Hvad ved vi om decentraliseret AI og energiforbrug?

Vi mangler stadig pålidelige målinger af, hvor meget energi decentraliseret AI faktisk bruger – og det svækker både klimadebatten og mulighederne for regulering.

Det politiske spørgsmål

AI's energiforbrug er rykket højt op på den politiske dagsorden. Debatten har hidtil handlet mest om store datacentre og deres belastning af elnettet. Men en voksende del af AI-beregningerne foregår ikke i centraliserede datacentre – de fordeles ud på tusindvis af enheder: mobiltelefoner, biler, sensorer og lokale servere. Det kaldes decentraliseret AI eller "federated learning" (fødereret læring), og det præsenteres ofte som en mere privat og potentielt mere energieffektiv tilgang til kunstig intelligens.

Spørgsmålet er, om det faktisk er mere energieffektivt. Og det viser sig, at vi ikke ved det med særlig stor sikkerhed. Tidsskriftet Nature pegede i 2026 på, at evidensgrundlaget for energimålinger i distribuerede AI-systemer er overraskende tyndt – og at det er et problem, når politikere og regulatorer skal træffe beslutninger om AI's klimaaftryk.

Det empiriske spørgsmål bag

Fødereret læring betyder kort sagt, at en AI-model trænes lokalt på mange forskellige enheder frem for centralt på ét sted. Data forlader aldrig den enkelte enhed – kun opdateringer til modellen sendes tilbage til en central koordinator. Det beskytter privatliv og reducerer behovet for at flytte store datamængder.

Men hvad sker der med energiforbruget? Det er her, det bliver kompliceret. Et centraliseret system er relativt nemt at måle: man kan sætte en måler på datacenteret og aflæse strømforbruget. I et decentraliseret system er beregningerne spredt over hundredevis eller tusindvis af enheder med vidt forskellig hardware, batteristatus og energikilde. Der er ingen enkelt måler, man kan aflæse.

Det centrale empiriske spørgsmål er altså: Kan vi overhovedet måle energiforbruget i decentraliserede AI-systemer på en pålidelig måde – og hvad siger de målinger, vi har, egentlig?

Hvad ved vi

**Måleværktøjer er upræcise ~ **

Et af de mest anvendte redskaber til at estimere energiforbruget i AI-systemer er et softwareværktøj kaldet CodeCarbon. En undersøgelse fra 2025 af Raphael Fischer testede, om CodeCarbon's estimater stemte overens med faktiske eksterne målinger af strømforbrug. Resultatet var, at der var betydelige afvigelser – værktøjet validerede ikke konsekvent mod den virkelige verden. Det er et problem, fordi CodeCarbon bruges bredt i forskning til at rapportere AI's klimaaftryk, og hvis grundlaget er upålideligt, er tallene det også.

Fødereret læring bruger energi på nye steder ✓

Forskning i fødereret læring til smarte hjem viser, at beregninger kan flyttes ud til kantenheder (edge devices) – altså lokale apparater frem for centrale servere. En undersøgelse fra 2024 af Połap, Srivastava og Jaszcz demonstrerede, at man kan bruge LSTM-baserede modeller (en type neuralt netværk til tidsserier) til at forudsige energiforbrug i smarte hjem via decentraliseret fødereret læring. Studiet viser, at tilgangen er teknisk mulig, men siger ikke entydigt, at den er mere energieffektiv end centraliserede alternativer – det afhænger stærkt af, hvilke enheder der bruges, og hvordan de drives.

Rigtige implementeringer afslører kompleksiteten ✓

Et studie fra 2026 målte faktisk energiforbrug i et reelt deployment af fødereret læring i forbundne køretøjer (vehicle-to-network, V2N). Sezgin, Mokrani og Jacques fandt, at energiforbruget i sådanne scenarier er stærkt afhængigt af, hvor mange køretøjer der deltager, hvor ofte modeller opdateres, og hvilken hardware der er i spil. Det er præcis den type virkelighedsnære data, der generelt mangler i litteraturen – de fleste studier er simulerede.

**Energioptimering er mulig, men ikke automatisk ~ **

Forskning fra 2025 af Bhanbhro viser, at det er muligt at bygge "kulstofbevidst" fødereret læring, hvor man planlægger træningen efter, hvornår strømmen er grøn – altså når vedvarende energi udgør en større del af elnettet. Det kan reducere CO₂-aftrykket markant. Men det kræver aktiv indsats og intelligent planlægning; det sker ikke af sig selv, bare fordi man decentraliserer.

Danske forskere peger på effektiviseringspotentiale ✓

Forskere fra Københavns Universitet har vist, at AI-modeller kan designes til at bruge langt mindre energi end standardmodeller, uden at det går ud over ydelsen. De har udviklet en slags "opskriftsbog" over energieffektive AI-modeller. Pointen er, at energiforbrug ikke er en fast størrelse – det afhænger af designvalg, og der er et stort uudnyttet potentiale for besparelser. Det gælder både centraliserede og decentraliserede systemer.

Hvad ved vi ikke

Der er grundlæggende huller i evidensen, som gør det svært at drage sikre konklusioner:

Vi mangler standardiserede målemetoder. Der eksisterer ingen bredt accepteret standard for, hvordan man måler energiforbrug i distribuerede AI-systemer. Forskellige studier bruger forskellige metoder, hvilket gør dem næsten umulige at sammenligne direkte.

Vi mangler data fra virkeligheden. Langt de fleste studier er baseret på simuleringer eller kontrollerede forsøg. Studier som det om køretøjer fra 2026 er undtagelsen, ikke reglen. Vi ved derfor ikke med sikkerhed, hvad der sker, når fødereret læring rulles ud i stor skala i den virkelige verden.

Vi kender ikke det samlede billede. Selv hvis en enkelt enhed bruger lidt strøm, kan tusindvis af enheder tilsammen bruge meget. Og vi ved ikke præcist, hvordan dette skalerer – altså hvordan energiforbruget vokser, når man går fra hundrede til en million deltagende enheder.

Vi ved ikke, hvad der er grønnere. Det lyder intuitivt rigtigt, at det er bedre at beregne lokalt frem for at sende data til et datacenter. Men det er ikke nødvendigvis sandt. Et datacenter kan køre på 100 % vedvarende energi. En mobiltelefon kan køre på et batteri, der er ladet op med kul. Energikilden betyder mindst ligeså meget som forbrugets placering.

Vi mangler data om systemeffekter. Decentraliseret AI kræver stadig kommunikation – enheder skal sende opdateringer frem og tilbage. Energiforbruget til denne kommunikation er sjældent medregnet i studierne.

Hvad eksperter er uenige om

Er decentraliseret AI mere eller mindre energieffektivt end centraliseret AI? ~

Det er det centrale stridspunkt. Nogle forskere argumenterer for, at fødereret læring reducerer energiforbruget ved at undgå transport af store datamængder og ved at udnytte beregningskraft, der allerede er til stede i kantenheder. Andre peger på, at distribuerede systemer kræver mange kommunikationsrunder, at kantenheder typisk er langt mindre energieffektive end specialiseret hardware i datacentre, og at det samlede forbrug sagtens kan ende højere.

Er softwarebaserede estimater gode nok? ~

Der er uenighed om, hvorvidt værktøjer som CodeCarbon giver brugbare estimater, selv om de ikke er præcise. Nogle mener, at upræcise estimater er bedre end ingen estimater, og at de kan bruges til at identificere tendenser. Andre – herunder dem bag valideringsundersøgelsen fra 2025 – mener, at upræcise estimater er direkte vildledende, fordi de giver en falsk tryghed om, at vi har styr på tallene.

Hvem har ansvaret for at måle? ⚖

Det er et værdispørgsmål, men det har empiriske konsekvenser. Skal AI-udviklere selv rapportere energiforbrug? Skal det kræves ved lov? Skal der etableres uafhængige målestationer? Svaret afgør, hvilken type data vi fremover vil have adgang til – og dermed, om vi kan forbedre evidensgrundlaget. Nature-artiklens pointe er netop, at uden krav om standardiseret rapportering vil hullet i vores viden bestå.

Konklusion

Vi ved overraskende lidt om, hvor meget energi decentraliseret AI bruger. Det skyldes ikke mangel på interesse, men mangel på standardiserede målemetoder, manglende adgang til data fra virkelige implementeringer og en grundlæggende teknisk kompleksitet i at måle forbrug, der er spredt over mange enheder.

Det, vi ved med rimelig sikkerhed, er: energiforbruget i AI-systemer afhænger mere af designvalg og energikilde end af, om systemet er centraliseret eller ej. Fødereret læring er hverken automatisk grønnere eller automatisk dyrere – det kommer an på implementeringen. Og de værktøjer, vi bruger til at estimere forbruget, er ikke tilstrækkeligt valideret mod virkelighedens målinger.

For politikere og regulatorer – herunder Folketinget, som diskuterer AI-regulering i forlængelse af EU's AI-forordning – er det et problem. Man kan ikke regulere det, man ikke kan måle. Behovet for standardiserede målekrav og uafhængige energimålinger er presserende, hvis AI's klimaaftryk skal vurderes rimeligt og retfærdigt.

Det positive er, at løsningerne er inden for rækkevidde: bedre måleværktøjer, krav om åben rapportering og forskning i energieffektive AI-modeller peger alle i den rigtige retning. Men de kræver aktiv politisk og forskningsmæssig prioritering – ikke blot tillid til, at decentralisering løser problemet af sig selv.