spectrum‑X™ i sin nettverksportefølje, samarbeider med Verizon for å integrere NVIDIA AI Enterprise, og inngår partnerskap med IQVIA (IQV ), Mayo Clinic, Illumina og Arc Institute for å fremme legemiddelforskning, genomikk og helsevesen.

Inntektene fra Gaming og AI‑PC falt til $2,5 billion, mens NVIDIA kunngjorde nye GeForce RTX™ 50‑serie grafikkort og bærbare datamaskiner drevet av Blackwell‑arkitekturen, lanserte GeForce RTX 5090 og 5080 grafikkort og introduserte DLSS 4.

I tillegg var inntektene fra profesjonell Visualisering $511 million, og $570 million kom fra Automotive‑ og Robotics‑divisjonen.

I løpet av dette kvartalet var selskapets GAAP‑resultat per fortynnet aksje $0,89, en økning på 14 % fra forrige kvartal og opp 82 % fra ett år siden. Ikke‑GAAP‑resultatet per fortynnet aksje var samtidig $0,89.

For regnskapsåret 2025 var inntektene $130,5 billion, en økning på massive 114 % fra ett år siden. GAAP‑resultat per fortynnet aksje for perioden var $2,94 og ikke‑GAAP‑resultat per fortynnet aksje var $2,99.

“Etterspørselen etter Blackwell er fantastisk ettersom resonnerende AI legger til en ny skaleringslov — økt beregningskraft for trening gjør modeller smartere, og økt beregningskraft for lang tenkning gjør svaret smartere.”

– CEO and founder Jensen Huang

Dermed har selskapet økt produksjonen av sine Blackwell AI‑superdatamaskiner, og oppnådd salg på milliarder av dollar.

For første kvartal i regnskapsåret 2026 forventer selskapet en inntekt på $43 billion, GAAP‑driftskostnader på $5,2 billion, og ikke‑GAAP‑annen inntekt på omtrent $400 million.

“AI utvikler seg i lysets hastighet ettersom agentisk AI og fysisk AI legger grunnlaget for neste bølge av AI som vil revolusjonere de største industriene.”

– Huang

Siste nyheter om NVIDIA Corporation

Konklusjon

AI er i ferd med å revolusjonere virksomheter på tvers av sektorer, men det betyr en enestående økning i energietterspørselen. Denne etterspørselen utgjør en stor utfordring som mange forskere jobber med å løse. 

Utviklingen av en ny probabilistisk treningsmetode markerer et betydelig gjennombrudd innen energieffektiv AI ved å redusere strømbehovet med opptil 100 ganger. Med AI‑relatert energiforbruk som forventes å skyte i været etter hvert som datasentre vokser, kan dette fremskrittet betydelig senke driftskostnadene og miljøpåvirkningen. 

Kombinert med Nvidias fokus på energieffektive GPU‑er og AI‑akseleratorer, kan disse innovasjonene bidra til å akselerere AI‑adopsjon og øke produktiviteten.

Klikk her for å lære alt om investering i kunstig intelligens.