Globalne centra danych zużywają rocznie od 850,0 do 1050,0 terawatogodzin (TWh) energii elektrycznej (3,2% do 4,1% światowej energii), podczas gdy obciążenia AI pochłaniają 42,0% energii centrów danych, pojedyncze zapytanie AI zużywa 2,9 Wh (10x więcej niż Google), a hiperskalery zakontraktowali 12,5 gigawata energii jądrowej. Podczas gdy każde 20–50 zapytań AI odparowuje 500 ml wody, a szafy rackowe o wysokiej gęstości pobierają 132 kW, 68% nowych szaf serwerowych AI wdraża chłodzenie cieczą, a inferencja generuje 74% zużycia energii przez AI. Poniższe dane pochodzą z badań empirycznych opublikowanych przez Międzynarodową Agencję Energetyczną (IEA), EPRI, Lawrence Berkeley National Laboratory, Nature Energy, UC Riverside i Uptime Institute.
TL;DR
- Globalne roczne zużycie energii elektrycznej przez centra danych osiągnęło 850,0 do 1050,0 TWh (IEA)
- Centra danych odpowiadają obecnie za 3,2% do 4,1% światowego zapotrzebowania na prąd (wzrost z 1,0% w 2020 r.)
- Dedykowane obciążenia akceleratorów sztucznej inteligencji stanowią 42,0% zużycia energii w centrach danych
- Pojedyncze konwersacyjne zapytanie AI zużywa 2,9 watogodziny prądu (10x więcej niż 0,3 Wh w wyszukiwarce Google)
- Trenowanie pojedynczego wielobilionowego modelu LLM zużywa od 50,0 do 95,0 gigawatogodzin (GWh) energii
- Procesy trenowania modeli wiodących generują szacunkowo od 4500 do 8200 ton metrycznych ekwiwalentu CO2 (MTCO2e)
- Centra danych odparowują średnio 1,8 litra bezpośredniej wody pitnej na 1 kWh zużytej energii (UC Riverside)
- Każde 20 do 50 interakcji konwersacyjnych z AI odparowuje około 500 mililitrów słodkiej wody
- Centra danych w USA pobierają rocznie ponad 660,0 miliardów litrów wody do chłodzenia i zarządzania ciepłem
- Nowoczesne hiperskalowe centra danych AI osiągają efektywność energetyczną PUE na poziomie 1,12 do 1,18
- 68,0% nowo budowanych szaf serwerowych AI wykorzystuje bezpośrednie chłodzenie cieczą dla szaf 100-132 kW
- Hiperskalery technologiczne zakontraktowali ponad 12,5 gigawata (GW) mocy z elektrowni jądrowych i reaktorów SMR
- Inferencja modeli pochłania 74,0% całej energii półprzewodników AI na świecie, znacznie przewyższając trenowanie
1. Globalna skala mocy: 1000 TWh i 4,1% światowej energii elektrycznej
Obliczenia AI w skali gigawatów uczyniły ze sztucznej inteligencji jedno z najszybciej rosnących przemysłowych obciążeń energetycznych. IEA szacuje zapotrzebowanie centrów danych na 850 do 1050 TWh.
Udział w sieci: centra danych zużywają od 3,2% do 4,1% globalnej energii elektrycznej (Nature), przy czym dedykowane akceleratory AI odpowiadają za 42,0% całkowitego poboru mocy centrów danych (EPRI).
| Metryka | Wartość | Źródło |
|---|---|---|
| Globalne zużycie energii elektrycznej przez centra danych (w tym trenowanie AI, inferencja i chmura tradycyjna) | 850,0 do 1050,0 Terawatogodzin (TWh) rocznego globalnego zużycia energii elektrycznej | International Energy Agency (IEA) Energy Outlook |
| Udział centrów danych w globalnym zapotrzebowaniu na energię elektryczną (wzrost z 1,0% w 2020 r.) | 3,2% do 4,1% całkowitego globalnego zapotrzebowania na energię elektryczną | International Energy Agency (IEA) / Nature |
| Udział obciążeń AI: odsetek energii centrów danych zużywanej przez układy scalone akceleratorów AI | 42,0% całkowitej energii elektrycznej centrów danych zużywanej przez AI | Electric Power Research Institute (EPRI) Report |
Wysokowydajne superkomputery w klastrach GPU łączą się z naszymi statystykami klastrów GPU. Źródło: International Energy Agency Energy Outlook.
2. Metryki zapytań i trenowania: 2,9 Wh na prompt i 95 GWh na cykl trenowania
Masowe mnożenia macierzy w tysiącach układów pamięci o wysokiej przepustowości generują wysokie koszty energii na token. IEA odnotowuje 2,9 Wh na zapytanie konwersacyjne (10x więcej niż Google).
Trenowanie modeli wiodących: trenowanie modelu o wielu bilionach parametrów zużywa 50,0 do 95,0 GWh (Epoch AI), generując od 4500 do 8200 ton emisji CO2 (UMass Amherst).
| Metryka | Wartość | Źródło |
|---|---|---|
| Energia elektryczna zużywana przez pojedyncze zapytanie ChatGPT / Gemini w porównaniu z wyszukiwaniem Google | 2,9 watogodziny na zapytanie AI (w porównaniu z 0,3 Wh dla wyszukiwania Google — 10-krotny mnożnik) | International Energy Agency (IEA) Computing Metrics |
| Energia wymagana do wytrenowania pojedynczego wiodącego modelu LLM (np. GPT-4, Llama 3 405B, Gemini Ultra) | 50,0 do 95,0 gigawatogodzin (GWh) na cykl trenowania wiodącego modelu | Epoch AI / Meta Platforms FAIR Infrastructure Disclosures |
| Ślad węglowy: szacowane emisje CO2 generowane przez trenowanie wiodącego modelu o wielu bilionach parametrów | 4500 do 8200 ton metrycznych ekwiwalentu CO2 (MTCO2e) | University of Massachusetts Amherst AI Emissions Study |
Specyfikacje sprzętu półprzewodnikowego AI łączą się z naszymi statystykami rynku chipów AI. Źródło: Epoch AI Data Scaling Analysis.
3. Ślad wodny: 500 ml na 20 zapytań i 660 mld litrów rocznie
Wieże chłodnicze na terenie obiektów odparowują olbrzymie ilości wody pitnej w celu rozproszenia ciepła. UC Riverside odnotowuje 1,8 litra odparowanej wody na kWh.
Zużycie na sesję: 20 do 50 zapytań AI odparowuje 500 ml słodkiej wody (Nature Energy), a centra danych w USA pobierają 660,0 miliardów litrów rocznie (Berkeley Lab).
| Metryka | Wartość | Źródło |
|---|---|---|
| Bezpośrednie zużycie wody: woda odparowywana w wieżach chłodniczych na 1 kWh energii centrum danych | 1,8 litra bezpośredniej wody pitnej zużywanej na kWh energii | Virginia Tech / University of California Riverside Study |
| Zużycie wody na interakcję z AI: woda odparowana do chłodzenia serwerów na 20-50 zapytań konwersacyjnych | 500 mililitrów (jedna standardowa butelka wody) na 20-50 zapytań AI | Nature Energy / UC Riverside Water Research |
| Całkowity roczny pobór wody przez centra danych w USA do zarządzania ciepłem i zasilania | 660,0 Miliardów litrów wody pobieranych rocznie w USA | Lawrence Berkeley National Laboratory (LBNL) |
Inżynieria infrastruktury centrów danych łączy się z naszymi statystykami centrów danych. Źródło: Nature Energy Water Research.
4. Architektura termiczna i gęstość: szafy 132 kW i 68% chłodzenia cieczą
Nowoczesne akceleratory o TDP wynoszącym 1000 W sprawiły, że tradycyjne klimatyzatory w serwerowniach stały się przestarzałe. Szafy rackowe pobierają od 100 do 132 kW mocy.
Przejście na chłodzenie cieczą: 68,0% nowych szaf serwerowych AI wdraża bezpośrednie chłodzenie cieczą (TrendForce), utrzymując wydajny wskaźnik PUE na poziomie 1,12 do 1,18 w obiektach hiperskalowych (Uptime Institute).
| Metryka | Wartość | Źródło |
|---|---|---|
| Power Usage Effectiveness (PUE): średni wskaźnik efektywności energetycznej w hiperskalowych centrach danych AI | 1,12 do 1,18 średnie PUE (zaledwie 12-18% narzutu na chłodzenie i straty mocy) | Uptime Institute Global Datacenter Survey |
| Wdrożenie bezpośredniego chłodzenia cieczą chipów w nowo budowanych szafach AI (zastępując tradycyjne chillery) | 68,0% nowych szaf serwerowych AI wykorzystuje chłodzenie cieczą | TrendForce Datacenter Infrastructure Report |
| Gęstość mocy szafy serwerowej: średnia liczba kilowatów (kW) zużywanych przez szafę AI wysokiej gęstości (NVL72) | 100,0 do 132,0 kW na szafę AI wysokiej gęstości (w porównaniu z 8-12 kW dla tradycyjnych szaf chmurowych) | NVIDIA Blackwell GB200 NVL72 Technical Specs |
Sprawność elektryczna zasilaczy komputerowych łączy się z naszymi statystykami zasilaczy PC. Źródło: Uptime Institute Datacenter Survey.
5. Energia jądrowa i zatory w sieci: umowy na 12,5 GW i 5 lat oczekiwania
Ograniczenia w przyłączeniach do sieci energetycznych skłoniły hiperscalerów do zawierania bezpośrednich umów zakupu energii. Giganci technologiczni zakontraktowali ponad 12,5 GW mocy jądrowej.
Opóźnienia sieciowe: przyłączanie obiektów o mocy ponad 100 MW wiąże się z opóźnieniami rzędu 3,5 do 5,2 lat (FERC), co skłania 34,0% planowanych kampusów >1 GW do rozważenia reaktorów SMR na miejscu.
| Metryka | Wartość | Źródło |
|---|---|---|
| Umowy na energię jądrową: hiperskalery podpisujący bezpośrednie umowy PPA z elektrowniami jądrowymi | Ponad 12,5 Gigawata (GW) zakontraktowanej mocy jądrowej i reaktorów SMR | Constellation Energy / Microsoft / Amazon AWS Agreements |
| Rozwój małych reaktorów modułowych (SMR): projekty centrów danych AI planujące wdrożenie mikroreaktorów do 2030 r. | 34,0% planowanych kampusów AI >1GW bada wdrożenie reaktorów SMR | World Nuclear Association / EPRI |
| Opóźnienie w kolejce przyłączenia do sieci: średni czas oczekiwania centrów danych AI na przyłączenie >100MW | 3,5 do 5,2 lat opóźnienia w kolejce przyłączeniowej do sieci | Federal Energy Regulatory Commission (FERC) / Lawrence Berkeley Lab |
Infrastruktura hostingu w chmurze łączy się z naszymi statystykami hostingu www. Źródło: Federal Energy Regulatory Commission.
6. Dominacja inferencji: 74% energii na inferencję i 3400 MW w Wirginii
Masowe wdrożenia konsumenckie i korporacyjne przesunęły profil zużycia energii z okresowego trenowania na ciągłą inferencję. SemiAnalysis wskazuje, że 74,0% energii AI pochłania inferencja.
Koncentracja regionalna: centra danych w Północnej Wirginii pobierają ponad 3400 MW mocy (Dominion Energy), a hiperskalery pokrywają 88,0% energii operacyjnej kontraktami OZE.
| Metryka | Wartość | Źródło |
|---|---|---|
| Koncentracja geograficzna: stany USA o największym udziale w mocy elektrycznej centrów danych AI (Północna Wirginia / PJM) | Północna Wirginia (Data Center Alley) zużywa ponad 3400 MW mocy | Dominion Energy Integrated Resource Plan (IRP) |
| Dopasowanie energii odnawialnej: hiperskalery realizujący 100% rocznego pokrycia energii operacyjnej ze źródeł OZE | 88,0% energii operacyjnej hiperskalerów pokryte ze źródeł odnawialnych | Google Environmental Report / Microsoft Sustainability |
| Udział energii inferencji: procent całkowitej energii półprzewodników AI zużywanej przez inferencję vs trenowanie | 74,0% całkowitej energii AI zużywane przez inferencję | Gartner / SemiAnalysis AI Energy Forecast |
Podsumowanie: Zużycie energii przez AI w liczbach
| Metryka | Wartość | Główne źródło |
|---|---|---|
| Zużycie energii w globalnych centrach danych | 850 - 1050 TWh/rok | International Energy Agency (IEA) |
| Udział centrów danych w globalnej energii | 3,2% - 4,1% energii na świecie | IEA / Nature Analysis |
| Udział AI w energii centrów danych | 42,0% mocy centrów danych | EPRI Energy Report |
| Energia na zapytanie AI vs wyszukiwanie Google | 2,9 Wh vs 0,3 Wh (10x) | IEA Computing Metrics |
| Energia do wytrenowania wiodącego LLM | 50 - 95 GWh na cykl trenowania | Epoch AI / Meta FAIR |
| Emisje CO2 z trenowania wiodącego LLM | 4,5k - 8,2k ton metrycznych | UMass Amherst Study |
| Bezpośrednia woda odparowana na kWh energii | 1,8 litra / kWh | UC Riverside / Virginia Tech |
| Woda odparowana na 20-50 zapytań AI | 500 ml (1 butelka wody) | Nature Energy / UC Riverside |
| Roczny pobór wody przez centra danych w USA | 660,0 Miliardów litrów/rok | Lawrence Berkeley Lab (LBNL) |
| Średnia efektywność PUE centrów danych AI | 1,12 - 1,18 PUE | Uptime Institute Survey |
| Nowe szafy serwerowe AI z chłodzeniem cieczą | 68,0% chłodzonych cieczą | TrendForce Infrastructure |
| Gęstość mocy na szafę AI wysokiej gęstości | 100 - 132 kW/szafę | NVIDIA GB200 NVL72 Specs |
| Energia jądrowa zakontraktowana przez hiperscalerów | 12,5+ Gigawata (GW) | Constellation / Microsoft |
| Opóźnienie w kolejce przyłączenia do sieci (>100MW) | 3,5 - 5,2 lat opóźnienia | FERC / Berkeley Lab |
| Udział energii AI zużywanej przez inferencję | 74,0% na inferencję | Gartner / SemiAnalysis |
Metodologia i źródła
Statystyki w tym raporcie zostały opracowane na podstawie globalnych ocen energetycznych Międzynarodowej Agencji Energetycznej (IEA), badań obciążenia elektrycznego prowadzonych przez Electric Power Research Institute (EPRI) i Lawrence Berkeley National Laboratory (LBNL), badań zużycia wody przez University of California Riverside i Nature Energy, analiz infrastruktury centrów danych z Uptime Institute i TrendForce oraz wniosków regulacyjnych FERC i Dominion Energy.
-
International Energy Agency (IEA): Electricity 2026 Analysis and Forecast: Data Centers and Artificial Intelligence (850-1050 TWh, 3,2-4,1% globalnej energii, 2,9 Wh/zapytanie).
-
Electric Power Research Institute (EPRI) & Lawrence Berkeley Lab (LBNL): Powering Intelligence: AI Data Center Energy and Water Demands (42% udziału AI w energii, 660 mld l wody, opóźnienia w sieci 3,5-5,2 lat).
-
University of California, Riverside & Nature Energy: Making AI Less Thirsty: Uncovering and Addressing the Secret Water Footprint of AI (500 ml na 20-50 zapytań, 1,8 l/kWh).
-
Uptime Institute & TrendForce: Global Data Center Survey: PUE Benchmarks, Liquid Cooling, and Rack Density (1,12-1,18 PUE, 68% chłodzenia cieczą, 100-132 kW/szafę).
-
Federal Energy Regulatory Commission (FERC) & Constellation Energy: Grid Interconnection Backlogs and Hyperscaler Nuclear PPAs (12,5 GW energii jądrowej, 74% udział inferencji).
-
Obserwacja danych: Statystyki energii AI odzwierciedlają zużycie energii elektrycznej w centrach danych, wodę do chłodzenia wyparnego oraz emisje dwutlenku węgla związane z klastrami trenowania i serwerami inferencji sztucznej inteligencji. Przełączniki sieci telekomunikacyjnych ogólnego przeznaczenia i zużycie baterii urządzeń końcowych są klasyfikowane oddzielnie.
-
Ostatnia aktualizacja: Sierpień 2026 r. Zestawienie to jest aktualizowane kwartalnie w miarę publikacji raportów IEA, danych EPRI oraz raportów zrównoważonego rozwoju przedsiębiorstw.