Kunstig intelligens har demonstreret fantastiske resultater i de senere år. Problemer som vi for få år siden ikke troede var mulige at løse med computere, kan i dag løses med AI teknologier som Deep Learning, der baserer sig på neurale netværks modeller. Denne succes er gjort mulig gennem den eksponentielle udvikling af computerkraft – og fokus har været på, at udnytte den stadigt stigende beregningsevne, til at lære mønstre fra meget store datasæt, med millioner af parametre, ved at foretage enorme mængder at floating point operationer, alt sammen inden for rimelig tid i store datacentre, det vi kalder skyen. Men denne enorme succes for AI kommer med en bagside – der bruges meget store mængder af energi på specielt at træne disse neurale netværk. I dette oplæg beskrives disse udfordringer og hvilke muligheder der er for at minimere energiforbruget. Jan kommer ind på en relativ ny trend, som forsøger at flytte AI algoritmerne fra skyen til sensor devices, kaldet embedded AI. Dette har bl.a. til formål at bringe energiforbruget ned, men rejser samtidigt spørgsmålet om, hvor små hjerne vi kan bygge meningsfyldt?