AI-chips revolusjonerer teknologien. En gjennomgang av hva de er, hvordan de fungerer, og hvorfor de er så viktige for kunstig intelligens og digitale løsninger.
Kort fortalt
Innhold i artikkelen (6)
Hva er en AI-chip
En AI-chip er en spesialisert elektronisk brikke bygget for å kjøre beregningene kunstig intelligens-modeller bruker, særlig store matrisemultiplikasjoner i nevrale nettverk. I motsetning til en vanlig hovedprosessor (CPU), som utfører oppgaver i rekkefølge, er AI-chips laget for å gjøre svært mange enkle regneoperasjoner samtidig, ifølge Store norske leksikons artikkel om CPU. Betegnelsen dekker flere kretstyper: grafikkprosessorer (GPU), nevrale prosessorenheter (NPU) og skreddersydde brikker (ASIC) som Googles TPU.
Slik fungerer en AI-chip
En AI-chip gjør sitt arbeid ved å prosessere data parallelt, i stedet for sekvensielt slik en tradisjonell CPU gjør. En grafikkprosessor (GPU) inneholder gjerne flere tusen små kjerner spesialisert for parallell prosessering, mot typisk 6–16 kjerner i en CPU, ifølge Store norske leksikons artikkel om grafikkprosessorer. Arkitekturen passer godt til nevrale nettverk, som i bunn og grunn består av enorme mengder matrisemultiplikasjon som kan regnes ut samtidig i stedet for én om gangen.
AI-chips vs. vanlige prosessorer
Hvis en CPU er en løper som følger én sti om gangen, er en AI-chip mer som tusenvis av parallelle stier som kjøres samtidig. For generell databehandling er en CPU bedre, fordi den er mer fleksibel. AI-brikker deles gjerne i undertyper etter hvor spesialiserte de er. GPU-en er bygget for parallell databehandling og har blitt arbeidshesten for å trene og kjøre store AI-modeller i datasentre. NPU-en (Neural Processing Unit) er enda mer spesialisert og strømgjerrig, laget for å kjøre AI-modeller lokalt på en enhet — Microsofts krav til en «Copilot+ PC» er nettopp en NPU som klarer minst 40 billioner operasjoner i sekundet (40+ TOPS), ifølge Microsofts utviklerdokumentasjon for Copilot+ PC-er. ASIC-er (application-specific integrated circuit) er skreddersydd for én bestemt oppgave, slik som Googles TPU (Tensor Processing Unit), som brukes i Google Clouds datasentre.
Tall og trender
AI-chip-markedet har vokst kraftig de siste årene, drevet av datasentre som trener og kjører store språkmodeller. Nvidia, verdens største leverandør av AI-brikker til datasentre, rapporterte en datasenter-omsetning på 62,3 milliarder dollar i fjerde kvartal av regnskapsåret 2026 (kvartalet som endte 25. januar 2026), opp 75 prosent fra året før, og 193,7 milliarder dollar for hele regnskapsåret, ifølge Nvidias kvartalsrapport. Konkurrenten Google har bygget opp sin egen brikkeserie: den sjuende generasjonen TPU, kalt Ironwood, ble lansert i april 2025 og kan kobles sammen i klynger på 9 216 brikker med en samlet ytelse på 42,5 exaflops, ifølge Googles egen presentasjon av Ironwood.
Hvor brukes AI-chips i dag
AI-chips finnes i en stadig voksende liste over produkter. I datasentre dominerer Nvidias Hopper- og Blackwell-brikker, som H100, H200 og B200 — sistnevnte har 1 440 GB minne fordelt på åtte GPU-er og en ytelse på inntil 144 petaflops i FP4-presisjon, ifølge Nvidias egen spesifikasjonsside for DGX B200. I forbrukerelektronikk sitter NPU-er lokalt i telefoner og PC-er: Apples M4-brikke, som kom i iPad Pro i mai 2024, har en Neural Engine som utfører opptil 38 billioner operasjoner i sekundet, ifølge Apples egen produktkunngjøring, mens Qualcomm, Intel og AMD leverer NPU-er til Copilot+ PC-er, ifølge Microsofts utviklerdokumentasjon.
Hva kommer neste
Produksjonen av de mest avanserte AI-brikkene flyttes til stadig mindre prosessnoder. Den taiwanske brikkeprodusenten TSMC, som produserer brikker for både Nvidia og Apple, startet volumproduksjon på sin 2-nanometer-prosess (N2) i fjerde kvartal 2025, ifølge TSMCs egen teknologiside.
Samtidig har amerikanske myndigheter endret hvilke AI-brikker som kan eksporteres til Kina: fra 15. januar 2026 kan brikker som Nvidias H200 og AMDs MI325X eksporteres etter individuell vurdering i stedet for automatisk avslag, mot strenge vilkår om sluttbrukerkontroll, ifølge Morgan Lewis' gjennomgang av regelendringen.
Strømbehovet til AI vokser også: Det internasjonale energibyrået (IEA) anslår at datasentres globale strømforbruk vil dobles fra rundt 415 TWh i 2024 til rundt 945 TWh i 2030, med AI-datasentre som den klart raskest voksende delen, ifølge IEAs rapport Energy and AI.
Emner
