Kan AI fungera effektivt? Forskare kan ha hittat en lösning

Artificiell intelligens (AI) fortsätter att forma vår framtid inom nästan alla branscher när dess adoption växer för att automatisera viktiga affärsprocesser, minska kostnader och öka produktiviteten. 

Data visar att mer än 80 % av företagen använder AI i någon grad och ser det som en kärnteknologi inom sina organisationer. Det finansiella engagemanget för AI har också ökat eftersom dess adoption ger betydande fördelar och mycket högre avkastning på investeringar.

Med detta växte AI-marknadens storlek till över 184 miljarder dollar år 2024 och förväntas överstiga 826 miljarder dollar i slutet av detta decennium, enligt Statista.

All denna tillväxt och explosionen av intresse för AI har lett till ett kapprustning för att utveckla teknologin. AI-modeller som stora språkmodeller (LLM) som byggs av organisationer använder algoritmer för att förstå, sammanfatta, översätta och generera mänskligt språk och tränas på enorma mängder data med kraftintensiva processorer. 

För detta investerar företag och datacenteroperatörer stora kapitalbelopp för att bygga nya högkapacitetsdatacenter. Investeringar i nya datacenter, enligt International Energy Agency (IEA), har redan skjutit i höjden under de senaste två åren, ledda av USA. År 2023 var den totala kapitalinvesteringen från Microsoft (MSFT ), Google och Amazon (AMZN ) ensam högre än hela olje- och gasindustrin i landet.

Dessa datacenter kräver mycket el för att drivas. År 2022 uppgav IEA att datacenter förbrukade 1,65 miljarder gigajoule el, vilket motsvarar cirka 2 % av den globala efterfrågan. 

Den globala elefterfrågan från datacenter förväntas dessutom öka med 50 % till 2027 och med 165 % till 2030, enligt Goldman Sachs (GS ) Research från tidigare i månaden. 

Den nuvarande elförbrukningen för datacenter uppskattas till cirka 55 gigawatt (GW), bestående av molnberäkning (54 %), traditionella arbetsbelastningar som lagring (32 %) och AI (14 %). Modellering av framtida efterfrågan för dessa arbetsbelastningstyper ger en prognostiserad elefterfrågan på 84 GW år 2027, där AI kommer att växa till 27 % medan molnet minskar till 50 % och traditionella arbetsbelastningar faller till 23 %.

Den globala marknadskapaciteten för datacenter ligger för närvarande på omkring 59 GW, varav 60 % tillhandahålls av hyperskala molnleverantörer som Google och Alibaba samt tredjepartsdatacenteroperatörer, medan resten kommer från traditionella företags- och telekomägda datacenter.

Elbehovet för dessa stora hyperskala datacenter är 100 MW eller mer med en årlig elförbrukning som är ungefär lika stor som elbehovet för så många som 400 000 elbilar.

När organisationer fortsätter att omfamna AI kan vi också förvänta oss en ökning av AI-dedikerade datacenter, en framväxande klass av infrastruktur som är speciellt utformad för att möta de unika kraven för AI-arbetsbelastningar. Även om det hittills finns få sådana, är de främst placerade i Asien‑Stilla havet och Nordamerika, särskilt i Beijing, Shanghai, Northern Virginia och San Francisco Bay Area. 

Enligt uppskattningar från Goldman Sachs Research kommer det i slutet av 2030 att finnas omkring 122 GW datacenterkapacitet online. På grund av de högre bearbetningskraven för AI förväntas tätheten för energianvändning i datacenter också öka till 176 kilowattimmar per kvadratfot inom två år.

Eftersom datacenter bidrar till ett ökande energibehov kommer elnätet också att behöva betydande investeringar, uppskattningsvis 720 miljarder dollar i nätutgifter fram till 2030.

Sedan finns koldioxidutsläppen från datacenter, som också kan mer än fördubblas mellan 2022 och 2030. Således har elförbrukningen för datacenter, som för närvarande utgör 1–2 % av den totala energin och sannolikt kommer att öka till 3–4 % i slutet av decenniet, blivit en oro, även om det inte är en helt hopplös situation. 

Siffrorna, även om de är enorma, är blygsamma när de betraktas i ett bredare sammanhang av den globala tillväxten i total elförbrukning, som IEA förutspår att öka med 6 750 TWh till 2030, drivet av inte bara AI utan också fortsatt ekonomisk tillväxt, elbilar, luftkonditionering och elintensiv tillverkning.

Dessutom är inte bara hastigheten för AI-användning osäker, utan fortsatta effektivitetssökningar i både hårdvara och mjukvara kan hjälpa till att hantera AI-teknikens energibehov.

Effektiviteten hos AI-relaterade datorkretsar har fördubblats ungefär var 2,5–3:e år. En modern AI-chip förbrukar nu 99 % mindre energi samtidigt som den utför samma beräkningar som en modell från 2008. Dessutom blir AI-modeller själva mer effektiva. I kombination med ny kylteknik och innovativa vetenskapliga lösningar minskar dessa framsteg energianvändningen och minskar deras miljöpåverkan.

Klicka här för att lära dig varför traditionell lagring inte kan hålla jämna steg med AI.

Forskare utvecklar en banbrytande lösning 

Illustrativ bild. Inte ett faktiskt fotografi.

Mot bakgrund av AI:s utveckling och dess ökande energibehov har forskare i Japan utvecklat en innovativ spintronisk enhet som lovar en betydande minskning av energiförbrukningen genom att möjliggöra elektrisk kontroll av magnetiska tillstånd. 

Detta genombrott kan revolutionera AI-hårdvara genom att skapa chip som speglar hur neurala nätverk fungerar och är mycket mer energieffektiva. Istället för att använda en elektrisk ström för att lagra information använder dessa enheter elektronernas spinn för samma ändamål, vilket gör dem snabbare och mer effektiva.

Spintroniska enheter används i masslagringsenheter och databehandling för att öka hastigheten och prestandan hos datorer.

Forskare från National Institute for Materials Science, Tohoku University och Japan Atomic Energy Agency använder nu den för lågströms‑AI‑chip och har demonstrerat ett proof‑of‑concept för en strömprogrammerad spin‑orbit‑torque (SOT)‑enhet.

SOT erbjuder en lovande mekanism för elektrisk kodning av information i magnetiska tillstånd. I befintliga system bestäms den dock passivt av materialet och enhetsstrukturerna. 

“Medan spintronisk forskning har gjort betydande framsteg i att elektriskt kontrollera magnetisk ordning, separerar de flesta befintliga spintroniska enheter rollen för det magnetiska materialet för att kontrolleras och materialet som tillhandahåller drivkraften.”

– Shunsuke Fukami, Tohoku University

Spintroniska enheter, när de väl är tillverkade, har ett fast driftsschema där de vanligtvis byter information i ett binärt sätt; från “0” till “1”. Den nya forskningen har dock gjort framsteg i elektriskt programmerbar växling av flera magnetiska tillstånd. Manipulering av den inneboende SOT‑polaritets möjliggör flexibelt programmerbara SOT‑enheter.

Enligt resultaten av studien publicerad i Nature Communications¹ denna månad möjliggör denna spintroniska enhet elektrisk ömsesidig kontroll av icke‑kollineära antiferromagneter och ferromagneter för effektiv växling av magnetiska tillstånd. 

Den elektriska kontrollen av magnetiska tillstånd är grunden för magnetiskt minne, logik och beräkning, och SOT erbjuder ett effektivt tillvägagångssätt för att styra dem. 

Det betyder att den banbrytande SOT‑enheten kan lagra och bearbeta information på ett sätt som liknar ett hjärninspirerat AI‑chip samtidigt som den använder avsevärt mindre energi, vilket öppnar dörrarna för en ny generation av AI‑hårdvara som är både högst effektiv och energisparande.

Studien använde Mn3Sn, en icke‑kollinear antiferromagnet, som det centrala magnetiska materialet och applicerade en elektrisk ström på det, vilket ledde till att det producerade en spinnström som drev växlingen av CoFeB, den intilliggande ferromagneten. Detta gjordes genom en process som kallas magnetisk spin‑Hall‑effekt.

Spin Hall‑effekten (SHE) är ett nyckelelement i modern spintronik som möjliggör “koppling mellan laddningsströmmar och kollektiv spin‑dynamik i magnetiskt ordnade system”.

Tidigare forskning² från Tohoku University, i samarbete med andra institut, visade att jämfört med icke‑magnetiska material har antiferromagneter starkare spin‑Hall‑egenskaper. Dessutom har SHE i Mn3Sn en avvikande teckenändring när dess triangulärt ordnade moment ändrar orientering. Det tillskrevs också Mn3Sn:s starka magnetiska mekanism till spin‑splittning, som är beroende av rörelsemängd och genereras av den icke‑kollineära magnetiska ordningen, vilket utvidgar området för antiferromagnetisk spintronik.

I den senaste forskningen svarade ferromagneten på den spin‑polariserade strömmen och påverkade dessutom det magnetiska tillståndet i Mn3Sn. Detta möjliggjorde den elektriska ömsesidiga växlingen mellan de två materialen.

Teamet visade faktiskt i sitt experiment att information som skrivs till ferromagneten kan kontrolleras elektriskt med hjälp av Mn3Sn:s magnetiska tillstånd. De kunde växla CoFeB:s magnetisering i olika spår som representerade flera tillstånd genom att justera den inställda strömmen.

Denna strömpolaritet som ändrar tecknet på den skrivna informationen, vilket är en analog växlingsmekanism, är en nyckeloperation i neurala nätverk och efterliknar hur analoga värden fungerar i AI‑bearbetning.

Upptäckten, enligt Fukami, är ett kritiskt steg framåt i produktionen av mer energieffektiva AI‑chip. 

“Genom att realisera den elektriska ömsesidiga växlingen mellan en icke‑kollinear antiferromagnet och en ferromagnet har vi öppnat nya möjligheter för strömprogrammerbara neurala nätverk,” tillade han och noterade att deras fokus nu ligger på “ytterligare minskning av driftströmmar och ökning av avläsningssignaler, vilket kommer att vara avgörande för praktiska tillämpningar i AI‑chip”.

Med datacenter som förbrukar så mycket energi, syftade en annan studie till att minska energiförbrukningen med SOT‑magnetiskt slumpmässigt åtkomstminne (MRAM).

Denna separata studien³, som publicerades i Nature Communications förra månaden, kom från forskare vid Johannes Gutenberg University Mainz (JGU), som utvecklade en kraftfull och mycket effektiv lösning för databehandling och lagring samtidigt som energiförbrukningen minskades.

Prototypen “banar vägen för snabbare, mer effektiva minneslösningar,” sade huvudförfattaren Dr. Rahul Gupta, som tidigare varit postdoktoral forskare vid JGU Institute of Physics.

Den är baserad på SOT‑MRAM, som är känt för sin överlägsna energieffektivitet, icke‑flyktighet och prestanda jämfört med statisk RAM. Tekniken som använder elektriska strömmar för att växla magnetiska tillstånd möter utmaningar när det gäller att minska den höga ingångsström som krävs under skrivprocessen. Detta innebär att upprätthålla tillräcklig termisk stabilitet för att lagra data under lång tid och minimera den energi som krävs för att utföra lagringsuppgiften.

Istället för SHE använde denna studie den orbitala Hall‑effekten (OHE), där ett tvärgående flöde av orbitalt rörelsemoment produceras i ett material när en elektrisk ström appliceras. Genom att utnyttja detta fenomen kunde forskarna uppnå högre energieffektivitet utan att förlita sig på dyra eller sällsynta material.

Det unika magnetiska materialet som utvecklats använder element som ruthenium som en SOT‑kanal för att förbättra prestanda. Med detta kunde teamet uppnå en 20 % minskning av ingångsströmmen, en 30 % ökning av effektiviteten och en över 50 % minskning av den totala energiförbrukningen.

Företag som leder vägen

Låt oss nu titta på framstående namn som hjälper till att driva AI‑området framåt:

1. NVIDIA Corporation

Nvidia (NVDA ) designar och tillverkar grafikprocessorer eller GPU:er. En GPU är en elektronisk krets som utför matematiska beräkningar med hög hastighet och är ett populärt val för att utveckla AI‑modeller.

Under det senaste decenniet har företaget avsevärt förbättrat prestanda‑per‑watt för sina GPU:er, upp till 4 000 gånger, enligt dess chefsforskare William Dally, och fortsätter att utveckla specialiserade kretsar i dessa chip som är specifikt designade för AI‑beräkningar.

Nvidia är världens näst största företag med ett börsvärde på 3,21 biljon dollar. Dess aktier handlas för närvarande till 130,86 $, ner 2,35 % år‑till‑datum. Företagets EPS (TTM) är 2,54 och P/E‑kvoten (TTM) är 51,67 medan utdelningsavkastningen är 0,03 %.

När det gäller företagets finanser kommer Nvidia att offentliggöra siffrorna för fjärde kvartalet FY25 den 26 februari. För Q3 var dess GAAP‑vinst per utspädd aktie 0,78 $ och icke‑GAAP‑vinst per utspädd aktie 0,81 $.

För detta kvartal meddelade Nvidia en rekordintäkt på 35,1 miljarder dollar, en ökning med 17 % från Q2 och 94 % från ett år sedan. Dess intäkt från datacenter utgjorde 30,8 miljarder dollar av detta. För Q4 delade den en prognos på 37,5 miljarder dollar i intäkter.

“AI‑åldern är i full gång och driver en global övergång till NVIDIA‑computing,” sade VD och grundare Jensen Huang samtidigt som han noterade att han såg “otrolig” efterfrågan på dess Hopper samt förväntan inför Blackwell, som möjliggör högpresterande beräkning (HPC) för accelererad träning, inferens och effektivitet i generativ AI.

Nvidia har genomgått en fantastisk resa då dess aktiekurs gick från under 11 $ i oktober 2022 till över 152 $ i början av januari 2025. Nyligen förlorade den något momentum efter att den kinesiska AI‑startupen DeepSeek lanserade sin senaste AI‑modell. Den initiala uppfattningen var att DeepSeek skulle undergräva efterfrågan på Nvidias högpresterande GPU:er, men det kan faktiskt vara positivt för Nvidia eftersom startupens lägre beräkningskraftsbehov kan öppna fler AI‑möjligheter, vilket i sin tur driver upp den största chipstillverkarens priser.

“AI omvandlar varje industri, företag och land,” sade Huang under föregående kvartals finansiella rapport och tillade att företag antar agentisk AI medan genombrott inom fysisk AI ses inom industriell robotik. Länder, tillade han, har också vaknat till vikten av att bygga sin egen AI‑infrastruktur.

#2. Broadcom Inc.

Broadcom (AVGO ) är bland de 10 största företagen med ett börsvärde på 1,1 triljon dollar. Det är involverat i design, utveckling och leverans av ett brett sortiment av halvledar- och infrastrukturprogramvarulösningar. Företaget har partnerskap med stora aktörer som Google, Meta Platforms (META ) och ByteDance. Det arbetar också med OpenAI och Apple (AAPL ) för att bygga sina egna AI‑chip.

Vid skrivandet handlas Broadcom-aktier till 235 $, upp 1,95 % år‑till‑datum. Företagets EPS (TTM) är 1,28 och P/E‑kvoten (TTM) är 184,78, medan utdelningsavkastningen är 1 %.

Nu, under Q4 2024 hade Broadcom en intäkt på över 14 miljarder dollar, en ökning med 51 % jämfört med föregående år, medan GAAP‑nettoresultatet var 4,324 miljarder dollar. För Q1 i räkenskapsåret 2025 gav företaget en intäktsprognos på cirka 14,6 miljarder dollar.

Under fjärde kvartalet nådde chipstillverkarens halvledarintäkter ett rekord på 30,1 miljarder dollar, vilket VD och president Hock Tan noterade drevs av AI‑intäkter på 12,2 miljarder dollar. Den 220 % år‑till‑år‑tillväxten i AI‑intäkter drevs av dess XPUs.

Broadcoms GAAP‑utspädda EPS landade på 0,90 $ och icke‑GAAP‑utspädda EPS var 1,42 $. Kassaflödet från verksamheten var samtidigt 5,6 miljarder dollar. Företaget rapporterade också en ökning med 11 % i kvartalsvis utdelning på 0,59 $ per aktie, vilket var den fjortonde på varandra följande ökningen. Fritt kassaflöde exklusive omstrukturering kom också in som “starkt” på 21,9 miljarder dollar medan kontanter och likvida medel uppgick till 9,348 miljarder dollar.

“Vi ser vår möjlighet inom AI under de kommande tre åren som enorm. Specifika hyperscalers har påbörjat sina respektive resor för att utveckla sina egna anpassade AI‑acceleratorer.”

– Tan sade under vinstsamtalet

Han delade också att företaget utvecklar AI‑chip med tre stora molnkunder, var och en förväntas distribuera 1 miljon AI‑chip i nätverkade kluster till 2027.

Slutsats

Allteftersom populariteten och användningen av artificiell intelligens fortsätter att öka, gör även deras energiförbrukning. AI‑modeller, särskilt djupinlärning, kräver en betydande mängd energi för beräkning, och konventionella lösningar möter gränser i energieffektivitet.

Mot denna bakgrund kan forskning som syftar till att förbättra energieffektiviteten hos AI‑chip och minimera deras miljöpåverkan hjälpa världen att förverkliga teknikens fulla potential samtidigt som dess negativa effekter minskas.

SOT‑baserade minnes‑ och logikenheter kan göra en stor skillnad här genom att erbjuda en lågenergislösning som använder magnetiska tillstånd för beräkning istället för laddningsbaserad logik. Att behålla data utan konstant ström kan minska energikostnaderna för AI‑inferens, möjliggöra mer energieffektiva AI‑acceleratorer för realtids‑AI‑beslutsfattande genom att efterlikna hjärnan, och öka bearbetningshastigheten för AI‑uppgifter genom att integrera logik och minne.

Ständiga ansträngningar som dessa gör AI‑hårdvara och mjukvara mer energieffektiv, snabbare och kapabel att hantera komplexa beräkningar, vilket i sin tur driver en bredare AI‑adoption över branscher samtidigt som koldioxidavtrycket minskar!

Klicka här för att lära dig varför 2025 är året för AI‑drivna investeringar.