S&P Global: Η Ευρώπη προβλέπεται να χρειαστεί 29.692 MW ενέργειας φέτος για data centers και πάνω από 47.000 MW το 2.030

Η ζήτηση ισχύος για κέντρα δεδομένων τεχνητής νοημοσύνης στις ΗΠΑ αυξάνεται περίπου κατά 19% ετησίως (η παγκόσμια ανάπτυξη είναι 16%), με τις «ουρές» για διασύνδεση δικτύου να εκτείνονται σε έξι ή περισσότερα χρόνια στις βασικές αγορές.

Η αποτελεσματικότητα της υποδομής τεχνητής νοημοσύνης σε μοντέλα και υλικό βελτιώνεται ραγδαία και γίνεται οικονομικότερη. Η Google μείωσε το κόστος ενέργειας για κάθε ερώτηση στο Gemini, 33 φορές σε ένα μόνο έτος. 

Το παράδοξο είναι ότι η αποτελεσματικότητα δεν μειώνει την κατανάλωση, αλλά επιτρέπει πολύ μεγαλύτερη.

Η Ευρώπη προβλέπεται να χρειαστεί 29.692 MW ενέργειας φέτος για data centers και πάνω από 47.000 MW το 2.030 και είναι μόνον η τρίτη μεγαλύτερη αγορά, πίσω από τη Βόρεια Αμερική και την περιοχή Ασίας –Ειρηνικού.

«Η υποδομή της τεχνητής νοημοσύνης, περιορίζεται σήμερα από τη διαθεσιμότητα ενέργειας. Το ερώτημα είναι αν τα κέρδη αποδοτικότητας εντός του οικοσυστήματος της τεχνητής νοημοσύνης —και σε ολόκληρη την ευρύτερη οικονομία— μπορούν τελικά να αντισταθμίσουν όσα καταναλώνει η τεχνητή νοημοσύνη. Αλλά χρειάζεται πραγματικά να το κάνει;»

(σ.σ. το κείμενο που ακολουθεί έχει υποστεί εκτεταμένες περικοπές για να γίνει πιο ευνόητο. Ωστόσο περιλαμβάνει αρκετά τμήματα για τις εξελίξεις στην τεχνολογία και Τεχνητή Νοημοσύνη που δεν είναι ευρέως γνωστές στην Ελλάδα. Ο προβληματισμός των συντακτών είναι ότι η ΤΝ γίνεται πιο αποδοτική έξυπνα και περιορίζει την κατανάλωση και την απαιτούμενη ισχύ, αλλά αυτό τείνει να προκαλεί μεγαλύτερη ζήτηση και νέες απαιτήσεις ενέργειας, τελικά, ενώ ήδη προβλέπονται τεράστιες επενδύσεις. Μπορεί να αυτορυθμιστεί η ΤΝ; Αυτό είναι το ερώτημα.
Όσοι έχουν επιστημονικό ενδιαφέρουν μπορούν και πρέπει να  αναζητήσουν ολόκληρο το κείμενο)

 

«Η ενέργεια είναι το μεγαλύτερο εμπόδιο για την ανάπτυξη της τεχνητής νοημοσύνης», λέει ανάλυση της S&P Global. «Η Dominion Energy — η εταιρεία κοινής ωφέλειας στο κέντρο της αλυσίδας κέντρων δεδομένων στις ΗΠΑ — έχει πλέον 70 GW εκκρεμών αιτημάτων σύνδεσης, αριθμός που έχει τριπλασιαστεί από τις αρχές του 2025 και συνεχίζει να αυξάνεται με 2-3 GW ανά μήνα. Τα χρονοδιαγράμματα διασύνδεσης στις πιο ενεργές αγορές ξεπερνούν τα 6 χρόνια. Η προσφορά και η ζήτηση απομακρύνονται περαιτέρω. 

Αλλά το καθοριστικό ζήτημα εδώ, δεν είναι η κατανάλωση ενέργειας της Τεχνητής Νοημοσύνης. Είναι το κατά πόσον η Τεχνητή Νοημοσύνη αλλάζει τη συνολική ενεργειακή εξίσωση.

 

«Τα μοντέλα τεχνητής νοημοσύνης έχουν γίνει πολύ πιο αποτελεσματικά. Ερευνητικές ομάδες από την Epoch AI, το MIT FutureTech, το MIT CSAIL και το Πανεπιστήμιο Northeastern διαπίστωσαν ότι οι υπολογιστικοί πόροι που απαιτούνται για την επίτευξη ενός δεδομένου επιπέδου απόδοσης πριν από την «εκπαίδευση», μειώνονται στο μισό περίπου κάθε οκτώ μήνες από το 2012. Αυτή η ραγδαία πρόοδος δεν οφείλεται μόνο στις εξελίξεις στα τσιπ και στο συνολικό υλικό. Οι πιο έξυπνοι αλγόριθμοι έχουν διαδραματίσει σημαντικό ρόλο.

Η υιοθέτηση πιο αποδοτικών προσεγγίσεων μηχανικής μάθησης, έχουν μειώσει απότομα την ποσότητα ενέργειας που καταναλώνει κάθε μοντέλο. Η Google, για παράδειγμα, αναφέρει ότι τα μοντέλα της Gemini, χρησιμοποίησαν 33 φορές λιγότερη ενέργεια ανά μήνυμα κειμένου τον Μάιο του 2025 από ότι ένα χρόνο νωρίτερα. Αυτά τα βήματα έχουν ωφελήσει κυρίως τα φορτία εργασίας (workloads) για συμπεράσματα, τα οποία πλέον αποτελούν την πλειονότητα της χρήσης υπολογιστικών συστημάτων τεχνητής νοημοσύνης σε εταιρικά περιβάλλοντα.

Εν τω μεταξύ, η απόδοση των υλικών τεχνητής νοημοσύνης βελτιώνεται επίσης εκθετικά. Ο προμηθευτής εξοπλισμού ημιαγωγών Applied Materials — του οποίου τα συστήματα είναι ενσωματωμένα σχεδόν σε κάθε προηγμένο εργοστάσιο λογικής — έχει αναθεωρήσει τον μακροπρόθεσμο οδικό χάρτη απόδοσης ανά watt από έναν στόχο 1.000x (που τέθηκε το 2018) σε 10.000x έως το 2040, χάρη στις εξελίξεις στη μηχανική υλικών. Εάν αυτή η πορεία διατηρηθεί, αντιπροσωπεύει ένα κέρδος στην αποδοτικότητα σύνθετων υλικών, που βρίσκεται κάτω από τα κύρια benchmarks της GPU.

Οι γενιές GPU ιστορικά κυκλοφορούσαν για έναν διετή κύκλο, αλλά από το 2024, η NVIDIA και η AMD, πιεσμένες από την τεράστια ζήτηση για υποδομές τεχνητής νοημοσύνης, έχουν προχωρήσει και οι δύο σε έναν ετήσιο ρυθμό ενημέρωσης για τις κορυφαίες αρχιτεκτονικές κέντρων δεδομένων τους. 

Η NVIDA ισχυρίζεται ότι η νέα πλατφόρμα Vera Rubin, η οποία ξεκίνησε τη δειγματοληψία σε πελάτες τον Φεβρουάριο του 2026, θα προσφέρει 10 φορές την απόδοση ανά watt της πλατφόρμας Blackwell (της τρέχουσας γενιάς) και μπορεί να εκπαιδεύσει μοντέλα με μείγματα ειδικών χρησιμοποιώντας μόνο το 25% των GPU που απαιτούνται από την Blackwell για το ίδιο αποτέλεσμα. Για την εργασία συμπερασμάτων, το κόστος των token θα μπορούσε επίσης να μειωθεί κατά 10 φορές.

Το πρόβλημα είναι ότι μια GPU Rubin καταναλώνει έως και 2,3 kW ισχύος, η οποία είναι περίπου διπλάσια από αυτήν της Blackwell. Ένα πλήρες rack NVL72 καταναλώνει 350–600 kW, απαιτώντας αναβαθμίσεις υποδομής που οι υπάρχουσες εγκαταστάσεις δεν είχαν κατασκευαστεί για να υποστηρίξουν...

Παρά ταύτα, η NVIDIA αναφέρει αποδόσεις σε επίπεδο συστήματος Blackwell, έως και 50 φορές μεγαλύτερες ανά watt και 35 φορές μεγαλύτερες ανά δολάριο σε σύγκριση με την προηγούμενη γενιά Hopper, οι οποίες επιτεύχθηκαν μέσω της πιο ολιστικής διαδικασίας συνδυασμένου σχεδιασμού των τσιπ και των βελτιστοποιήσεων διασύνδεσης και λογισμικού, γεγονός που επιτρέπει περισσότερη εργασία στα ίδια σταθερά επίπεδα ισχύος και προϋπολογισμού. 

Η μεγαλύτερη εξοικονόμηση ενέργειας προέρχεται, ωστόσο, από την ενοποίηση του συστήματος. Για παράδειγμα, ένα σύστημα Blackwell 2.000 GPU για εκπαίδευση που χρησιμοποιεί μόνο 4 MW μπορεί να αντικαταστήσει αποτελεσματικά ένα σύμπλεγμα 8.000 GPU Hopper που καταναλώνουν 15 MW.

Ωστόσο, η συνολική απαίτηση ισχύος συνεχίζει να αυξάνεται με κάθε νέα γενιά GPU. Αυτό δεν είναι κάτι καινούργιο — οι κάρτες γραφικών GPU για παιχνίδια κάνουν το ίδιο. 

Ενώ η απόδοση ανά watt αυξάνεται, αυξάνεται και η απόλυτη κατανάλωση ενέργειας που απαιτείται για την κάλυψη ακραίων απαιτήσεων, των μαζικών μοντέλων τεχνητής νοημοσύνης. Ταυτόχρονα, η ζήτηση για μεγαλύτερα clusters συνεχίζεται αμείωτη και προβλέπεται να συνεχίσει να αυξάνεται τουλάχιστον στα επόμενα χρόνια.

Επίσης, η αρχιτεκτονική του ηλεκτρικού συστήματος εξελίσσεται ραγδαία για να υποστηρίξει την ακραία πυκνότητα ισχύος και τα δυναμικά προφίλ φορτίου των συμπλεγμάτων τεχνητής νοημοσύνης. Μια σημαντική στροφή είναι προς την κατανομή συνεχούς ρεύματος υψηλότερης τάσης, η οποία μειώνει τα στάδια μετατροπής σε σύγκριση με τις παραδοσιακές αλυσίδες AC, μειώνοντας τις απώλειες και τις απαιτήσεις χαλκού και επιτρέποντας την παράδοση σε rack κλίμακας μεγαβάτ.

Οι αναδυόμενες τεχνολογίες μετασχηματιστών στερεάς κατάστασης προάγουν αυτήν την προσέγγιση, μετατρέποντας την ισχύ μέσης τάσης της κοινής ωφέλειας απευθείας σε αξιοποιήσιμο συνεχές ρεύμα σε συμπαγείς, ηλεκτρονικές πλατφόρμες ισχύος που υποστηρίζουν αρθρωτές, κλιμακωτές αναπτύξεις και ευκολότερη ενσωμάτωση με επιτόπια αποθήκευση και ανανεώσιμες πηγές ενέργειας.

Παράλληλα, η προηγμένη διαχείριση ενέργειας και οι έλεγχοι με τη βοήθεια της τεχνητής νοημοσύνης βοηθούν στη διαχείριση γρήγορων μεταβατικών φαινομένων φορτίων GPU, στη σταθεροποίηση της αλληλεπίδρασης με το δίκτυο και στη βελτίωση της αξιοποίησης της ηλεκτρικής υποδομής.

Όλες αυτές οι τεχνολογικές εξελίξεις μπορούν συλλογικά να ωθήσουν την αποτελεσματικότητα χρήσης ενέργειας (PUE) προς το 1,1 ή χαμηλότερα σε κορυφαίες αναπτύξεις, σε σύγκριση με τις παλαιότερες εγκαταστάσεις που συνήθως έχουν κολλήσει στο εύρος 1,5–2,0.

Τελικά, αυτά τα κέρδη απόδοσης μειώνουν την ενέργεια ανά μονάδα και όχι τη συνολική κατανάλωση ενέργειας. Καθώς η υπολογιστική τεχνολογία γίνεται πιο αποτελεσματική και φθηνότερη, η ζήτηση επεκτείνεται μέσω μεγαλύτερων μοντέλων, περισσότερης χρήσης συμπερασμάτων και νέων εφαρμογών.

Ιστορικά στοιχεία από τον κόσμο της πληροφορικής και των δικτύων υποδηλώνουν ότι οι βελτιώσεις στην αποδοτικότητα τείνουν να επιτρέπουν νέα ανάπτυξη αντί να περιορίζουν τη συνολική ζήτηση. 

Η άποψη ότι τα κέντρα δεδομένων δεν θα αποτελούν τίποτα άλλο παρά μια καθαρή επιβάρυνση για το δίκτυο αρχίζει να αλλάζει. Η υποδομή της Τεχνητής Νοημοσύνης θα μπορούσε να συμπεριφερθεί περισσότερο ως ένα φιλικό προς το δίκτυο περιουσιακό στοιχείο και λιγότερο ως μια υποχρέωση μεγάλου φορτίου. Αυτό το όραμα προβάλλει την Τεχνητή Νοημοσύνη.

Τα φορτία εργασίας εκπαίδευσης στην Τεχνητή Νοημοσύνη δεν συμπεριφέρονται όπως οι παραδοσιακές βιομηχανικές διαδικασίες. Ένα χαλυβουργείο ή ένα εργοστάσιο ημιαγωγών δεν μπορεί απλώς να διακόψει προσωρινά τις λειτουργίες του χωρίς να διακινδυνεύσει φυσικές ή οικονομικές απώλειες. 

Αντίθετα, η εκπαίδευση στην Τεχνητή Νοημοσύνη μεγάλης κλίμακας είναι υπολογιστική και αρθρωτή. Οι εργασίες μπορούν να περιοριστούν ή να αναδιανεμηθούν σε όλες τις εγκαταστάσεις χωρίς να χαθεί η πρόοδος — με ορισμένες σημαντικές τεχνικές επιφυλάξεις, όπως η κοντινή απόσταση. 

Η αρχιτεκτονική αναφοράς Vera Rubin DSX της NVIDIA, η οποία παρουσιάστηκε στις αρχές του 2026, ήταν η πρώτη σημαντική πλατφόρμα τεχνητής νοημοσύνης που ενσωμάτωσε επίσημα την απόκριση στο δίκτυο. Το λογισμικό DSX Flex επιτρέπει στα κέντρα δεδομένων να προσαρμόζουν δυναμικά την ισχύ της GPU σύμφωνα με τις συνθήκες του δικτύου σε πραγματικό χρόνο. 

Μια επίδειξη έδειξε ότι ένα σύμπλεγμα 256 GPU μείωσε την κατανάλωση ενέργειας κατά 25% για τρεις ώρες κατά τη διάρκεια ενός συμβάντος καταπόνησης του δικτύου χωρίς να διακόψει κρίσιμα φορτία εργασίας. 

Αυτή η ιδέα μεταβαίνει γρήγορα από την πιλοτική φάση στην ανάπτυξη. Ένα δίκτυο αυτών των εγκαταστάσεων λειτουργεί ως εικονικός σταθμός παραγωγής ενέργειας, σταθεροποιώντας το δίκτυο μειώνοντας τη ζήτηση και εξαλείφοντας την ανάγκη ενεργοποίησης μονάδων αιχμής φυσικού αερίου.

Ο κλάδος αποκαλεί επί του παρόντος αυτές τις εγκαταστάσεις «ευέλικτα εργοστάσια τεχνητής νοημοσύνης», αλλά μπορεί να χρειαστούν μερικά χρόνια πριν αυτή η προσέγγιση γίνει τυπική απαίτηση για νέες κατασκευές μεγάλης κλίμακας.

Η Τεχνητή Νοημοσύνη, προωθεί επίσης τον εκσυγχρονισμό του δικτύου πολύ πέρα από τα κέντρα δεδομένων. Σύμφωνα με την  έρευνα Voice of the Enterprise: IoT, OT Perspective της 451  Research, οι περισσότερες εταιρείες κοινής ωφέλειας αναμένουν ότι η Τεχνητή Νοημοσύνη;

- θα διαδραματίσει κρίσιμο ρόλο σε τομείς όπως η πρόβλεψη φορτίου (ανέφερε το 72% των ερωτηθέντων), 

-οι εικονικοί σταθμοί παραγωγής ενέργειας (70%), 

-η παρακολούθηση του δικτύου (60%), 

-η τμηματοποίηση μικροδικτύου (59%) και 

-τεχνολογία ψηφιακών διδύμων (58%)

Όταν οι μηχανές είναι πιο αποδοτικές, η λειτουργία τους γίνεται φθηνότερη. Το χαμηλότερο κόστος οδηγεί σε πολύ ελαστική ζήτηση αλλά η επιπλέον χρήση που προκύπτει, οδηγεί ξανά σε υψηλότερη ζήτηση. 

Αυτό είναι το παράδοξο Jevons. Όταν οι ατμομηχανές έγιναν πιο αποδοτικές, η χρήση άνθρακα δεν μειώθηκε. Αυξήθηκε επειδή οι φθηνότεροι κινητήρες εξαπλώθηκαν παντού. Το ίδιο μοτίβο εμφανίζεται και στην Τεχνητή Νοημοσύνη. Η κλασματική μείωση της χρήσης ενέργειας από την Google για κάθε ερώτηση στο Gemini, μείωσε το κόστος και διευκόλυνε τις εταιρείες να κλιμακώσουν τη χρήση. Μέχρι στιγμής, δεν υπάρχουν ενδείξεις επιβράδυνσης της χρήσης υπολογιστών.

Η αποδοτικότητα δεν είναι άχρηστη, αλλά δεν διευκολύνει στην επίλυση του προβλήματος. Το πραγματικό ερώτημα τώρα είναι εάν η Τεχνητή Νοημοσύνη μπορεί να κάνει περισσότερα από το να καταναλώνει ενέργεια με σύνεση — εάν μπορεί να βοηθήσει στην αλλαγή του τρόπου παραγωγής και διαχείρισης της ενέργειας από την αρχή.

Η επόμενη φάση ανάπτυξης της αγοράς δεν θα αποφασιστεί μόνο από την καινοτομία των μοντέλων. Θα εξαρτηθεί από τέσσερις μεταβλητές: τον ρυθμό αύξησης της αποδοτικότητας, την ταχύτητα με την οποία η χωρητικότητα του δικτύου μπορεί να επεκταθεί ή να γίνει πιο ευέλικτη, το μέγεθος του παραδόξου του Jevons και την ικανότητα της πολιτικής και των δομών της αγοράς να συμβαδίζουν. Σήμερα, αυτά τα συστήματα δεν κινούνται συγχρονισμένα.

Τελικά, η ένταση μεταξύ της ακόρεστης ενεργειακής ζήτησης της Τεχνητής Νοημοσύνης και της αυξανόμενης αποδοτικότητάς της, δεν θα επιλυθεί με μια απλή εξίσωση μηδενικού ισοζυγίου. Αντίθετα, η Τεχνητή Νοημοσύνη λειτουργεί ως επιταχυντής, αναγκάζοντας μια δεκαετία εκσυγχρονισμού του δικτύου να συμβεί μέσα σε λίγα μόνο χρόνια. 

Το «ενεργειακό πρόβλημα της Τεχνητής Νοημοσύνης» μπορεί να μην εξαφανιστεί ποτέ πραγματικά, αλλά η υποδομή που κατασκευάστηκε για την επίλυσή του, συμπεριλαμβανομένων των ευέλικτων εργοστασίων, των εικονικών σταθμών παραγωγής ενέργειας και της διανομής βελτιστοποιημένης από την Τεχνητή Νοημοσύνη, θα αφήσει πίσω της ένα πιο ανθεκτικό και ευέλικτο ενεργειακό σύστημα από αυτό που έχουμε σήμερα. 

Ο στόχος για τη βιομηχανία δεν είναι πλέον απλώς να αντισταθμίσει ένα αποτύπωμα, αλλά να ηγηθεί της μετάβασης σε μια εποχή όπου η υπολογιστική τεχνολογία υψηλής πυκνότητας και ένα σταθερό δίκτυο δεν αλληλοαποκλείονται πλέον.

 

(σ.σ. Το Παράδοξο του Jevons -Jevons paradox, είναι ένας θεμελιώδης νόμος των οικονομικών της ενέργειας. Περιγράφει την κατάσταση όπου η αυξημένη αποδοτικότητα στη χρήση ενός πόρου, δεν μειώνει τη συνολική του κατανάλωση, αλλά αντίθετα την αυξάνει.

Διατυπώθηκε το 1865 από τον Άγγλο οικονομολόγο William Stanley Jevons στο βιβλίο του The Coal Question -«Το Ζήτημα του Άνθρακα»).