En enskild fråga till ChatGPT drar uppskattningsvis 3 wattimmar elektricitet - ungefär lika mycket som att låta en LED-lampa lysa i en kvart, eller tio gånger mer än en vanlig Google-sökning. Det låter försumbart. Men ChatGPT besvarar nu en miljard frågor per dag, och bakom varje fråga står ett massivt datacenter med tusentals grafikkort som körs dygnet runt. Här är vad vi vet, vad vi inte vet, och varför AI-energidiskussionen är mer nyanserad än rubrikerna låter påskina.

Vad drar mest - träningen eller inferensen?

AI-modeller har två energikrävande livsskeden. Träningen är när modellen byggs. Att träna en stor språkmodell som GPT-4 kräver tusentals NVIDIA H100-grafikkort som körs i två till tre månader. Beräkningarna utförs i specialiserade datacenter optimerade för AI-arbetsbelastningar, främst hos Microsoft Azure, Google Cloud och AWS. Den uppskattade energiåtgången för GPT-4-träningen ligger på cirka 50-100 GWh - motsvarande den totala årsförbrukningen för 2 000 till 4 000 svenska villor.

Inferensen är när modellen faktiskt används - varje gång någon ställer en fråga eller genererar en bild. Per fråga är inferens mycket lättare än träning, men eftersom det sker miljardtals gånger per dag totalt sett blir inferens den dominerande energiposten över modellens livstid. En uppskattning från Stanford Universitys AI Index Report från 2024 är att inferens utgör 80-90 procent av en modells totala energiförbrukning under dess första driftsår.

Per-fråga-jämförelser

Forskaren Alex de Vries vid Vrije Universiteit Amsterdam publicerade 2023 en uppskattning som blivit standardreferensen i debatten:

• En vanlig Google-sökning: 0,3 wattimmar
• En ChatGPT-fråga (GPT-3.5): 3 wattimmar
• En GPT-4-fråga med längre svar: 10-15 wattimmar
• En bild genererad av DALL-E eller Midjourney: 30-50 wattimmar

För att sätta detta i perspektiv: 3 Wh räcker till att ladda en iPhone från 50 till 60 procent, eller till att driva din laptop i två minuter. En genomsnittlig svensk villas dygnsförbrukning är 50 000-60 000 Wh. Så en användare som ställer 100 ChatGPT-frågor per dag bidrar med ungefär en halv procent extra till sin elräkning. Sett individuellt är det inget. Sett kollektivt med en miljard frågor om dagen är det en GWh extra elförbrukning varje dag, eller cirka 365 GWh per år bara för ChatGPT - motsvarande hela Bodens elförbrukning.

Varför kräver AI så mycket el?

En modern språkmodell består av miljarder eller hundratals miljarder parametrar - siffror som modellen har lärt sig under träningen. När du ställer en fråga måste modellen aktivera och multiplicera en stor del av dessa parametrar för varje ord den genererar i svaret. Den matematiska operationen kallas matrismultiplikation, och det är vad NVIDIA:s grafikkort är optimerade för. Ett enda H100-kort drar 700 watt under full belastning. Ett serverkort med åtta H100:or drar nästan 6 kilowatt - lika mycket som en stor husvärmepump.

Datacentret som huserar dessa kort måste också kylas. För varje kilowatt som går till beräkningarna åtgår ytterligare 0,1 till 0,5 kilowatt till kylning, beroende på datacentrets PUE-värde (Power Usage Effectiveness). Hyperscale-datacenter som Meta Luleå har PUE runt 1,10 - alltså bara 10 procent overhead. Äldre eller mindre datacenter kan ligga på 1,5 eller mer.

Var i världen byggs AI-infrastrukturen?

AI-datacenter söker sig dit elen är billig och pålitlig. Norden har blivit en attraktiv destination tack vare vattenkraft, kallt klimat (mindre kylkostnad) och politisk stabilitet. Meta utökar sin Luleå-anläggning, Microsoft har flera datacenter i regionen Sweden Central kring Gävle och Sandviken, och nya hyperscale-projekt diskuteras kontinuerligt. USA dominerar fortfarande med datacenter i Virginia, Texas och Oregon. Kina bygger massivt men data är mindre öppen.

För svenska konsumenter är AI-energin en del av den större datacenter-debatten: hur mycket är rimligt att lägga i subventioner och elnätsutbyggnad för en bransch som huvudsakligen exporterar tjänster till utlandet? Den svenska datacenterbranschen betalar reducerad energiskatt (0,6 öre per kWh i stället för 44,25 öre för hushåll). För ett AI-datacenter som drar 100 GWh per år innebär det cirka 44 miljoner kronor mindre i skatt jämfört med vad samma el hade kostat hushåll.

Vad gör operatörerna åt det?

De stora molnleverantörerna har alla offentliga klimatåtaganden. Google säger sig matcha 100 procent av sin elförbrukning med förnybara köp på årsbasis och försöker nu gå mot 24/7-matchning, alltså att varje timmes förbrukning ska täckas av samtidig förnybar produktion. Microsoft har liknande mål. Meta köper PPA:er (långa elavtal med vindkraftsparker) som tekniskt sett täcker hela deras förbrukning. Men kritiker pekar på att dessa avtal ofta är REC-baserade (Renewable Energy Certificates) - leverantören fortsätter dra el från gas eller kol på marginalen och köper bara papper som bevisar att förnybar el producerats någonstans i världen.

NVIDIA, AMD och Intel arbetar parallellt på effektivare chip. Varje generation drar mindre el per FLOP. Den nya B100/B200-arkitekturen från NVIDIA påstås vara 2-3 gånger effektivare än H100 för stora språkmodellsträningar. Det driver dock mer total energiförbrukning eftersom billigare AI leder till mer användning - Jevons paradox i praktiken.

Vad kan du göra som användare?

Tre saker:

1. Använd inte AI för triviala saker. En Google-sökning räcker ofta. Spara AI för komplexa frågor där du faktiskt behöver resonemang.
2. Välj molntjänster som körs i lågkoldioxidregioner. Microsoft låter dig se vilka regioner som har lägst utsläppsintensitet via deras Sustainability-portal. AWS har liknande verktyg.
3. Stöd transparent rapportering. EU:s Energy Efficiency Directive kräver att datacenter över 500 kW årligen rapporterar sin elförbrukning och förnybara andel. Den data är fortfarande inte fullt publik - kräv att den blir det.

Slutord

AI är energi-intensivt men inte oöverkomligt så. Per fråga är energin försumbar; per användare per år rör det sig om några kilowattimmar. Det stora problemet är inte vad du individuellt drar, utan den kollektiva och exponentiellt växande efterfrågan från miljardtals AI-frågor varje dag. Den efterfrågan måste mötas med antingen massiv utbyggnad av förnybar el (det som händer i Norden), eller med en mer kritisk hållning till var AI faktiskt skapar värde.

Voltina spårar datacenter-utbyggnaden i Europa i realtid. Du kan se vilka anläggningar som finns var , hur mycket el de drar, och vilken elmix de använder. För djupare information om spotpriser och jämförelse mellan länder, se våra andra sidor.