A PJM Interconnection, az Egyesült Államok középnyugati és közép-atlanti térségének villamosenergia-rendszerirányítója megbízta a Charles River Associates (CRA) tanácsadó céget, hogy készítsen független előrejelzést az adatközpontok áramigényéről 2027 és 2047 között. A tanulmányt 2026. augusztus 26-án mutatták be a PJM terheléselemzési albizottságának.
A CRA a felülről lefelé és az alulról felfelé építkező módszertant kombinálta: országos szintű AI-keresletmodellezést kapcsol össze bejelentett, egyedi adatközpont-beruházásokkal. A cél az volt, hogy korrigálják a helyi elosztóhálózatok által benyújtott terhelési igényekben esetleg meglévő torzításokat.
Két eltérő pálya: betanítás vs. inferencia
A jelentés megkülönbözteti a mesterséges intelligencia két energiaigényes fázisát. A modellek betanítása — amely tipikusan a legnagyobb fogyasztást generálja — a CRA szerint várhatóan lassulni fog a következő évtizedekben. Ennek magyarázata a nyilvánosan elérhető tanítóadatok kimerülése és a chipek hatékonyságának javulása.
Ezzel szemben az inferencia — a mindennapi alkalmazásokból eredő futtatás, amikor a modellek végrehajtják a feladatokat a végfelhasználóknál és vállalati rendszerekben — tartósabb, folyamatos növekedési pályát mutathat. A CRA ezt a folyamatot az internet elterjedésének történelmi mintázatához hasonlítja: a széleskörű alkalmazkodás és használat hajtja a keresletet, nem csupán a nagy, egyszeri betanítási projektek.
A tanulmány összegzése szerint a jelenlegi gyors növekedést idővel fokozatosabb ütem váltja fel, és a növekmény forrása átalakul: kevesebb lesz a betanításhoz kapcsolódó, csúcsterhelés, több lesz az inferencia miatti folyamatos fogyasztás.
Fizikai korlátok és földrajzi átrendeződés
A CRA hangsúlyozza, hogy a ténylegesen megvalósítható keresletbővülés nem kizárólag az áraktól függ. Számos, egymással összefüggő fizikai korlát alakítja a kiterjedését: globális ellátási láncok (például félvezetők és kritikus nyersanyagok piacai), valamint a PJM-specifikus tényezők.
A PJM-piacra vonatkozó korlátozó elemek között szerepelnek a rendelkezésre álló erőművi kapacitások, új erőművek létesítésének hosszú átfutási ideje, hálózati csatlakozási várólisták hossza, szénerőművek bezárása, földgázellátás helyzete, továbbá az engedélyezési eljárások és a piaci szabályozás. A prezentáció központi üzenete: a magasabb ár vagy fizetési hajlandóság rövid távon nem hoz automatikusan többletkapacitást, mert a gyártás és szállítás fizikai korlátai lassítják a bővítést.
A CRA modelljébe beépítette azt az elképzelést is, hogy a PJM-re eső részarány az észak-amerikai adatközponti áramigényből nem állandó. Ha a PJM hálózata szűk keresztmetszetnek bizonyul más régiókhoz képest, a beruházások és így a kereslet egy része átirányulhat olyan területekre, ahol nagyobb szabad kapacitás érhető el. Ezt a földrajzi átrendeződési mechanizmust a tanulmány közvetlenül modellezte.
Következő lépések és PJM saját előrejelzése
A CRA elemzése illeszkedik a PJM terheléselemzési albizottságának átfogó munkaprogramjába. Az albizottság 2026 júliusában áttekintette a korábbi terhelési előrejelzéseket, és további lépések ütemezését október végéig tervezte. A PJM párhuzamosan elkészíti saját előrejelzését, amelyet aztán összehasonlít a CRA független elemzésével.
Miért fontos ez?
A jelentés rávilágít arra, hogy az AI terjedése nem feltétlenül jelent egyenletes, korlátlanan növekvő energiaigényt egy adott hálózaton. A döntéshozóknak és az energiaszolgáltatóknak egyszerre kell figyelembe venniük technológiai trendeket (chipfejlődés, adatkorlátok), ellátási lánc-korlátokat és a helyi infrastruktúra sajátosságait, ha megbízható és rugalmas elektromos ellátást akarnak biztosítani az adatközpontok növekvő igénye mellett.
(Illusztrációs kép: Getty Images)
