Den digitale energikrise: AI's 945 TWh-regnskab
Den industrielle sauna, vi kalder fremskridt
Gå ind i et moderne AI-datacenter i Frankfurt eller Dublin, og din første tanke er ikke "Det her er fremtiden." Det er "Hvorfor er det så ulideligt varmt herinde?" Varmen rammer dig, som når man åbner en ovnluge, med bølger af termisk energi, der ruller ud fra serverstativer, der ligner mere industrielle ovne end computere. Kølesystemet skriger, ventilatorerne kører på fuldt blæs, og kølet vand suser gennem kilometer af rør, bare for at forhindre, at disse maskiner bogstaveligt talt smelter.
Hver AI-acceleratorchip trækker 1.200 watt. For perspektivens skyld er det mere strøm end den rumvarmer, der holder din hollandske bedstemors lejlighed varm i januar. Og du kigger på tusindvis af disse chips, pakket ind i stativer, der forbruger 50, 100, nogle gange 250 kilowatt hver. Et enkelt stativ, der trækker lige så meget strøm som 100 gennemsnitlige europæiske husstande. På et område på størrelse med et klædeskab.
Dette er den digitale energikrise, som høfligt selskab ikke diskuterer til konferencer. AI forbruger ikke bare elektricitet. Den fortærer det med et sort huls appetit, og vi nikker alle høfligt, som om det er helt rimelig adfærd for matematik.
Tallene, der burde få dig til at bande
Lad os tale om skala, for tallene er virkelig skræmmende. I 2024 forbrugte datacentre verden over cirka 415 terawatt-timer elektricitet. Det er 1,5% af alt globalt elforbrug. For at sætte det i europæisk perspektiv er det betydeligt mere end Spaniens samlede årlige elbehov på 248 TWh. Hele Spanien. Hvert hjem, hver fabrik, hvert tog, hvert hospital. Datacentre bruger mere.
Men her holder det op med blot at være bekymrende og bliver decideret skræmmende: Det tal forventes at mere end fordobles inden 2030 og nå op på 945 TWh. Det er 3% af den globale elektricitet. Ikke 3% af teknologiens elektricitet. 3% af alting. Mere end alle elbiler, varmepumper og solpaneler tilsammen.
Og AI er den primære drivkraft. AI-datacentres energiforbrug vokser med 44,7% årligt. For at forstå, hvor eksponentielt det er, så overvej Irland. I 2024 forbrugte datacentre 22% af Irlands samlede elektricitet, op fra kun 5% i 2015. Det er en stigning på 531% på ni år. EirGrid, Irlands netoperatør, vurderer, at datacentre inden 2030 kan forbruge 30% af landets elektricitet. Næsten en tredjedel af en hel nations elnet, bare for at træne modeller og betjene AI-forespørgsler.
Dublin alene fortæller historien. Datacentre forbrugte mellem 33% og 42% af al elektricitet i Dublin i 2023. Nogle skøn siger endda højere. Den irske regering indførte et moratorium for nybyggeri af datacentre i Dublin indtil 2028, fordi elnettet bogstaveligt talt ikke kan håndtere mere belastning. Amsterdam gjorde det samme i 2019 og ophævede det først efter at have indført strenge krav til energieffektivitet og en grænse på 670 MVA indtil 2030. Holland gik videre og indførte et nationalt moratorium for hyperscale-datacentre på over 70 megawatt.
Dette er ikke gradvis vækst. Dette er en eksponentiel eksplosion i energibehovet, der sker lige nu, accelererer hvert kvartal og løber hovedkulds ind i fysiske infrastrukturbegrænsninger.
Kulstofbomben i træningen
At træne en enkelt stor sprogmodel efterlader et CO2-aftryk, der ville få et olieraffinaderi til at rødme. Og i modsætning til raffinaderier, som i det mindste producerer noget håndgribeligt, du kan hælde i en bil, efterlader disse udledninger... ja, en model, der måske med selvsikkerhed hallucinerer om svampeopskrifter.
GPT-3, modellen der sparkede den nuværende AI-bølge i gang, udledte 552 ton CO2 under træningen. Det svarer til 123 benzinbiler kørt i et år. For én model. Én træningskørsel. Og det er kun det direkte energiforbrug, uden at tælle den indlejrede CO2 i produktionen af GPU'erne eller opførelsen af datacentret.
Her er det virkelig vanvittige: GPT-3 regnes for lille efter nutidens standarder. Moderne modeller er flere størrelsesordener større. At træne en model med 100 billioner parametre koster cirka 9 millioner euro i GPU-regnetid. Ved europæiske energipriser og kulstofintensitet svarer det til tusindvis af ton CO2-ækvivalenter. Per model. Og en succesfuld udrulning kræver typisk dusinvis eller hundredvis af træningskørsler, fordi de første sytten forsøg producerede en model, der tror, at Belgien er en slags ost.
Forskningsartiklerne trompeterer de imponerende præstationsmålinger. CO2-aftrykket? Det bliver begravet i en fodnote, hvis det overhovedet nævnes. Det er AI-ækvivalenten til at prale af sin nye bils acceleration, mens man omhyggeligt undlader at nævne, at den kører 2 kilometer per liter.
Inferens-multiplikatoreffekten
Her er det, de fleste overser, og det er det, der virkelig betyder noget: træning er en engangsomkostning. Inferens, at bruge modellen til at besvare spørgsmål, kører konstant. For evigt. I en skala, der får træningsudledningerne til at se små ud.
Hvert eneste ChatGPT-forespørgsel bruger elektricitet. Hver AI-billedgenerering brænder watt af. Hver anbefaling, hver oversættelse, hvert taleassistent-svar. Millioner af forespørgsler i sekundet, 24 timer i døgnet, 365 dage om året. Og i modsætning til træning, som foregår i koncentrerede udbrud, er inferens fordelt på tusindvis af datacentre globalt, hvilket gør det næsten umuligt at spore.
Forskning viser, at inferensudledninger ofte overstiger træningsudledninger med flere størrelsesordener, især for bredt udbredte modeller. Træningen koster måske 500 ton CO2. Inferensen over modellens levetid? Potentielt 50.000 ton. Måske mere. Ingen tæller, og det er netop problemet.
Techvirksomheder rapporterer træningsudledninger, når de er juridisk forpligtet til det af EU-regulering. Inferensudledninger? Det er "driftsomkostninger", bekvemt begravet i generelle datacenterstatistikker sammen med mailservere og kattevideoer. EU's AI-forordning kræver offentliggørelse af energiforbrug for generelle AI-modeller, men håndhævelsen er ujævn, og frivillig offentliggørelse forbliver netop det: frivillig.
Krafttæthedskrisen, der udfordrer fysikkens love
Traditionelle datacentre kørte tidligere på omkring 36 kilowatt per rack. Overskueligt. Konventionel luftkøling fungerede fint. Man kunne bygge dem hvor som helst med ordentlig netværksforbindelse og rimelige elpriser. Infrastrukturen var ligetil.
Så kom AI, og fysikken blev vred.
Dagens AI-racks rammer 50 kilowatt. Førende installationer når op på 100 kilowatt. Nogle eksperimentelle konfigurationer presser 250 kilowatt per rack. Det svarer til strømforbruget i 100 gennemsnitlige europæiske husstande, koncentreret på få kvadratmeter serverrack. Krafttætheden nærmer sig den i en raketmotor.
Problemet er ikke kun den samlede effekt. Det er tætheden. Pak så meget energi ind på så lidt plads, og fysikken bliver din fjende. Varmen skal et sted hen, og luftkøling kan fysisk ikke håndtere det. Den termiske belastning er for høj. Du har brug for væskekøling. Direct-to-chip-køling. Immersionskøling. Komplekse termiske styringssystemer, der koster mere end serverne selv og kræver deres egne ingeniørteams at drive.
Datacentre bliver redesignet ikke for computing-effektivitet, men bare for at forhindre termisk nedsmeltning. Vi bygger infrastruktur til at håndtere spildvarme fra matematiske operationer, der grundlæggende ikke burde producere så meget varme i første omgang. Det er som at designe et bedre udstødningssystem til en bil, der brænder, i stedet for at stille spørgsmålstegn ved, hvorfor bilen brænder.
Chipen, der åd elnettet
Lad os et øjeblik zoome ind på hardwaren, for den enkelte chippens strømforbrug fortæller sin egen historie om tiltagende vanvid.
Tidlige AI-acceleratorer trak omkring 400 watt. Allerede højt, men håndterbart med konventionel køling. Så 700 watt. Så 1.000 watt. NVIDIA's nyeste Blackwell-arkitektur rammer 1.200 watt per chip, og nogle konfigurationer trækker endnu højere. Der er allerede diskussioner om fremtidige designs, der når 1.400 watt.
Tænk over det. 1.200 watt. Per chip. En enkelt chip, der bruger mere strøm end de fleste husholdningsapparater. Og at træne en stor model kræver tusindvis af disse chips, der kører uafbrudt i uger eller måneder.
Regnestykket er brutalt: 1.000 chips × 1.200 watt = 1,2 megawatt. For ét træningscluster. Der kører én model. Og der er hundredvis af disse clusters verden over, med flere der kommer online hvert kvartal. FLAP-D-markederne (Frankfurt, London, Amsterdam, Paris, Dublin) alene står for over 60 % af Europas datacenterkapacitet, og strømbehovet forventes at vokse fra 96 TWh i 2024 til 168 TWh i 2030.
Det her er ikke bæredygtigt. Det er ikke engang tæt på bæredygtigt. Vi brænder elektricitet af i et tempo, der ville have virket fiktivt for et årti siden, og branchens samtale handler om, hvorvidt elnettet kan følge med, ikke om vi overhovedet burde gøre det.
Europas grønne mareridt og det umulige valg
For Europa skaber det en umulig konflikt, der ikke længere er teoretisk. Det sker lige nu, i planlægningsmøder for elnettet og i reguleringshøringer over hele kontinentet.
Den europæiske grønne pagt har til formål at gøre Europa klimaneutralt inden 2050. CO2-udledningen skal falde med mindst 55 % inden 2030 sammenlignet med 1990-niveauet. Energieffektiviteten skal forbedres på tværs af alle sektorer. Vedvarende energi skal erstatte fossile brændstoffer. Det er juridisk bindende mål under den europæiske klimalov.
Imens eksploderer AI'ens energiforbrug med 44 % årligt. I 2024 forbrugte europæiske datacentre 96 TWh, hvilket svarer til 3,1 % af det samlede strømbehov. Men fordelingen er ekstremt ujævn. I Irland er det 22 % af den nationale elektricitet. I Holland 7 %. I Tyskland 4 %. Datacentre i Amsterdam, London og Frankfurt forbrugte 33 % til 42 % af disse byers elektricitet i 2023.
De to udviklinger er matematisk uforenelige. Europa kan nå sine klimamål, eller det kan bygge AI-infrastruktur med de nuværende tilgange. Ikke begge dele. Tallene går ikke op.
Nogle hævder, at vedvarende energi løser dette. "Bare forsyn datacentre med sol og vind." Dejlig idé. Helt upraktisk. Europa installerede 65,5 GW ny solkapacitet i 2024 og 16,4 GW ny vindkraft. Vedvarende energi nåede op på 47 % af elproduktionen. Men 945 TWh i ny efterspørgsel fra datacentre inden 2030 ville kræve opførelse af vedvarende kapacitet svarende til tusindvis af flere vindmølleparker og millioner af flere solpaneler. Bare arealanvendelsen ville være astronomisk. Danmark, med 88,4 % vedvarende elektricitet (mest vind), nævnes ofte som forbillede. Men Danmarks samlede elforbrug er kun en brøkdel af den forventede efterspørgsel fra AI-datacentre.
Selv hvis det var teknisk muligt, er alternativomkostningen svimlende. Hver megawatt-time, der går til AI-træning, er en megawatt-time, der ikke er tilgængelig til at elektrificere transport, opvarme hjem eller drive industrien. Det er en direkte afvejning, og vi vælger at brænde vedvarende energi af på at træne modeller, der måske er forældede om seks måneder, frem for at opvarme hjem gennem vinteren.
Vandkrisen, som ingen følger med i
Energi er ikke den eneste ressource, AI forbruger. Vand er ved at blive en kritisk krise, især i regioner, der allerede oplever vandstress.
Datacentre bruger enorme mængder vand til fordampningskøling, som de fleste store faciliteter er afhængige af, fordi det er mere effektivt end lukkede kredsløbssystemer. Fordampningskøling fordamper bogstaveligt talt vand for at sprede varme. Vandet er væk. Ikke genbrugt i systemet. Fordampet ud i atmosfæren. Permanent fjernet fra de lokale vandforsyninger.
En undersøgelse fra 2024 viste, at træning af GPT-3 i Microsofts topmoderne amerikanske datacentre forbrugte cirka 700.000 liter ferskvand. Det er nok til at producere 370 BMW-biler eller 320 Tesla-elbiler. For én træningskørsel. Af én model. Og det er kun det direkte vandforbrug på stedet, uden at tælle det vand, der bruges til elproduktion.
Det samlede vandfodaftryk over hele livscyklussen, inklusive elproduktion uden for stedet, når op på 5,4 millioner liter. Og det løbende forbrug fortsætter: ChatGPT kræver cirka 500 milliliter vand til en kort samtale på 20 til 50 spørgsmål og svar. Gang det med millioner af brugere, der konstant stiller spørgsmål, og vandforbruget bliver svimlende.
I tørkeramte regioner skaber dette direkte konflikter. Datacentre konkurrerer med landbrug og kommunale vandforsyninger. I nogle regioner tager AI-træning bogstaveligt talt vand fra afgrøder under tørker. Dette er ikke et fremtidigt problem. Det sker lige nu. Og efterhånden som AI-implementeringer skalerer op, bliver det værre.
Effektivitetsillusionen og Jevons paradoks
AI-branchen elsker virkelig at tale om effektivitetsforbedringer. Enhver konferencekeynote har et slide: "Nye chips er 10× mere effektive!" "Bedre algoritmer reducerer energiforbruget med 50%!" "Vores datacentre drives af 100% vedvarende energi!"
Alt sammen sandt. Alt sammen teknisk imponerende. Alt sammen fuldstændig irrelevant for det faktiske problem.
Fordi effektivitetsforbedringer straks bliver opslugt af skalaforøgelser. Dette er Jevons paradoks i praksis, og økonomer har advaret om det siden 1865, da William Stanley Jevons observerede, at forbedret kuleffektivitet i dampmaskiner førte til øget samlet kulforbrug, ikke et reduceret forbrug.
Microsofts CEO Satya Nadella tweetede bogstaveligt talt "Jevons paradox strikes again!", da DeepSeek udgav deres effektive og billige AI-model. Han forstod præcis, hvad der ville ske: lavere omkostninger betyder mere brug, hvilket fører til højere samlet forbrug. Og han havde ret.
Ja, nyere chips udfører flere beregninger per watt. Men modellerne bliver endnu hurtigere større. Ja, bedre algoritmer reducerer træningstiden. Men vi træner flere modeller, oftere, med flere parametre, fordi vi nu har råd til det. Det samlede energiforbrug falder ikke. Det accelererer. 10× effektivitetsforbedringen betyder blot, at vi kan træne en model, der er 10× større, for den samme energiomkostning. Så det gør vi. Og det samlede forbrug stiger.
NVIDIA hævder, at Blackwell er 100.000× mere energieffektiv til inferens end chips fra for et årti siden. Spektakulær ingeniørkunst. Men det samlede AI-energiforbrug er eksploderet i samme periode, fordi effektivitetsforbedringerne muliggjorde udrulning i en skala, der tidligere var økonomisk umulig.
Den reelle pris på flydende kommas fantasier
Hvorfor bruger AI så meget energi? Svaret ligger i matematikken, og det er enklere, end du måske tror.
Flydende komma-aritmetik, fundamentet for moderne neurale netværk, er beregningsmæssigt dyr. Hver multiplikation kræver betydelig kredsløbskapacitet, betydeligt siliciumareal, betydelig strøm. Og neurale netværk er milliarder og atter milliarder af flydende komma-operationer, gentaget millioner af gange per sekund.
Værre er det, at vi bruger ekstrem præcision, hvor det reelt ikke er nødvendigt. 32-bit flydende kommatal. 16-bit flydende kommatal. Endda 8-bit flydende kommatal. Al denne præcision, al denne beregningsmæssige overhead, al denne energi, for at træffe beslutninger, der i sidste ende er binære. Ja eller nej. Kat eller hund. Spam eller ikke spam. Godkend eller afvis.
Det er som at bruge en supercomputer til at slå plat eller krone. Resultatet er plat eller krone, men vi brænder megawatt af på at beregne sandsynligheder til seksten decimaler. Præcisionen er matematisk smuk. Den er også termodynamisk vanvittig.
Dette er ikke optimering. Dette er spild forklædt som nødvendighed, forsvaret af inertien i "men sådan har vi altid gjort det" og de sunkne omkostninger ved milliarder af euro investeret i GPU-infrastruktur, der specifikt er designet til flydende komma-operationer.
Det binære alternativ, der faktisk virker
Så hvad er løsningen? Hvordan bygger vi AI uden at gøre datacentre til klimakatastrofer?
Hos Dweve startede vi med at stille spørgsmålstegn ved den grundlæggende antagelse. Har AI virkelig brug for flydende komma-aritmetik? Har den virkelig brug for så meget energi? Findes der et andet matematisk fundament, der opnår den samme intelligens med markant mindre beregningsmæssig overhead?
Binære neurale netværk giver et klart, empirisk afprøvet svar: nej, AI har ikke brug for flydende komma-aritmetik. Slet ikke.
Ved at eliminere flydende komma-operationer helt og bruge simpel binær logik falder energiforbruget med 96%. Ikke gennem marginale optimeringer eller smart caching. Gennem fundamental matematisk redesign. Besparelserne i beregning kommer fra at erstatte komplekse flydende komma-multiply-accumulate-operationer med simple binære AND- og XNOR-operationer, der kræver størrelsesordener mindre energi.
Den 1.200-watt Blackwell-accelerator? Erstat den med en 50-watt CPU, der kører binære operationer. Samme intelligens. Samme kapacitet. 24× mindre strøm. Eller endnu bedre: implementér på FPGAs, der er specifikt optimeret til binære operationer, og opnå 136× bedre energieffektivitet end traditionelle GPU-tilgange.
Det 250-kilowatt serverrack, der trækker lige så meget strøm som en hel bydel? Nede på 10 kilowatt. Det massive datacenter, der forbruger en hel bys elektricitet? Reduceret til strømforbruget i en stor kontorbygning. Infrastrukturkravene falder proportionalt. Ingen eksotisk væskekøling. Ingen dedikerede transformatorstationer. Ingen opgraderinger af elnettet.
Matematikken er ligetil: binære operationer bruger størrelsesordener mindre energi end flydende komma. Infrastruktureffektiviteten følger naturligt. Klimapåvirkningen falder proportionalt. Og resultaterne? Tilsvarende eller bedre nøjagtighed på opgaver i den virkelige verden, fordi binære neurale netværk faktisk kan fange strukturelle sammenhænge, som flydende komma-netværk overser.
Ud over effektivitet: Et nyt paradigme for europæisk AI
Binære neurale netværk er ikke bare mere effektive. De repræsenterer en grundlæggende anderledes tilgang til intelligens, der naturligt flugter med europæiske værdier om bæredygtighed, gennemsigtighed og teknologisk suverænitet.
I stedet for at tilnærme beslutninger med kontinuerlig matematik og massiv beregning bruger de direkte diskret logik. I stedet for at brænde energi af på at overvinde numerisk ustabilitet i gradientnedstigning bygger de på stabile binære fundamenter. I stedet for at kræve dyre proprietære GPU'er fremstillet i udlandet kører de effektivt på standard-CPU'er og kan implementeres på europæisk fremstillede FPGA'er.
Resultatet er AI, der arbejder med fysikken i stedet for imod den. Beregning, der ikke kræver eksotiske kølesystemer. Infrastruktur, der ikke kræver sit eget kraftværk. Og afgørende for Europa: en teknologisk tilgang, der ikke låser dig fast i afhængighed af NVIDIA, baseret i Californien, eller andre ikke-europæiske hardwareleverandører.
Virksomheder som Tysklands Black Forest Labs, Frankrigs Mistral AI og Tysklands Aleph Alpha opbygger imponerende AI-kapaciteter, men de er stadig fundamentalt afhængige af traditionelle floating-point-arkitekturer og GPU-forsyningskæden. Binære neurale netværk tilbyder en vej til ægte europæisk AI-suverænitet, der kører på hardware, som kan fremstilles i Europa på processer, der flugter med europæiske klimaaftaler.
Sådan kan Europa få begge dele: AI-fremgang og klimamål. Ikke ved at gøre den nuværende tilgang en smule grønnere gennem køb af vedvarende energi og CO2-kompensation, men ved at bruge matematik, der ikke kræver energiforbrug på planetarisk skala i første omgang. Den europæiske AI-forordning anerkender allerede dette ved at kræve oplysning om energiforbrug og opfordre til frivillige adfærdskodekser om miljømæssig bæredygtighed. Binære tilgange forvandler disse ambitioner til opnået virkelighed.
Det valg, vi træffer lige nu
Den digitale energikrise er ikke uundgåelig. Den er et valg. Et valg, vi træffer lige nu, i hver GPU-indkøbsordre, i hver datacenterbyggekontrakt, i hver modeltræningskørsel.
Det er et valg om at blive ved med at bruge floating-point-aritmetik, fordi det er velkendt, fordi værktøjerne findes, fordi det er svært at omskole en hel industri. Et valg om at acceptere eksponentiel energivækst, fordi kvartalsresultaterne ser gode ud, og venturekapitalisterne er begejstrede. Et valg om at brænde mere elektricitet af på at træne én model, end en by bruger på et år, fordi vi kan, og fordi en anden kommer til at betale klimaprisen.
Men vi kunne vælge anderledes. Europa er faktisk i en unik position til at lede dette valg.
Vi kunne vælge matematik, der ikke spilder 96% af sin energi på unødvendig præcision. Vi kunne vælge algoritmer, der arbejder effektivt på standardhardware i stedet for at kræve specialiserede acceleratorer. Vi kunne vælge arkitekturer, der respekterer fysiske og miljømæssige grænser i stedet for at antage uendelig energitilgængelighed. Vi kunne vælge tilgange, der er i tråd med den europæiske grønne pagt i stedet for direkte at underminere den.
AI-boomet behøver ikke at blive en energikatastrofe. Binære neurale netværk beviser, at der findes en anden vej. En vej, der leverer intelligens uden klimaprisen. En vej, der arbejder med vedvarende energis begrænsninger i stedet for at overvælde dem. En vej, der behandler effektivitet som en grundlæggende funktion, ikke en eftertanke, der nævnes i bæredygtighedsrapporter.
Irland behøver ikke at vælge mellem økonomisk udvikling gennem datacentre og at have nok elektricitet til hjemmene. Amsterdam behøver ikke at indføre moratorier. Dublin behøver ikke at se datacentre forbruge næsten halvdelen af byens elektricitet, mens beboerne står over for stigende energiomkostninger.
Europas grønne pagt og AI-fremskridt er ikke uforenelige. Men kun hvis vi er villige til at udfordre grundlæggende antagelser og bygge AI, der faktisk giver matematisk, fysisk og økonomisk mening. Den nuværende kurs fører til 945 TWh i 2030, 3% af den globale elektricitet, tusindvis af tons CO2 per model, millioner af liter vandforbrug og et umuligt valg mellem klimamål og teknologiske fremskridt.
Alternativet findes i dag. Binære neurale netværk, der kører på standard-CPU'er og effektive FPGA'er. Beregning, der bruger 96% mindre energi. Bæredygtig AI, der ikke kræver et valg mellem fremskridt og planeten. Transparente algoritmer, som europæere faktisk kan forstå og verificere, ikke black-box floating-point-vægte kontrolleret af udenlandske virksomheder.
Det eneste spørgsmål er, om vi griber det, før vi har brændt så meget energi af, forbrugt så meget vand og bygget så meget ineffektiv infrastruktur, at vi ikke længere har et valg. Vinduet lukker. Men det er stadig åbent.
Vil du have AI, der ikke kræver sit eget kraftværk? Dweve Core, vores diskrete beregningsframework, der kombinerer binære neurale netværk, constraint-baserede systemer og spiking-beregning, og som driver Dweve Loom, leverer 96% lavere energiforbrug til både træning og inferens på standardhardware. Ingen proprietære acceleratorer. Ingen eksotisk køling. Ingen kompromiser på kapacitet. Fremtiden for bæredygtig europæisk AI er effektiv, transparent og tilgængelig i dag.