Efficiency vs Demand in AI Electricity: Implications for Post-AGI Scaling

Deze studie integreert de AI-sector in het GCAM-model om te tonen dat de toekomstige elektriciteitsvraag in de VS niet lineair aan AI-groei is gekoppeld, maar sterk afhangt van het evenwicht tussen efficiencywinsten en inkomensgroei, waarbij prijsmechanismen alleen beperkt effectief zijn om de vraag te sturen.

De kern

Titel: AI en de Stroomkraan: Waarom Meer Slimme Computers Niet Altijd Meer Stroom Betekent

Stel je voor dat de wereld van kunstmatige intelligentie (AI) een enorme, hongerige baby is die net begint te eten. De afgelopen jaren hebben we gehoord: "Oh nee, die baby eet zo veel dat onze energievoorziening het niet kan houden!" Maar dit nieuwe onderzoek van een team van de KAIST (een technische universiteit in Zuid-Korea) zegt: "Wacht even, laten we eerst kijken hoe die baby eet en hoe snel hij groeit."

Deze studie, gepresenteerd op een workshop over de toekomst na 'Algemene Kunstmatige Intelligentie' (AGI), probeert een simpele vraag te beantwoorden: Zal AI onze stroomrekening in de toekomst exploderen laten, of kunnen we het onder controle houden?

Hier is de uitleg in gewone taal, met een paar handige vergelijkingen.

1. Het Dilemma: De Grootte van de Maag vs. De Efficiëntie van de Keuken

Het onderzoek kijkt naar twee tegenstrijdige krachten die vechten om de toekomst van onze stroomvoorziening:

• De Honger (Vraag): AI wordt steeds populairder. Het wordt gebruikt voor alles: van het schrijven van e-mails tot het ontwerpen van steden. Dit is als een maag die steeds groter wordt. Hoe meer mensen AI gebruiken, hoe meer "eten" (rekenkracht) er nodig is.
• De Efficiëntie (Technologie): Tegelijkertijd worden de computers (chips) die AI doen, steeds slimmer en zuiniger. Vroeger had je een hele fabriek nodig om één taak te doen; nu kan een kleine chip dat in een seconde. Dit is alsof je een keuken krijgt waar je met één snufje kruiden een hele maaltijd kunt maken in plaats van een hele pot.

De kernvraag van het papier: Wint de honger (meer gebruik) het van de efficiëntie (zuiniger maken)?

2. De Experimenten: Twee Toekomstscenario's

De onderzoekers hebben een groot computermodel (een soort 'toekomstmachine' genaamd GCAM) gebruikt om de VS te simuleren tot het jaar 2050. Ze hebben twee scenario's getest:

• Het "Super-Snel" Scenario: De technologie wordt razendsnel beter. De chips worden elke paar jaar twee keer zo sterk.
  • Resultaat: Zelfs als iedereen AI gebruikt, blijft het stroomverbruik laag. De keuken wordt zo efficiënt dat de maag, hoe groot ook, niet veel meer stroom nodig heeft.
• Het "Traag" Scenario: De technologie verbetert, maar niet zo snel.
  • Resultaat: Hier wint de honger. Omdat de chips niet snel genoeg zuiniger worden, zorgt de enorme toename in gebruik ervoor dat de stroomrekening explodeert.

De les: Het is niet alleen belangrijk hoeveel AI we gebruiken, maar vooral hoe snel we de technologie zuiniger maken.

3. De Prijs is niet de Heilige Graal (Maar je Inkomen wel)

Een van de verrassendste ontdekkingen is hoe mensen reageren op de prijs van stroom.

• De Prijs-Verwachting: Veel mensen denken: "Als stroom duurder wordt, gaan mensen minder AI gebruiken."

• De Realiteit: Het onderzoek toont aan dat dit niet zo werkt. De vraag naar AI is "onbuigzaam" voor prijs.

  • Vergelijking: Stel je voor dat je een favoriete game speelt. Als de prijs van de game iets stijgt, stop je er niet mee. Je betaalt het gewoon. AI is voor bedrijven en mensen zo fundamenteel geworden, dat ze eromheen gaan als de prijs iets stijgt.

• Het Inkomen: Wat wél telt? Hoe rijk we worden.

  • Vergelijking: Als je inkomen stijgt, koop je niet alleen een grotere auto, maar ook een tweede auto, een boot en een vakantiehuis. Zo werkt het ook met AI. Als de economie groeit, gebruiken we AI niet alleen meer, maar ook voor nieuwe dingen waar we het vroeger niet voor gebruikten. Dit is de echte drijver van de stroomvraag.

4. De "Post-AGI" Wereld: Een Nieuwe Realiteit

De titel van het paper spreekt over de "Post-AGI" tijd. Dit is een moment in de toekomst waarop AI net zo slim is als (of slimmer dan) een mens en overal in de economie zit.

In die wereld kan de stroomvoorziening een fysieke muur worden.

• Stel je voor dat je een gigantische stad wilt bouwen, maar er is maar één waterleiding. Het maakt niet uit hoe slim je architecten zijn; als er niet genoeg water is, kan de stad niet groeien.
• Het onderzoek waarschuwt: als de technologie niet snel genoeg zuiniger wordt, zal de stroomvoorziening de groei van AI blokkeren, ongeacht hoe slim de algoritmes zijn.

Conclusie: Wat betekent dit voor ons?

Dit papier geeft ons geen exacte voorspelling (zoals "in 2030 hebben we X stroom nodig"), maar het geeft ons een kaart van de mogelijke routes:

1. Als we innovatief zijn: Als we blijven investeren in zuinige chips en datacenters, kan AI groeien zonder onze energievoorziening te breken.
2. Als we stilstaan: Als de technologie stagneert, zal de enorme vraag naar AI leiden tot een enorme stroomcrisis en meer CO2-uitstoot.

De boodschap in één zin: We hoeven niet bang te zijn dat AI ons stroomnet kapot maakt, zolang we maar blijven zorgen dat de technologie zelf steeds slimmer en zuiniger wordt. De prijs van stroom is niet het probleem; het tempo van onze uitvindingen is dat wel.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "EFFICIENCY VS DEMAND IN AI ELECTRICITY: IMPLICATIONS FOR POST-AGI SCALING", vertaald en samengevat in het Nederlands.

Probleemstelling

Naarmate AI-capaciteiten en -implementatie versnellen richting een post-AGI-tijdperk (Artificial General Intelligence), groeien de zorgen over de elektriciteitsvraag en koolstofemissies die door AI-computing worden gegenereerd. Hoewel datacenters al ongeveer 1,5% van het wereldwijde elektriciteitsverbruik voor hun rekening nemen (met een groei van 12% per jaar), wordt deze vraag zelden expliciet opgenomen in langetermijnmodellen voor energie-economie-klimaat.

De kern van het probleem is de spanning tussen twee tegengestelde krachten:

1. Explosieve vraag: AI-services worden steeds meer geïntegreerd in de economie, wat leidt tot een sterke toename van de rekenkracht (gemeten in FLOP).
2. Efficiëntiewinst: Hardware-efficiëntie (bijv. GPU-prestaties) verbetert historisch gezien met ongeveer 1,3x per jaar.

De onzekerheid ligt in welke van deze twee krachten de overhand zal krijgen in de loop van de tijd. Bestaande voorspellingen variëren sterk: sommige waarschuwen voor enorme emissiepieken, terwijl anderen suggereren dat de vraag beheersbaar blijft. Er ontbreekt een model dat deze interactie expliciet koppelt aan de dynamiek van het elektriciteitsnet en de emissies tot halverwege de 21e eeuw.

Methodologie

De auteurs hebben hun analyse uitgevoerd door het Global Change Analysis Model (GCAM) te uitbreiden met een expliciete sector voor AI-computing. GCAM is een marktgebaseerd macro-economisch model dat socio-economische drivers, energievoorziening en -vraag, landgebruik en emissies koppelt.

Belangrijkste technische aanpassingen en scenario's:

• Modelintegratie: Een nieuwe industriële subsector voor "AI-computing" is toegevoegd. De output wordt gemeten in floating-point operations (FLOP), en de elektriciteitsvraag ($E(t)$) wordt berekend als het product van de service-output ($S(t)$) en een systeemniveau energie-intensiteitscoëfficiënt ($\gamma(t)$):
  $$E(t) = S(t) \times \gamma(t)$$
  Hierbij omvat $\gamma(t)$ zowel chip-efficiëntie als datacenter-overhead (koeling, netwerken, PUE).
• Scenario's:
  • Basislijn (Baseline): Een vaste energie-intensiteit ($\gamma$) zonder toekomstige efficiëntiewinst.
  • Rapid (Snel): Efficiëntie verdubbelt ongeveer elke 2,34 jaar tot 2035, gevolgd door verzadiging.
  • Slow (Traag): Efficiëntie verbetert met ongeveer 180% per decennium (gebaseerd op historische NVIDIA-chipgroei).
• Elasticiteitsanalyse: De auteurs hebben gevoeligheidsanalyses uitgevoerd om de reactie van de vraag te testen op:
  • Prijselasticiteit: Variatie tussen -0,2 en -1,2.
  • Inkomenselasticiteit: Variatie tussen 1,6 en 3,5.
• Regio: De simulaties zijn uitgevoerd voor de Verenigde Staten (VS) als representatief geval.

Belangrijkste Resultaten

1. Niet-lineaire relatie tussen groei en verbruik:
   De groei van AI-services vertaalt zich niet lineair naar elektriciteitsvraag. De uitkomst hangt volledig af van het traject van efficiëntieverbetering en de vraagresponsiviteit.

   • Bij sustained efficiency improvements (voortdurende verbeteringen) blijft de elektriciteitsvraag gematigd.
   • Bij vertraagde of verzadigde efficiëntiewinst overheerst de inkomensgedreven vraag tegen het midden van de eeuw.

2. Dominantie van inkomenselasticiteit:
   De gevoeligheidsanalyse toont aan dat AI-elektriciteitsvraag zeer weinig gevoelig is voor prijssignalen (prijselasticiteit varieert de vraag met slechts ±5%). Daarentegen is de vraag extreem gevoelig voor inkomensgroei.

   • Bij een hoge inkomenselasticiteit (3,5) kan de elektriciteitsvraag tegen het midden van de eeuw met ongeveer 150% stijgen ten opzichte van de basislijn.
   • Dit suggereert dat AI als een intermediaire input fungeert die zich uitbreidt naar nieuwe sectoren naarmate de economie groeit, in plaats van een traditionele consumentendienst.

3. Regime-overgangen en drempelwaarden:
   De studie identificeert drempelwaarden waarop de dynamiek verschuift van een "efficiëntie-dominant" regime naar een "vraag-dominant" regime.

   • In het Rapid-scenario vertraagt de vraaggroei aanzienlijk, tenzij de inkomenselasticiteit extreem hoog is.
   • In het Slow-scenario overheerst de vraaggroei al bij gematigde inkomenselasticiteit, zelfs als er nog enige efficiëntiewinst is.
   • Dit betekent dat de duurzaamheid van efficiëntiewinst (blijft het verbeteren of stagneert het?) cruciaal is voor langetermijnvoorspellingen.

4. Kwantificering van de impact:
   Onder de basislijn (VS) wordt de jaarlijkse elektriciteitsvraag voor AI-datacenters geschat op ongeveer 1,5 EJ (420 TWh) in 2030 en 3 EJ (830 TWh) in 2050. Dit zou ongeveer 10% van het totale Amerikaanse elektriciteitsverbruik in 2050 uitmaken.

Bijdragen en Significantie

• Methodologische innovatie: Dit paper is een van de eerste die AI-computing expliciet integreert in een geïntegreerd evaluatiemodel (GCAM) voor langetermijnscenario's (tot 2050), waardoor de interactie tussen digitale infrastructuur en het energiesysteem endogeen wordt bepaald.
• Nuancering van voorspellingen: In plaats van één voorspelling te doen, biedt het paper een "compacte template" om te begrijpen onder welke voorwaarden (efficiëntie vs. vraag) welke uitkomsten optreden. Dit helpt bij het interpreteren van tegenstrijdige rapporten in de literatuur.
• Beleidimplicaties:
  • Beperkte effectiviteit van prijsmechanismen: Omdat de vraag weinig reageert op prijsstijgingen, zijn prijsgebaseerde instrumenten (zoals tarieven) waarschijnlijk onvoldoende om de groei van AI-verbruik te remmen.
  • Focus op efficiëntie: De belangrijkste hefboom voor het beperken van emissies en netbelasting ligt in het garanderen van aanhoudende technologische efficiëntieverbeteringen en het managen van de schaal van service-uitbreiding.
  • Post-AGI context: In een toekomst waar AI alomtegenwoordig is, kan de dynamiek van het elektriciteitsnet een "first-order constraint" (eerste-orde beperking) worden voor de schaalbaarheid van digitale infrastructuur.

Conclusie:
De studie concludeert dat de toekomstige elektriciteitsvraag van AI niet alleen wordt bepaald door hoe snel AI groeit, maar vooral door hoe snel de efficiëntie verbetert en hoe sterk de vraag reageert op economische groei. Zonder aanhoudende efficiëntiewinst zal de inkomensgedreven vraag de overhand nemen, wat de energievoorziening en klimaatdoelen onder druk zal zetten.