Kaya ng utak ng tao gumana gamit lang ang nasa 20 watts. Pero yung pinakamabilis na supercomputer sa mundo ngayon, ang LineShine sa Shenzhen, kumakain ng 42.2 million watts. Madalas na ginagamit itong comparison online tungkol sa energy use ng AI, pero mali karamihan sa mga nababasa mong info tungkol dito.
Medyo may saysay naman yung comparison. Pero halos lahat ng stats na ikinakalat sa social media, galing lang sa iisang research paper. Yung pinaka-catchy na number, maling na-credit sa loob ng tatlong taon.
AI Energy Use: Ano Ba Talaga ang Nabibili ng 20 Watts?
Yung stats na 20 watts, base yan sa dekada ng mga metabolic measurements. Mga nasa 2% ng timbang ng katawan natin ay utak, pero kinukuha daw nito ang halos 20% ng oxygen na ginagamit natin habang nagpapahinga.
Yung sinasabing 86 billion neurons ng tao, hindi rin pala super solid. Kinuha lang yan mula sa apat na lalaking brain at under pa nga sa diskusyon ngayon sa journal na Brain.
Minsan, viral sa social media yung 12 watts imbes na 20. Galing yang number na ‘yan sa isang 2023 na paper sa Frontiers in Artificial Intelligence—pero hindi man lang nilagyan ng source!
Galing din sa paper na yun yung number na madalas i-share ng mga tao: Nag-estimate sila na kung i-digital copy mo ang human brain, aabot sa 2.7 billion watts ang magiging consumption.
Paano nila nakuha yan? Nag-simulate sila ng utak ng mouse gamit ang 10 million neurons, tapos tinaas pa nila ng libong beses ang calculation.
Sinabi pa ng paper na tumatakbo ang simulation nang halos 30,000 na beses na mas mabagal kumpara sa totoong biology. Madalas, hindi na ito binabanggit sa social posts. Mas malala pa, inangkin pa ng mga ibang source na number ito ng Blue Brain Project pero hindi naman talaga sila naglabas ng ganyang number.
May mas mapagkakatiwalaang stats din naman. Yung Epoch AI nag-estimate na ang isang ChatGPT query ay gumagamit ng 0.3 watt-hours (simula early 2025). Isang peer-reviewed study sa Joule naman nakakuha ng 0.31.
Madalang mangyari na magkapareho ng result ang dalawang magkaibang method, pero dito nag-match sila. Pero tandaan, pwedeng magbago pa rin yan depende sa dami ng workload, at kapag mas mahaba ang sagot na binibigay ng model, mas lalaki ang energy na magagamit.
Ano ang Kakaiba sa Biology — At Ano ang Kinopya ng Teknolohiya
Yung activity sa cortex ng utak, madalang actually. Halos lahat ng neurons, bumababa pa sa 1 Hz lang ang average firing, at yung energy, sumusunod lang sa pagbabago—hindi sa clock cycles tulad ng sa computer.
Nagkataon, ganun din ang naging diskarte ng modern AI. Yung Kimi K2 ina-activate lang ang 32.6 billion mula sa 1.04 trillion parameters per token—nasa 3.1% lang ‘yan.
Pabilis nang pabilis ngayon ang trend na yan. Noong 2023, ginamit ng Mixtral ang halos 28% ng parameters nila, tapos yung DeepSeek-V3 ngayon, 5.5% na lang gamit nito.
Isa pa, ang biology, mababa ang precision pag-compute. Sa loob ng neuron, walang umaabot ng 32 bits.
Sumunod din ang mga gumagawa ng chips. Yung DeepSeek, na-train nila yung 671-billion-parameter model sa eight-bit na precision lang. Si NVIDIA naman, nakapag-pretrain ng 12-billion-parameter model gamit ang four-bit lang.
Pero yung pangatlong kaibahan, ito yung pinaka-malaki at halos hindi pa nagagaya. Sa utak ng tao, magkasama sa iisang lugar ang memory at ang nagko-compute — kung saan ka nag-iisip, doon din nandoon yung aalalahanin mo.
Sa digital machines, hiwalay ang memory at computation. Pinakita ni Mark Horowitz ng Stanford kung gaano kamahal sa energy ang setup na ‘yan — minsan, daan-daang beses pa ang energy magagamit sa pagkuha lang ng data mula memory kumpara sa mismong pag-compute.
Yung Brain-Inspired na Chips na Hindi Pa Dumarating
Yung mga hardware na ginawa para mag-aya ng neurons, nahihirapan pa din. Wala pang neuromorphic o analog system na nakapag-train o nagpapatakbo ng matinding frontier AI model sa actual na production ngayon.
Halimbawa, yung Intel Hala Point, pinagsama ang 1.15 billion na artificial neurons sa 1,152 chips. Pero research prototype pa lang ito na naka-install sa Sandia National Laboratories. Sabi ni Mike Davies, director ng Intel’s Neuromorphic Computing Lab, sa interview niya sa The Register noong 2024, ganito daw:
“Wala pa kaming ginagawang kahit anong mapping ng LLM sa Hala Point sa ngayon. Hindi pa namin alam kung paano gawin ‘yon.”
Mas manipis pa ang kita sa commercial side. Ang BrainChip ang pinaka-kilalang listed company sa sector na ito. Nag-report ito ng $700,000 lang na customer receipts kumpara sa $5.3 million na gastos sa operations noong nakaraang March quarter.
Yung ibang companies, totally huminto na. Gaya ng Rain AI na nagtangkang mag-raise ng $150 million pero hindi nakuha, kaya pinag-isipan na lang ibenta ang business nila sa 2025.
Yung mga researcher sa field ay nag-describe ng parang cycle na problema. Si Catherine Schuman, assistant professor para sa electrical engineering at computer science sa University of Tennessee, Knoxville, sinabi:
“Naghihintay ang mga hardware company na magkaroon ng killer application, pero mahirap intindihin kung paano gumawa ng mga application na ‘yon kung wala kang hardware na pwedeng pagpraktisan.”
Mahigit 20 researchers ang pumirma sa isang consensus paper noong 2025 na nailathala sa Nature. Sabi nila, kulang pa talaga yung ecosystem na kailangan ng field na ito.
Sa madaling salita, nanalo ang principles ng biology. Pero yung mga hardware para buhayin ito, hindi naging successful.
Lahat Gusto Makakuha ng Parehong Kuryente
Malaking factor ngayon yung efficiency dahil grabe na ang demand sa kuryente. Ayon sa International Energy Agency, umabot na sa 485 terawatt-hours ang global data center consumption nitong 2025.
Yung mga AI-focused na data centers, tumaas ng 50% sa taon na yun pa lang. Inaasahan pang triplehin ito ng agency pagdating ng 2030.
Yung access sa grid, hindi na supply ng chips, ang nagiging pinakamalaking sagabal sa pagbuo ng mga bagong pasilidad. Sa report ng Lawrence Berkeley National Laboratory, lagpas limang taon ang average na hintayan mula request ng kuryente hanggang actual na commercial operation.
Noong November, sinabi ni Microsoft CEO Satya Nadella na may processors sila na hindi nila magamit kasi kulang sa kuryente. Hindi kakulangan sa chips o silicon ang totoong problema kundi powered na buildings. Ganitong mga tanong tungkol sa grid readiness rin ang nilabas ng mga institutional investor.
Ang mga Bitcoin miner, isang dekada nang solusyon ang hinahanap diyan. Sila ang may control sa energized sites, signed power agreements, at interconnection rights na pinapangarap pa lang ma-secure ng mga bagong pasok sa industry na ito.
Dahil dito, nagiging energy at infrastructure business na talaga ang Bitcoin mining ngayon. Para ma-convert ang isang existing site, nasa $3 milyon hanggang $4 milyon ang per megawatt na gastos. Kung magtatayo ka from scratch, abot $10 milyon hanggang $12 milyon bawat megawatt base sa estimate ng VanEck. estimate.
Matindi rin ang value ng mga nai-announce na deals. Ang mga public miners, lampas $70 billion na ang total value ng mga AI contracts na napirmahan nila.
Pero mas tahimik ang kwento kapag actual na delivery ng kapasidad. Sa second quarter ng 2026, nasa 750 megawatts lang talaga ang aktwal na energized sa buong sector.
Malaki ang partisipasyon dito ng Core Scientific na nasa 437 megawatts ang hawak. Ang campus ng Galaxy na Helios, 133 megawatts; TeraWulf, 102; IREN, 50; Riot, 25. Ang Hut 8 naman, napirmahan na ang 949 megawatts pero wala pang nai-energize.
Mahal din ang naging pag-shift. Pinagsamang quarterly loss ng mga miner gaya ng MARA at CleanSpark, umabot na sa $851 milyon nitong August.
Malaking bahagi talaga ng mining capacity, hindi na talaga magko-convert para sa AI. Ayon sa preliminary survey ng Cambridge noong July, nasa 10% lang ng mga miner ang nag-allocate ng power para sa AI.
Physical obstacles ang punot dulo. Kaya ng mining tumigil-tigil, pero ang mga AI user, kailangan nila ng tuloy-tuloy na power, intense na cooling, at mabilis na fiber na madalas wala sa remote na mining sites.
Kahit ganon, malinaw kung saan papunta ang trend. Ngayon, 83% na ng revenue ng Core Scientific ay galing sa colocation habang 13% na lang sa mismong mining.
Alam na ng investors ang value ng shift na ito. Malaki ang traded value ng mga miner na may signed leases kumpara sa mismong powered-up nila. Sa ngayon, lumalabas na electricity na, hindi na chips, ang susunod na malaking AI bet.
Bakit Hindi Kayang Solusyunan ng Efficiency ang Energy Use ng AI
Dati, kahit tumataas ang demand, nakakaya ito dahil sa mga improvement sa efficiency. Halimbawa, mula 2010 hanggang 2018, tumaas ng 550% ang global data center compute capacity, pero yung konsumo ng enerhiya, mga 6% lang ang tinaas.
Pero nabasag na ang pattern na ‘yon. Sa United States, umakyat na ang konsumo ng mga data center mula 58 terawatt-hours noong 2014 hanggang 176 terawatt-hours nitong 2023 base sa report.
Kung titignan ang evolution, limitado lang ang kung anong kayang gawin ng katawan. Halimbawa, kung yung skull mo eh gagamit ng 200 watts, delikado, kaya napilitan ang evolution na maging mas efficient.
Pero ang AI, hindi siya sumagad sa limit na ‘yan. Imbes, pera o kapital ang naging limitasyon nito — at syempre, mas madali pang palawigin ang budget kaysa kuryente.
Ngayon, nag-iiba na ang labanan. Hindi na tanong kung mas efficient ba ang biology. Ang tanong na ngayon: ano ba ang mangyayari sa AI kung kuryente na, at hindi pera, ang may final say sa kung anong itatayo at ide-develop?
