Den digitala energikrisen: AI:s 945 TWh-uppgörelse
The Industrial Sauna We Call Progress
Walk into a modern AI data centre in Frankfurt or Dublin, and your first thought isn't "This is the future." It's "Why is it so bloody hot in here?" The heat hits you like opening an oven door, waves of thermal energy rolling off server racks that look more like industrial furnaces than computers. The cooling system is screaming, fans at full roar, chilled water racing through kilometres of pipes, just to keep these machines from literally melting.
Each AI accelerator chip draws 1,200 watts. For perspective, that's more power than the space heater keeping your Dutch grandmother's apartment warm in January. And you're looking at thousands of these chips, packed into racks consuming 50, 100, sometimes 250 kilowatts each. One single rack drawing as much power as 100 average European households. In a space the size of a wardrobe.
This is the digital energy crisis that polite company doesn't discuss at conferences. AI isn't just consuming electricity. It's devouring it with the appetite of a black hole, and we're all nodding politely like this is perfectly reasonable behaviour for mathematics.
The Numbers That Should Make You Swear
Let's talk scale, because the numbers are genuinely terrifying. In 2024, data centres worldwide consumed approximately 415 terawatt-hours of electricity. That's 1.5% of all global electricity consumption. To put that in European terms, that's substantially more than Spain's entire annual electricity demand of 248 TWh. All of Spain. Every home, every factory, every train, every hospital. Data centres use more.
But here's where it stops being merely alarming and becomes properly frightening: that figure is projected to more than double by 2030, reaching 945 TWh. That's 3% of global electricity. Not 3% of technology electricity. 3% of everything. More than all the electric vehicles, heat pumps, and solar panels combined.
And AI is the primary driver. AI data centre energy consumption is growing at 44.7% annually. To appreciate how exponential that is, consider Ireland. In 2024, data centres consumed 22% of Ireland's total electricity, up from just 5% in 2015. That's a 531% increase in nine years. EirGrid, Ireland's grid operator, estimates that by 2030, data centres could consume 30% of the country's electricity. Nearly one-third of an entire nation's power grid, just to train models and serve AI queries.
Dublin alone tells the story. Data centres consumed between 33% and 42% of all electricity in Dublin in 2023. Some estimates put it even higher. The Irish government imposed a moratorium on new data centre construction in Dublin until 2028 because the grid literally cannot handle more load. Amsterdam did the same thing in 2019, lifting it only after implementing strict power usage effectiveness requirements and a cap of 670 MVA until 2030. The Netherlands went further, imposing a national moratorium on hyperscale data centres exceeding 70 megawatts.
This isn't gradual growth. This is an exponential explosion in energy demand, happening right now, accelerating every quarter, and running headlong into physical infrastructure limits.
Träningsbomben av koldioxid
Att träna en enda stor språkmodell ger ett koldioxidavtryck som skulle få ett oljeraffinaderi att rodna. Och till skillnad från raffinaderier, som åtminstone producerar något påtagligt du kan hälla i en bil, ger dessa utsläpp ... ja, en modell som kanske hallucinerar självsäkert om svamprecept.
GPT-3, modellen som satte i gång den nuvarande AI-boomen, släppte ut 552 ton CO2 under träningen. Det motsvarar 123 bensindrivna personbilar som körs i ett år. För en modell. En träningsomgång. Och det är bara den direkta energiförbrukningen, utan att räkna in den inbäddade koldioxiden i tillverkningen av GPU:erna eller bygget av datacentret.
Här är det riktigt galna: GPT-3 anses vara liten med dagens mått. Moderna modeller är flera storleksordningar större. Att träna en modell med 100 biljoner parametrar förbrukar ungefär 9 miljoner euro i GPU-beräkningstid. Vid europeiska energipriser och koldioxidintensitet innebär det tusentals ton CO2-ekvivalenter. Per modell. Och en lyckad driftsättning kräver vanligtvis dussintals eller hundratals träningsomgångar, eftersom de första sjutton försöken gav en modell som tror att Belgien är en typ av ost.
Forskningsartiklarna trumpetar ut de imponerande prestandasiffrorna. Koldioxidavtrycket? Det begravs i en fotnot, om det ens nämns. Det är AI-världens motsvarighet till att skryta om din nya bils acceleration samtidigt som du noga undviker att nämna att den drar 2 liter per mil.
Inferensens multiplikationseffekt
Här är vad de flesta missar, och det är det som verkligen spelar roll: träning är en engångskostnad. Inferens, att använda modellen för att svara på frågor, pågår kontinuerligt. För alltid. I en skala som får träningsutsläppen att se små ut.
Varje ChatGPT-fråga förbrukar el. Varje AI-genererad bild bränner watt. Varje rekommendation, varje översättning, varje röstassistentsvar. Miljontals förfrågningar per sekund, 24 timmar om dygnet, 365 dagar om året. Och till skillnad från träning, som sker i koncentrerade stötar, är inferens utspridd över tusentals datacenter globalt, vilket gör den nästan omöjlig att spåra.
Forskning visar att inferensutsläpp ofta överstiger träningsutsläppen med flera storleksordningar, särskilt för brett distribuerade modeller. Träningen kan kosta 500 ton CO2. Inferensen under modellens livslängd? Potentiellt 50 000 ton. Kanske mer. Ingen räknar, och det är just problemet.
Techföretag rapporterar träningsutsläpp när EU:s regler kräver det. Inferensutsläpp? Det är "driftskostnader", bekvämt begravda i allmänna datacenterstatistik tillsammans med e-postservrar och kattvideor. EU:s AI-förordning kräver redovisning av energiförbrukning för allmänna AI-modeller, men tillsynen är ojämn och frivillig redovisning förblir just det: frivillig.
Effekttäthetskrisen som utmanar fysikens lagar
Traditionella datacenter brukade drivas med cirka 36 kilowatt per rack. Hanterbart. Konventionell luftkylning fungerade utmärkt. Man kunde bygga dem nästan var som helst med hygglig nätverksanslutning och rimliga elpriser. Infrastrukturen var okomplicerad.
Sedan kom AI, och fysiken blev arg.
Dagens AI-rack når 50 kilowatt. De mest avancerade installationerna når 100 kilowatt. Vissa experimentella konfigurationer pressar 250 kilowatt per rack. Det motsvarar elförbrukningen för 100 genomsnittliga europeiska hushåll, koncentrerad till några kvadratmeter serverrack. Effekttätheten närmar sig den hos en raketmotor.
Problemet är inte bara den totala effekten. Det är tätheten. Packar man så mycket energi på så liten yta blir fysiken ens fiende. Värmen måste ta vägen någonstans, och luftkylning klarar det fysiskt inte. Värmebelastningen är för hög. Man behöver vätskekylning. Kylning direkt mot chippet. Nedsänkningskylning. Komplexa termiska hanteringssystem som kostar mer än servrarna själva och kräver egna ingenjörsteam för att driva.
Datacenter designas nu om inte för beräkningseffektivitet, utan enbart för att förhindra termisk härdsmälta. Vi bygger infrastruktur för att hantera spillvärme från matematiska operationer som i grunden inte borde generera så mycket värme från första början. Det är som att designa ett bättre avgassystem för en bil som brinner, i stället för att ifrågasätta varför bilen brinner.
Kretsen som åt upp elnätet
Låt oss en stund zooma in på hårdvaran, för den enskilda kretsens strömförbrukning berättar sin egen historia om en eskalerande galenskap.
Tidiga AI-acceleratorer drog omkring 400 watt. Redan högt, men hanterbart med konventionell kylning. Sedan 700 watt. Sedan 1 000 watt. NVIDIA:s senaste Blackwell-arkitektur når 1 200 watt per krets, och vissa konfigurationer pressar ännu högre. Det förs redan diskussioner om framtida konstruktioner som når 1 400 watt.
Tänk på det. 1 200 watt. Per krets. En enda krets som förbrukar mer ström än de flesta hushållsapparater. Och att träna en stor modell kräver tusentals sådana kretsar som körs kontinuerligt i veckor eller månader.
Matematiken är brutal: 1 000 kretsar × 1 200 watt = 1,2 megawatt. För ett enda träningskluster. Som kör en enda modell. Och det finns hundratals sådana kluster världen över, med fler som tas i drift varje kvartal. FLAP-D-marknaderna (Frankfurt, London, Amsterdam, Paris, Dublin) står ensamma för över 60 procent av Europas datacenterkapacitet, och elbehovet beräknas växa från 96 TWh 2024 till 168 TWh 2030.
Det här är inte hållbart. Det är inte ens i närheten av hållbart. Vi förbränner el i en takt som hade framstått som fiktiv för ett decennium sedan, och branschens samtal kretsar kring huruvida elnätet hinner med, inte om vi över huvud taget borde göra det här.
Europas gröna mardröm och det omöjliga valet
För Europa skapar detta en omöjlig konflikt som inte längre är teoretisk. Den utspelar sig just nu, i nätplaneringsmöten och regleringsförhandlingar över hela kontinenten.
Den europeiska gröna given syftar till att göra Europa klimatneutralt till 2050. Koldioxidutsläppen måste minska med minst 55 procent till 2030 jämfört med 1990 års nivåer. Energieffektiviteten måste förbättras inom alla sektorer. Förnybar energi måste ersätta fossila bränslen. Detta är juridiskt bindande mål enligt den europeiska klimatlagen.
Under tiden exploderar AI:s energiförbrukning med 44 procent årligen. Under 2024 förbrukade Europas datacenter 96 TWh, vilket motsvarar 3,1 procent av den totala elförbrukningen. Men fördelningen är extremt ojämn. På Irland handlar det om 22 procent av landets el. I Nederländerna 7 procent. I Tyskland 4 procent. Datacenter i Amsterdam, London och Frankfurt förbrukade 33 till 42 procent av dessa städers el under 2023.
De två utvecklingslinjerna är matematiskt oförenliga. Europa kan antingen nå sina klimatmål eller bygga AI-infrastruktur med nuvarande metoder. Inte både och. Siffrorna går inte ihop.
Somliga menar att förnybar energi löser detta. "Bara driv datacenter med sol och vind." Vacker idé. Helt ogenomförbar. Europa installerade 65,5 GW ny solkapacitet under 2024 och 16,4 GW ny vindkraft. Förnybar energi nådde 47 procent av elproduktionen. Men 945 TWh i ny datacenterefterfrågan till 2030 skulle kräva att man bygger förnybar kapacitet motsvarande tusentals fler vindkraftsparker och miljontals fler solpaneler. Bara markanvändningen skulle bli astronomisk. Danmark, med 88,4 procent förnybar el (mestadels vind), lyfts ofta fram som förebild. Men Danmarks totala elförbrukning är bara en bråkdel av den beräknade efterfrågan från AI-datacenter.
Även om det vore tekniskt möjligt är alternativkostnaden svindlande. Varje megawattimme som går till AI-träning är en megawattimme som inte kan användas för att elektrifiera transporter, värma hem eller driva industrin. Det är ett direkt byte, och vi väljer att bränna förnybar energi på att träna modeller som kan vara föråldrade om sex månader, i stället för att värma hem genom vintern.
Vattenkrisen Ingen Följer
Energi är inte den enda resursen AI förbrukar. Vatten håller på att bli en kritisk kris, särskilt i regioner som redan lider av vattenbrist.
Datacenter använder enorma mängder vatten för evaporativ kylning, vilket de flesta stora anläggningar förlitar sig på eftersom det är effektivare än slutna system. Evaporativ kylning förångar bokstavligen vatten för att avleda värme. Vattnet är borta. Inte återfört i systemet. Förångat ut i atmosfären. Permanent borttaget från lokala vattentillgångar.
En studie från 2024 visade att träning av GPT-3 i Microsofts toppmoderna amerikanska datacenter förbrukade cirka 700 000 liter färskvatten. Det räcker för att tillverka 370 BMW-bilar eller 320 Tesla-elbilar. För en enda träningsomgång. Av en enda modell. Och det är bara den direkta vattenförbrukningen på plats, utan att räkna med vattnet som används vid elproduktion.
Hela livscykelns vattenavtryck, inklusive elproduktion utanför anläggningen, når 5,4 miljoner liter. Och den löpande användningen fortsätter: ChatGPT kräver ungefär 500 milliliter vatten för en kort konversation med 20 till 50 frågor och svar. Multiplicera det med miljontals användare som ställer frågor oavbrutet, och vattenförbrukningen blir svindlande.
I torkdrabbade regioner skapar detta direkta konflikter. Datacenter konkurrerar med jordbruk och kommunala vattenförsörjningar. I vissa regioner tar AI-träning bokstavligen vatten från grödor under torka. Detta är inte ett framtidsproblem. Det händer nu. Och i takt med att AI-utbyggnaden skalar upp blir det värre.
Effektivitetsillusionen och Jevons paradox
AI-branschen älskar verkligen att prata om effektivitetsförbättringar. Varje konferens keynote har en bild: "Nya chips är 10× mer effektiva!" "Bättre algoritmer minskar energiförbrukningen med 50%!" "Våra datacenter drivs av 100% förnybar energi!"
Allt sant. Allt tekniskt imponerande. Allt helt irrelevant för det faktiska problemet.
För effektivitetsförbättringar konsumeras omedelbart av skalökningar. Detta är Jevons paradox i praktiken, och ekonomer har varnat för det sedan 1865 när William Stanley Jevons observerade att förbättrad koleffektivitet i ångmaskiner ledde till ökad total koleförbrukning, inte minskad förbrukning.
Microsofts vd Satya Nadella twittrade bokstavligen "Jevons paradox strikes again!" när DeepSeek släppte sin effektiva lågkostnads-AI-modell. Han förstod exakt vad som skulle hända: lägre kostnader innebär mer användning, vilket leder till högre total förbrukning. Och han hade rätt.
Ja, nyare chips gör mer beräkningar per watt. Men modellerna blir större ännu snabbare. Ja, bättre algoritmer minskar träningstiden. Men vi tränar fler modeller, oftare, med fler parametrar, för nu har vi råd. Total energiförbrukning minskar inte. Den accelererar. 10× effektivitetsförbättringen innebär bara att vi kan träna en modell som är 10× större för samma energikostnad. Så det gör vi. Och den totala förbrukningen ökar.
NVIDIA hävdar att Blackwell är 100 000× mer energieffektiv för inferens än chips från för tio år sedan. Spektakulär ingenjörskonst. Men den totala AI-energiförbrukningen har exploderat under samma period, eftersom effektivitetsförbättringar möjliggjorde driftsättning i skala som tidigare var ekonomiskt omöjlig.
Den verkliga kostnaden för flyttalsfantasier
Varför förbrukar AI så mycket energi? Svaret ligger i matematiken, och det är enklare än du kanske tror.
Flyttalsaritmetik, grunden för moderna neurala nätverk, är beräkningsmässigt dyr. Varje multiplikation kräver betydande kretsar, betydande kiselarea, betydande effekt. Och neurala nätverk är miljarder och åter miljarder flyttalsoperationer, upprepade miljontals gånger per sekund.
Värre är att vi använder extrem precision där det verkligen inte behövs. 32-bitars flyttal. 16-bitars flyttal. Till och med 8-bitars flyttal. All denna precision, alla dessa beräkningskostnader, all denna energi, för att fatta beslut som i slutändan är binära. Ja eller nej. Katt eller hund. Skräp eller inte. Godkänn eller avvisa.
Det är som att använda en superdator för att singla slant. Resultatet är krona eller klave, men vi bränner megawatt för att beräkna sannolikheter till sexton decimaler. Precisionen är matematiskt vacker. Den är också termodynamiskt vansinnig.
Detta är inte optimering. Detta är slöseri förklätt till nödvändighet, försvarat av trögheten i "men så här har vi alltid gjort" och den sjunkna kostnaden för miljarder euro investerade i GPU-infrastruktur specifikt designad för flyttalsoperationer.
Det binära alternativet som faktiskt fungerar
Så vad är lösningen? Hur bygger vi AI utan att förvandla datacenter till klimatkatastrofer?
På Dweve började vi med att ifrågasätta det grundläggande antagandet. Behöver AI verkligen flyttalsaritmetik? Behöver den verkligen så mycket energi? Finns det en annan matematisk grund som uppnår samma intelligens med dramatiskt mindre beräkningskostnad?
Binära neurala nätverk ger ett tydligt, empiriskt testat svar: nej, AI behöver inte flyttalsaritmetik. Inte ens i närheten.
Genom att helt eliminera flyttalsoperationer och använda enkel binär logik minskar energiförbrukningen med 96 %. Inte genom marginella optimeringar eller smart cachning. Utan genom en grundläggande matematisk omdesign. Beräkningsbesparingarna kommer från att ersätta komplexa flyttalsoperationer av typen multiplikation-ackumulering med enkla binära AND- och XNOR-operationer som kräver storleksordningar mindre energi.
Den där 1 200-watts Blackwell-acceleratorn? Ersätt den med en 50-watts CPU som kör binära operationer. Samma intelligens. Samma kapacitet. 24× mindre effekt. Eller ännu bättre: använd FPGA:er som är specifikt optimerade för binära operationer och uppnå 136× bättre energieffektivitet än traditionella GPU-lösningar.
Det där 250-kilowatts serverstället som drar lika mycket ström som en hel stadsdel? Nere på 10 kilowatt. Det massiva datacentret som förbrukar en hel stads elbehov? Reducerat till effektuttaget för en stor kontorsbyggnad. Infrastrukturkraven minskar proportionellt. Ingen exotisk vätskekylning. Inga dedikerade transformatorstationer. Inga uppgraderingar av elnätet.
Matematiken är enkel: binära operationer kräver storleksordningar mindre energi än flyttalsoperationer. Infrastruktureffektiviseringarna följer naturligt. Klimatpåverkan minskar proportionellt. Och resultaten? Motsvarande eller bättre noggrannhet i verkliga uppgifter, eftersom binära neurala nätverk faktiskt kan fånga strukturella samband som flyttalsnätverk missar.
Bortom effektivitet: ett annat paradigm för europeisk AI
Binära neurala nätverk är inte bara mer effektiva. De representerar ett i grunden annorlunda sätt att se på intelligens, som naturligt passar med europeiska värderingar om hållbarhet, transparens och teknologisk suveränitet.
I stället för att approximera beslut med kontinuerlig matematik och massiva beräkningar använder de diskret logik direkt. I stället för att bränna energi på att övervinna numerisk instabilitet i gradientdescent bygger de på stabila binära grunder. I stället för att kräva dyra proprietära GPU:er som tillverkas utomlands kör de effektivt på vanliga processorer och kan distribueras på europeiskt tillverkade FPGA:er.
Resultatet är AI som arbetar med fysiken i stället för emot den. Beräkningar som inte kräver exotiska kylsystem. Infrastruktur som inte kräver ett eget kraftverk. Och avgörande för Europa: ett teknologiskt synsätt som inte låser dig i beroende av NVIDIA, baserat i Kalifornien, eller andra icke-europeiska hårdvaruleverantörer.
Företag som Tysklands Black Forest Labs, Frankrikes Mistral AI och Tysklands Aleph Alpha bygger imponerande AI-förmågor, men de är fortfarande i grunden beroende av traditionella flyttalsarkitekturer och GPU-leveranskedjan. Binära neurala nätverk erbjuder en väg till genuin europeisk AI-suveränitet, med hårdvara som kan tillverkas i Europa på processer som ligger i linje med Europas klimatåtaganden.
Så här kan Europa få både och: AI-utveckling och klimatmål. Inte genom att göra det nuvarande synsättet lite grönare med förnybar energi och koldioxidkompensation, utan genom att använda matematik som inte kräver energiförbrukning i planetär skala från första början. Den europeiska AI-förordningen erkänner redan detta, med krav på redovisning av energiförbrukning och uppmuntran till frivilliga uppförandekoder för miljömässig hållbarhet. Binära metoder förvandlar dessa ambitiösa mål till uppnådd verklighet.
Valet vi gör just nu
Den digitala energikrisen är inte oundviklig. Den är ett val. Ett val vi gör just nu, i varje GPU-inköpsorder, i varje datacenterbyggkontrakt, i varje modellträningskörning.
Det är ett val att fortsätta använda flyttalsaritmetik för att den är bekant, för att verktygen finns, för att omskola en hel bransch är svårt. Ett val att acceptera exponentiell energitillväxt för att kvartalsrapporterna ser bra ut och riskkapitalisterna är entusiastiska. Ett val att bränna mer el på att träna en enda modell än vad en stad förbrukar på ett år, för att vi kan, och för att någon annan får betala klimatkostnaden.
Men vi skulle kunna välja annorlunda. Europa är faktiskt i en unik position att leda detta val.
Vi skulle kunna välja matematik som inte slösar 96 % av sin energi på onödig precision. Vi skulle kunna välja algoritmer som fungerar effektivt på standardhårdvara i stället för att kräva specialiserade acceleratorer. Vi skulle kunna välja arkitekturer som respekterar fysiska och miljömässiga gränser i stället för att anta att energi finns i oändlig mängd. Vi skulle kunna välja metoder som ligger i linje med den europeiska gröna given i stället för att direkt motverka den.
AI-boomen behöver inte bli en energikatastrof. Binära neurala nätverk bevisar att det finns en annan väg. En som levererar intelligens utan klimatkostnad. En som fungerar inom förnybara energiers begränsningar i stället för att överväldiga dem. En som behandlar effektivitet som en grundläggande funktion, inte som en eftertanke att nämna i hållbarhetsrapporter.
Irland behöver inte välja mellan ekonomisk utveckling genom datacenter och tillräckligt med el till hushållen. Amsterdam behöver inte införa moratorier. Dublin behöver inte se datacenter förbruka nästan hälften av stadens el medan invånarna möter stigande energikostnader.
Europas gröna giv och AI-utveckling är inte oförenliga. Men bara om vi är villiga att ifrågasätta grundläggande antaganden och bygga AI som faktiskt är matematiskt, fysiskt och ekonomiskt vettig. Den nuvarande utvecklingen leder till 945 TWh år 2030, 3 % av världens el, tusentals ton CO2 per modell, miljontals liter vattenförbrukning och ett omöjligt val mellan klimatmål och tekniska framsteg.
Alternativet finns redan idag. Binära neurala nätverk som körs på standardprocessorer och effektiva FPGA:er. Beräkningar som använder 96 % mindre energi. Hållbar AI som inte kräver att man väljer mellan framsteg och planeten. Transparenta algoritmer som européer faktiskt kan förstå och verifiera, inte svarta lådor med flyttalsvikter som kontrolleras av utländska företag.
Den enda frågan är om vi tar den innan vi har förbrukat så mycket energi, konsumerat så mycket vatten och byggt så mycket ineffektiv infrastruktur att vi inte längre har något val. Fönstret håller på att stängas. Men det är fortfarande öppet.
Vill du ha AI som inte kräver ett eget kraftverk? Dweve Core, vårt ramverk för diskret beräkning som kombinerar binära neurala nätverk, begränsningsbaserade system och spikande beräkning som driver Dweve Loom, levererar 96 % lägre energiförbrukning för både träning och inferens på standardhårdvara. Inga proprietära acceleratorer. Ingen exotisk kylning. Inga kompromisser i kapacitet. Framtiden för hållbar europeisk AI är effektiv, transparent och tillgänglig idag.