Vi leste debattinnlegget «Ikke nok grønn energi til å dekke KI-boomen i Norge», som ble publisert på Digi den 8. november, og er enige i at det er utfordrende for Norge å ha nok grønn energi til å støtte veksten av KI-datasentre. Men vi mener at det ville være feil å bare tenke på å utvide produksjonen av energi for å dekke det økte behovet.
Datasentre jobber kreativt i samarbeid med ulike offentlige og private aktører for å løse utfordringen med økt innsats innen energieffektivisering.
KI-datasentre vil stå for nesten all vekst av datasentre i Norge de neste årene. At KI-etterspørselen vokser eksponentielt og vil utgjøre en stor energiutfordring, er en ett år gammel nyhet.
Det er en kjent sak at KI-datasentrene genererer betydelig varme, spesielt de som inneholder KI-servere med akseleratorer som brukes til å trene store språkmodeller og arbeidsbelastninger knyttet til inferens. Denne varmeeffekten må løses med væskekjøling for at datasentre skal yte optimalt på en bærekraftig og pålitelig måte.
Nytt design
Norske KI-datasentre bygges nå med et helt nytt design som muliggjør gjenbruken av varmen utviklet av de energitette serverklyngene. Det er der det største potensialet for energieffektivisering ligger fremover.
Diskusjonen bør nå dreie seg om plasseringen av datasentrene og deres integrering i energisystemene rundt dem.
Utfordringen ligger i å finne en effektiv væskekjøling-arkitektur som sørger for å gjenbruke datasentrenes returvarme mest mulig effektivt, for eksempel som fjernvarme til bebyggelse i nærheten av datasentre, til tørking i forbindelse med industriprosesser og oppvarming av vann i akvakultur.
Potensialet for ytterligere energieffektivisering er avhengig av forskningen for å utvikle effektiv væskekjøling.
Væskekjøling for KI-servere
Ett år har gått siden vi advarte om fordoblingen av energibehov knyttet til KI. Forskerne Paul Lin, Robert Bunger og Victor Avelar har gjort en grundig analyse av væskekjølingsteknologier og deres applikasjoner i moderne datasentre, spesielt de som håndterer KI-arbeidsbelastninger med høy tetthet. De har beskrevet i detalj de seks mest brukte varmeavledningarkitekturer og vurdert hvordan de egner seg for ulike datasentermiljøer.
De identifiserte to hovedkategorier av væskekjøling for KI-servere: Direct-to-chip og nedsenking-kjøling (immersion cooling), og de beskriver komponentene og funksjonene til kjølevæske-fordelingsenheten (CDU – Cooling Distribution Unit), som er avgjørende for å håndtere temperatur, strømning, trykk og varmeveksling i kjølesystemet.
Analysen beskriver seks vanlige arkitekturer for væskekjøling, som kombinerer forskjellige typer CDU-er (kjøledistribusjon-enheter) og varmeavledningsmetoder, og gir veiledning for å velge det beste alternativet basert på faktorer som eksisterende infrastruktur, distribusjonsstørrelse, hastighet og energieffektivitet.
Forskerne skisserer tre nøkkelelementer i væskekjøling-arkitekturer:
- Varmefangst i serveren: Bruk av et flytende medium (f.eks. dielektrisk olje/vann) for å absorbere varme fra IT-komponenter.
- CDU-type: Velge riktig CDU (kjøledistribusjonsenhet) basert på varmevekslingsmetoder (væske-til-luft, væske-til-væske) og formfaktorer (rack-montert, gulv-montert).
- Varmeavledningsmetode for å effektivt overføre varme til det eksterne miljøet, enten gjennom eksisterende systemer eller dedikerte oppsett.
KI-energiutfordringer løses med KI
Ellers må det understrekes at energien KI-datasentre trenger, spares i mange andre applikasjoner hvor KI-teknologien bidrar til ressurs- og energieffektivisering, som for eksempel ved å integrere systemer for styring av bygg og prosesser med systemer for energistyring.
KI er sentralt også for prediktivt vedlikehold: ved å analysere datatrender, kan KI prediktere utstyrsfeil før de oppstår. Dette forebygger uventede strømbrudd eller hendelser i industriprosesser som ikke skal oppleve nedetid. På den måten bidrar KI til både å optimalisere energiforbruk og til å redusere vedlikeholdskostnader.
KI kan forenkle integreringen av nye fornybare kilder i eksisterende strømnett.
Den kan optimalisere driften av strømnettet ved å balansere tilbud og etterspørsel av energi i sanntid, med reduksjon av energitap og bedre nettstabilitet som følge. Ved å redusere topplast og avlaste strømnettet, senkes energikostnader og man oppnår mer effektiv energibruk.
Overvåking og kontroll av energilagring kan også optimaliseres med KI, enten basert på tariffer eller på strømtilgjengelighet. Det betyr at den sikrer at lagret energi er tilgjengelig når det gjelder (stormberedskap), hvilket er meget aktuelt nå som ekstremvær rammer oss så ofte.
