Analys · AI och geopolitik
Stanfords AI Index visar att Kina kommit ikapp USA i modellprestanda och tagit tydliga steg mot en egen chip-stack. En Oxford-studie delar världen i "Compute North", "Compute South" och rena öknar — efter vem som äger beräkningskraften. Norden ligger i norr, men fyra grannar har valt fyra olika vägar, och alla bygger på hårdvara de inte själva tillverkar. Längst ner: vad förfogar egentligen Sverige över?
Den 13 april 2026 publicerade Stanfords institut för människocentrerad AI sin årliga AI Index — fältets mest citerade lägesrapport. En siffra fångade rubrikerna världen över: avståndet mellan det bästa amerikanska och det bästa kinesiska AI-systemet hade krympt till 2,7 procent, mätt i modellernas inbördes styrka. Tre år tidigare, i maj 2023, var gapet mellan 17 och 32 procentenheter. Modellerna har sedan dess bytt förstaplats med varandra flera gånger. Loppet är i praktiken jämnt.
Men den siffran är inte rapportens viktigaste insikt. Den döljer en djupare förskjutning: makten i AI flyttar nedåt i teknikstacken — från modellerna, där loppet är jämnt, till lagren under dem, där det inte alls är det.
Det vanliga sättet att beskriva AI-kapplöpningen är "USA mot Kina". En studie från Oxford Internet Institute, ledd av professor Vili Lehdonvirta tillsammans med forskare vid Aalto-universitetet och Australian National University, föreslår en skarpare karta. Den utgår inte från modeller utan från var de avancerade beräkningschippen fysiskt finns — och delar in världen i tre.
Överst ett "Compute North": ett trettiotal länder där de mest avancerade chippen finns att tillgå. Under det ett "Compute South", med äldre chip som räcker för att köra AI men inte träna den. Och längst ner "Compute Deserts" — beräkningsöknar, utan tillgång alls. De allra kraftfullaste chippen är extremt koncentrerade: USA har åtta "regioner" där toppkretsar som Nvidias H100 går att hyra; större delen av jordens länder har inga.
Det här är inte en statisk karta, och det är poängen. Enligt forskningsinstitutet Epoch AI växer beräkningskraften i de främsta modellträningarna med 4–5 gånger per år — den har i praktiken fördubblats var sjätte månad i femton år. När insatsen växer så snabbt vidgas klyftan mellan dem som har chippen och alla andra automatiskt, år för år. Att "ligga efter" blir för varje månad dyrare att ta igen.
I toppen av Compute North står två länder. Stanfords bild av dem är dubbelbottnad. USA leder tydligt på pengar och spjutspets — amerikanska bolag stod 2025 för 285,9 miljarder dollar i privat AI-investering mot Kinas 12,4, ett försprång på ungefär 23 gånger. Men Kina leder på bredd: 69,7 procent av världens AI-patentansökningar, 23,2 procent av publikationerna, industrirobotar i nio gånger USA:s takt.
Den kapplöpningen har en historia. Räknar man antalet uppmärksammade AI-modeller per år — brett mätt, från språkmodeller till bildigenkänning — framträder ett mönster som de enskilda årssiffrorna döljer: USA har dominerat hela det senaste decenniet, men Kina är det enda land vars modellproduktion stadigt klättrat, tydligast från 2021 och framåt. Europa och Storbritannien ligger kvar lågt och utan riktning — ytterligare ett tecken på att frontlinjen i praktiken är ett spel för två.
Det amerikanska övertaget vilade länge på en enda sak: tillgången till de kraftfullaste chippen. Washingtons exportkontroller skulle strypa Kinas tillgång och hålla landet efter. I april 2026 visade sig den strategin ha en baksida. Då släppte den kinesiska firman DeepSeek sin modell V4, anpassad att köras på inhemska chip — Huaweis Ascend, samt Cambricon och Biren. Det krävde att modellen flyttades från Nvidias programvaruekosystem (CUDA) till Huaweis motsvarighet, ett tungt arbete som under 2025 ledde till åtminstone ett allvarligt träningshaveri.
Hur långt självständigheten sträcker sig är dock omtvistat, och det är värt att vara exakt. Att köra modellen (inferens) på Huaweis chip är belagt, och ett Huawei-lett forskarlag har genomfört vidareträning av den 1,6 biljoner parametrar stora V4-Pro på drygt tusen Ascend-chip. Men den tunga grundträningen från noll — det dyraste och svåraste steget — gjordes sannolikt fortfarande på Nvidia-hårdvara; DeepSeek har inte specificerat vilka chip som användes. Kinesiska chip lämpar sig än så länge bättre för inferens än för träning. Slutsatsen är ändå att Kina tagit reella steg mot en egen AI-stack — och, som analyshuset CSIS påpekar, att exportkontrollerna paradoxalt nog gett den kinesiska halvledarsatsningen förnyad kraft. Kopplet som skulle hålla Kina på plats håller på att tänjas ut.
Var lämnar detta Europa? På modellnivå nästan utanför. Enligt Draghi-rapporten producerade USA 40 stora grundmodeller på ett år, Kina 15 — och hela EU tre. Frankrikes Mistral är kontinentens mest seriösa försök men tränade sina flaggskeppsmodeller på Microsofts Azure-infrastruktur. Även Europas suveräna hopp hyr amerikansk beräkningskraft.
Men bilden av ett hjälplöst Europa är fel, och det är här de flesta analyser slutar för tidigt. Europa har faktiskt världsledande offentlig beräkningskraft: tre av planetens tio kraftfullaste superdatorer drivs av EU:s gemensamma satsning EuroHPC — JUPITER i Tyskland (Europas första exaskaladator), LUMI i Finland och Leonardo i Italien. EU har byggt upp 19 "AI-fabriker" som ger nystartade bolag tillgång till denna kraft. Det Europa saknar är inte räknekraft i sig, utan de privata frontlinjelabben och det riskkapital som omsätter kraften i modeller — bara 6 procent av världens AI-finansiering hamnar i EU.
Och Europa håller ett kort som varken Washington eller Peking kan spela utan. Det ligger i den nederländska staden Veldhoven, hos bolaget ASML — världens enda tillverkare av de EUV-litografimaskiner som krävs för att tillverka de mest avancerade chippen. Taiwans TSMC, som tillverkar Nvidias kretsar, kan inte göra det utan ASML:s maskiner. Och Kinas försök att skala upp sina egna chip bromsas just av att landet inte kommer åt dem.
Det är den strategiska paradoxen. På mjukvarunivå är Europa en kund. På hårdvarunivå sitter det på en oumbärlig flaskhals. (Med en brasklapp: själva utövandet av den makten är transatlantiskt — exportbegränsningarna mot Kina bygger på samordning mellan Haag och Washington, inte på Europa ensamt.) Tankesmedjan Bruegel formulerar slutsatsen som att Europas chipstrategi bör vila på "indispensability, not self-sufficiency" — oumbärlighet, inte självförsörjning. Det verkliga inflytandet ligger inte i att hinna ikapp på modeller, utan i den flaskhals Europa redan sitter på.
Zoomar man in på Norden blir det tydligt att "Europa" inte är en strategi utan fyra. Grannländerna har gjort fyra olika vägval — och skillnaderna är lärorika.
Danmark köpte sig compute — med läkemedelspengar. Den danska superdatorn Gefion, invigd av Nvidias vd och den danska kungen, drivs av 1 528 av Nvidias H100-chip och finansierades till största delen av Novo Nordisk-fonden (omkring 87 miljoner dollar). Det är en av världens kraftfullaste, men smalt riktad: läkemedelsupptäckt och biovetenskap. Danmark lät en privat förmögenhet, byggd på diabetesmediciner, köpa landet en plats nära frontlinjen.
Finland blev Europas värd — och sålde sin mästare. I Kajaani står LUMI, en av Europas snabbaste superdatorer (380 petaflops, över 12 000 AMD-chip), driven helt av vattenkraft och med spillvärmen återvunnen till fjärrvärme. Den ägs av EU:s EuroHPC men huserar i Finland. På den tränades de öppna språkmodellerna Poro och Viking — av Silo AI, Europas största privata AI-labb. Men 2025 köptes Silo AI av den amerikanska chiptillverkaren AMD för 665 miljoner dollar. Finland byggde infrastrukturen och kompetensen — och såg mästaren gå till USA.
Norge har kapitalet men bygger försiktigt. Landet förfogar genom oljefonden över världens största statliga förmögenhet — som numera självt använder AI för daglig riskhantering. I statsbudgeten för 2026 avsätts 380 miljoner kronor över två år till nationell superdatorkapacitet (för första gången en fast budgetpost), och GPU:erna placeras i Lefdal Mine Datacenter, ett före detta gruvschakt kylt med fjordvatten. Norges tillgångar är kapital, vattenkraft och kyla — men satsningen på egen räknekraft är blygsam i förhållande till förmögenheten.
Sverige adopterar snabbt men räknar med lånad hårdvara. Den svenska AI-superdatorn Berzelius i Linköping har 752 grafikprocessorer, finansierade av Wallenbergstiftelsen, och på den tränades den svenska språkmodellen GPT-SW3. Sverige är dessutom värd för en av EU:s AI-fabriker. Och i den brittiska Tortoise-rankningen — ett sammanvägt index av 122 indikatorer (talang, infrastruktur, forskning, kapital, policy) — hamnar Sverige på 25:e plats, efter både Finland (18) och Danmark (22). Det är ett bredare mått än regeringens egen siffra nedan, men pekar åt samma håll: Sverige ligger i mitten av det europeiska fältet, inte i topp.
Fyra länder, fyra vägar — men en sak förenar dem. Gefion kör på amerikanska Nvidia-chip. LUMI på amerikanska AMD-chip. Berzelius på Nvidia. Alla tre tillverkade med nederländska ASML-maskiner. Nordens "suveränitet" är byggd på det Norden vill bli oberoende av. Det är Compute North-kartan i miniatyr: regionen är teknologiskt avancerad, men äger inte det den står på.
Sverige är historien i koncentrat. I februari 2026 presenterade regeringen landets första samlade AI-strategi, med målet att bli ett av världens tio främsta AI-länder. Men i samma strategi konstateras att Sverige i dag rankas på 21:a plats globalt specifikt på AI-infrastruktur (ett smalare mått än Tortoise sammanvägda index ovan), och budgeten är 479 miljoner kronor — mot de 285,9 miljarder dollar amerikanska bolag investerade på ett år.
Skalan blir konkret i hårdvaran. Berzelius 752 processorer ska ställas mot de uppskattningsvis tiotusentals som en enda frontlinjeträning brukar kräva. Och GPT-SW3, den svenska "suveräna" språkmodellen, är tränad på amerikanska chip med amerikansk mjukvara, i storlekar upp till 40 miljarder parametrar — mot frontlinjens biljoner. Det betyder inte att satsningarna är fel. Det betyder att de måste vila på en ärlig premiss: Sverige kommer sannolikt inte att bygga en konkurrent till de amerikanska eller kinesiska frontlinjemodellerna, och den kapplöpningen är troligen fel måttstock för svensk framgång.
För här finns en styrka som de stora måtten missar. Som vi noterat i en tidigare analys ligger Sverige och övriga Norden i topp i Europa på att faktiskt använda AI — danska företags adoption ligger på 42 procent, finska på 38, svenska på 35, klart över EU-snittet. Compute North bygger modellerna; men värdet uppstår först när någon tillämpar dem. Det är i det ledet, inte i grundforskningen, Nordens verkliga position ligger.
Den verkliga frågan för svenska och europeiska beslutsfattare är därför inte "hur hinner vi ikapp i loppet om de största modellerna". Det loppet är sannolikt fel måttstock — det kräver kapital och chip i en skala som ligger utom räckhåll. Frågan är i stället vad ett litet, beroende, snabbt land faktiskt förfogar över i en värld delad i Compute North, South och öknar.
I en värld där USA äger modellerna, Kina bygger alternativen och Europa tillverkar maskinen som gör chippen möjliga, är Sveriges viktigaste tillgångar inte fler parametrar. Det är fyra saker som andra inte enkelt kan ta ifrån oss: den egna datan, det egna språket, den gröna och rikliga energin — den råvara hela Compute North törstar efter — och förmågan att omsätta andras genombrott till verkliga produkter och företag. Det är inte glamoröst. Men det är verkligt, det finns här, och det är värt mer än ännu en satsning på att bygga ikapp det som redan är byggt.