NVIDIA-inspirerade framsteg minskar AI‑träningskraftbehovet 100‑fald

Artificiell intelligens (AI) har tagit över hela världen, och ingen sektor är opåverkad av magin i detta teknologiska framsteg. Idag integrerar 77 % av enheterna AI‑teknik, trots att endast en tredjedel av konsumenterna tror att de använder AI‑plattformar. 

Ett växande antal organisationer antar också i allt högre grad AI för affärstillväxt, där 9 av 10 företag stödjer tekniken för en konkurrensfördel. Denna användning förväntas eliminera 85 miljoner jobb men samtidigt skapa 97 miljoner nya. 

Dessa siffror speglar uppskattningarna att AI‑marknaden kommer att bidra med 15,7 biljon dollar till den globala ekonomin år 2030. Storleken på AI‑marknaden förväntas också växa med minst 120 % år‑till‑år. 

Men när AI‑adoptionen växer, ökar också efterfrågan på energi för att driva datacenter, som är extremt energikrävande. Att köra och kyla tusentals servrar dygnet runt kräver enorma mängder energi. För närvarande tas denna energi från elnätet, vilket orsakar problem under hög efterfrågan och belastar systemet. Enligt Chevron (CVX ) VD Mike Wirth:

“Tillväxten och efterfrågan på kraft kan belasta ett nät som redan är stressat. Det kan öka kostnaderna för konsumenterna. Naturgas kommer att hjälpa till att driva den snabba tillväxten av artificiell intelligens med sin omättliga efterfrågan på pålitlig el.”

Som svar på denna efterfrågan har Chevron nyligen meddelat att de kommer att samarbeta med GE (GE ) Verona och Engine No. 1 för att generera el för AI genom att bygga naturgasanläggningar som är direkt anslutna till datacenter.

För närvarande står datacenterna för cirka 1 % av den globala elförbrukningen, enligt en rapport från International Energy Agency (IEA). 

Men detta är bara början då företag spenderar miljarder dollar för att bygga ännu fler datacenter. 

Microsoft (MSFT ) planerar att investera 80 miljarder dollar i AI‑aktiverade datacenter, varav hälften avsätts till USA. Enligt Blackstone (BX ) uppskattar att över 1 biljon dollar kommer att investeras i amerikanska datacenter fram till 2030, med Google (GOOGL ), Meta (META ), och Amazon (AMZN ) bland de teknikjättar som bygger datacenter över hela landet.

Således kommer energiförbrukningen i sektorn bara att accelerera härifrån. Goldman Sachs (GS ) uppskattar att efterfrågan på datacenterkraft kommer att öka med 160 % de kommande fem åren, vilket naturligt kommer att driva en oöverträffad tillväxt i elförbrukningen.

Enligt uppskattningar från Electric Power Research Institute (EPRI) kan energiförbrukningen av dessa anläggningar i USA stå för mellan 4,6 % och 9,1 % av den totala elproduktionen i slutet av detta decennium. 

Samtidigt, i Europa, specifikt Tyskland, förbrukade datacenter omkring 16 miljarder kWh energi år 2020 för beräkning, lagring och överföring, en siffra som förväntas stiga till 22 miljarder kWh år 2025.

Som ett resultat undersöker forskare ständigt sätt att minska AI:s energibehov.

Minska AI:s energiförbrukning

AI‑teknik spelar en nyckelroll i att förbättra energieffektiviteten inom olika sektorer genom att optimera energiförbrukning, förutsäga efterfrågan och möjliggöra smart nätverkshantering, vilket i slutändan leder till minskat energispill och lägre koldioxidutsläpp. 

Till exempel använde Vodafone UK AI för att sänka den dagliga energianvändningen för 5G‑radiounits (RUs) genom avancerade AI‑ och maskininlärningsdrivna mjukvarulösningar från Ericsson. De har redan framgångsrikt minskat den med 33 % på utvalda platser i London.

Vodafone UK implementerade tre huvudfunktioner för energibesparing som en del av provet. 

Detta inkluderar en Radio Power Efficiency Heatmap, som använder maskininlärning för att identifiera och rangordna underpresterande platser för riktade effektivitetsförbättringar genom att skapa en visuell representation av alla nätverksceller. Därefter finns 4G Cell Sleep Mode Orchestration, som har utvecklat en beteendemodell för nätverksceller för att finjustera sömnparametrar och skapa en balans mellan energibesparing och prestanda. 5G Deep Sleep använder under tiden AI‑drivna prediktiva algoritmer, vilket minskar energianvändningen med 70 % under lågtider.

Men vad sägs om AI:s energiförbrukning? Jo, forskare och företag har riktat in sig på många olika områden för att minska energiförbrukningen av denna snabbt växande teknik.

Detta inkluderar optimering av AI‑modeller, användning av energieffektiv hårdvara och antagande av hållbara metoder som förnybar energi och effektiv kylning i datacenter.

När det gäller optimering av AI‑modeller kan olika tillvägagångssätt användas såsom beskärning, kvantisering och destillation. Vid modellbeskärning tas onödiga parametrar och anslutningar bort från en modell utan att påverka noggrannheten. Kvantisering handlar om att minska precisionen hos modellparametrar för att minska beräkningskraven och energiförbrukningen. Vid destillation tränas mindre modeller för att efterlikna beteendet hos en större, mer komplex modell, vilket ger en mer energieffektiv modell med liknande prestanda.

Som MIT Technology Review noterade i årets publikation är mindre modeller ett av de teknologiska genombrotten som kommer att definiera nästa era. Dessa modeller tränas på mer fokuserade datamängder och kan erbjuda domänspecifik precision, kostnadseffektivitet och förbättrad datasäkerhet jämfört med stora språkmodeller (LLM).

GPT-4o mini från OpenAI, Phi från Microsoft, Gemini Nano från Google DeepMind och Haiku från Anthropic’s Claude 3 är några exempel på mindre versioner av större AI‑modeller från teknikjättar.

När det gäller hårdvara har fokus legat på att använda GPU‑er och andra specialiserade AI‑processorer som är specifikt designade för högpresterande arbetsbelastningar. 

Sedan finns utvalda energieffektiva servrar och processorer som justerar energianvändning baserat på arbetsbelastningens krav, virtualisering för bättre resursutnyttjande genom att köra flera processer på färre fysiska maskiner, samt avancerade kyltekniker för att minska behovet av energikrävande luftkonditioneringssystem.

Som vi delade bara förra månaden, forskare från Tohoku University, Japan Atomic Energy Agency och National Institute for Materials Science uppnådde en mycket effektiv och energisparande AI‑hårdvara. Forskarna använde spintrotekniska enheter för lågströms‑AI‑chips och visade en strömprogrammerad spin‑orbital‑torque (SOT)‑enhet som öppnar dörrarna för en ny generation av AI‑hårdvara.

Ytterligare ett sätt att minska AI:s energiförbrukning är genom hållbara metoder. Datacenter kan utnyttja förnybara energikällor, implementera energieffektiva kylsystem och designa effektiva layouter för att minska energiförbrukningen.

Företag gör aktivt åtaganden för detta, där Google gör framsteg med geotermisk energi. Microsoft är ett annat exempel, som planerar att återöppna Three Mile Island‑kärnkraftverket för att bli koldioxidneutralt år 2030.

Intressant nog används AI för att även förbättra energieffektiviteten i AI. Teknologin används för att optimera energiförbrukning i byggnader och industrier, förutsäga när utrustning behöver underhåll och minska toppefterfrågan genom att utnyttja realtidsförhållanden i nätet.

Mitt i allt detta har forskare från Technical University of Munich (TUM) utvecklat en ny metod som tränar neurala nätverk upp till 100 gånger snabbare, vilket avsevärt minskar energiförbrukningen kopplad till AI‑applikationer.

För detta beräknade forskarna parametrarna direkt baserat på sannolikheter snarare än att använda en iterativ metod, men resultaten har hittills varit jämförbara i kvalitet med befintliga iterativa metoder.

Ett nytt sätt att avsevärt minska AI:s energiförbrukning 

Förutom den ökade användningen av AI kommer lanseringen av mer komplexa AI‑applikationer under de kommande åren att resultera i en betydande ökning av efterfrågan på datacenterkapacitet. 

Dessa applikationer kommer att förbruka enorma mängder energi för träning av neurala nätverk. Således fokuserar den nya studien på att minska den massiva kraft som krävs för att träna neurala nätverk för AI. 

Neurala nätverk används i AI för att känna igen bilder och bearbeta språk bland andra uppgifter. Dessa nätverks funktion är inspirerad av hur den mänskliga hjärnan fungerar.

Det neurala nätverket består av sammankopplade noder som kallas artificiella neuroner. Här viktas insignaler med specifika parametrar innan de summeras, och om den definierade gränsen överskrids skickas signalen vidare till nästa nod.

För att träna nätverket väljs de initiala parametrarna vanligtvis slumpmässigt och justeras sedan gradvis för att successivt förbättra nätverkets förutsägelser.

Denna metod kräver naturligtvis många iterationer, vilket gör träningen extremt krävande och i sin tur leder till en stor elförbrukning.

Således utvecklade ett forskarteam lett av Felix Dietrich, professor i fysikförstärkt maskininlärning, en ny metod. Dietrich är kärnmedlem i Munich Data Science Institute (MDSI) och associerad medlem i Munich Center for Machine Learning (MCML).

Vad denna nya teknik gör är att den använder sannolikheter snarare än att upprepade gånger bestämma parametrarna mellan noderna. Denna nya probabilistiska metod använder målmedvetet värden på kritiska platser i träningsdata. Detta är platser där stora och snabba förändringar i värden sker. 

Med detta tillvägagångssätt syftar studien till att erhålla energisparande dynamiska system från data. Sådana dynamiska system förändras över tid enligt regler. Dessa system kan hittas i finansmarknader och klimatmodeller.

“Vår metod gör det möjligt att bestämma de nödvändiga parametrarna med minimal beräkningskraft. Detta kan göra träningen av neurala nätverk mycket snabbare och, som resultat, mer energieffektiv. Dessutom har vi sett att noggrannheten i den nya metoden är jämförbar med den hos iterativt tränade nätverk.”

– Dietrich

Denna framsteg har potentialen att avsevärt minska AI:s miljöpåverkan genom att minska den energi som krävs för att träna neurala nätverk. Vi kan se industrier som implementerar storskaliga AI‑modeller som antar denna metod inom de kommande 1 till 3 åren, vilket leder till mer hållbara och kostnadseffektiva AI‑lösningar.

Innovativt företag

NVIDIA Corporation

En ledare inom AI‑beräkning, NVIDIA (NVDA ) utvecklar energieffektiva GPU‑er och AI‑acceleratorer, och fortsätter att innovera för att förbättra prestanda samtidigt som energiförbrukningen minskar.​

Förra året på AI Summit DC rapporterade företaget att energianvändningen för deras GPU‑er har sett en enorm 2 000‑faldig minskning i träning under det senaste decenniet. Under samma period upplevde de också en 100 000‑faldig energiminskning vid generering av token. Förbättringen i effektivitet har varit 2 000‑faldig medan en 4 000‑faldig förbättring har registrerats i beräkningsprestanda under de senaste tio åren.

Enligt Bob Pette, Nvidias VP för företagsplattformar vid den tiden:

“Om bilar hade förbättrat sin effektivitet lika mycket som vi har förbättrat inferensprestandan, skulle du kunna köra över 300 år på en enda tank bensin. Kärnan i accelererad beräkning är hållbar databehandling.”

Nvidias Blackwell är deras nya flaggskepps‑GPU‑arkitektur, som följer Hopper och är designad för att förbättra AI‑prestanda “på ett betydande sätt”. Denna plattform är utrustad med världens mest kraftfulla chip, en transformer‑motor i andra generationen och NVLink i femte generationen, samtidigt som den är extremt energieffektiv för inferens och träning.

NVIDIA Corporation är faktiskt ett full‑stack‑företag för datainfrastruktur med segment som Compute & Networking och Graphics.

Compute & Networking omfattar datacenter, nätverk, autonoma och elfordonslösningar, DGX Cloud‑datortjänster och Jetson, medan Graphics‑segmentet omfattar GeForce‑GPU:er, GeForce NOW, virtuell GPU‑programvara, NVIDIA RTX‑GPU:er och Omniverse Enterprise‑programvara.

Med ett börsvärde på 2,96 biljon dollar handlas NVIDIA‑aktier, vid skrivande stund, till 121,50 $, ner 9,4 % år‑till‑datum. Företaget har ett EPS (TTM) på 2,94 och ett P/E‑tal (TTM) på 41,40, medan utdelningsavkastningen ligger på 0,03 %.

Trots den nedgång som NVIDIA‑aktiekurser har upplevt på sistone, vilket inte är unikt för chipstillverkaren, fortsätter företaget att locka investerare. Dess aktievärde har nämligen skjutit i höjden med mer än 1 800 % sedan 2020, vilket gör det till ett av de mest värdefulla företagen i världen.

Intresset för NVIDIA är särskilt starkt bland unga investerare då det passerar Tesla (TSLA ) som den mest innehavda aktien på Robinhood (HOOD ). En överväldigande majoritet (75 %) av finansierade konton på denna provisionsfria investeringsplattform ägs av Millennials och Gen Z. 

Robinhoods VD Vlad Tenev tror också att Nvidia kommer att bli viktigare än någonsin, tack vare AI.

“Jag tror att AI kommer att göra investeringar viktigare eftersom om kontrollen över teknologin kommer att centraliseras i teknikföretagen, så måste du vara investerare i dessa företag för att dra nytta av det.”

– Tenev

När det gäller företagets finanser rapporterade Nvidia Q4 som avslutades den 26 januari 2025, med en omsättning på 39,3 miljarder dollar, en ökning med 12 % respektive 78 % jämfört med föregående kvartal och ett år sedan. 

I datacentersegmentet var företagets kvartalsomsättning ett rekord på 35,6 miljarder dollar. Under denna period valdes NVIDIA som nyckelteknikpartner för det 500‑miljard‑dollars Stargate‑projektet.

Andra utvecklingar inkluderade molntjänstleverantörer AWS, CoreWeave (CRWV ), Google Cloud Platform (GCP), Microsoft Azure och Oracle (ORCL ) Cloud Infrastructure (OCI) som använder NVIDIA® GB200‑system för att möta den ökande AI‑efterfrågan, vilket gör NVIDIA DGX™ Cloud AI‑plattform och NVIDIA NIM™‑mikrotjänster tillgängliga via AWS Marketplace, Cisco som integrerar NVIDIA Spectrum‑X™ i sin nätverksportfölj, samarbete med Verizon för att integrera NVIDIA AI Enterprise, samt partnerskap med IQVIA (IQV ), Mayo Clinic, Illumina och Arc Institute för att driva framsteg inom läkemedelsupptäckt, genomik och sjukvård.

Intäkterna från Gaming och AI‑PC sjönk till 2,5 miljarder dollar medan NVIDIA annonserade nya GeForce RTX™ 50‑serie grafikkort och bärbara datorer drivna av Blackwell‑arkitekturen, lanserade GeForce RTX 5090 och 5080 grafikkort och introducerade DLSS 4. 

Förutom detta var intäkterna från professionell Visualisering 511 miljoner dollar och 570 miljoner dollar kom från Automotive‑ och Robotics‑divisionen.

Under detta kvartal var företagets GAAP‑vinst per utspädd aktie 0,89 $, en ökning med 14 % jämfört med föregående kvartal och upp 82 % jämfört med ett år sedan. Icke‑GAAP‑vinst per utspädd aktie var samtidigt 0,89 $.

För räkenskapsåret 2025 var omsättningen 130,5 miljarder dollar, en enorm ökning med 114 % jämfört med ett år sedan. GAAP‑vinst per utspädd aktie för perioden var 2,94 $ och icke‑GAAP‑vinst per utspädd aktie var 2,99 $. 

“Efterfrågan på Blackwell är fantastisk eftersom resonemangs‑AI lägger till en ytterligare skalningslag — ökad beräkning för träning gör modeller smartare och ökad beräkning för långsiktigt tänkande gör svaret smartare.

– VD och grundare Jensen Huang

Så har företaget ökat produktionen av sina Blackwell AI‑superdatorer och uppnått försäljning på miljarder dollar.
För det första kvartalet av räkenskapsåret 2026 förväntar sig företaget en omsättning på 43 miljarder dollar, GAAP‑driftskostnader på 5,2 miljarder dollar och icke‑GAAP‑övriga intäkter på cirka 400 miljoner dollar.

“AI utvecklas i ljusets hastighet när agentisk AI och fysisk AI banar vägen för nästa våg av AI som ska revolutionera de största industrierna.”

– Huang

Senaste om NVIDIA Corporation

Slutsats

AI är på väg att revolutionera företag över alla sektorer, men det innebär en oöverträffad ökning av energiefterfrågan. Denna efterfrågan utgör en stor utmaning som många forskare arbetar med att övervinna. 

Utvecklingen av en ny probabilistisk träningsmetod markerar ett betydande genombrott inom energieffektiv AI genom att minska kraftbehovet med upp till 100‑fald. Med AI‑relaterad energiförbrukning som förväntas skjuta i höjden när datacenter expanderar, kan detta framsteg avsevärt minska driftskostnader och miljöpåverkan. 

Kombinerat med Nvidias fokus på energieffektiva GPU‑er och AI‑acceleratorer kan dessa innovationer hjälpa till att påskynda AI‑adoptionen och öka produktiviteten.

Klicka här för att lära dig allt om att investera i artificiell intelligens.