Wszystkie odpowiedzi, które otrzymasz od czatbota AI, zaczynają się od prądu elektrycznego. Słowa pojawiają się na twoim ekranie, ale faktyczna praca odbywa się w oddalonym budynku pełnym układów scalonych. Te układy pobierają energię, przesyłają dane i generują tyle ciepła, że centra danych AI potrzebują wydajnego chłodzenia.
Gdy pomnożysz ten proces przez miliony zapytań, żądań obrazów i zadań biznesowych, zaczynasz rozumieć, dlaczego szybka odpowiedź na pytanie, które wydaje się bezwagi, staje się fizycznym obciążeniem dla elektrowni i linii energetycznych.
Od przedsiębiorstw energetycznych wymaga się dostarczania tej zapotrzebowania w ogromnych, skupionych blokach. Przeciętny duży kampus centrum danych może zużywać tyle prądu co małe miasto, a firmy mogą planować i budować je znacznie szybciej, niż przedsiębiorstwo energetyczne jest w stanie to obsłużyć.
Przedsiębiorstwo energetyczne musi także przygotowywać się na godziny, gdy klienci używają najwięcej prądu, nawet jeśli część tej mocy pozostaje nieużywana w normalnych okresach. Krótko mówiąc, centra danych chcą prądu szybciej, niż sieć jest w stanie go dostarczyć.
Jednym ze sposobów jest budowa nowych elektrowni. Jednak jest to bardzo kosztowne i czasochłonne rozwiązanie, które może kosztować miliardy dolarów i trwać lata, zanim zostanie uruchomione.
Jednak innym rozwiązaniem jest przeniesienie części pracy komputerowej na inny czas.
Odpowiedź czatbota zwykle musi pojawić się natychmiast, ale wewnętrzny eksperyment czy kolejka przetwarzania wideo przez noc mogą poczekać. Oprogramowanie, które potrafi rozróżnić te sytuacje, mogłoby spowolnić pracę, która może czekać, gdy prąd jest deficytowy, a następnie doprowadzić ją do stanu normalnego, gdy więcej energii będzie dostępne.
Niewielki eksperyment w Teksasie pokazuje, jak takie rozwiązanie mogłoby wyglądać.
Luxor Energy, firma z korzeniami w wydobyciu Bitcoinu, połączyła siły z Bentaus, który tworzy oprogramowanie kontrolujące ilość prądu, jaki zużywają układy scalone. Wspólnie kontrolowali pojedynczą Nvidię B200, wysokowydajną kartę graficzną przeznaczoną do prac z AI.
Karta wykonowała wnioskowanie, co oznacza prostą wykorzystanie szkolenego modelu AI do wygenerowania odpowiedzi, gdy oprogramowanie nakazało jej pobierać mniej prądu.
Firmy twierdzą, że pobór mocy karty spadł do około 25% normalnego w ciągu pół sekundy i przetworzyła mniej zapytań podczas ograniczenia.
Ethan Vera, dyrektor operacyjny Luxor, powiedział CryptoSlate, że żadne zadanie nie zawiodło i żadna już rozpoczęta praca nie została utracona. Karta wróciła do pełnej mocy, gdy ograniczenie skończyło się.
Luxor i Bentaus powiedzieli, że ich publiczna demonstracja spowodowała „brak zakłóceń”, ale ta fraza wymaga pewnego tłumaczenia. Z perspektywy operatora, praca przetrwała i wznowiła się z pełną szybkością.
Jednak klienci mogli wciąż czekać dłużej na odpowiedź, ponieważ karta wykonała mniej pracy podczas ograniczenia. Każdy plan na u弹性ność AI będzie zależał od tego, jak często występuje taka zwłoka, kto ją odczuwa i co tym klientom zostało obiecane.
Eksperyment był sukcesem, ale dotyczył tylko jednej karty. Duże centra danych zawierają dziesiątki tysięcy kart, serwerów, systemów chłodzenia, urządzeń pamięci i sprzętu sieciowego.
Ten test ułatwia zobaczenie szerszej idei: centrum danych AI mogłoby sortować zadania według priorytetu i czasami prosić sieć o mniej energii.
Teksas brakuje mocy, by zasilić komputery czekające
Najlepszym przykładem tego, co się dzieje, gdy nowe centra danych pojawiają się szybciej niż nowa infrastruktura energetyczna, jest Teksas.
Elektryczna Rada Niezawodności Teksasu (ERCOT) zarządza siecią, która obsługuje większość stanu. 22 lipca zużycie prądu osiągnęło wstępny rekord 91 089 megawatów, liczba ta jest nieoficjalna, dopóki dane nie zostaną sfinalizowane.
ERCOT mówi, że jeden megawat może obsługiwać około 250 klientów domowych w godzinie szczytu. Według tej orientacyjnej porównywarki rekord odpowiadał potrzebom ponad 22 milionów klientów domowych jednocześnie.
Guvernator Greg Abbott powiedział w sierpniu, że ERCOT przegląda prośby o podłączenie ponad 474 gigawatów nowego zużycia prądu, z których około 90% pochodzi z centrów danych. Jeden gigawat równa się 1000 megawatów, więc na papierze ta kolejka żąda ponad pięciokrotności mocy zużytej w godzinie rekordowej ERCOT.
Abbott nakazał regulatorom sprawdzić projekty przed ich realizacją.
W wstępnej analizie z 28 lipca ERCOT ustalił, że około 205 gigawatów miało wystarczające badania wsparcia, aby zostać uwzględnionymi w pierwszej partii badań, czyli mniej niż połowa z 474 gigawatów. Audit Abbotta przerwał tę analizę.
Regulatorzy dali ERCOT więcej czasu 20 sierpnia, a agencja powiedziała, że wyśle decyzje o warunkowej kwalifikacji do 31 sierpnia. Deweloperzy mogą składać propozycje z pokrywającymi się terminami, zatrzymywać miejsca dla projektów, które nigdy nie uzyskają finansowania, lub prosić o dostarczenie prądu do jednego kampusu z kilku lokalizacji.
Teksas prowadzi audyt częściowo dlatego, że lista stała się zbyt oderwana od możliwości fizycznych, by samodzielnie kierować planowaniem sieci.
Ale nawet z tym zastrzeżeniem, 474 gigawaty pokazują pośpiech o tereny z dostępem do dużej ilości prądu. Zaproponowanych maszyn jest znacznie więcej niż drutów gotowych do ich obsługi.
Aktualizacja Lawrence Berkeley National Laboratory opublikowana w tym roku szacuje, że centra danych mogą zużywać 11,8% prądu w USA w 2030 roku. Najniższy szacunek to 9,5%, najwyższy – 15,3%. Międzynarodowa Agencja Energii oczekuje, że centra danych będą odpowiadać za około połowę wzrostu zużycia prądu w USA do końca dekady.
Ale nawet przy takim zapotrzebowaniu, linie przesyłowe w zaawansowanych gospodarkach mogą trwać od czterech do ośmiu lat. Agencja mówi, że oczekiwanie na sprzęt niezbędny, w tym transformatory i kable, podwoiło się w ciągu ostatnich trzech lat.
Spółki AI zwykle rozmawiają o chipach, ale systemy elektryczne muszą myśleć w kategoriach miast. Pojedyncza B200 może pobierać nawet 1000 watów. Nvidia wymienia maksymalne zużycie energii około 14,3 kilowatów dla pełnego serwera DGX B200 z ośmioma GPU. Jeden megawat równa się 1000 kilowatów, a nowe przepisy Teksasu dla dużych użytkowników prądu zaczynają się od 75 megawatów.
Według porównania z klientami domowymi ERCOT, ta ilość mogłaby obsługiwać około 18 750 klientów w godzinie szczytu. Mogłaby też zasilać 75 000 GPU o mocy 1 kilowat, przynajmniej przed dodaniem procesorów, chłodzenia, sieci, baterii i strat prądowych.
Zatem nauka kontroli i ograniczenia zużycia energii jednego z tych chipów jest pierwszym z wielu, wielu kroków ku zrozumieniu zarządzania zużyciem prądu w całym centrum danych.
Sam kompleksowość tego przedsięwzięcia, zarówno w oprogramowaniu, jak i sprzęcie, sprawia, że planiści sieci traktują centra danych jako „stałe obciążenia”, co oznacza, że prąd musi być dostępny, gdy tylko zapytają.
Operatorzy centrów danych chcą, by drogie GPU działały ciągle, ponieważ każda wolna minuta opóźnia pracę, za którą płacą klienci. Tysiące kart działających nad jednym dużym zadaniem AI są ściśle ze sobą powiązane.
W pewnych momentach jedna grupa może musieć czekać na drugą, by móc kontynuować. Jeśli spowolnisz wybraną grupę, opóźnienie może rozprzestrzenić się na pobliskie maszyny.
Ale nie wszystkie obliczenia w centrum danych muszą odbywać się natychmiast albo działać na pełnej mocy. Niektóre zadania są czasowe, inne można opóźnić lub wykonywać wolniej bez większych konsekwencji. Niektóre nawet można przenieść do innego centrum danych, gdzie prąd jest łatwiej dostępny.
Każdy wybór wiąże się z kompromisami, ale każdy może zmniejszyć zapotrzebowanie centrum danych na prąd z lokalnej sieci w danym momencie.
Majsterkowicze Bitcoinowi nauczyli komputery, jak ustępować
Precedens pochodzi z wydobycia Bitcoinu na sieci Teksasu. Majsterkowicze Bitcoinowi rywalizują o nagrody, uruchamiając maszyny, które wykonują obliczenia ciągle. Gdy maszyna się wyłącza, majsterkowicz traci możliwość zarobku za ten okres.
Ale gdy prąd wraca, maszyna może wznowić pracę niemal natychmiast. Żaden klient nie czeka na odpowiedź, a żadne niedokończone zadanie komputerowe nie musi być zachowane.
Teksas zrozumiał, że podstawową ideą jest reagowanie na zapotrzebowanie: gdy prąd staje się deficytowy i drogi, wielcy użytkownicy mają powód, by zużywać go mniej.
Majsterkowicze Bitcoinowi byli wyjątkowo dobrze przystosowani do tej umowy. Mogli wyłączyć się, gdy ceny hurtowe rosły, dostawać wynagrodzenie za redukcję prądu w czasie awaryjnym i obniżać opłaty za transmisję, unikając kilku krytycznych letnich godzin.
Analiza ERCOT z kwietnia opisała kryptomajsterkowiczów jako głównych uczestników czujnych na ceny w jednym z programów awaryjnych. Dla majsterkowicza rachunek jest prosty: gdy megawat staje się bardziej wartościowy niż Bitcoin, który maszyny mogą zarobić, należy wyłączyć maszyny.
Obciążenie wydobycia Bitcoinu pozostaje blisko pełnej mocy, gdy prąd jest tani, a potem spada, gdy ceny przekraczają próg redukcji. Wyższa cena hasha przesuwa ten próg w górę. Źródło: Subir Majumder, na podstawie danych ERCOT
Luxor dostarcza majsterkowiczom Bitcoinu oprogramowanie, usługi energetyczne i produkty finansowe, więc podszedł do AI z instynktem do obliczeń, które można przerwać. Eksperyment pyta, czy maszyny obsługujące klientów mogą przejąć część posłuszeństwa majsterkowiczów względem cen prądu.
To pytanie staje się coraz bardziej palące, gdy majsterkowicze konwertują silne na prąd obiekty na kampusy AI. Jeśli sieć zamienia wydobycie Bitcoinu, które można wyłączyć na rozkaz, na centrum danych działające non stop, może rezygnować z cennego hamulca awaryjnego.
To, jak elastyczne może być centrum danych, zależy mocno od tego, co jego maszyny robią.
Szkolenie to długi, intensywny proces uczenia modelu, wielokrotnie dostosowując go podczas pracy nad olbrzymimi ilościami danych. Wniosek to to, co następuje później, gdy ktoś prosi gotowy model o odpowiedź, obraz, tłumaczenie czy przewidywanie. Te dwie rzeczy otwierają różne możliwości redukcji prądu.
Długie szkolenie czasami może zatrzymać się na zapisanym punkcie kontrolnym i wznowić później, choć synchroniczne zatrzymanie tysięcy maszyn nie jest banalne. Wniosek może składać się z milionów mniejszych zapytań, niektóre od ludzi oczekujących odpowiedzi natychmiast, inne od automatycznych zadań, które mogą czekać w kolejce, aż prąd będzie łatwiejszy lub tańszy.
Google już od lat sortuje swoje obliczenia w ten sposób. W 2023 roku firma opisała, jak mogła opóźniać prace, takie jak przetwarzanie filmów YouTube, gdy lokalna sieć była obciążona, lub przesłać te prace do innego regionu z większą ilością prądu. Wyszukiwarka, Mapy i inne usługi, których ludzie oczekują, pozostały online.
Później Google przeniósł tę samą ideę na obciążenia uczenia maszynowego. Do marca 2026 roku powiedział, że miał gigawat reakcji zapotrzebowania centrum danych w długoterminowych umowach z usługami w kilku regionach Stanów Zjednoczonych.
Część tych umów mogłaby również pomóc nowym centrów danych szybciej podłączyć się do sieci.
Naukowcy pokazują teraz, że to może działać poza symulacjami. W recenzowanym artykule Nature Energy, zespół opisał eksperyment w instalacji Oracle Cloud w Phoenix. Oprogramowanie zmniejszyło zużycie prądu klasteru 256 GPU o 25% na trzy godziny bez przesunięcia priorytetowych zadań poza obiecany poziom wydajności.
Kluczowym było decydowanie, gdzie absorbować spowolnienie. Oprogramowanie, które decyduje, jakie zadania i kiedy wykonywać, zwane schedulernikiem, chroniło pilne prace i czerpało oszczędności z zadań z łagodniejszymi terminami.
Obciążenie wydobycia Bitcoinu spada, gdy rośnie prawdopodobieństwo interwału 4CP. Reakcja słabnie, gdy dochody z wydobycia są wyższe. Źródło: Subir Majumder, na podstawie danych ERCOT
Emerald AI, firma, która poprowadziła tę pracę, ogłosiła $150 milionów finansowania w rundzie A 25 sierpnia, co wyceniło ją na ponad miliard dolarów. Powiedziała też, że jej oprogramowanie działa komercyjnie w całych centrach danych, pobierając wiele megawatów.
Nie ma dostępnych niezależnych danych o wydajności każdego obiektu, ale nawet tak, finansowanie pokazuje, że elastyczna AI przeszła poza artykuły naukowe i weszła w świat komercyjny.
Inni naukowcy próbowali oszacować, ile prądu instalacja AI może pewnie zrezygnować w trudnej godzinie.
Pracowniczy dokument Uniwersytetu Chicago wykorzystał cztery lata cen prądu i 49,4 miliona realnych zapytań wnioskowych, by modelować odpowiedź. Autor oszacował, że instalacja skupiona na wnioskowaniu może zobowiązać się do zmniejszenia zapotrzebowania o 40%. Instalacja wykonująca mieszankę wnioskowania i szkolenia może zobowiązać się do 24,6%.
Te procenty spadły niewiele, gdy model rozszerzono do floty 10-gigawatowej. Głównymi ograniczeniami były kontrakty z klientami, ograniczenia dotyczące przenoszenia pracy i pośpiech maszyn, które wracają do pełnej mocy.
Naukowcy z Uniwersytetu Alberta modelowali, co się dzieje z siecią, gdy prace AI mogą być opóźniane lub przenoszone między centrów danych. W najbardziej obciążonym scenariuszu modelu ta elastyczność zmniejszyła potrzebną moc elektrowni o ponad 21%. W innym scenariuszu, gdy lokalna sieć była obciążona, zmniejszyła całkowite koszty dostawy prądu o 3,5%, mimo że wydatki na nowe generatory wzrosły o 7,1%.
Większość korzyści z opóźniania zadań pojawiła się w pierwszych trzech godzinach, więc dłuższe czekanie nie pomogło zbytnio. Chociaż nic z tego nie wyeliminowało potrzeby budowy nowych elektrowni i linii przesyłowych, pokazało, że sieć może spełnić większe zapotrzebowanie na AI z mniejszą infrastrukturą i niższymi ogólnymi kosztami.
Cztery ukryte momenty mogą determinować cenę całego roku
Pieniądze za eksperyment Luxor pochodzą z nietypowej cechy rynku prądu w Teksasie. Duży klienci pomagają płacić za sieć wysokiego napięcia, a część tej faktury może zależeć od tego, ile prądu zużywają w ciągu tylko czterech 15-minutowych okien w ciągu roku.
Ta cztery okna to momenty najwyższego zapotrzebowania systemowego w czerwcu, lipcu, sierpniu i wrześniu, znane jako Cztery Szczyty Zbieżne, czyli 4CP.
Chodzi o to, że nikt nie wie dokładnie, kiedy 4CP się odbywa, dopóki miesiąc nie dobiegnie końca. Dlatego wielcy użytkownicy prądu wynajmują prognozistów, którzy śledzą sieć, pogodę i zapotrzebowanie na prąd oraz przewidują, kiedy szczyt jest prawdopodobny.
Jeśli szanse wyglądają na wystarczające, redukują zużycie prądu w tym 15-minutowym oknie. Jeśli trafisz często, oszczędności na opłatach za transmisję mogą być znaczne. To przekształciło 4CP w cykliczną grę przewidywania i redukcji prądu dla fabryk, wydobycia Bitcoinu, baterii, a teraz, być może, centrów danych AI.
Taki potencjalny zysk sprawia, że wiele fałszywych alarmów warto tolerować. Najnowsze liczby PUCT z 2026 roku oceniają koszty transmisji ERCOT na około 6 miliardów dolarów, rozłożonych na przeciętne zapotrzebowanie 4CP wynoszące 80 859,8 megawatów.
To daje około 74,89 dolara na kilowat na rok. W takim tempie 100 megawatów zapotrzebowania w czterech oknach szczytowych to około 7,49 miliona dolarów rocznych kosztów transmisji.
Choć faktyczny rachunek różni się w zależności od obszaru działania przedsiębiorstwa i kontraktu, zachęta finansowa tu jest dosyć oczywista. Duże centrum danych może mieć miliony dolarów w grze na jedną godzinę zużycia prądu rozłożoną na cały lato. Redukcja prądu na kilka dodatkowych godzin, by złapać tę godzinę, może być bardzo dobrym handlem.
Obciążenie wydobycia Bitcoinu spada, gdy rośnie prawdopodobieństwo interwału 4CP. Reakcja słabnie, gdy dochody z wydobycia są wyższe. Źródło: Subir Majumder, na podstawie danych ERCOT
Luxor postanowił ograniczyć sam GPU, używając aktualnych danych sieci, by zdecydować, kiedy działać. Vera powiedział, że firma czekała na oznaki, że może formować się okno 4CP, a następnie wysłała własny komunikat do karty. ERCOT nigdy nie nakazał GPU spowolnienia, ani nie angażował się w żaden awaryjny program sieci.
Było to w zasadzie prywatne zakładanie, kiedy zapotrzebowanie na prąd osiągnie szczyt, mające na celu obniżenie rachunku transmisji obiektu. ERCOT klasyfikuje tę samodzielną redukcję 4CP osobno od programów reagowania na zapotrzebowanie, które prowadzi.
To też stawia półsekundowy czas reakcji w perspektywie. Okno 4CP trwa 15 minut, więc czy GPU osiągnie niższy poziom mocy w pół sekundy czy kilka sekund, prawie nie ma znaczenia dla oszczędności transmisji.
Program awaryjny ERCOT zwykle daje uczestniczącym klientom 10 lub 30 minut na dostarczenie obniżonego zapotrzebowania, które obiecali. Niektóre inne usługi sieciowe działają szybciej, wymagając od klientów natychmiastowego rozpoczęcia redukcji i osiągnięcia pełnej redukcji w ciągu 10 minut.
Jeśli sprzęt AI w końcu weźmie udział w tych rynkach, kontrola poniżej sekundy może stać się bardziej przydatna. Dla Luxor, każda dodatkowa sekunda, w której GPU jest ograniczony, to sekunda, którą mógłby wykorzystać do zarabiania pieniędzy na obliczeniach.
Bentaus już wcześniej testował tę samą podstawową ideę na większą skalę. W lutym CPower, Bentaus i Supermicro opisali kalifornijską demonstrację z użyciem klasteru serwerów wyposażonych w GPU B200.
Firmy powiedziały, że klaster odpowiedział na sygnał związany z rynkiem hurtowym prądu stanu w mniej niż 20 milisekund i zmniejszył zużycie prądu nawet o 75%, jednocześnie spełniając obiecane poziomy wydajności.
Eksperyment w Teksasie jest mniejszy i dużo bardziej ograniczony: jeden GPU reagujący na specyficzną zachętę do opłaty za transmisję. Ale dodaje kolejny test w realnym świecie do idei, która już przeszła od pojedynczych chipów do klasterów serwerów i programów usługowych.
Wciąż istnieją ważne luki w naszej wiedzy o teksaskim teście. Firmy nie ujawniły, jaki model AI był uruchomiony ani jak długo GPU pozostawał na obniżonej mocy. Nie powiedziały, ile prądu zużywał wcześniej, jak bardzo spadła jego wydajność obliczeniowa, ani jak długo trwały zapytania.
Przedstawiciel Luxor na rynku prądu w Teksasie potwierdził redukcję mocy, ale nie opublikowano niezależnej analizy testu.
Test pokazał, że jeden B200 wykonujący obciążenie wnioskowania może zaliczyć głęboką redukcję mocy bez utraty pracy już w toku. Nie jest pewne, co to zrobiło z czasem oczekiwania użytkowników, czy inne obciążenia wnioskowania czy szkolenia odpowiedzą tak samo, czy ile prądu technika może zaoszczędzić w całym centrum danych.
GPU to tylko jedna część rachunku za prąd budynku. Systemy chłodzenia, sprzęt sieciowy, pamięć, pompy i przetwarzanie prądu także zużywają energię. Więc zmniejszenie mocy chipa o 75% nie oznacza, że centrum danych pobiera o 75% mniej prądu z sieci.
Redukcja zmierzona przy liczniku budynku może być znacznie mniejsza.
Luxor już przygotowuje swój następny test, tym razem z grupą GPU Nvidia H100 w Teksasie. Vera powiedział, że rozwijanie oznacza budowanie oprogramowania, które potrafi określić, które zadania mogą bezpiecznie spowolnić, a następnie koordynować maszyny pracujące nad nimi. Musi też respektować obiecane przez klientów wydajności.
Coś w każdym skoku, od jednego GPU do serwera, racka, aż do całego centrum danych, dodaje kolejny warstwę złożoności. Więcej sprzętu pobiera prąd, więcej maszyn musi działać razem, a więcej obciążeń klientów może tolerować spowolnienie lub nie.
Teksas zaczyna wymagać części tej elastyczności. Ustawa Senatu 6, przyjęta w 2025 roku, wymaga od niektórych dużych użytkowników prądu, którzy podłączają się od 2026 roku, by redukować zużycie w czasie poważnych awarii sieci. Wymaga też programu, który płaciłby obiektom używającym co najmniej 75 megawatów, by zmniejszać zapotrzebowanie w przypadku oczekiwanych problemów.
W tym samym czasie stan także przemyśla 4CP. Jego cztery letnie szczyty mogą pomijać wieczorne i zimowe godziny, gdy sieć jest bardziej obciążona. Regulatorzy zaproponowali zastąpienie go 12CP, który bazowałby na jednym 30-minutowym szczycie każdego miesiąca.
ERCOT doszedł do podobnego wniosku w kwietniowej analizie: Teksas ma dużo reagowania na zapotrzebowanie, ale nie zawsze pojawia się wtedy, gdy sieć najbardziej tego potrzebuje. 4CP napędza większość tych redukcji prądu, ale jego letnie szczyty mogą pomijać godziny, gdy zapotrzebowanie jest wysokie, a produkcja wiatrowa i słoneczna niska.
ERCOT powiedział, że ten rozdźwięk jest problemem. Nowe elektrownie i linie przesyłowe trwają lata, ale elastyczne zapotrzebowanie można dodać w miesiącach. Teraz wyzwaniem jest upewnienie się, że ta elastyczność pojawia się w odpowiednim czasie.
Najtrudniejszą częścią jest udowodnienie, że centrum danych może pewnie redukować prąd. Jeśli sieć liczy, że 50 megawatów zniknie, musi wiedzieć, ile obiekt użyłby inaczej, a następnie zweryfikować redukcję na podstawie danych z liczników.
Trzeba też wiedzieć, jak długo redukcja może trwać i co się dzieje, gdy GPU wracają do pełnej mocy. Wprowadź tysiące z nich naraz, a centrum danych może stworzyć nowy szczyt prądu.
To sprawia, że kontrakty z klientami są niezbędną, ale pominiętą częścią równania. Centrum danych mogłoby utrzymać interaktywne i bezpieczne zadania w normalnym trybie, przenosząc prace takie jak wewnętrzne eksperymenty, indeksowanie czy przetwarzanie w nocy do elastycznego poziomu.
Klienci mogliby płacić mniej za tę elastyczność, a sieć płaciłaby centrum danych za dostarczenie przewidywalnej, mierzalnej redukcji prądu w razie potrzeby.
To sprawiłoby, że jedna rzecz dotycząca AI stałaby się nie do zignorowania: nie każde obliczenie jest równie pilne. Branża już sortuje prace według ceny, szybkości i kosztu obliczeń, więc prąd mógłby stać się kolejną zmienną w tym rachunku.
Gdy sieć staje się napięta, jeden obraz może trwać dłużej do renderowania albo szkolenie może przesunąć się na jutro, podczas gdy inne usługi nadal działają. Zamiast traktować każdy cykl GPU jako równie ważny, centra danych mogłyby zacząć różnicować, co musi się dziać teraz, a co może poczekać.
Półsekundowa redukcja prądu Luxor była łatwą częścią. Zrobienie tego na tysiącach GPU, bez złamania obietnic klientom i przy dostarczaniu megawatów, na które sieć naprawdę może liczyć, będzie znacznie trudniejsze.
Ale to też jest miejsce, gdzie idea staje się interesująca, bo AI ma problem z mocą, a sieć z elastycznością, a centra danych znajdują się akurat w środku. Są pełne maszyn wykonujących prace, które czasami mogą przesuwać się w ciągu sekund, minut czy godzin bez, by ktoś to zauważył.
Jeśli operatorzy mogą przekształcić tę elastyczność w pewne oszczędności prądu, ogromne zapotrzebowanie AI na prąd mogłoby stać się czymś, z czym sieć naprawdę może sobie poradzić. To mogłoby sprawić, że kolejny etap budowy AI będzie tak samo o wykorzystaniu prądu w odpowiednim czasie, jak o znalezieniu jego wystarczającej ilości na początku.
Artykuł Centra danych AI uczą się triku z prądem, którego pierwsi opanowali majsterkowicze Bitcoinowi pojawił się po raz pierwszy na CryptoSlate.