AI jako nowe wyzwanie dla energetyki
Podczas wiosennego sympozjum MIT Energy Initiative (MITEI), które odbyło się 13 maja 2025 roku, przedstawiono rosnące zagrożenie dla sieci elektroenergetycznych wynikające z ekspansji centrów danych napędzanych sztuczną inteligencją. Dyrektor MITEI, William H. Green, mówił o „gigantycznej zmianie” w gospodarce, którą może przynieść AI, wskazując jednocześnie na konieczność znalezienia równowagi między korzyściami a zagrożeniami.
Obecnie centra obliczeniowe zużywają około 4% energii elektrycznej w USA. Prognozy zakładają, iż do 2030 roku udział ten może wzrosnąć do 12-15%, głównie za sprawą AI. Vijay Gadepally z MIT Lincoln Lab podkreślił, iż „moc potrzebna do utrzymania dużych modeli AI podwaja się niemal co trzy miesiące”.
Nowe potrzeby, nowe rozwiązania
W odpowiedzi na wyzwania, Evelyn Wang, wiceprezes MIT ds. energii i klimatu, wskazała, iż technologie opracowane z myślą o AI – w tym systemy chłodzenia i rozwiązania poprawiające efektywność – mogą znaleźć zastosowanie także poza centrami danych.
Paneliści wskazywali również na regionalne różnice kosztów zasilania takich obiektów czystą energią. Emre Gençer z Sesame Sustainability stwierdził, iż centralne obszary USA mają przewagę dzięki synergii energii słonecznej i wiatrowej, ale osiągnięcie zerowej emisji wymagałoby zastosowania technologii magazynowania energii na dużą skalę, co istotnie zwiększyłoby koszty.
Powrót do energii jądrowej
Zwiększony popyt na niezawodne i bezemisyjne źródła energii sprawia, iż branża energetyczna ponownie interesuje się atomem. Kathryn Biegel z Constellation Energy poinformowała, iż firma uruchamia ponownie reaktor na terenie dawnej elektrowni Three Mile Island, aby zaspokoić potrzeby centrów danych. „To dla nas w tej chwili priorytet” – powiedziała.
Źródło: MITEIAI jako wsparcie transformacji energetycznej
Eksperci zgodzili się, iż sztuczna inteligencja może też wspierać systemy energetyczne. Priya Donti z MIT pokazała, jak AI może znacząco przyspieszyć optymalizację sieci elektroenergetycznych, integrując fizyczne ograniczenia w modelach opartych na sieciach neuronowych.
Z kolei Google podzielił się sukcesami swojej technologii wyznaczania tras w Google Maps, która według Antonia Gawel przyczyniła się do redukcji 2,9 mln ton emisji gazów cieplarnianych – to tyle, ile emituje 650000 samochodów rocznie. AI pomaga także w unikaniu powstawania smug kondensacyjnych przez samoloty, które mają ok. 1% udział w globalnym ociepleniu.
Efektywność i ograniczenia
Dustin Demetriou z IBM zwrócił uwagę, iż 80% śladu środowiskowego AI pochodzi z procesów inferencyjnych, a nie treningowych. Ograniczenie tego wpływu wymaga optymalizacji całego cyklu życia aplikacji AI.
Emma Strubell z Carnegie Mellon przestrzegła przed efektem paradoksu Jevonsa – wzrostem zużycia zasobów pomimo zwiększenia efektywności. Jej zdaniem energia dla centrów danych powinna być traktowana jako zasób ograniczony, a jej przydział musi być przemyślany.
MIT w centrum rozwiązania
MIT uruchamia nowy program badawczy dotyczący centrów danych, zasilania i obliczeń, który ma objąć pełne spektrum wyzwań – od źródeł energii po algorytmy. Badania mają objąć także rozwój materiałów wykorzystywanych w energetyce i technologiach AI.
Uczestnicy sympozjum uznali integrację centrów danych z sieciami elektroenergetycznymi za najważniejszy priorytet badawczy dla MIT. AI jako narzędzie przyspieszające odkrywanie nowych materiałów uplasowało się na drugim miejscu.
Mimo licznych obaw, większość uczestników uznała AI za „obietnicę” w kontekście energetyki, choć część pozostaje niepewna co do ostatecznego bilansu zysków i strat. Prawie połowa respondentów wskazała, iż ich głównym priorytetem przy zasilaniu centrów danych jest niska emisja dwutlenku węgla, a następnie niezawodność i koszty.
Zobacz również:- MIT Energy Conference 2025: liderzy branży energetycznej o przyszłości OZE, roli AI i konieczności modernizacji sieci przesyłowych
- BiofuelAI z Uniwersytetu Surrey może zgarnąć 1 mln funtów. Co potrafi ich AI?
- Sztuczna inteligencja w służbie energetyki. Pierwsze modele GenAI od EPRI
Źródło: MIT Energy Initiative
