Капанът на GPU: европейската AI криза с заложници
Сметката за облака в късните часове
Представете си: ръководите стартъп в Амстердам, Берлин или Барселона. Късно през нощта е. Екипът ви току-що пусна нова AI функция, която клиентите наистина харесват. Всичко работи. Всичко расте.
И тогава поглеждате сметката си за облака.
Разходите ви за инфраструктура току-що се утроиха. Не защото сте направили грешка. Не защото са ви хакнали. А защото вашият доставчик на облачни услуги е решил, че цените на GPU процесорите се вдигат. Отново. И нищо не можете да направите по въпроса, защото имате точно една алтернатива: да платите или да спрете работа.
Добре дошли в инфраструктурния капан, за който никой не ви предупреди, когато започнахте да работите с AI. Капанът, който струва на европейските компании 35 милиарда евро годишно за AI инфраструктура. Капанът, изграден напълно случайно върху геймърски чипове, които никога не са били предназначени да захранват изкуствен интелект в мащаба на цивилизацията.
Това е историята за това как стигнахме дотук. И по-важното, как най-накрая бихме могли да излезем от това.
Случайността, която се превърна в империя
30 септември 2012 г. В спалнята в къщата на родителите си в Торонто Алекс Крижевски провежда последната тренировъчна сесия. Неговият екип SuperVision, създаден заедно с колегите му докторанти Иля Суцкевер и научния ръководител Джефри Хинтън, е на път да подаде своето участие в състезанието ImageNet.
Те са направили нещо нестандартно: обучили са дълбока невронна мрежа с помощта на две графични карти NVIDIA GTX 580. Геймърски хардуер. Такъв, какъвто бихте използвали, за да визуализирате експлозии в Call of Duty, за да накарате драконите да дишат реалистичен огън, за да изчислите отраженията на водата във фантастични светове.
Това си е хак, честно казано. Имали са нужда от повече изчислителна мощност, отколкото процесорите можеха да осигурят, и тези GPU карти за игри за 500 евро просто се оказали подходящи. Никой не смята, че това е бъдещето на AI. Просто е това, което е налично точно сега, в този момент, за проект на докторант.
Техният модел AlexNet не просто печели състезанието ImageNet. Той унищожава всеки предишен опит. Победителите от предишни години са постигали процент на грешка от 26,2%. AlexNet постига 15,3%. Това не е постепенно подобрение. Това е революция, която се вижда от космоса.
И точно така, напълно случайно, GPU процесорите стават основата на изкуствения интелект. Геймърският хардуер се превръща в гръбнака на най-важната технология на XXI век. Това, което всички смятаха за временно решение, се превърна в постоянна инфраструктура.
Тринадесет години по-късно тази случайност е прераснала в нещо, което никой не е предвидил: годишна зависимост от 35 милиарда евро. Стратегическа уязвимост. Технологична монокултура. Златна клетка, която е затворила цялата глобална AI екосистема, а Европа най-остро от всички.
Защо гейминг чиповете се оказаха подходящи
Нека сме напълно ясни какво всъщност се случи тук. GPU не са били проектирани за изкуствен интелект. Те са създадени да визуализират реалистична вода във видеоигрите, да правят сенките да изглеждат достоверни, да изчисляват светлинни ефекти в 3D среди при 60 кадъра в секунда.
Но те имаха една архитектурна особеност, която се оказа щастлива за невронните мрежи: масивен паралелизъм. Докато един CPU може да има 8 или 16 ядра, изпълняващи сложни операции последователно, един GPU има хиляди по-прости ядра, които изпълняват една и съща инструкция едновременно.
Невронните мрежи, както се оказва, са предимно матрични умножения. Една и съща математическа операция, повтаряна милиони пъти. „Смущаващо паралелна“ задача, както казват компютърните учени. Такъв тип проблем, при който можеш да разпределиш работата между хиляди прости процесори и да получиш драматично ускорение.
Това беше съвпадение от начало до край. Като да откриеш, че кухненският ти блендер е отличен смесител за боя. Разбира се, че работи. По-бързо е от ръчното разбъркване. Но никой не го е проектирал за тази цел. Никой не го е оптимизирал за тази употреба. Просто се случва да има точните свойства.
Екипът в Торонто трябваше да обучава по-големи мрежи. CPU бяха мъчително бавни, отнемаха седмици за това, което GPU можеха да свършат за дни. Огледаха се за алтернативи и откриха платформата CUDA на NVIDIA, програмна рамка, която позволяваше графичните карти да се пренасочат към общи изчисления.
Не беше оптимизирана за невронни мрежи. Дори не беше особено подходяща. Но беше 10 пъти по-бърза от CPU и когато провеждаш експерименти в университетска лаборатория с оскъден бюджет, това е повече от достатъчно.
„Достатъчно добро“ се превърна в златен стандарт. Временното решение се втвърди в постоянна инфраструктура. Хакът се превърна в индустрия. И ето наистина забележителната част: всички знаеха, че е хак. През 2012 г. изследователите говореха за GPU като за удобен метод за ускорение, временна мярка, докато не се появи нещо по-добро.
Никой не си представяше, че през 2025 г. все още ще използваме гейминг хардуер за авангарден AI. Никой не предвиди, че това ще се превърне в тясното място, ограничаващо цялата индустрия. И все пак ето ни тук, обучаваме модели с трилиони параметри на хардуер, първоначално проектиран да визуализира блокчетата на Minecraft.
Как NVIDIA изгради непробиваемата крепост
NVIDIA видя възможността преди всички останали. Докато академичните среди третираха GPU като удобно ускорение за експериментите си, NVIDIA изграждаше империя с търпението и далновидността на майстор стратег.
CUDA еволюира от проста програмна рамка в цялостна екосистема. Библиотеки за всяка възможна операция. Инструменти за оптимизация. Системи за профилиране. Инфраструктура за отстраняване на грешки. Обширна документация. Образователни програми, обучаващи студенти. Евангелизъм сред разработчиците. Спонсорство на конференции. Изследователски грантове.
Миллиарди, инвестирани в продължение на повече от десетилетие, за да направят CUDA не просто функционален, а незаменим. Не просто бърз, а незаменим.
Всяка голяма AI рамка изгради основата си върху CUDA. PyTorch говори на CUDA родно. TensorFlow компилира към CUDA. JAX предполага наличието на CUDA. Ако искате да обучите невронна мрежа с конкурентни скорости, пишете код, който работи на CUDA. Ако искате да оптимизирате производителността, използвате CUDA библиотеки. Ако искате да внедрите в мащаб, имате нужда от хардуер, съвместим с CUDA.
А CUDA работи само на NVIDIA GPU. Това не е случайност. Това не е пропуск. Това е стратегия, изпълнена с хирургическа прецизност в продължение на петнадесет години.
Това е един от най-успешните случаи на обвързване с доставчик в историята на изчислителната техника. Постигнато не чрез правни ограничения или антиконкурентно поведение, което регулаторите биха могли да оспорят, а чрез безмилостно, търпеливо изграждане на екосистема. Докато индустрията осъзна какво се случва, беше твърде късно. Целият AI стек беше изграден върху патентованата основа на NVIDIA, решение по решение, библиотека по библиотека, оптимизация по оптимизация.
Днес NVIDIA държи 92% от пазара на AI ускорители. Не 60%. Не 75%. Деветдесет и два процента. Някои анализатори поставят дела на пазара за обучение на 98%. Прочетете тези числа отново. Това не е конкурентен пазар. Това е монопол с техническа смокиня.
Годишният удушаващ контрол от 35 милиарда евро
Нека поговорим какво означава този монопол в конкретни цифри, особено за европейските компании, които се опитват да изградят AI продукти.
Един единствен NVIDIA H100 GPU струва между 23 000 и 37 000 евро. Това е само за един чип. Обучението на съвременен голям езиков модел изисква хиляди такива GPU, работещи непрекъснато в продължение на седмици или месеци. Само разходите за изчислителна мощност могат да достигнат десетки милиони евро. И това е само едно обучение. Повечето модели изискват десетки итерации, преди да работят задоволително.
Най-новата архитектура Blackwell на NVIDIA консумира до 1200 вата на чип. Това е повече енергия от мощен електрически радиатор. Тя осигурява приблизително 2,5 пъти по-бързо обучение на AI в сравнение с предишното поколение H100. Впечатляващо инженерство, несъмнено.
Но тя също така струва повече, изисква инфраструктура за течно охлаждане, която повечето центрове за данни нямат, и нямате абсолютно никакъв избор, освен да я купите, ако искате да останете конкурентоспособни. Защото всички останали я купуват. Защото CUDA работи само на нея. Защото екосистемата не съществува никъде другаде.
Цялата система се основава на една проста реалност: ако искате да изградите AI от най-високо ниво, имате нужда от NVIDIA GPU. А ако сте базирани в Европа, сте в структурно неизгодна позиция от самото начало.
Американските облачни доставчици като AWS, Microsoft Azure и Google Cloud инвестират над 37 милиарда евро всяко тримесечие в GPU инфраструктура. Всяко. Единствено. Тримесечие. Те контролират 70% от европейския облачен пазар. Европейските доставчици държат едва 15% от собствения си пазар, което е спад от 29% през 2017 г.
Компании като SAP и Deutsche Telekom контролират едва по 2% от пазарния дял в европейския облак. Европейските облачни доставчици като OVHcloud, Scaleway и Hetzner обслужват нишови пазари и не могат да се мерят с мащаба на американските хиперскейлъри. Не могат да си осигурят GPU на конкурентни цени. Не могат да предложат същата производителност. Не могат да се конкурират.
Не че на европейските компании им липсва технически талант или амбиция. Липсва им достъп до GPU на конкурентни цени и в нужния мащаб. Те не просто изостават в надпреварата. Те тичат по съвсем различна писта, срещайки структурни бариери, които милиарди инвестиции трудно преодоляват.
AI стартъпите в Европа са изправени пред невъзможна игра
Помислете какво се случва в момента с европейските AI компании, в реално време, докато се опитват да се конкурират.
Mistral AI, най-обещаващият AI стартъп във Франция, набра 468 милиона евро финансиране. Това са реални пари. Това ги прави една от най-добре капитализираните AI компании в Европа. Дори с този военен резерв те трябваше да обявят партньорство за суверенна AI инфраструктура с NVIDIA на VivaTech 2025, само за да си осигурят достъп до GPU.
Прочетете отново. Почти половин милиард евро финансиране, а те все пак трябваше да партнират с NVIDIA само за да получат чипове. Това не е стратегически избор. Това е необходимост, маскирана като партньорство.
Aleph Alpha, германският отговор на OpenAI, се пренасочи в края на 2024 г. от изграждане на фундаментални модели към помагане на бизнеса да внедрява AI. Защо? Както призна основателят Jonas Andrulis, изграждането на LLM се оказа твърде трудно и скъпо в пространство, доминирано от технологични гиганти с дълбоки джобове.
С други думи: не можаха да си осигурят достъп до GPU в мащаба, необходим за конкуренция. Не можаха да се мерят с инфраструктурните инвестиции на американските компании. Затова се пренасочиха към бизнес модел, който не изисква конкуренция в обучението на фундаментални модели. Това не е стратегия. Това е капитулация.
Европейските AI компании са получили десет пъти по-малко финансиране от американските си колеги. Но дори и финансирането да беше равно, проблемът с GPU щеше да остане. NVIDIA дава приоритет на най-големите си клиенти: американските облачни доставчици и технологичните гиганти. Европейските стартъпи чакат на опашка за остатъците, плащайки премиум цени за каквото разпределение успеят да си осигурят.
ЕС отговори с инициативата InvestAI, мобилизирайки 200 милиарда евро за инвестиции в ИИ. През февруари 2025 г. Brookfield Infrastructure и Data4 обявиха 19,2 милиарда евро инвестиции в ИИ инфраструктура само във Франция. През декември 2024 г. EuroHPC JU избра седем консорциума за създаването на първите AI Factories във Финландия, Германия, Гърция, Италия, Люксембург, Испания и Швеция.
Това са огромни инвестиции. Реални ангажименти. Но първите гигафабрики няма да заработят по-рано от 2027 г. И всички те, всяка една, ще работят с NVIDIA GPU. Европа харчи стотици милиарди евро, за да избяга от зависимостта си от американските облачни доставчици, само за да задълбочи зависимостта си от американски хардуер.
Проблемът е ясен.
Капанът на екосистемата: защо бягството е почти невъзможно
Ето защо зависимостта е толкова коварна, дори когато всички я разпознават като проблем, който трябва да бъде решен.
Представете си, че сте изследователска лаборатория в Техническия университет в Мюнхен. Пет години използвате NVIDIA GPU. Целият ви код е оптимизиран за CUDA. Вашите изследователи имат опит с CUDA. Инфраструктурата ви разчита на CUDA. Вашите процеси за внедряване зависят от CUDA. Инвестирали сте милиони евро и безброй човеко-години в тази екосистема.
Сега някой ви предлага алтернатива. Може би платформата ROCm на AMD. Може би TPU на Google. Може би персонализиран AI ускорител от обещаващ европейски стартъп.
За да преминете, трябва да пренапишете целия си код за нова платформа, процес, който отнема месеци или години. Да преквалифицирате екипа си за нови инструменти, рамки и техники за оптимизация. Да оптимизирате отново всичките си модели за различни хардуерни архитектури. Да приемете, че 80% от библиотеките с изкуствен интелект с отворен код няма да работят без значителни промени. Да рискувате алтернативата да няма дълготрайност и поддръжка от доставчика. Да се надявате, че производителността ще е равна или по-висока от предишната, знаейки, че вероятно няма да е. Да се молите да не сте преминали просто от една патентована екосистема към друга, също толкова затворена, но с по-малко ресурси зад нея.
Разходите за преминаване са астрономически. Рисковете са огромни. Ползите са несигурни. За повечето организации това е невъзможна сметка. По-добре да се придържате към познатото зло, дори ако това зло е скъпо, чуждо и стратегически рисковано.
Технологичните гиганти като Microsoft, Meta и Google са инвестирали десетки милиарди в центрове за данни, базирани на CUDA. Тази инфраструктура не представлява просто потънали разходи. Тя представлява основата на цялата им стратегия за изкуствен интелект. Техните специалисти са обучени в CUDA. Техният код предполага CUDA. Техните инструменти за внедряване очакват CUDA. Тяхното конкурентно предимство зависи от експертизата в CUDA.
Това е, което икономистите наричат високи разходи за преминаване с мрежови ефекти. След като една технология достигне критична маса, изместването ѝ става почти невъзможно, дори ако съществуват по-добри алтернативи. Дори ако на всички ще им е по-добре да преминат. Дори ако настоящото решение е неоптимално, скъпо и стратегически опасно.
NVIDIA не просто изгради отличен хардуер. Те изградиха клетка със златни решетки и цялата индустрия за изкуствен интелект влезе в нея доброволно, с едно целесъобразно решение след друго, без да осъзнава, че вратата се затваря зад тях.
Тясното място за иновации, за което никой не говори
Най-лошата последица не е цената или дори зависимостта от доставчика. Това е какво прави доминацията на GPU на самата иновация, на самото пространство от възможности за това какъв би могъл да бъде изкуственият интелект.
Когато една технология постигне почти пълно пазарно господство, иновациите се насочват към правенето на тази технология леко по-добра, вместо към изследване на коренно различни подходи. NVIDIA пуска нови поколения GPU с постепенни подобрения. Изследователите оптимизират код за архитектурите на NVIDIA. Разработчиците на рамки добавят функции на CUDA. Всички бягат по-бързо на същата бягаща пътека.
Междувременно коренно различните подходи към изкуствения интелект остават без ресурси, внимание и специалисти. Защо да инвестирате в невроморфни изчисления, когато всички използват GPU? Защо да изследвате базирани на ограничения разсъждения, когато невронните мрежи работят достатъчно добре? Защо да разработвате двоични мрежи, когато числата с плаваща запетая са установеният стандарт? Защо да се занимавате с аналогови изчисления, фотонна обработка или каквато и да е друга алтернативна архитектура?
Отговорът е брутално прост: не можете да се конкурирате. Екосистемата не съществува. Инструментите ги няма. Инфраструктурата не е налична. Специалистите са научили CUDA и не искат да започват отначало. Инвеститорите финансират подходи, базирани на GPU, защото те имат доказана популярност, защото разбират пазара, защото алтернативите са твърде рискови.
Това е самоподдържащ се цикъл, който стеснява пространството от възможности с всяка итерация. Доминацията на GPU създава предимства на екосистемата. Предимствата на екосистемата привличат инвестиции. Инвестициите укрепват доминацията на GPU. Алтернативните подходи трудно дори започват, камо ли да достигнат мащаба, необходим, за да докажат своята жизнеспособност.
Вече не изследваме цялото пространство от възможни архитектури за изкуствен интелект. Изследваме много по-тясното пространство на това, което работи ефективно на GPU на NVIDIA. Това е дълбоко ограничение върху иновациите, което се натрупва с времето. Всяка година клетката става по-малка, стените по-дебели, изходът по-далечен. Всяка година инвестираме повече в оптимизирането на грешното нещо.
Цифров колониализъм: стратегическата криза на Европа
За Европа това не е просто техническо неудобство или лоша пазарна ситуация. Това е стратегическа криза с геополитически последици, които ще определят европейския технологичен суверенитет за поколения напред.
На 10 юни 2025 г. Антон Карнио, директор по обществените и правните въпроси на Microsoft France, се яви пред френския Сенат за разследване относно суверенитета на данните. Един по един сенаторите го притискаха с привидно прост въпрос: може ли да гарантира, че данните на френските граждани, съхранявани на сървърите на Microsoft, никога няма да бъдат предавани на американските власти без изричното разрешение на Франция?
Отговорът му, даден ясно и без заобикалки: Не, не мога да гарантирам това.
Съгласно американския закон CLOUD Act американските технологични корпорации са длъжни да изпълняват исканията на правителството на САЩ за данни, независимо къде физически се съхраняват тези данни. Ако искането е надлежно формулирано съгласно американското законодателство, Microsoft е законово задължена да предаде данните. Европейският суверенитет на данните, с други думи, зависи от американската сдържаност. Той съществува по благоволението на американската политика, а не като въпрос на европейски контрол.
Това изслушване предизвика вълна от сътресения в европейските политически среди. Но ситуацията с GPU е структурно идентична, просто по-малко видима. NVIDIA е обект на американски експортни ограничения. Търговски спор, промяна в политиката, геополитическа криза и цялата европейска инфраструктура за изкуствен интелект може да бъде ограничена или напълно прекъсната. Не хипотетично. Реално. С едно завъртане на писалката във Вашингтон.
Европа разполага с блестящи изследователи в областта на изкуствения интелект. Световноизвестни университети, които създават авангардни научни трудове. Иновативни стартъпи като Mistral AI и Aleph Alpha. Големи изследователски институции като IDSIA в Швейцария, Германския изследователски център за изкуствен интелект, INRIA във Франция. Талантливи инженери, които изграждат впечатляващи системи.
Но всички те изграждат върху основа, която не контролират, използвайки хардуер, до който нямат достъп на конкурентни цени, заключени в патентована екосистема, собственост на една американска корпорация, подчинени на американската експортна политика, уязвими пред американските политически решения.
Това не е цифров суверенитет. Това е цифров колониализъм с приятелско лице и отлично обслужване на клиенти.
Лъжата за ефективността, с която никой не иска да се сблъска
Ето една неприятна истина, която се премълчава в повечето дискусии за инфраструктурата на изкуствения интелект: GPU всъщност не са ефективни за изкуствен интелект. Те са просто най-малко неефективният вариант, който сме приели, защото бяха налични през 2012 г.
Да, GPU са по-бързи от CPU при умножението на матрици. Но постигат скорост чрез груба сила, а не чрез елегантност или оптимизация. Те консумират огромно количество енергия. Изискват сложни системи за течно охлаждане. Изискват специализирана инфраструктура за центрове за данни. И стават все по-зле, а не по-добре.
Съвременният NVIDIA Blackwell B200 консумира 1200 вата. Това е повече енергия от повечето домакински нагреватели. Центровете за данни в цяла Европа се препроектират не заради изчислителната ефективност, а само за да се справят с топлинния товар. Шкафът GB200 NVL72 консумира 120 киловата. Един единствен шкаф. AI фабрики с гигаватов мащаб изискват енергийна инфраструктура, еквивалентна на тази на малки градове.
Търсенето на електроенергия за центрове за данни в Европа се очаква да достигне 168 TWh до 2030 г. и 236 TWh до 2035 г., което е тройно увеличение спрямо нивата от 2024 г. В Нидерландия центровете за данни вече консумират 7% от националното електричество. Във Франкфурт, Лондон и Амстердам те консумират между 33% и 42% от цялото електричество. Прочетете това отново. Между една трета и почти половината от цялото електричество в големите европейски градове отива за центрове за данни.
В Ирландия центровете за данни представляват над 20% от общото национално потребление на електроенергия. Една пета от енергията на цяла държава отива за поддържане на чиповете достатъчно хладни, за да функционират. И този процент расте всяка година, тъй като все повече инфраструктура за изкуствен интелект влиза в експлоатация.
И ето частта, която трябва да накара всеки да се замисли: по-голямата част от тези изчисления са напълно разхитени. GPU извършват операции с плаваща запетая с изключителна точност, когато крайното решение е двоично. Те изпълняват масивни матрични умножения, когато по-прости операции биха били достатъчни. Те изгарят енергия не защото е необходима за интелигентност, а защото така работи GPU хардуерът. Защото това е единственият начин, по който знаем как да го правим в мащаб с инструментите, в които сме инвестирали.
Оптимизирали сме за напълно грешния показател. Не за това какъв е най-добрият начин да се прави ИИ, а за това какъв е най-бързият начин да се прави на GPU. Това е като да проектираш самолети, като караш птиците да махат с криле по-бързо, вместо да разбереш основните принципи на аеродинамичната подемна сила. Работи, горе-долу, но напълно пропускаш същината.
Бинарният пробив: излизане от парадигмата
И така, какъв е реалният изход от тази златна клетка? В Dweve зададохме коренно различен въпрос: ами ако изобщо не ни трябват GPU? Ами ако целият подход с плаваща запетая е бил грешният път от самото начало?
Невронните мрежи изискват GPU, защото използват аритметика с плаваща запетая. Операциите с плаваща запетая изискват специализиран хардуер за приемлива производителност. Това архитектурно изискване създава зависимостта от GPU. Ето защо сме в капан. Това е веригата, която трябва да скъсаме.
Но бинарните невронни мрежи елиминират напълно аритметиката с плаваща запетая. Те работят с прости логически операции: AND, OR, XOR, XNOR. Вид операции, които всеки съвременен CPU може да изпълнява ефективно с помощта на вградени инструкции, съществуващи от десетилетия. Без специализиран хардуер. Без зависимост от GPU. Без обвързване с CUDA. Без монопол на доставчик.
Dweve Core прилага този подход с 1 930 хардуерно оптимизирани алгоритъма, работещи директно в дискретното пространство на решенията. Бинарни изчисления, троични изчисления, изчисления с ниска битовост. Платформата работи ефективно на стандартни CPU и постига резултати, които би трябвало да са невъзможни:
Стандартни сървъри Intel Xeon, които изпълняват големи модели с конкурентни скорости. Консумация на енергия, измервана в десетки вата, не в стотици или хиляди. Изисквания към паметта, намалени с порядък. Скорост на изводи, която се изравнява или надминава GPU реализациите за много натоварвания. И всичко това на хардуер, който вече съществува във всеки център за данни, при всеки облачен доставчик, във всяко крайно устройство.
Математиката е проста. Моделите FP32 изискват 4 байта на параметър. Бинарните модели изискват 1 бит на параметър. Това е 32-кратно намаление на паметта само от квантуването. Добавете редки модели на активация и получавате модели, които се побират в системната RAM, вместо да изискват скъпа памет с висока честотна лента.
Бинарните операции се изпълняват с инструкциите XNOR и POPCNT. Това са вградени CPU инструкции, част от наборите x86-64 и ARM, оптимизирани на силициево ниво. Те са бързи. Те са ефективни. Те са били там през цялото време. Просто трябваше да разберем как да ги използваме правилно.
Какво всъщност променят бинарните мрежи
Това не е леко подобрение на съществуващата парадигма. Това е различна парадигма. Последиците се простират далеч отвъд просто по-добри показатели за производителност.
Dweve Loom демонстрира какво става възможно: 456 системи с тясна специализация, работещи като Mixture of Specialists. Всеки домейн специалист е бинарна мрежа, оптимизирана за своята област. Математика. Наука. Код. Език. Заедно те постигат дълбочината и възможностите на много по-големи модели, като използват само част от ресурсите.
Маршрутизирането между домейн специалистите? Бинарни операции. Активирането на домейн специалистите? Бинарни решения. Крайното обединяване на резултатите? Бинарна логика. Всичко е бинарно до самия край и това работи, защото интелигентността в крайна сметка се проявява чрез дискретни избори, а не чрез непрекъснати вероятности, изчислявани с разточителна точност.
Това работи на стандартен сървър. Не на GPU клъстер. Не на специализирани ускорители. Сървър, който можете да купите от всеки хардуерен доставчик, да инсталирате във всеки център за данни, да разположите във всяка държава. Консумацията на електроенергия се измерва в стотици ватове за цялата система, а не за чип. Изискванията за охлаждане се покриват от стандартно въздушно охлаждане, а не от течни системи, чийто монтаж струва милиони.
Освобождаване: Пътят на Европа напред
Ерата на GPU продължи много по-дълго, отколкото трябваше. Това, което започна като временен хак в спалнята на докторант през 2012 г., се превърна в зависимост за цялата индустрия. Това, което трябваше да бъде временно решение, стана постоянна инфраструктура. Това, което трябваше да бъде заменено преди години, вместо това се вкамени в монопол.
Но пукнатините се виждат. Разходите стават непоносими за всички освен за най-големите технологични гиганти. Стратегическите рискове са невъзможни за пренебрегване за всяко правителство, което обръща внимание. Тясното място за иновации задушава алтернативни подходи, които може да са по-добри. Въздействието върху околната среда става все по-неустойчиво, докато строим електроцентрали с гигаватов капацитет само за да охлаждаме чипове. Геополитическите уязвимости са твърде сериозни, за да ги приема Европа за неопределено време.
Бинарните невронни мрежи не са просто оптимизация на съществуващи подходи. Те представляват фундаментално преосмисляне на това как трябва да работи изкуственият интелект. Те въплъщават разликата между това да си в капана на екосистемата на NVIDIA и да постигнеш истинска технологична свобода. Между това да плащаш GPU данъка завинаги и това да се освободиш напълно.
Европа не трябва да печели надпреварата с GPU. Европа трябва да я направи остаряла. Изградете AI системи, които работят на стандартен хардуер, който вече имаме. Създайте технологии, които не зависят от американски ускорители, подчинени на американски експортни контроли. Развийте възможности, които не могат да бъдат ограничавани от решения на външната политика или компрометирани от чуждестранни закони за достъп до данни.
В Dweve цялата ни платформа е изградена върху тази основа. Core предоставя рамката за бинарни алгоритми. Loom реализира модела на интелигентност с домейн специалисти. Nexus оркестрира мултиагентни системи. Aura управлява автономни агенти. Spindle се грижи за управлението на знанието. Mesh създава децентрализирана инфраструктура.
Всичко това работи ефективно на стандартна европейска инфраструктура. На процесори в центрове за данни на Interxion, на Equinix, на OVHcloud. На периферни устройства из целия континент. На хардуер, който контролираме, използвайки математика, която не може да бъде монополизирана, създавайки стойност, която остава в Европа.
Без зависимост от GPU. Без стратегическа уязвимост. Без златна клетка.
Изборът, пред който сме изправени
AI индустрията стои на кръстопът. Единият път продължава по траекторията на GPU, приемайки все по-високи разходи, намаляващ суверенитет, стесняващо се пространство за иновации, нарастващо въздействие върху околната среда и задълбочаваща се стратегическа уязвимост. Другият път се освобождава напълно, използвайки дискретна математика, която не изисква специализирани ускорители, която работи на хардуер, който вече имаме, която ни връща контрола.
Златната клетка изглежда удобна отвътре. NVIDIA прави наистина отлични продукти. CUDA е впечатляващо оптимизиран. Екосистемата е зряла и изчерпателна. Производителността е реална. Инерцията е мощна. Потъналите разходи създават психологическа обвързаност. Промяната е трудна, рискована и несигурна.
Но това все пак е клетка. И вратата се затваря.
Всяко тримесечие зависимостта от GPU се задълбочава. Всяко евро, инвестирано в CUDA инфраструктура, повишава цената на преминаването. Всяко ново поколение ускорители укрепва заключването. Всеки изследовател, обучен изключително на CUDA, стеснява таланта. Всяка година клетката става по-малка, а изходът по-далечен. Всяка година имаме по-малко пространство за маневриране, по-малко опции, по-високи рискове.
Бинарните невронни мрежи и дискретните изчисления предлагат път за бягство. Но само ако го поемем, преди клетката да стане неизбежна. Само ако действаме, докато алтернативите все още са възможни. Само ако сме готови да оспорим предположението, че GPU са неизбежни, че floating-point е необходим, че монополът е приемлив.
Късметът от 2012 година изпълни предназначението си. Той демонстрира, че задълбоченото обучение работи в мащаб. Той доказа потенциала на AI отвъд това, което някой си е представял. Той стартира индустрия, която трансформира цивилизацията. Алекс Крижевски, Иля Суцкевер и Джефри Хинтън заслужават огромно признание за своя пробив. Те промениха света.
Но късметът не е предназначен да бъде основа. Удобните хаквания не са предназначени да бъдат инфраструктура. Временните решения не са предназначени да се превърнат в постоянни зависимости. Игровият хардуер не е предназначен да управлява AI в цивилизационен мащаб. Американските монополи не са предназначени да контролират европейския технологичен суверенитет безкрайно.
Време е да изградим нещо по-добро. Нещо, което не ни затваря в златни клетки. Нещо, което наистина заслужава да бъде основата на изкуствения интелект. Нещо, което работи на стандартен хардуер, зачита енергийните ограничения, позволява истински иновации, запазва стратегическата автономия и ни връща контрола върху технологичното ни бъдеще.
Ерата на GPU изтича, независимо дали го признаваме или не. Физиката и икономиката го гарантират. Единственият въпрос е дали ще го видим навреме и ще изградим алтернативата, или ще се събудим един ден и ще открием, че няма изход, и ще осъзнаем, твърде късно, че е трябвало да действаме, докато все още сме имали шанс.