Innen 2030 vil det trengs 500 milliarder dollar i årlige investeringer i AI-datasentre for å dekke etterspørselen etter datakraft, ifølge Bain som har produsert nok en teknologirapport om kraftbehovet og investeringene som trengs innen kunstig intelligens.
Globalt vil etterspørselen etter datakraft være på 200 gigawatt innen 2030, ifølge Bain.
For å finansiere investeringene på 500 milliarder dollar i AI-datasentre må selskapene til sammen ha årlige inntekter på 2 billioner dollar. Det virker imidlertid å være trivielt, for Bain anslår at inntektene til AI-selskapene vil ligge rundt 800 milliarder dollar under det målet når vi når 2030.
For eksempel forventer en av de største aktørene på området, OpenAI, at det ikke vil ha positiv kontantstrøm før i 2029, ifølge Bloomberg.
- AI-datasentre er en ny type datasentre som ikke bare lagrer data, men bearbeider den også. Det står i kontrast til de tradisjonelle datasentrene som i hovedsak har fungert som sentraler for datalagring.
- Bearbeidingen av data gjør blant annet at AI-sentrene krever enda mer avanserte datachiper, prosesseringskraft og strøm enn de tradisjonelle lagringssentrene.
- Funksjonen til AI-sentrene er å trene opp AI-modeller, ikke for å lagre data eller sørge for rask brukertilgang til internett for nordmenn.
- Det er AI-sentre som for tiden bygges ut i Norge i høyt volum. Blant annet bygger Aker et AI-senter i Narvik sammen med OpenAI og Nscale.
Stilles overfor dilemma
Estimatene på den skyhøye etterspørselen stiller utbyggerne av AI-datasentre overfor et dilemma, ifølge Bain.
Enten kan selskapene satse på at etterspørselen faktisk vokser og øke investeringene, eller så kan de satse på at etterspørselstrenden flater ut.
Nedsiden med å investere i fortsatt vekst, hvor selskapet tilfører ny datakraft til markedet samtidig som etterspørselen flater ut, er at de kan ende med å sitte fast med en «katastrofal» mengde ubrukt datakraft, skriver Bain.
Da sitter selskapene igjen med flere milliarder bundet opp i datasentre, maskinvare og kraftproduksjon som ikke genererer inntekter.
Har man i tillegg skyhøy gjeld og negativ inntjening, som AI-utbyggeren CoreWeave, bør varsellampene begynne å blinke.
På den andre siden risikerer selskaper som velger å holde tilbake på investeringene å sakke akterut fordi det ikke klarer å tilfredsstille etterspørselen etter datakraft, og tape markedsandeler.
Status i dag er at etterspørselen kan virke å være langt lavere enn tilbudet.
Et eksempel er AI-selskapet CoreWeave, som har for mye overskuddskapasitet på sine datasentre. Det gjør at Nvidia – som både sitter på eiersiden og selger sine datachipper til CoreWeave – må trå til og har lovet å kjøpe all overskuddskapasiteten fra CoreWeaves AI-sentre for opp til 6,3 milliarder dollar.
- Ble fremsatt i 1965 av fysiker og Intel-grunnlegger Gordon Moore.
- Loven viser til at antallet transistorer – altså datakraften – på de nyeste datachippene i gjennomsnitt dobles omtrent annethvert år. Altså, det blir flere, men mindre transistorer på et like stort areal.
- Transistorer er brytere som åpner og lukker elektriske kretser på databrikker. Når transistorer blir mindre er det ventet at kostnadene faller, i tillegg til at effektiviteten til en prosessor stiger.
Tenk på Moores lov som veksten i tilbudet av datakraft fra datasentre, mens den faktiske etterspørselen for datakraft til utviklingen av AI øker mer enn dobbelt så fort som veksten som estimeres av Moores lov.
Dersom en overfører utviklingen i datakraften i datachippene til bilteknologien ville en bil kunne kjøre i over 480.000 kilometer i timen, kjøre over tre millioner kilometer på tre liter drivstoff, og bilen vil koste kun 3 cent (cirka 30 øre).
- Moores lov har vært det definitivt mest utbredte målet på teknologisk fremgang.
Fire faktorer
Når det kommer til hva som vil styre veksten av AI trekker Bain frem fire faktorer:
Den første er at investeringene blir for dyre. Bain anslår som nevnt at det vil trenge årlige kapitalinvesteringer på 500 milliarder dollar, og at det vil behøve årlige inntekter på 2 billioner dollar, for å dekke etterspørselen.
I Bains best case-scenario hvor blant annet alle nye investeringer går til AI-sentre, havner man likevel 800 milliarder dollar bak investeringene som trengs for å møte etterspørselen i 2030.
For det andre kan en bedring av algoritmene effektivisere AI og senke behovet for datakraft. Her er den kinesiske konkurrenten til ChatGPT – DeepSeek – et ferskt eksempel, som «flytter grensene for effektiv bruk av datakraften gjennom et smartere algoritmisk design», ifølge Bain.
Den tredje faktoren er teknologiske gjennombrudd som for eksempel kvantedatamaskiner, som kan utfordre halvlederes dominans, og kutte behovet for både datakraft og energi i morgendagens systemer. Bain anslår imidlertid at vi er minst ti til femten år unna kvantemaskiner som er så stabile at de kan erstatte generativ AI.
Den fjerde og siste faktoren er mangel på innsatsfaktorer. Å bygge datasentre i et høyt nok tempo til å møte etterspørselen etter datakraft, kan begrenses av for lav tilgang på kraft og datachipper. Bain ser på krafttilgangen som den største utfordringen.
Sam Altman
