De danske supercomputere: AI-træningens skjulte strømforbrug

Dybt under universiteter og forskningsinstitutioner gemmer sig nogle af Danmarks mest kraftfulde maskiner. De hedder Gefion, Computerome og Sophia – supercomputere, der gør det muligt for forskere at træne avancerede AI-modeller, analysere sundhedsdata og simulere komplekse klimamodeller.

Men hvor meget strøm bruger de egentlig? Ingen af universiteterne offentliggør i dag præcise energital for deres HPC-anlæg, og selv når de nævner effektivitet og grøn strøm, mangler konkrete opgørelser. Vores kortlægning peger på, at Gefion alene kan trække over 100 GWh strøm om året – svarende til forbruget i en mindre dansk by – mens de øvrige anlæg tilsammen ligger på yderligere 20–30 GWh.

Tidligere har også ABACUS 2.0 på Syddansk Universitet spillet en rolle som national supercomputer, men anlægget blev lukket ned pr. 1. januar 2021. Det understreger, at det danske HPC-landskab er i konstant forandring – nye maskiner tages i brug, mens andre fases ud.

Det er en del af AI’s skjulte strømregning: maskiner, der er afgørende for forskning og innovation, men hvis ressourceforbrug foreløbig foregår uden for offentlighedens søgelys. Spørgsmålet er, om vi som samfund kan acceptere den manglende gennemsigtighed – eller om det er tid til at kræve, at de akademiske kraftværker også viser, hvad de koster på elregningen.

Hvad er en supercomputer – og hvorfor er de vigtige for AI?

En supercomputer er i sin kerne ikke én maskine, men en hel klynge af tusindvis af processorer, der arbejder sammen om at løse opgaver, der er for komplekse for almindelige computere. De fylder hele rum eller bygninger og kræver specialiserede køleanlæg, avancerede netværksforbindelser og et massivt strømforbrug for at fungere.

I Danmark bruges supercomputere primært i forskningsverdenen. Her gør de det muligt at analysere enorme mængder data – lige fra genomer i sundhedsforskning til klimamodeller, der kan forudsige vejrmønstre. De er også blevet afgørende for udviklingen af kunstig intelligens: træning af store sproglige modeller, billedgenkendelse og simuleringer kræver beregningskraft i en størrelsesorden, som kun HPC-anlæg kan levere.

Supercomputere adskiller sig fra de hyperscale-datacentre, der drives af private selskaber som Apple, Google og Meta. Hvor datacentrene typisk bruges til at håndtere kommercielle cloud- og AI-tjenester, er de danske HPC-anlæg først og fremmest dedikeret til forskning. Alligevel deler de det samme grundvilkår: de sluger strøm i en skala, som ingen almindelig serverpark kan matche.

Hvad er det egentlig, der sluger strømmen?

En supercomputer er i virkeligheden et kæmpe maskinrum, pakket ind i forskningsfaciliteter og universitetsbygninger. Træder man ind, møder man lange rækker af metalskabe fyldt med servernoder og GPU’er. Det er her, de komplicerede AI-beregninger sker, og det er her strømmen for alvor forsvinder.

Hver enkelt grafikkort omsætter elektricitet til regnekraft – og næsten lige så meget varme. Derfor er køleanlæggene lige så uundværlige som selve maskinerne. Bag væggene summer ventilationssystemer, der konstant pumper kold luft ind mellem rækkerne af servere, mens store varmevekslere leder overskudsvarmen væk. I nogle anlæg bruges også vandkøling, hvor tusindvis af liter cirkulerer for at holde temperaturen nede.

Derudover står der nødstrømsanlæg klar, så forskningen ikke går i stå, hvis elnettet svigter. Og hele infrastrukturen kræver avancerede netværksforbindelser, der kan flytte enorme mængder data til og fra supercomputeren.

Kort sagt: Når man tænder for Gefion eller Computerome, er det ikke kun algoritmer, der kører. Det er en hel fabrik af elektronik, køling, strøm og vand, der sættes i gang – et fysisk maskineri, der gør den digitale intelligens mulig.

De danske anlæg – et overblik

Danmark råder i dag over en håndfuld supercomputere, der tilsammen udgør rygraden i forskningsverdenens adgang til avanceret beregningskraft. Her er de vigtigste:

Gefion (KU/DTU/DeiC)

Danmarks første dedikerede AI-supercomputer, indviet i 2025. Den rummer 1.528 NVIDIA H100 GPU’er og anslås at kunne trække omkring 112 GWh strøm om året ved fuld drift – svarende til forbruget i en mindre dansk by. Gefion er finansieret af Novo Nordisk Fonden og drives i fællesskab af KU, DTU og DeiC.

Computerome 2.0 (DTU/Rigshospitalet)

Primært brugt til bioinformatik og sundhedsdata. Supercomputeren ligger på DTU i Lyngby og anvendes bl.a. til forskning i genetik og medicin. Det samlede elforbrug vurderes til ca. 10 GWh om året. Adgangen kræver særlige datasikkerhedsgodkendelser.

Sophia (AAU/DeiC)

En ny HPC-facilitet ved Aalborg Universitet, der også indgår i DeiC’s nationale HPC-program. Sophia kombinerer klassisk højtydende beregning med AI-specialisering. Det anslåede elforbrug ligger omkring 5 GWh om året.

AAU HPC-cluster

Et mindre cluster på Aalborg Universitet, der bruges til ingeniørprojekter og AI-relaterede forskningsopgaver. Elforbruget vurderes til ca. 5 GWh om året.

AU Interactive HPC (Aarhus Universitet)

Et brugervenligt HPC-miljø, hvor forskere fra mange fagområder kan tilgå AI og datavidenskab. Det er ikke lige så stort som Gefion, men vurderes at have et elforbrug på omkring 5 GWh om året.

LUMI (CSC Finland, dansk partner)

En af verdens største supercomputere, placeret i Finland og drevet af CSC i samarbejde med EuroHPC. Danmark har adgang via DeiC, hvilket gør LUMI til en central del af den danske HPC-kapacitet. Anlægget bruger omkring 150 GWh strøm om året, hvoraf 120 GWh er dokumenteret varmegenbrug til fjernvarmen.

Tidligere anlæg: ABACUS 2.0 (SDU)

Syddansk Universitet drev indtil 1. januar 2021 supercomputeren ABACUS 2.0, som blev brugt til naturvidenskabelige beregninger. Anlægget blev lukket ned og indgår derfor ikke længere i det aktuelle danske HPC-landskab.

Ressourceforbruget – hvad ved vi, og hvad må vi skønne?

Når det gælder supercomputernes energiforbrug, er der få faste holdepunkter og mange skøn. Det eneste, der er sikkert, er, at de bruger meget strøm.

Det mest håndgribelige parameter er elforbruget. For Gefion kan vi regne os frem via hardwaredata: 1.528 H100 GPU’er med en effekt på omkring 700 watt hver. Med en antaget udnyttelsesgrad og et PUE-tal (Power Usage Effectiveness) på 1,15 giver det et skøn på cirka 112 GWh strøm om året. For de øvrige anlæg – Computerome, Sophia, AAU og AU’s HPC’er – findes ingen åbne tal, og her må vi basere os på internationale benchmarks og størrelsen af anlægget.

En væsentlig pointe er, at næsten al den strøm, supercomputere bruger, ender som varme. I teorien kunne den varme genbruges i fjernvarmenettet, men i Danmark er det kun partneranlægget LUMI i Finland, der gør det i praksis. Her dokumenteres varmegenbrug på omkring 120 GWh/år. For de danske anlæg findes ingen åbne oplysninger om varmeintegration.

Kølingen kræver i mange tilfælde vand. Internationale benchmarks viser, at et HPC-anlæg typisk bruger 0,2–0,5 liter vand per kWh strøm. For et anlæg som Gefion betyder det potentielt 20.000–50.000 kubikmeter vand om året. Ingen danske universiteter har dog offentliggjort konkrete vandtal.

På hardwarefronten har vi kun præcise tal for Gefion. De øvrige anlæg omtales i generelle vendinger, men antallet af GPU’er, CPU’er og noder offentliggøres sjældent. Hardwaredata er dog vigtige, fordi de er den mest direkte nøgle til at forstå energiforbruget.

Vi ved, at supercomputere sluger strøm, og vi kan regne os frem til omtrentlige tal. Men for alt andet – varme, vand, driftstimer – må vi basere os på internationale nøgletal og kvalificerede skøn.

Hvorfor er tallene skjulte?

Når universiteterne gerne fortæller om deres forskningsgennembrud, er det sjældent, at de fortæller om, hvor meget strøm maskinerne bag gennembruddet faktisk bruger. Der er flere forklaringer på, hvorfor energiforbruget fra supercomputere er så svært at gennemskue.

For det første bliver energiforbruget sjældent opgjort særskilt. Mange anlæg ligger i større tekniske faciliteter, hvor strømmen deles med andre IT-systemer, køleanlæg og bygningens drift. Dermed forsvinder HPC’ernes konkrete tal ind i de samlede elregninger.

For det andet er der en manglende tradition for transparens. Hvor nogle internationale HPC-centre i USA og Finland åbent rapporterer deres strøm- og varmeforbrug, er de danske universiteter tilbageholdende. Her er energien en driftsomkostning, ikke en del af forskningsformidlingen.

Endelig er der et strategisk hensyn. Supercomputere er dyre at drive, og i en tid hvor både grøn omstilling og økonomisk effektivitet er i fokus, kan et højt energiforbrug virke politisk sårbart. Derfor er det nemmere at fremhæve forskningsresultaterne frem for regningen.

Resultatet er, at de danske HPC-anlæg i praksis kører bag lukkede døre, når det gælder ressourceforbrug. Det efterlader offentligheden uden indsigt i, hvad der reelt er AI-træningens pris i strøm, vand og varme.

Hvad bruges regnekraften til?

Selv om de danske supercomputere sluger store mængder energi, er det ikke uden grund. De bruges til projekter, der kan have direkte betydning for både samfund, forskning og erhverv.

På sundhedsområdet spiller Computerome en central rolle i bioinformatik og analyse af genetiske data. Her bruges regnekraften til at udvikle ny medicin, kortlægge arvelige sygdomme og understøtte forskning i præcisionsmedicin.

Inden for naturvidenskab leverer anlæg som Sophia og AU Interactive HPC beregninger til klimaforskning, fysik og kemi. Det kan være alt fra simuleringer af atmosfæriske forhold til materialeforskning og partikelberegninger.

Med Gefion er der for første gang skabt en dedikeret AI-supercomputer i Danmark. Den er målrettet til at træne store sproglige modeller, billedgenkendelse og andre avancerede AI-systemer. Det giver danske forskere adgang til den samme type kapacitet, som ellers kun findes hos de globale tech-giganter.

Og gennem LUMI i Finland har danske forskere adgang til en af verdens største supercomputere. Her kombineres klassisk HPC med AI og maskinlæring, og den massive regnekraft er allerede taget i brug i internationale projekter, hvor Danmark bidrager som partner.

Supercomputerne er ikke bare energislugere. De er også værktøjer, der kan fremme ny viden og innovation – men deres betydning gør det endnu vigtigere at kende deres skjulte strømregning.

Høj usikkerhed

Selv om vores kortlægning giver et første billede af supercomputernes energiforbrug i Danmark, er usikkerheden høj. For Gefion kan vi lave kvalificerede beregninger baseret på kendt hardware og driftsscenarier, men for de øvrige anlæg er vi nødt til at bygge på internationale benchmarks og skøn. Vandforbrug er helt uoplyst, og varmegenbrug er kun dokumenteret i Finland gennem LUMI.

Alligevel står én pointe klart: Supercomputere er blandt de mest strømkrævende enkeltanlæg i den danske forskningsverden. De leverer uundværlig regnekraft til sundhed, klima og kunstig intelligens – men de gør det i et energimæssigt mørketal.

Spørgsmålet er derfor, hvordan vi som samfund skal håndtere balancen mellem behovet for stærk forskningsinfrastruktur og kravet om grøn omstilling. Skal universiteterne pålægges at offentliggøre energiforbrugstal, ligesom virksomheder forventes at rapportere deres CO₂-aftryk? Og kan varmegenbrug eller mere effektive algoritmer være vejen til at nedbringe den reelle strømregning?

At gøre strømforbruget synligt er det første skridt. Uden gennemsigtighed risikerer AI-træningens energibehov at forblive skjult – selv når det foregår i statens og forskningens navn.