Energetická efektívnosť AI — UCSD breakthrough 2026

AI modely postupne prestávajú byť len softvérovou záležitosťou — stávajú sa infraštruktúrnou a energetickou otázkou. V apríli 2026 prišli dve oznámenia, ktoré posúvajú debatu o spotrebe energie pri AI výrazne dopredu: nový čip od UC San Diego (10. apríla) a algoritmický prístup sľubujúci až 100× zníženie spotreby pri zachovaní vyššej presnosti (5. apríla).

1. Aktuálny problém: AI a energetická kríza dátových centier

  • GPU farmy ako mestá

    • moderné tréningové klastre (tisíce H100/B200 GPU) spotrebúvajú elektrinu porovnateľnú s menšími mestami
    • tréning jediného frontier modelu (napr. GPT-4 alebo Claude Opus) sa odhaduje na elektrickú spotrebu malého mesta za rok

  • AI presiahla 10 % spotreby USA

    • podľa odhadov z roku 2026 AI workloady (tréning aj inferencia) zodpovedajú za viac ako 10 % celkovej spotreby elektriny v USA
    • pre porovnanie: všetky dátové centrá dokopy tvorili v roku 2020 len ~1–2 %

  • Inferencia vs. tréning

    • väčšina médií sa sústreďuje na tréning, ale inferencia (keď model odpovedá používateľom) je dlhodobo nákladnejšia — prebieha 24/7 v masovom meradle

  • Kapacitné obmedzenie siete

    • energetické firmy v USA a Európe začínajú obmedzovať pripojenie nových dátových centier kvôli nedostatku distribučnej kapacity elektrickej siete

2. UCSD chip — nová architektúra konverzie energie

  • Čo oznámili (10. apríl 2026)

    • UC San Diego predstavila nový dizajn DC-DC konvertora optimalizovaného priamo pre AI workloady v GPU klastroch
    • tradičné napájacie obvody boli navrhnuté pre všeobecné výpočty — AI záťaže majú iný profil (impulzná spotreba, simultánne operácie tisícov jadier)

  • Kľúčové tvrdenia

    • 30–40 % pokles strát pri konverzii energie oproti štandardným riešeniam
    • lepšia dynamická odozva pri náhlych skokoch záťaže (typické pre transformer forward pass)
    • dizajn je kompatibilný so štandardnými server rack formátmi

  • Prečo na tom záleží

    • v bežnom dátovom centre sa 15–25 % elektrickej energie stratí pri konverzii (AC→DC, DC→DC pre rôzne napäťové úrovne)
    • pri klastri s odberom 100 MW to znamená 15–25 MW strát — ušetriť 30–40 % z toho je reálne merateľný dopad

  • Stav projektu

    • zatiaľ akademický prototyp; komerčné nasadenie by vyžadovalo partnerstvo s výrobcami serverov (Dell, HPE, Supermicro) alebo priamo GPU výrobcami (NVIDIA)

3. Algoritmický prístup — 100× zníženie spotreby

  • Sparse activations a conditional computation

    • druhý aprílový prielom sa nesústreďuje na hardware, ale na spôsob, akým model počíta
    • klasické transformery aktivujú (takmer) všetky parametre pri každom tokene — to je energeticky veľmi neefektívne
    • sparse activations: pri každom kroku sa aktivuje len malá podmnožina parametrov relevantná pre daný vstup
    • conditional computation: model sa dynamicky rozhoduje, koľko výpočtového výkonu daný vstup potrebuje — jednoduchá otázka neaktivuje rovnaké zdroje ako vedecká analýza

  • Tvrdenie: 100× nižšia spotreba pri vyššej presnosti

    • ak sa potvrdí v produkčných podmienkach, išlo by o prelomový výsledok
    • kombinácia sparse activations + condition routing môže znížiť FLOPs per token o niekoľko rádov pre bežné vstupy

  • Skeptická poznámka

    • benchmark výsledky a „reálny svet" sa líšia — v praxi závisí na distribúcii vstupov, dĺžke kontextu a konkrétnej architektúre

(Oba prístupy — hardvérový aj algoritmický — sa pravdepodobne budú kombinovať: lepší hardware + efektívnejší model = multiplikatívny efekt.)

4. Reálne dopady na prevádzku dátových centier

  • TCO (Total Cost of Ownership)

    • energia tvorí 40–60 % prevádzkových nákladov veľkých dátových centier
    • 30–40 % úspora na konverzii energie = reálne desiatky miliónov dolárov ročne pre hyperscalery

  • PUE (Power Usage Effectiveness)

    • štandardný ukazovateľ efektívnosti dátového centra
    • najlepšie dátové centrá dnes dosahujú PUE ~1.1–1.2; cieľ je priblížiť sa k 1.0
    • UCSD riešenie priamo zlepšuje IT load efficiency, čo PUE pozitívne ovplyvňuje

  • Regulačný tlak

    • EU AI Act zaviedol požiadavky na transparentnosť energetickej spotreby pre AI systémy
    • v USA sa pripravuje federálna legislatíva o povinnom reportovaní energetickej stopy dátových centier

5. Sustainability naratív — čo hovoria AI labs

  • Google: tvrdí 100 % obnoviteľné zdroje energie pre dátové centrá (cez PPA — power purchase agreements), ale kritici poukazujú na time-matching problém (obnoviteľná energia sa nakupuje, ale nie vždy v čase skutočnej spotreby)

  • Anthropic: deklaruje uhlíkovú neutralitu, investuje do programov kompenzácie emisií; konkrétne čísla spotreby energie nie sú zverejnené

  • Microsoft / OpenAI: kontroverzné — Microsoft podpísal zmluvu na reakviváciu jadrovej elektrárne Three Mile Island pre napájanie AI infraštruktúry

  • Spoločný menovateľ: väčšina labs reportuje nepriamo cez offsety, nie priamou spotrebou fosílnych palív — čo nie je to isté ako skutočná zelenosť

6. Jevonsov paradox — ostražitá otázka

  • Definícia: keď sa efektívnosť technológie zvýši, celková spotreba zdrojov zvyčajne rastie, nie klesá — pretože nižšia cena stimuluje väčší dopyt

  • Aplikácia na AI: ak inference stojí 10× menej energie, firmy nasadia AI do 10× viac aplikácií → celková spotreba zostane rovnaká alebo porastie

  • Empirické dôkazy: historicky sa to potvrdilo pri benzínových motoroch, LED osvetlení, cloudovom úložisku

  • Záver: technická efektívnosť sama o sebe nestačí — potrebná je aj regulácia alebo carbon pricing

7. Slovenský a európsky kontext

  • Ceny elektriny

    • Slovensko má jedny z vyšších priemyselných cien elektriny v EÚ (čiastočne kvôli regulačným poplatkom)
    • pre lokálne AI startupy je energia skutočná položka v rozpočte — edge riešenia (lokálne GPU) môžu byť cenovo výhodnejšie ako cloud

  • Daňové stimuly pre zelené dátové centrá

    • EÚ aj niektoré členské štáty ponúkajú granty a daňové úľavy pre dátové centrá s vysokou energetickou efektívnosťou (napr. certifikácia EU Code of Conduct for Data Centres)

  • Slovenský kontext výroby

    • Slovensko má relatívne čistý energetický mix (jadrová energia ~55 % výroby) — dátové centrum na Slovensku má nižšiu uhlíkovú stopu ako napr. v Nemecku (kde dominuje plyn a uhlie)

Zhrnutie

  • AI spotreba energie je v roku 2026 systémový problém — AI presiahla 10 % spotreby USA a kapacitné limity elektrickej siete sa stávajú reálnou bariérou rastu.

  • UCSD chip (hardvérový prístup) ponúka 30–40 % úsporu na konverzii energie — reálne, merateľné, ale vyžaduje komerčné partnerstvo.

  • Algoritmický prístup (sparse activations, conditional computation) sľubuje až 100× zníženie — potenciálne prelomové, ale zatiaľ nepotvrdenévo veľkej produkcii.

  • Jevonsov paradox je reálne riziko: samotná efektívnosť nestačí, ak dopyt rastie rýchlejšie.

  • Pre európske firmy je energetická efektívnosť AI nielen ekologická otázka, ale čoraz viac regulačná a ekonomická nutnosť.