AI-kapløbet er ved at blive fysisk

I de seneste år er historien om kunstig intelligens blevet fortalt næsten udelukkende i software-sprog. Modellerne bliver mere kapable med minuttet, og de bliver hurtigere og mere specialiserede. Milliarder af dollars strømmer ind i grundmodeller, forskningslaboratorier og startups, der lover at omforme hele brancher. Regeringer har offentliggjort nationale AI-strategier, og hvert bestyrelsesværelse i landet har diskuteret integrationsveje. Samtalen har været omfattende, fremadrettet og på mange måder ufuldstændig.

AI er ikke magi. Det bor ikke i skyen i nogen metaforisk forstand. Hver model, der trænes, hver forespørgsel, der besvares, hver billede, der genereres, afhænger af fysisk infrastruktur – datacentre, der forbruger enorme mængder strøm, kølesystemer, der kører døgnet rundt, fibrekabler, der transporterer data over kontinenter, og understationer, der forbinder det hele til fungerende elnet.

Den høje energiomkostning ved inference

Vi har gennemført en undersøgelse blandt over 200 seniort beslutningstagere inden for AI i USA, og data giver tal til, hvad mange inden for branchen har erkendt. Næsten 29% af organisationerne siger, at energiomkostningerne allerede begrænser deres evne til at skala AI. Over en fjerdedel (28%) siger, at stigende elpriser har tvunget dem til at sætte AI-træning i stå eller pause. Forbindelsesforsinkelser, kølingsbegrænsninger, forbindelsesmangler og planlægningsbottleneck er alle nævnt som voksende barrierer. Infrastrukturlaget, der længe har været betragtet som en andens problem, er blevet allemands problem.

Dette er ikke helt overraskende i retrospekt. Skalaen, som moderne AI opererer på, er virkelig ekstraordinær. Træning af en stor frontier-model kan forbruge så meget strøm, som hundredvis af hjem bruger på et år – en enkelt GPT-4-træning kan forbruge omkring 50 GWh strøm – svarende til den årlige forbrug af 40.000 amerikanske hjem. At køre inference over millioner af daglige brugere kræver datacentre af en størrelse og tæthed, der ville have været utænkeligt for ti år siden. Og efterspørgslen accelererer, drevet af udbredelsen af AI-applikationer, udvidelsen af agente systemer og den øgede integration af AI i kerneforretningens operationer. Datacentres elforbrug er voksende med omkring 15% om året – mere end fire gange hurtigere end den samlede elforbrug i alle andre sektorer kombineret. Den fysiske verden bliver bedt om at absorbere en eksponentiel kurve, og den var aldrig designet til at gøre det så hurtigt.

Strategien skifter til den fysiske verden

Hvad gør det nuværende øjeblik særligt afslørende, er, hvor begrænsningerne faktisk viser sig. Jorden, det viser sig, er ikke det centrale problem. Kun omkring 14% af virksomhederne i vores forskning identificerer jordtilgængelighed som deres primære udfordring. Det hårdere problem er alt, hvad der skal ske efter, at man finder jorden. En lokalitet uden gridkapacitet er værdiløs; ingen plangodkendelse betyder, at man er strandet; og hvis der ikke er nogen robust forbindelse, kan AI-bygningen ikke fungere. Flaskehalsen er ikke rummet – det er den komplekse, langsomme proces at omdanne fysisk rum til operative beregningsmiljøer. Denne forskel er vigtig, fordi den er meget sværere at løse med penge alene.

Det omdefinerer også, hvordan vi skal tænke om national AI-konkurrenceevne. Samtalen har længe fokuseret på forskningstalent, investeringsvolume og kapløbet om at træne de mest kapable modeller. Men infrastrukturstrategi er ved at blive en lige så afgørende variabel. I regioner, hvor tilladelserne flytter hurtigere, hvor energipolitikken er mere tilpasset industriens efterspørgsel, og hvor privat investering i storstilet infrastruktur er mere avanceret, kan AI simpelt hen skala hurtigere. USA har strukturelle fordele her, der ofte bliver underestimeret. De er ikke glamourøse fordele – de indebærer gridplanlægning, zonereform og samarbejde med utilitsselskaber – men de bliver mere og mere afgørende.

Geopolitik tilføjer endnu en lag kompleksitet. Omkring en tredjedel (33%) af de undersøgte virksomheder siger, at de aktivt overvejer at flytte AI-arbejdsbyrder til andre regioner eller lande på grund af geopolitiske bekymringer. Ud over de praktiske begrænsninger i form af strøm og planlægning, vejer organisationerne nu også suverænitet, forsyningskæde-resiliens og den politiske stabilitet i de miljøer, hvor de implementerer beregning.

Det første fase af AI-revolutionen blev defineret af, hvad der var muligt i software. Den næste fase vil blive defineret af, hvad der er opnåeligt i den fysiske verden – af den glamorløse, slidende arbejde med at bygge energi-infrastruktur, sikre energiforsyning og navigere den byråkratiske kompleksitet af storstilet industriel implementering.

Dette er, hvor USA vil have en fordel, som ingen mængde modelkapacitet let kan overvinde. Fremtiden for AI afhænger af, at elnettet holder. Det er mindre spændende end overskrifterne antyder. Det er også mere vigtigt.