Najbitnije stavke (Sažetak za brzo čitanje)
-
Infrastrukturni zid: Glavni izazov za razvoj veštačke inteligencije seli se sa softvera i čipova na energetsku mrežu. Danas je ključ uspeha obezbeđivanje stabilnog i masovnog izvora struje.
-
Dramatičan skok potrošnje: Procene Međunarodne agencije za energiju (IEA) pokazuju da bi potrošnja struje u data centrima mogla da poraste sa oko 415 TWh u 2024. na približno 945 TWh do 2030. godine, gde je AI glavni pokretač.
-
Skriveni potrošač (Inferencija): Dok trening modela privlači najviše medijske pažnje, svakodnevno korišćenje AI modela (inferencija) zapravo odnosi između 80% i 90% ukupne AI energetske potrošnje.
-
Fleksibilnost kao spas: Fleksibilni data centri mogu dinamički prilagođavati svoju potrošnju trenutnom stanju na elektroenergetskoj mreži, odlažući manje hitne zadatke za periode niske opterećenosti sistema.
Veštačka inteligencija se godinama posmatrala isključivo kroz prizmu naprednih algoritama, moćnih čipova i milijarderskih investicija. Međutim, kako AI sistemi postaju sve kompleksniji i masovniji u svakodnevnoj upotrebi, postaje kristalno jasno da se težište problema pomera sa softvera na fizičku infrastrukturu. Danas više nije dovoljno imati vrhunski matematički model i obezbeđene grafičke procesore (GPU) – ključni izazov postao je kako obezbediti ogromne količine električne energije, stabilan priključak na prenosni sistem i kapacitet koji može da prati eksponencijalni rast potražnje.
Zbog toga električna energija postaje eliminatorni faktor koji diktira tempo daljeg širenja AI revolucije. U praksi, tehnološki giganti više ne biraju lokacije za svoje nove data centre primarno po brzini mrežnog odziva, blizini optičkih kablova ili ceni zemljišta. Glavni kriterijum postao je gde je moguće dobiti slobodne megavate i koliko godina će se čekati na zvanično priključenje na elektroenergetsku mrežu.
Zašto struja postaje važnija od samih čipova
Tokom prvog velikog talasa AI ekspanzije, fokus industrije bio je na nabavci deficitarnih GPU čipova, širenju klaud kapaciteta i prikupljanju kapitala. To je bilo logično jer bez brutalne snage hardvera nije bilo moguće trenirati velike jezičke modele. Ipak, kako je tržište sazrevalo, pokazalo se da silicijum nije jedino i najveće ograničenje. Čak i kada kompanija ima neograničen budžet i obezbeđene najnovije čipove, ostaje ključno pitanje – da li lokalna energetska mreža može fizički da isporuči struju za rad tog sistema u punom kapacitetu?
Ovaj problem je odavno napustio domen teorije. Investicije u AI data centre rastu znatno brže nego što elektroenergetski sistemi mogu fizički da se prošire, modernizuju i prilagode. Raskorak je strukturalne prirode: savremeni AI objekat može se isplanirati i izgraditi za dve do tri godine, dok izgradnja novih dalekovoda, trafostanica i dobijanje dozvola za priključenje na mrežu u pojedinim regionima traje između četiri i deset godina.
Brojke koje brinu: Potrošnja raste brže nego ikada pre
Rast potrošnje električne energije u data centrima više nije marginalna ekološka tema, već prvorazredno pitanje nacionalne strateške infrastrukture.
Ekonomski analitičari, Evropska komisija i Evropska centralna banka (ECB), oslanjajući se na zvanične procene Međunarodne agencije za energiju (IEA), ukazuju na sledeće projekcije:
[Mesečna potrošnja data centara]
2024. godina: 415 TWh ──────> [Rast pod uticajem AI] ──────> 2030. godina: 945 TWh
To znači da će do kraja decenije data centri trošiti više nego dvostruko više struje nego danas. Dodatno, dugoročne analize agencije DNV procenjuju da će upravo AI trening i proces inferencije postati apsolutno dominantni izvori potrošnje u IT sektoru. Do 2060. godine, čak oko 80% celokupne električne energije potrošene u data centrima biće direktno povezano sa AI operacijama.
Inferencija iz korena menja energetsku računicu
Kada se u javnosti govori o energetskom otisku veštačke inteligencije, prva asocijacija je obično višemesečni proces treniranja velikih modela. Međutim, dugoročno posmatrano, znatno veći problem za energetski sistem predstavlja inferencija (inference) – faza u kojoj se već istrenirani model koristi u realnom vremenu za odgovaranje na upite korisnika, generisanje slika, kodiranje ili obradu poslovnih zahteva.
Za razliku od treninga koji se obavlja periodično, faza inferencije traje neprekidno, svake sekunde, kroz milione pojedinačnih zahteva širom sveta.
Relevantni industrijski izvori navode da faza inferencije odnosi između 80% i 90% ukupnog AI računarstva. Taj udeo se dodatno povećava sa širenjem multimodalnih modela koji troše drastično više resursa po svakom pojedinačnom upitu. To praktično znači da svako povećanje broja aktivnih AI agenata, chatbot asistenta i automatizovanih poslovnih procesa direktno podiže cenu svakodnevnog funkcionisanja elektroenergetskog sistema.
Gde nastaje stvarno usko grlo na mreži
Suština problema nije samo u sirovoj količini struje koju AI zahteva, već u specifičnom profilu te potrošnje. Elektroenergetski sistemi su projektovani za predvidiva i postepena opterećenja, dok AI data centri kombinuju:
-
Izuzetno visoku gustinu snage po kvadratnom metru pogona,
-
Munjevite, ekstremne skokove u opterećenju u zavisnosti od aktivnosti korisnika,
-
Nultu toleranciju na mikro-prekide u napajanju (high availability).
Zbog toga su ovi objekti neuporedivo zahtevniji za planiranje i integraciju od tradicionalnih klaud centara za skladištenje podataka. Operateri prenosnih sistema više ne mogu da posmatraju data centre kao izolovane potrošače, već moraju da analiziraju kaskadne efekte čitavih klastera ovih objekata na stabilnost mreže. Ako se više velikih AI postrojenja locira u istom geografskom regionu, pritisak na prenosnu i distributivnu mrežu postaje ozbiljan sistemski rizik.
Mogu li fleksibilni data centri da spreče energetski kolaps?
Jedan od najperspektivnijih odgovora na ovo infrastrukturno usko grlo jeste koncept fleksibilnih data centara. Ideja je da ovi objekti prestanu da budu samo pasivni, agresivni potrošači energije i da postanu aktivni, pametni učesnici u balansiranju elektroenergetskog sistema. To podrazumeva sposobnost data centra da dinamički prilagođava svoju potrošnju u zavisnosti od trenutnog opterećenja mreže u državi.
[Visok pritisak na mrežu] ──> [Data centar odlaže trening modele] ──> [Mreža ostaje stabilna]
Ovakav pristup donosi višestruku korist: elektroenergetska mreža dobija neophodnu stabilnost, operateri uspešno rešavaju kritične pikove potrošnje, a data centri znatno brže i lakše dobijaju dozvole za priključenje jer dokazuju da mogu raditi u kontrolisanom i predvidivom režimu. Istraživanja potvrđuju da AI data centri, zbog prirode svog posla, mogu ponuditi visok nivo fleksibilnosti u potrošnji, što ih pretvara u partnere i stabilizatore energetskog sistema, a ne u njegov teret.
Šta fleksibilnost podrazumeva u svakodnevnoj praksi
Fleksibilnost ne znači da će AI sistemi biti potpuno isključeni onog trenutka kada građani upale klima-uređaje ili grejanje. Realan operativni model podrazumeva softversko upravljanje prioritetima u realnom vremenu:
-
Kritične operacije ostaju aktivne: Korisnički upiti, hitne medicinske analize i bezbednosni AI sistemi rade bez sekunde zastoja.
-
Odlaganje operacija (Batch processing): Manje hitni zadaci, poput višemesečnog treninga novih verzija modela ili obrade velikih bazičnih podataka, automatski se pomeraju u noćne sate kada na mreži postoji višak energije.
-
Geografsko premeštanje opterećenja: Veliki klaud provajderi mogu softverski da preusmere računarske zadatke u data centre koji se nalaze u vremenskim zonama gde je potrošnja struje trenutno na minimumu.
Dodatno, moderni fleksibilni data centri uveliko integrišu masovne sisteme industrijskih baterija, lokalne izvore obnovljive energije (poput solarnih panela na krovovima objekata) i napredne softverske platforme za prediktivno upravljanje energijom.
Lokacija kao prvorazredno strateško pitanje
U novoj fazi razvoja veštačke inteligencije, analiza lokacije za investiciju dobija potpuno novu dimenziju. Više nije dovoljno obezbediti ravan plac i optički kabl. Danas investitori moraju detaljno da analiziraju:
-
Koliki je stepen zasićenosti lokalne energetske mreže,
-
Koliko se tačno čeka u redovima za dobijanje energetske saglasnosti,
-
Kakvo je stanje prenosne infrastrukture i da li u blizini postoje nedovoljno iskorišćeni energetski kapaciteti (poput starih industrijskih zona).
Hiperskejleri (hyperscalers) i developeri moraju energetsku realnost da uvrste na prvo mesto svoje čekliste. Pitanje napajanja i priključka više se ne može rešavati usput, tokom gradnje – ono je postalo eliminatorna tačka projekta. Ko to zanemari, rizikuje da izgradi višemilionski objekat sa najmodernijim čipovima koji će godinama stajati prazan jer nema odakle da povuče struju.
Neophodnost bliske saradnje AI sektora i energetike
Jedna od ključnih poruka savremenih infrastrukturnih analiza jeste da se IT sektor i energetika više ne smeju razvijati u odvojenim silosima. Elektroprivrede, regulatori, investitori u data centre i velike tehnološke kompanije moraju zajednički da planiraju korake. Bez te koordinacije, stihijski rast AI kapaciteta može ozbiljno ugroziti stabilnost elektroenergetskih sistema, podići cenu struje za građane i usporiti tempo prelaska na zelenu energiju.
Zbog toga se na međunarodnom nivou sve više insistira na donošenju novih pravila za priključenje, uvođenju obaveznih mehanizama fleksibilnosti i ubrzanju izgradnje energetske mreže. Cilj nije veštačko usporavanje progresa i rasta veštačke inteligencije, već obezbeđivanje uslova da taj rast bude tehnički izvodljiv, predvidiv i održiv na duži rok.
Zaključak: Watt kao nova valuta inteligencije
U godinama koje dolaze, uspešnost i dominacija na polju veštačke inteligencije meriće se kroz odgovor na jedno krajnje jednostavno inženjersko pitanje: koliko računarske inteligencije i tačnosti možemo da iscedimo iz svakog dostupnog vata električne energije?
Budućnost AI trke definitivno neće zavisiti isključivo od toga ko poseduje najpametniji softverski algoritam. Pobediće onaj ko taj algoritam uspe da pokrene energetski efikasnije, stabilnije i uz minimalan pritisak na lokalnu prenosnu mrežu. U tom kontekstu, fleksibilni data centri prestaju da budu samo napredna inženjerska opcija – oni postaju stub održivog nastavka digitalne revolucije u svetu gde energija i mrežni kapacitet postaju jednako vredna i deficitarna valuta kao čipovi i podaci.
Često postavljana pitanja (FAQ)
Zašto se kaže da električna energija postaje usko grlo za razvoj AI? Zato što napredni AI modeli zahtevaju ogromnu računarsku snagu za obradu podataka, što direktno utiče na skok potrošnje struje. Investicije u data centre rastu znatno brže nego što elektroenergetske mreže mogu fizički da se prošire i obezbede stabilne megavate za njihov rad.
Šta predstavlja pojam fleksibilni data centri? Fleksibilni data centri su pametni infrastrukturni objekti koji ne troše struju linearno i agresivno, već mogu softverski da prilagode, smanje ili odlože svoju energetsku potrošnju u kriznim trenucima kada je elektroenergetska mreža u državi preopterećena.
Koja je razlika između potrošnje struje za AI trening i AI inferenciju? AI trening je faza u kojoj model uči iz podataka i ona troši ogromnu količinu struje, ali se obavlja periodično. AI inferencija je svakodnevno korišćenje tog modela od strane miliona korisnika u realnom vremenu (npr. postavljanje pitanja chatbotu). Inferencija se odvija neprekidno i odnosi između 80% i 90% ukupne AI potrošnje.
Kako data centri mogu da pomognu stabilnosti elektroenergetske mreže? Tako što manje hitne računarske zadatke (poput grupne obrade podataka ili dugotrajnih treninga) prebacuju u noćne sate kada na mreži postoji višak energije, ili geografski preusmeravaju opterećenje u delove sveta gde je mreža trenutno rasterećena.
Da li se problem potrošnje struje rešava isključivo efikasnijim čipovima? Novi čipovi jesu energetski efikasniji po jednoj operaciji, ali ukupna potražnja za AI servisima raste toliko brzo da ta efikasnost hardvera ne uspeva da anulira masovni skok ukupne potrošnje električne energije na globalnom nivou.
Šta je to „Function creep“ (širenje namene) u kontekstu energetskog nadzora data centara? To je rizik da se softverski sistemi i pametni senzori, koji su u data centre primarno instalirani radi nadzora energetske efikasnosti i temperature mašina, postepeno i bez jasne kontrole prošire na detaljno i invazivno praćenje aktivnosti, produktivnosti i radnih navika zaposlenih inženjera i tehničara.
