Ta strona używa plików cookies, aby zapewnić najlepszą jakość korzystania z naszego serwisu oraz do celów analitycznych. Klikając "Akceptuję", wyrażasz zgodę na używanie wszystkich plików cookies. Możesz również odrzucić zgodę, co spowoduje zablokowanie plików cookies analitycznych. Więcej informacji znajdziesz w naszej Polityce Prywatności.
Centra danych AI obciążają regionalne sieci USA, nie globalny system energetyczny
AI stworzyła realny i szybko rosnący popyt na energię elektryczną.
Największe ryzyko dotyczy kilku skupisk centrów danych w USA.
Prognozy na 2030 rok zależą od rozwoju sprzętu, oprogramowania i realizacji zapowiadanych projektów.
Infrastruktura sieciowa powinna być planowana na wymagające scenariusze, ale nie na podstawie każdej spekulacyjnej deklaracji.
Sponsorowane
Odkryj rewolucyjną metodę nauki języków
Sprawdź jak w 30 dni opanować podstawy dowolnego języka obcego bez wychodzenia z domu.
AI zmieniła bilans energetyczny centrów danych
Rozwój sztucznej inteligencji wyraźnie zmienił sposób, w jaki należy oceniać zapotrzebowanie centrów danych na energię elektryczną. Popyt rośnie dziś znacznie szybciej niż w dużej części lat 2000 i 2010, a centra danych hyperscale są proponowane i budowane na skalę, która stawia nowe wymagania przed przedsiębiorstwami energetycznymi. Chodzi nie tylko o samą produkcję energii. Duże projekty wpływają także na planowanie mocy, stacje elektroenergetyczne, transformatory, aparaturę rozdzielczą i sieci przesyłowe. W niektórych regionach Stanów Zjednoczonych deweloperzy centrów danych występują o przyłączenia liczone w gigawatach. To oznacza, że twierdzenie, iż AI nie będzie miała istotnego wpływu na zużycie energii, nie odpowiada obserwowanym zmianom. Jednocześnie z obecnego wzrostu nie wynika jeszcze, że każda prognoza na 2030 rok okaże się trafna.
W debacie często łączy się dwa różne twierdzenia. Pierwsze mówi, że AI już tworzy znaczące nowe obciążenie energetyczne, przede wszystkim w Stanach Zjednoczonych i przede wszystkim w kilku skupiskach centrów danych. Dostępne dane oraz plany inwestycyjne przywołane w analizie wspierają ten wniosek. Drugie twierdzenie zakłada, że relacje między rodzajem obciążeń obliczeniowych, układami scalonymi, modelami, chłodzeniem, stopniem wykorzystania obiektów i zużyciem energii pozostaną w kolejnych czterech lub pięciu latach niemal takie same jak obecnie. Historia informatyki daje znacznie mniej podstaw do takiej pewności. Wraz z rozwojem sprzętu i oprogramowania zmienia się bowiem nie tylko skala usług, ale także ilość energii potrzebna do wykonania pojedynczego zadania.
Słownik artykułu
Pojęcia, które warto znać
Krótkie objaśnienia terminów występujących w tekście. Każde hasło prowadzi do szerszej definicji i przykładów użycia.
Historia pokazuje, że wzrost usług nie zawsze przekłada się proporcjonalnie na zużycie prądu
W 2006 roku centra danych w Stanach Zjednoczonych zużywały około 60 mld kWh energii elektrycznej, czyli mniej więcej 1,5 proc. krajowego zużycia. Agencja Ochrony Środowiska USA informowała wówczas, że w ciągu poprzednich pięciu lat zużycie podwoiło się, i ostrzegała, że w kolejnych pięciu latach może niemal ponownie się podwoić. Obawy były zrozumiałe. Po ekspansji internetowej szybko rozwijały się usługi online, infrastruktura serwerowa i obliczenia wykorzystywane przez przedsiębiorstwa, a krzywa zużycia energii wyglądała na tyle stromo, że łatwo było ekstrapolować ją na przyszłość. Ostateczny wzrost okazał się jednak znacznie wolniejszy. W 2014 roku centra danych w USA zużywały około 70 mld kWh, co odpowiadało około 1,8 proc. krajowego zużycia energii elektrycznej.
Według późniejszego modelowania Berkeley Lab tempo wzrostu po 2010 roku wyraźnie spowolniło. Znaczenie miały bardziej energooszczędne serwery, wirtualizacja, lepsze wykorzystanie dostępnego sprzętu oraz przenoszenie obciążeń do wydajniejszych, dużych obiektów. Konsolidacja zastępowała wiele mniej efektywnych serwerowni infrastrukturą zarządzaną na większą skalę. Podobny mechanizm pojawił się przy rozwoju chmury obliczeniowej. Początkowo większe centra danych budziły obawy dotyczące rosnącego zużycia energii, ale poprawa wykorzystania sprzętu i koncentracja usług ograniczały część kosztów energetycznych. Nowe obciążenie przyniosło także wydobywanie kryptowalut, zwłaszcza w modelu proof of work wykorzystywanym przez Bitcoin, jednak część branży blockchain przeszła później na mniej energochłonne mechanizmy.
W 2006 roku centra danych w USA zużywały około 60 mld kWh, czyli około 1,5 proc. krajowego zużycia energii elektrycznej.
W 2014 roku było to około 70 mld kWh i około 1,8 proc. krajowego zużycia.
Według IEA światowe centra danych zużyły około 415 TWh energii w 2024 roku, czyli około 1,5 proc. globalnego zużycia prądu.
Centralny scenariusz IEA zakłada około 945 TWh w 2030 roku, nieco mniej niż 3 proc. światowego zużycia energii elektrycznej.
Według przywołanego modelu Berkeley Lab centra danych mogą odpowiadać za około 11,8 proc. zużycia energii elektrycznej w USA w 2030 roku, choć zakres niepewności jest szeroki.
Globalna skala rośnie, lecz problem jest przede wszystkim regionalny
Sztuczna inteligencja odróżnia się od wcześniejszych fal cyfryzacji tym, że wzrost obciążeń obliczeniowych jest obecnie wystarczająco szybki, aby w części przypadków zniwelować wcześniejsze korzyści z efektywności. Trenowanie dużych modeli, inferencja na dużą skalę oraz szybkie wdrażanie wyspecjalizowanych akceleratorów stworzyły realny popyt na energię. Międzynarodowa Agencja Energetyczna szacuje, że wszystkie centra danych na świecie zużyły w 2024 roku około 415 TWh energii elektrycznej. To około 1,5 proc. globalnego zużycia. W centralnym scenariuszu IEA zużycie wzrośnie do około 945 TWh w 2030 roku, a więc do poziomu nieco niższego niż 3 proc. światowego zapotrzebowania na prąd.
Niemal podwojenie zużycia w ciągu sześciu lat byłoby dużą zmianą i wymagałoby inwestycji w źródła energii, przyłączenia sieciowe oraz infrastrukturę wspierającą. Nie oznacza to jednak, że centra danych staną się dominującym globalnym problemem energetycznym. Oba stwierdzenia mogą być prawdziwe jednocześnie: AI może być jednym z najszybciej rosnących nowych obciążeń na świecie, a centra danych nadal mogą odpowiadać za relatywnie niewielką część globalnego zużycia energii elektrycznej. Właściwym punktem odniesienia jest cały światowy system elektroenergetyczny, a nie tylko tempo wzrostu jednego sektora.
Stany Zjednoczone są ważnym wyjątkiem ze względu na połączenie dużej skali i koncentracji geograficznej. Według szacunku IEA USA odpowiadają za około 45 proc. globalnego zużycia energii elektrycznej przez centra danych. Sama liczba krajowa nie pokazuje jednak pełnego obciążenia sieci. Moc obliczeniowa jest skupiona w ograniczonej liczbie klastrów regionalnych, dlatego wpływ pojedynczego kompleksu może być wielokrotnie większy niż sugerowałaby średnia dla całego kraju. Model Berkeley Lab wskazuje w centralnym wariancie, że do 2030 roku centra danych mogą odpowiadać za około 11,8 proc. zużycia energii elektrycznej w USA. Jeśli ten wariant się zrealizuje, będzie to istotna zmiana dla amerykańskiego systemu elektroenergetycznego, a nie jedynie korekta statystyczna.
Kilka skupisk może wywołać presję większą niż sugeruje średnia krajowa
Regionalne konsekwencje są ważniejsze niż sama wartość dla całych Stanów Zjednoczonych. Skupisko dużych centrów danych może w krótkim czasie stworzyć bardzo duże zapotrzebowanie w pobliżu niewielkiej liczby stacji elektroenergetycznych i korytarzy przesyłowych. Transformatory, rozdzielnie, stacje i linie mają długie terminy dostaw oraz budowy. Operatorzy sieci nie mogą zakładać, że poprawa efektywności sprawi, iż zapowiadane obciążenia znikną. Z drugiej strony nie każda deklarowana moc musi przełożyć się na działający obiekt o pełnym wykorzystaniu. Planowanie wymaga więc rozdzielenia obciążenia już prawdopodobnego od projektów znajdujących się dopiero na wczesnym etapie.
Prognoza na 2030 rok jest narzędziem planowania, a nie obserwacją przyszłości
Model Berkeley Lab jest bardziej rozbudowany niż proste prognozy oparte na przemnożeniu zużycia energii przez jedno zapytanie AI i hipotetyczną liczbę przyszłych zapytań. Analiza zaczyna się od przewidywanych dostaw sprzętu obliczeniowego, uwzględnia roczne zużycie energii przez poszczególne urządzenia, różne typy obiektów, potrzeby chłodzenia oraz informacje o planowanej lokalizacji mocy. Dzięki temu może być użyteczna przy planowaniu sieci. Nie oznacza to jednak, że wskazany punkt docelowy na 2030 rok jest ustalonym faktem. Wynik zależy od założeń dotyczących dostaw urządzeń, stopnia wykorzystania infrastruktury, budowy obiektów, chłodzenia, efektywności modeli oraz tego, jaka część ogłoszonej mocy rzeczywiście powstanie.
Pięć lat to w informatyce długi okres. Do 2030 roku mogą pojawić się kolejne generacje sprzętu dla AI, zmiany architektury modeli oraz nowe rozwiązania ograniczające zapotrzebowanie na obliczenia. Należą do nich kompresja, kwantyzacja, buforowanie wyników, grupowanie zadań i lepsze kierowanie zapytań do modeli. Zmieniać będą się także systemy chłodzenia. Ważne będzie wykorzystanie istniejącej infrastruktury, zwłaszcza gdy branża przejdzie od fazy szybkiego zajmowania lokalizacji do bardziej typowej oceny kosztów i rentowności drogich obiektów. Prognozy powinny zatem służyć jako scenariusze dla decyzji inwestycyjnych, a nie jako dokładny opis poziomu zużycia, który na pewno wystąpi.
Poprawa efektywności nie musi automatycznie zmniejszyć całkowitego zużycia energii. Tańsze obliczenia zwykle zachęcają do wykonywania większej liczby obliczeń, co jest przykładem efektu odbicia. Jeżeli energia potrzebna do jednej inferencji spadnie dziesięciokrotnie, ale liczba zastosowań wzrośnie pięciokrotnie, całkowite zużycie nadal może być niższe niż w prognozie opartej na wcześniejszej energochłonności. Nie jest to jednak gwarancja spadku. Przyszły popyt zależy od dwóch niepewnych krzywych jednocześnie: od tego, jak szeroko społeczeństwo i gospodarka będą korzystać z AI, oraz od ilości obliczeń i energii potrzebnej do uzyskania jednej użytecznej odpowiedzi lub usługi.
Niepewność dotyczy także samych projektów infrastrukturalnych. Budowa centrum danych wymaga finansowania, układów scalonych, klientów, transformatorów, stacji, sieci przesyłowych, systemów chłodzenia oraz dostępu do odpowiedniej ilości energii w konkretnej lokalizacji. Część zapowiadanych obiektów może zostać opóźniona, zmniejszona lub anulowana, a część może zostać przeniesiona do regionów, w których moc da się dostarczyć szybciej. Deweloperzy mogą również zarezerwować dostęp do sieci dla projektów, które nigdy nie osiągną pełnego wykorzystania. Taka utrata części projektów jest typowa dla dużych pipelineów infrastrukturalnych i ma znaczenie wtedy, gdy deklaracje przekształcają się w decyzje o budowie mocy wytwórczych oraz sieci.
Ograniczenia infrastrukturalne mogą jednocześnie przyspieszyć poszukiwanie oszczędności. Gdy kolejki przyłączeniowe wydłużają się do wielu lat, transformatory stają się trudniej dostępne, a przedsiębiorstwa energetyczne oczekują od deweloperów większego udziału w kosztach, ograniczanie zużycia energii zaczyna mieć bezpośrednią wartość ekonomiczną. Nie wymaga to deklarowanej zmiany podejścia środowiskowego całej branży. Wystarczy, że energia i dostęp do sieci staną się na tyle kosztowne, aby wpływać na decyzje kapitałowe oraz priorytety inżynieryjne. Efektywność może wtedy decydować o tym, czy projekt zmieści się w dostępnej mocy i czy będzie opłacalny.
Właściwa reakcja powinna łączyć ostrożność z przygotowaniem na wysoki popyt. Przedsiębiorstwa energetyczne w głównych amerykańskich regionach centrów danych powinny analizować wymagające scenariusze, ponieważ część obciążenia już istnieje, a budowa infrastruktury trwa długo. Projekty stacji i sieci przesyłowych powinny być przyspieszane tam, gdzie deklaracje odbiorców są wiarygodne i poparte konkretnymi zobowiązaniami. Regulatorzy muszą jednocześnie sprawdzać, kto poniesie koszty, jeśli prognozowane zapotrzebowanie nie wystąpi. Bardzo duże, lecz spekulacyjne wnioski o przyłączenie nie powinny automatycznie prowadzić do inwestycji, których koszt zostanie rozłożony na wszystkich odbiorców energii.
