Az adatközpontok energiafogyasztása évről évre növekszik, és az idén már elérheti a globális villamosenergia-felhasználás 2 százalékát. A mesterségesintelligencia (MI)-alapú technológiák elterjedése, különösen a generatív MI (GenAI) még tovább gyorsítja ezt a növekedést. Az iparág azonban egyre nagyobb hangsúlyt fektet a fenntarthatóságra, miközben új megoldásokkal próbálja csökkenteni az energiaigényt. 

Az adatközpontok energiafogyasztásának növekedése 

Az offgridai.us portál kutatása szerint a globális adatközpontok energiaigénye a tavalyi év végére 450–500 TWh körül lehetett, míg az idén várhatóan eléri az 536-ot.  

Ez a világ teljes áramfogyasztásának mintegy 2 százalékát jelenti.  

Az Egyesült Államokban az adatközpontok fogyasztása már 2023-ban is 176 TWh volt, tavaly pedig (az elmúlt évek növekedési trendjeiből becsülve) megközelíthette a 200-at. A 2023-as adat az ország teljes energiafelhasználásának a 4,4 százaléka. A generatív MI fejlesztései és az egyre bonyolultabb modellek futtatása tovább fokozza ezt a növekedést. 

A mesterséges intelligencia hatása az áramfogyasztásra 

Ismert, hogy a generatív MI-algoritmusok rendkívül energiaigényesek, mivel hatalmas adathalmazokat dolgoznak fel és ezekből tanulnak. Egyes becslések szerint  

az MI-specifikus adatközpontok éves energiafogyasztása már 2026-ra elérheti a 90 TWh-t, és ebből az MI-műveletek önmagukban a teljes fogyasztás több mint 40 százalékát is kitehetik.  

Ez pedig hatalmas kihívást jelent mind a technológiai vállalatok, mind az energiahálózatok számára. 

Fenntarthatósági törekvések és mikrohálózatok 

Az iparág egyre nagyobb figyelmet fordít az energiahatékonyság növelésére. Ennek keretében az egyik leghatékonyabbnak tűnő megoldás az úgynevezett mikrohálózatok bevezetése, amelyek lehetővé teszik az adatközpontok számára, hogy függetlenedjenek a hagyományos villamosenergia-hálózatoktól. Ezek a rendszerek megújuló energiaforrásokat, például nap- és szélenergiát kombinálnak akkumulátoros tárolással, így csökkentve a fosszilis tüzelőanyagoktól való függőséget. Emellett az MI-alapú energiaoptimalizálás segíthet a valós idejű áramfogyasztás szabályozásában. 

Automatizáció és MI-alapú monitorozás 

A fejlett adatközpontok egyre inkább támaszkodnak az MI-alapú automatizációra: szenzorok és okos algoritmusok figyelik folyamatosan a szerverek hőmérsékletét, észlelik a meghibásodásokat és végrehajtják nemcsak az ütemezett, de az esetenként felmerülő megelőzési-karbantartási feladatokat is. Mindez pedig nem csupán az energiafelhasználást optimalizálja, hanem csökkenti az üzemzavarok esélyét is. Egyes előrejelzések szerint 

ez év végére már a felhőalapú adatközpontok fele alkalmaz majd MI vezérelt automatizációt, amely akár 30 százalékkal is növelheti az üzemeltetés hatékonyságát. 

Jövőbeli kilátások  

Az adatközpontok építése világszerte felgyorsul, különösen az úgynevezett másodlagos (azaz kevéssé fejlett) piacokon, ahol a kereslet sokkal ütemesebb növekedése indokolja az új létesítmények fejlesztését. Az amerikai kolokációs kapacitás (olyan speciális szervertermi szolgáltatás, ahol a vállalkozások a saját szervereiket helyezhetik el professzionális környezetben) 2020 óta megduplázódott, és az elkövetkező években további bővülés várható. Az MI-alapú előrejelzések segítik a vállalatokat az optimális kolokációs helyszínek kiválasztásában és az energiaigény pontosabb modellezésében is. 

Öt év, és megduplázódhat a fogyasztás 

Ha a jelenlegi trendek folytatódnak,  

az adatközpontok energiafogyasztása 2030-ra akár 1065 TWh-ra is emelkedhet, ami közel kétszerese a jelenlegi szintnek.  

Ez különösen nagy kihívást jelent a fenntarthatósági célok teljesítése szempontjából. Az iparágnak ráadásul nemcsak az energiahatékonyság javítására kell összpontosítania, hanem új, környezetbarát technológiákat is be kell vezetnie annak érdekében, hogy az adatfeldolgozás és a digitális szolgáltatások fejlődése ne okozzon aránytalan környezeti terhelést. 

 

Elképesztő betanításienergia-felhasználás
A nagy nyelvi modellek betanítása rendkívüli energiafogyasztással jár: például a GPT-3-asé körülbelül 1,3 gigawattóra villamos energiát használt fel. E folyamat mintegy 550 tonna szén-dioxid-kibocsátást eredményezett, ami egyenértékű 123 benzinüzemű autó egyéves üzemeltetésével vagy 130 háztartás éves áramfogyasztásával. Az extrém energiafogyasztás fő oka, hogy a betanítás során az energia akár 90 százalékát csak a memória elérésére fordítják.
Eközben a modellek hatalmas mennyiségű adatot dolgoznak fel, csak az említett „oktatás” 570 GB-nyi szöveget tartalmazott olyan forrásokból, mint a Common Crawl (webes tartalmak válogatott része), a WebText2 (válogatott webes szövegek), könyvek adatbázisai, a Wikipedia, illetve más, válogatott tudományos publikációk. Egy-egy ilyen betanítás több hétig tart, és több ezer GPU-t használ párhuzamosan, ezért az MI „felokosításának” az energiafelhasználása egy kisebb amerikai város éves energiafogyasztásának felel meg. Ráadásul a GPT-3 betanításával szemben a fejlettebb modellek, például a GPT-4 betanítása jelentősen több energiát igényelt: becslések szerint 50-szer többet, mint a GPT-3 esetében. 

 

Fotó: Freepik

Források:

How GenAI Is Reshaping Data Center Operations and Sustainability in 2025

Fast, scalable, clean, and cheap enough – How off-grid solar microgrids can power the AI race

Global data center demand to surge despite supply and power constraints – JLL

KAPCSOLÓDÓ: