Mega-modeller er ikke årsagen til beregningskrisen

Hver gang en ny AI-model udgives – GPT-opdateringer, DeepSeek, Gemini – betragter folk den enorme størrelse, kompleksiteten og stadig mere, den beregningshungrende af disse mega-modeller. Antagelsen er, at disse modeller definerer ressourcebehovene for AI-revolutionen.

Den antagelse er forkert.

Ja, store modeller er beregningshungrende. Men den største belastning på AI-infrastrukturen kommer ikke fra en håndfuld mega-modeller – det kommer fra den stille udbredelse af AI-modeller på tværs af industrier, hver af dem finjusteret til bestemte anvendelser, hver af dem forbruger beregning på en hidtil uset skala.

Trots den potentielle vinder-tager-alt konkurrence, der udvikler sig blandt LLM’er, er AI-landskabet som helhed ikke centraliseret – det er fragmenteret. Hver virksomhed bruger ikke bare AI – de træner, tilpasser og udruller private modeller tilpasset deres behov. Det er den sidste situation, der vil skabe en infrastruktur-efterspørgsel, som cloud-udbydere, virksomheder og regeringer ikke er klar til.

Vi har set dette mønster før. Cloud har ikke konsolideret IT-arbejdsbyrder – det har skabt et spredt hybrid-økosystem. Først var det server-spredning. Så VM-spredning. Nu? AI-spredning. Hver bølge af computing har ført til spredning, ikke forenkling. AI er ikke anderledes.

AI-spredning: Hvorfor fremtiden for AI er en million modeller, ikke en

Finans, logistik, cybersikkerhed, kundeservice, R&D – hver af dem har sin egen AI-model optimeret til sin egen funktion. Organisationer træner ikke en AI-model til at styre deres hele operation. De træner tusinder. Det betyder mere træningscykler, mere beregning, mere lagringsbehov og mere infrastruktur-spredning.

Dette er ikke teoretisk. Selv i industrier, der traditionelt er forsigtige med teknologi-adoption, accelererer AI-investeringerne. En McKinsey-rapport fra 2024 fandt, at organisationer nu bruger AI i gennemsnit i tre forretningsfunktioner, med manufacturing, supply chain og produktudvikling i spidsen (McKinsey).

Sundhedssektoren er et primært eksempel. Navina, en startup, der integrerer AI i elektroniske sundhedsjournaler for at fremhæve kliniske indsighter, har lige fået 55 millioner dollars i serie C-finansiering fra Goldman Sachs (Business Insider). Energi er ikke anderledes – industriansvarlige har lanceret Open Power AI Consortium for at bringe AI-optimering til grid og plant-operationer (Axios).

Beregningsspredningen, som ingen taler om

AI bryder allerede traditionelle infrastrukturmodeller. Antagelsen om, at cloud kan skala uendeligt for at støtte AI-vækst, er død forkert. AI skalerer ikke som traditionelle arbejdsbyrder. Efterspørgselkurven er ikke gradvis – den er eksponentiel, og hyperscalere kan ikke følge med.

• Beregningsspredning: AI-specifikke datacentre bygges nu omkring beregningskapacitet, ikke kun netværksbagben.
• Netværksbottlenecks: Hybrid IT-miljøer bliver ustyrlige uden automation, som AI-arbejdsbyrder kun vil forværre.
• Økonomisk pres: AI-arbejdsbyrder kan forbruge millioner på en enkelt måned, hvilket skaber finansielle usikkerheder.

Datacentre står allerede for 1% af den globale el-forbrug. I Irland forbruger de nu 20% af det nationale el-net, en andel, der forventes at stige betydeligt inden 2030 (IEA).

Tilføj til det den forestående pres på GPU’er. Bain & Company advarede nylig om, at AI-vækst sætter scenen for en halvleder-mangel, drevet af eksplosiv efterspørgsel efter datacenter-klasse-chip (Bain).

Imens vokser AI’s bæredygtighedsproblem. En analyse fra 2024 i Sustainable Cities and Society advarer om, at en bred anvendelse af AI i sundhedssektoren kan øge sektorens energiforbrug og CO2-udledning betydeligt, medmindre det kompenseres af målrettede effektivitetsforbedringer (ScienceDirect).

AI-spredning er større end markedet – det er en sag om statsmagt

Hvis du tror, at AI-spredning er et virksomhedsproblem, tænk igen. Den mest betydningsfulde driver af AI-fragmentering ikke er den private sektor – det er regeringer og militære forsvarsorganisationer, der udruller AI i en skala, som ingen hyperskaler eller virksomhed kan matche.

Den amerikanske regering alene har udrullet AI i over 700 anvendelser på tværs af 27 agenturer, der dækker efterretningsanalyse, logistik og mere (FedTech Magazine).

Canada investerer op til 700 millioner dollars for at udvide den nationale AI-beregningsskapacitet, og lancerer en national udfordring for at styrke suveræn datacenter-infrastruktur (Innovation, Science and Economic Development Canada).

Og der er stigende krav om et “Apollo-program” for AI-infrastruktur – hvilket fremhæver AI’s opgradering fra kommerciel fordel til national imperativ (MIT Technology Review).

Militær AI vil ikke være effektiv, koordineret eller optimeret for omkostninger – det vil blive drevet af nationale sikkerhedsdirektiver, geopolitisk hast og behovet for lukkede, suveræne AI-systemer. Selv hvis virksomheder indskrænker AI-spredning, hvem skal sige til regeringer at gå langsommere?

Fordi når national sikkerhed er på spil, stopper ingen for at spørge, om el-nettet kan klare det.