Mega-modeller är inte kärnan i beräkningskrisen

Varje gång en ny AI-modell släpps – GPT-uppdateringar, DeepSeek, Gemini – stirrar människor på den renodlade storleken, komplexiteten och alltmer, den beräkningshungriga av dessa mega-modeller. Antagandet är att dessa modeller definierar resursbehoven för AI-revolutionen.

Det antagandet är fel.

Ja, stora modeller är beräkningshungriga. Men den största belastningen på AI-infrastrukturen kommer inte från ett fåtal mega-modeller – det kommer från den tysta spridningen av AI-modeller över branscher, var och en finjusterad för specifika tillämpningar, var och en som konsumerar beräkningar i en aldrig tidigare skådad skala.

Trots den potentiella vinnare-tar-allt-konkurrensen som utvecklas bland LLM:erna, är den övergripande AI-landskapet inte centraliserat – det fragmenteras. Varje företag använder inte bara AI – de tränar, anpassar och distribuerar privata modeller som är anpassade till deras behov. Det är den senare situationen som kommer att skapa en infrastrukturfördemandkurva som molnleverantörer, företag och regeringar inte är redo för.

Vi har sett det här mönstret tidigare. Molnet konsoliderade inte IT-arbetsbelastningar; det skapade ett spritt hybrid-ekosystem. Först var det server-spridning. Sedan VM-spridning. Nu? AI-spridning. Varje våg av datorisering ledde till spridning, inte förenkling. AI är inte annorlunda.

AI-spridning: Varför framtiden för AI är en miljon modeller, inte en

Finans, logistik, cybersäkerhet, kundtjänst, FoU – var och en har sin egen AI-modell som är optimerad för sin egen funktion. Organisationer tränar inte en AI-modell för att styra hela sin verksamhet. De tränar tusentals. Det betyder fler träningscykler, mer beräkning, mer lagringskrav och mer infrastrukturspridning.

Detta är inte teoretiskt. Även i branscher som traditionellt är försiktiga med teknisk adaption, accelererar AI-investeringar. En rapport från McKinsey 2024 fann att organisationer nu använder AI i genomsnitt tre affärsfunktioner, med tillverkning, leverantörskedja och produktutveckling i täten (McKinsey).

Hälso- och sjukvården är ett exempel. Navina, ett startup som integrerar AI i elektroniska hälsoregister för att ge kliniska insikter, har just fått 55 miljoner dollar i serie C-finansiering från Goldman Sachs (Business Insider). Energisektorn är inte annorlunda – branschledare har lanserat Open Power AI Consortium för att bringa AI-optimering till nät- och anläggningsdrift (Axios).

Den beräkningsbelastning som ingen pratar om

AI bryter redan mot traditionella infrastrukturmönster. Antagandet att molnet kan skalas oändligt för att stödja AI-tillväxt är helt fel. AI skalar inte som traditionella arbetsbelastningar. Kravkurvan är inte gradvis – den är exponentiell, och hyperskalare håller inte jämna steg.

• Effektbegränsningar: AI-specifika datacenter byggs nu runt effekttilgänglighet, inte bara nätverksryggar.
• Nätverksflaskhalsar: Hybrid-IT-miljöer blir ohanterliga utan automatisering, som AI-arbetsbelastningar bara kommer att förvärra.
• Ekonomisk press: AI-arbetsbelastningar kan konsumera miljontals på en enda månad, vilket skapar finansiell oförutsägbarhet.

Datacenter står redan för 1% av den globala elkonsumtionen. I Irland konsumerar de nu 20% av den nationella elnätet, en andel som förväntas öka betydligt till 2030 (IEA).

Lägg till det den kommande pressen på GPU:er. Bain & Company varnade nyligen för att AI-tillväxten sätter scenen för en halvledarbrist, driven av explosiv efterfrågan på datacenter-kvalitetschips (Bain).

Samtidigt växer AI:s hållbarhetsproblem. En analys från 2024 i Sustainable Cities and Society varnar för att en omfattande användning av AI inom hälso- och sjukvården kan öka sektorns energiförbrukning och koldioxidutsläpp, såvida det inte kompenseras av riktade effektivitetsåtgärder (ScienceDirect).

AI-spridning är större än marknaden – det är en fråga om statlig makt

Om du tror att AI-spridning är ett företagsproblem, tänk igen. Den mest betydande drivkraften för AI-fragmentisering är inte den privata sektorn – det är regeringar och militära försvarsbyråer, som distribuerar AI i en skala som ingen hyperskalare eller företag kan matcha.

Den amerikanska regeringen har ensam distribuerat AI i över 700 tillämpningar över 27 byråer, som täcker underrättelseanalys, logistik och mer (FedTech Magazine).

Kanada investerar upp till 700 miljoner dollar för att utöka den inhemska AI-beräkningskapaciteten, och lanserar en nationell utmaning för att stärka den suveräna datacenter-infrastrukturen (Innovation, Science and Economic Development Canada).

Och det finns ökande krav på ett “Apollo-program” för AI-infrastruktur – som lyfter AI från kommersiell fördel till nationell angelägenhet (MIT Technology Review).

Militär AI kommer inte att vara effektiv, samordnad eller optimerad för kostnad – den kommer att drivas av nationella säkerhetsmandat, geopolitisk brådska och behovet av stängda, suveräna AI-system. Även om företag håller tillbaka AI-spridning, vem ska säga till regeringarna att sakta ner?

För när nationell säkerhet står på spel, så stoppar ingen och frågar om elnätet kan hantera det.