Digitální energetická krize: 945 TWh účtů za umělou inteligenci

Digitální energetická krize: 945 TWh účtů za umělou inteligenci

Průmyslová sauna, které říkáme pokrok

Vstupte do moderního datového centra pro umělou inteligenci ve Frankfurtu nebo Dublinu a vaše první myšlenka nebude „Tohle je budoucnost." Bude to „Proč je tu tak zatraceně horko?" Teplo vás zasáhne jako při otevření dvířek trouby, vlny tepelné energie se valí z racků, které vypadají spíš jako průmyslové pece než jako počítače. Chladicí systém řve, ventilátory jedou na plný výkon, chlazená voda proudí kilometry potrubí, jen aby se tyhle stroje doslova neroztavily.

Každý akcelerační čip pro AI má příkon 1 200 wattů. Pro představu, to je víc energie než topidlo, které v lednu vytápí byt vaší nizozemské babičky. A vy se díváte na tisíce takových čipů, nacpaných do racků se spotřebou 50, 100, někdy i 250 kilowattů na jeden rack. Jediný rack odebírá tolik energie jako 100 průměrných evropských domácností. V prostoru velikosti skříně.

Tohle je digitální energetická krize, o které se na konferencích ve slušné společnosti nemluví. AI elektřinu jen nespotřebovává. Požírá ji s chutí černé díry a my všichni zdvořile přikyvujeme, jako by to bylo naprosto rozumné chování pro matematiku.

Čísla, u kterých byste měli nadávat

Pojďme si říct něco o měřítku, protože ta čísla jsou skutečně děsivá. V roce 2024 spotřebovala datová centra po celém světě přibližně 415 terawatthodin elektřiny. To je 1,5 % veškeré světové spotřeby elektřiny. V evropských souvislostech to znamená podstatně víc, než je celoroční poptávka Španělska po elektřině, která činí 248 TWh. Celé Španělsko. Každá domácnost, každá továrna, každý vlak, každá nemocnice. Datová centra spotřebují víc.

A tady to přestává být jen znepokojivé a začíná to být pořádně děsivé: podle projekcí se toto číslo do roku 2030 více než zdvojnásobí a dosáhne 945 TWh. To jsou 3 % světové elektřiny. Ne 3 % elektřiny pro technologie. 3 % všeho. Víc než všechna elektrická vozidla, tepelná čerpadla a solární panely dohromady.

A hlavním hybatelem je AI. Spotřeba energie datových center pro AI roste ročně o 44,7 %. Abyste pochopili, jak exponenciální to je, podívejte se na Irsko. V roce 2024 spotřebovala datová centra 22 % veškeré irské elektřiny, zatímco v roce 2015 to bylo jen 5 %. To je za devět let nárůst o 531 %. EirGrid, provozovatel irské přenosové soustavy, odhaduje, že do roku 2030 by datová centra mohla spotřebovávat 30 % elektřiny v zemi. Téměř třetina energetické sítě celého národa, jen aby se trénovaly modely a obsluhovaly dotazy AI.

Příběh vypráví už samotný Dublin. V roce 2023 spotřebovala datová centra 33 až 42 % veškeré elektřiny v Dublinu. Některé odhady uvádějí ještě vyšší čísla. Irská vláda uvalila na výstavbu nových datových center v Dublinu moratorium až do roku 2028, protože síť doslova nezvládne další zátěž. Amsterdam udělal totéž v roce 2019 a zrušil zákaz až poté, co zavedl přísné požadavky na efektivitu využití energie a strop 670 MVA do roku 2030. Nizozemsko šlo ještě dál a uvalilo celostátní moratorium na hyperscale datová centra s výkonem přes 70 megawattů.

Tohle není pozvolný růst. Tohle je exponenciální exploze poptávky po energii, která se děje právě teď, každé čtvrtletí zrychluje a řítí se přímo do limitů fyzické infrastruktury.

Tréninková uhlíková bomba

Trénink jediného velkého jazykového modelu vytvoří uhlíkovou stopu, která by zahanbila ropnou rafinérii. A na rozdíl od rafinerií, které alespoň produkují něco hmatatelného, co si můžete nalít do auta, tyto emise vytvoří... no, model, který vám možná sebevědomě začne plést pohádky o receptech na houby.

GPT-3, model, který odstartoval současný boom umělé inteligence, při tréninku vypustil 552 tun CO2. To odpovídá 123 osobním vozům na benzin v provozu po dobu jednoho roku. Za jeden model. Za jeden trénink. A to je jen přímá spotřeba energie, bez započtení vázané uhlíkové stopy z výroby GPU nebo stavby datového centra.

A teď ta opravdu šílená část: GPT-3 je dnešními měřítky považován za malý. Moderní modely jsou o řády větší. Trénink modelu se 100 biliony parametrů spotřebuje přibližně 9 milionů eur na výpočetní čas GPU. Při evropských cenách energie a uhlíkové intenzitě to znamená tisíce tun ekvivalentu CO2. Na jeden model. A úspěšné nasazení obvykle vyžaduje desítky nebo stovky tréninků, protože prvních sedmnáct pokusů vyprodukuje model, který si myslí, že Belgie je druh sýra.

Výzkumné práce troubí do světa působivé výkonnostní metriky. Uhlíková stopa? Ta se schová do poznámky pod čarou, pokud se vůbec zmíní. Je to ekvivalent chlubení se zrychlením nového auta, zatímco pečlivě zamlčíte, že žere 2 litry na kilometr.

Efekt násobení inference

Tady je to, co většina lidí přehlédne, a je to ta část, na které opravdu záleží: trénink je jednorázový náklad. Inference, tedy použití modelu k odpovídání na otázky, běží nepřetržitě. Navždy. V měřítku, které způsobí, že emise z tréninku vypadají jako nic.

Každý dotaz do ChatGPT spotřebovává elektřinu. Každé generování obrázku pomocí AI pálí watty. Každé doporučení, každý překlad, každá odpověď hlasového asistenta. Miliony požadavků za sekundu, 24 hodin denně, 365 dní v roce. A na rozdíl od tréninku, který probíhá v soustředěných dávkách, je inference rozprostřena do tisíců datových center po celém světě, takže je téměř nemožné ji sledovat.

Výzkum ukazuje, že emise z inference často převyšují emise z tréninku o řády, zejména u široce nasazených modelů. Trénink může stát 500 tun CO2. Inference za celou dobu životnosti modelu? Potenciálně 50 000 tun. Možná i víc. Nikdo to nepočítá, a to je přesně ten problém.

Technologické firmy vykazují emise z tréninku, když to vyžadují předpisy EU. Emise z inference? To je „provozní režie“, pohodlně pohřbená ve všeobecných statistikách datových center vedle e-mailových serverů a videí s kočkami. Akt o umělé inteligenci EU vyžaduje zveřejňování spotřeby energie u modelů umělé inteligence pro obecné účely, ale vymáhání je nedůsledné a dobrovolné zveřejňování zůstává přesně tím, čím je: dobrovolné.

Krize hustoty výkonu, která boří fyziku

Tradiční datová centra běžela zhruba na 36 kilowattů na rack. Zvládnutelné. Běžné vzduchové chlazení fungovalo bez problémů. Šlo je postavit kdekoli s dobrým připojením k síti a rozumnými cenami elektřiny. Infrastruktura byla přímočará.

Pak přišla umělá inteligence a fyzika se rozzlobila.

Dnešní AI racky dosahují 50 kilowattů. Špičková nasazení se dostávají na 100 kilowattů. Některé experimentální konfigurace tlačí na 250 kilowattů na rack. To je spotřeba 100 průměrných evropských domácností soustředěná do pár čtverečních metrů serverového racku. Hustota výkonu se blíží hustotě výkonu raketového motoru.

Problémem není jen celkový výkon. Je jím hustota. Nacpat tolik energie do tak malého prostoru a fyzika se stane vaším nepřítelem. Teplo se musí někam odvést a vzduchové chlazení to fyzicky nezvládne. Tepelná zátěž je příliš vysoká. Potřebujete kapalinové chlazení. Chlazení přímo na čip. Ponorné chlazení. Komplexní systémy tepelného managementu, které stojí víc než samotné servery a vyžadují vlastní týmy inženýrů na provoz.

Datová centra se přepracovávají ne kvůli výpočetní efektivitě, ale jen aby nedošlo k tepelnému kolapsu. Stavíme infrastrukturu na odvod odpadního tepla z matematických operací, které by v první řadě neměly produkovat tolik tepla. Je to jako navrhovat lepší výfuk pro auto, které hoří, místo abychom se ptali, proč hoří.

Čip, který snědl rozvodnou síť

Podívejme se na chvíli na samotný hardware, protože spotřeba jednotlivých čipů vypráví vlastní příběh stupňujícího se šílenství.

První akcelerátory pro AI braly kolem 400 wattů. To už bylo hodně, ale při běžném chlazení zvládnutelné. Pak přišlo 700 wattů. Pak 1 000 wattů. Nejnovější architektura Blackwell od NVIDIA dosahuje 1 200 wattů na čip, přičemž některé konfigurace jdou ještě výš. Už teď se mluví o budoucích návrzích s výkonem 1 400 wattů.

Zamyslete se nad tím. 1 200 wattů. Na jeden čip. Jediný čip, který spotřebuje víc energie než většina domácích spotřebičů. A trénování velkého modelu vyžaduje tisíce takových čipů běžících nepřetržitě týdny nebo měsíce.

Matematika je neúprosná: 1 000 čipů × 1 200 wattů = 1,2 megawattu. Pro jeden trénovací cluster. Pro jeden model. A po celém světě jsou takové clustery stovky, přičemž každé čtvrtletí přibývají další. Jen trhy FLAP-D (Frankfurt, Londýn, Amsterdam, Paříž, Dublin) představují přes 60 % kapacity evropských datových center, přičemž poptávka po energii má podle projekcí vzrůst z 96 TWh v roce 2024 na 168 TWh do roku 2030.

Tohle není udržitelné. Ani zdaleka. Pálíme elektřinu tempem, které by se před deseti lety zdálo jako sci-fi, a debata v oboru se točí kolem toho, jestli rozvodná síť stačí, ne kolem toho, jestli bychom to vůbec měli dělat.

Zelená noční můra Evropy a nemožná volba

Pro Evropu to vytváří nemožný konflikt, který už není jen teoretický. Děje se právě teď, na jednáních o plánování sítě a regulačních slyšeních po celém kontinentu.

Evropská zelená dohoda si klade za cíl dosáhnout do roku 2050 klimatické neutrality Evropy. Emise uhlíku musí do roku 2030 klesnout nejméně o 55 % oproti úrovni z roku 1990. Energetická účinnost se musí zlepšit ve všech odvětvích. Obnovitelné zdroje musí nahradit fosilní paliva. To jsou právně závazné cíle podle evropského klimatického zákona.

Mezitím spotřeba energie AI roste tempem 44 % ročně. V roce 2024 evropská datová centra spotřebovala 96 TWh, což představuje 3,1 % celkové poptávky po energii. Rozložení je ale extrémně nerovnoměrné. V Irsku je to 22 % národní spotřeby elektřiny. V Nizozemsku 7 %. V Německu 4 %. Datová centra v Amsterdamu, Londýně a Frankfurtu v roce 2023 spotřebovala 33 až 42 % elektřiny těchto měst.

Tyto dvě trajektorie jsou matematicky neslučitelné. Evropa může buď splnit své klimatické cíle, nebo budovat infrastrukturu pro AI stávajícími postupy. Ne obojí. Čísla to nedovolují.

Někteří tvrdí, že obnovitelná energie tento problém řeší. „Stačí napájet datová centra solární a větrnou energií." Krásná představa. Naprosto nepraktická. Evropa v roce 2024 instalovala 65,5 GW nové solární kapacity a 16,4 GW nové větrné energie. Obnovitelné zdroje dosáhly 47 % výroby elektřiny. Ale 945 TWh nové poptávky datových center do roku 2030 by vyžadovalo vybudování obnovitelné kapacity odpovídající tisícům dalších větrných farem a milionům dalších solárních panelů. Jen zábor půdy by byl astronomický. Dánsko s 88,4 % elektřiny z obnovitelných zdrojů (převážně větru) je často uváděno jako vzor. Jenže celková spotřeba elektřiny v Dánsku je jen zlomkem předpokládané poptávky datových center pro umělou inteligenci.

I kdyby to bylo technicky možné, náklady obětované příležitosti jsou ohromující. Každá megawatthodina jdoucí na trénování umělé inteligence je megawatthodina, která není k dispozici pro elektrifikaci dopravy, vytápění domácností nebo napájení průmyslu. Je to přímá volba a my se rozhodujeme spalovat obnovitelnou energii na trénování modelů, které mohou být za šest měsíců zastaralé, místo vytápění domů během zimy.

Vodní krize, kterou nikdo nesleduje

Energie není jediný zdroj, který umělá inteligence spotřebovává. Voda se stává kritickou krizí, zejména v regionech, které už nyní čelí nedostatku vody.

Datová centra spotřebovávají obrovské množství vody na odpařovací chlazení, na které se spoléhá většina velkých zařízení, protože je účinnější než systémy s uzavřeným okruhem. Odpařovací chlazení doslova odpařuje vodu, aby rozptýlilo teplo. Voda je pryč. Nevrací se zpět do systému. Odpařila se do atmosféry. Natrvalo zmizela z místních vodních zdrojů.

Studie z roku 2024 zjistila, že trénování modelu GPT-3 v nejmodernějších amerických datových centrech Microsoftu spotřebovalo přibližně 700 000 litrů sladké vody. To stačí na výrobu 370 automobilů BMW nebo 320 elektromobilů Tesla. Na jedno trénování. Jednoho modelu. A to je jen přímá spotřeba vody v areálu, bez započtení vody použité při výrobě elektřiny.

Celková vodní stopa za celý životní cyklus, včetně výroby elektřiny mimo areál, dosahuje 5,4 milionu litrů. A průběžná spotřeba pokračuje: ChatGPT vyžaduje zhruba 500 mililitrů vody na krátkou konverzaci o 20 až 50 otázkách a odpovědích. Vynásobte to miliony uživatelů, kteří se nepřetržitě ptají, a spotřeba vody se stane ohromující.

V regionech náchylných k suchu to vytváří přímé konflikty. Datová centra soutěží se zemědělstvím a obecními vodními zdroji. V některých regionech trénování umělé inteligence doslova odebírá vodu plodinám během sucha. Tohle není problém budoucnosti. Děje se to teď. A jak se nasazení umělé inteligence rozšiřuje, je to čím dál horší.

Iluze účinnosti a Jevonsův paradox

Odvětví umělé inteligence naprosto zbožňuje hovořit o zvyšování efektivity. Každá klíčová přednáška na konferenci obsahuje slide: „Nové čipy jsou 10× efektivnější!“ „Lepší algoritmy snižují spotřebu energie o 50 %!“ „Naše datová centra jsou poháněna 100% obnovitelnou energií!“

Vše pravda. Vše technicky působivé. Vše naprosto irelevantní vůči skutečnému problému.

Protože zvyšování efektivity je okamžitě pohlceno nárůstem rozsahu. To je v praxi Jevonsův paradox, na který ekonomové upozorňují už od roku 1865, kdy William Stanley Jevons pozoroval, že vyšší účinnost spalování uhlí v parních strojích vedla k celkovému nárůstu spotřeby uhlí, nikoli k jejímu poklesu.

Generální ředitel Microsoftu Satya Nadella doslova tweetnul „Jevonsův paradox udeřil znovu!“, když DeepSeek vydal svůj efektivní a levný model umělé inteligence. Přesně chápal, co se stane: nižší náklady znamenají vyšší využití, což vede k vyšší celkové spotřebě. A měl pravdu.

Ano, novější čipy zvládnou více výpočtů na watt. Jenže modely rostou ještě rychleji. Ano, lepší algoritmy zkracují dobu trénování. Jenže trénujeme více modelů, častěji, s více parametry, protože si to teď můžeme dovolit. Celková spotřeba energie neklesá. Zrychluje se. Desetinásobné zlepšení efektivity prostě znamená, že můžeme natrénovat desetkrát větší model za stejné energetické náklady. A tak to děláme. A celková spotřeba roste.

NVIDIA tvrdí, že Blackwell je pro inferenci 100 000× energeticky efektivnější než čipy z doby před deseti lety. Úchvatné inženýrství. Jenže celková spotřeba energie umělé inteligence ve stejném období explodovala, protože zvyšování efektivity umožnilo nasazení v měřítku, které bylo dříve ekonomicky nemožné.

Skutečná cena fantazií o plovoucí řádové čárce

Proč umělá inteligence spotřebovává tolik energie? Odpověď se skrývá v matematice a je jednodušší, než byste čekali.

Aritmetika s plovoucí řádovou čárkou, základ moderních neuronových sítí, je výpočetně nákladná. Každé násobení vyžaduje značné obvody, značnou plochu křemíku, značný výkon. A neuronové sítě jsou miliardy a miliardy operací s plovoucí řádovou čárkou, opakovaných milionkrát za sekundu.

Horší je, že používáme extrémní přesnost tam, kde ji skutečně nepotřebujeme. 32bitové floaty. 16bitové floaty. Dokonce 8bitové floaty. Všechna tahle přesnost, všechna tahle výpočetní režie, všechna tahle energie na rozhodování, které je nakonec binární. Ano nebo ne. Kočka nebo pes. Spam nebo normální zpráva. Schválit nebo zamítnout.

Je to jako používat superpočítač na házení mincí. Výsledek je panna nebo orel, ale my pálíme megawatty na výpočet pravděpodobností na šestnáct desetinných míst. Ta přesnost je matematicky krásná. A také termodynamicky šílená.

Tohle není optimalizace. Tohle je plýtvání maskované jako nutnost, hájené setrvačností „ale takhle jsme to dělali vždycky“ a utopenými náklady miliard eur investovaných do GPU infrastruktury navržené specificky pro operace s plovoucí řádovou čárkou.

Binární alternativa, která skutečně funguje

Takže jaké je řešení? Jak postavíme umělou inteligenci, aniž bychom proměnili datová centra v klimatické katastrofy?

Ve společnosti Dweve jsme začali zpochybněním základního předpokladu. Potřebuje umělá inteligence skutečně aritmetiku s plovoucí řádovou čárkou? Potřebuje skutečně tolik energie? Existuje jiný matematický základ, který dosáhne stejné inteligence s výrazně nižší výpočetní režií?

Binární neuronové sítě poskytují jasnou, empiricky ověřenou odpověď: ne, umělá inteligence aritmetiku s plovoucí řádovou čárkou nepotřebuje. Ani zdaleka.

Odstraněním operací s plovoucí řádovou čárkou a použitím jednoduché binární logiky klesne spotřeba energie o 96 %. Ne díky dílčím optimalizacím nebo chytrému cachování. Díky zásadnímu matematickému přepracování. Úspory výpočetního výkonu plynou z nahrazení složitých operací násobení a sčítání s plovoucí řádovou čárkou jednoduchými binárními operacemi AND a XNOR, které vyžadují o řády méně energie.

Ten 1200wattový akcelerátor Blackwell? Nahraďte ho 50wattovým procesorem provádějícím binární operace. Stejná inteligence. Stejné schopnosti. 24× méně energie. Nebo ještě lépe, nasaďte řešení na FPGA čipy speciálně optimalizované pro binární operace, čímž dosáhnete 136× lepší energetické účinnosti ve srovnání s tradičními GPU přístupy.

Ten 250kilowattový serverový rack odebírající tolik energie jako celá čtvrť? Klesne na 10 kilowattů. To obrovské datové centrum spotřebovávající elektřinu jako celé město? Sníží se na úroveň odběru velké kancelářské budovy. Požadavky na infrastrukturu se úměrně zmenší. Žádné exotické kapalinové chlazení. Žádné samostatné elektrické rozvodny. Žádné posilování sítě.

Matematika je přímočará: binární operace vyžadují o řády méně energie než operace s plovoucí řádovou čárkou. Úspory v infrastruktuře přicházejí přirozeně. Dopad na klima se úměrně snižuje. A výsledky? Stejná nebo lepší přesnost u reálných úloh, protože binární neuronové sítě dokážou zachytit strukturální vztahy, které sítě s plovoucí řádovou čárkou přehlížejí.

Za hranicemi efektivity: jiné paradigma pro evropskou umělou inteligenci

Binární neuronové sítě nejsou jen efektivnější. Představují zásadně odlišný přístup k inteligenci, který přirozeně odpovídá evropským hodnotám udržitelnosti, transparentnosti a technologické suverenity.

Místo aproximace rozhodnutí spojitou matematikou a masivním výpočetním výkonem používají přímo diskrétní logiku. Místo spalování energie na překonávání numerické nestability při sestupu gradientu staví na stabilních binárních základech. Místo nákladných proprietárních GPU vyráběných v zámoří běží efektivně na běžných procesorech a lze je nasadit na FPGA vyrobené v Evropě.

Výsledkem je umělá inteligence, která spolupracuje s fyzikou, místo aby s ní bojovala. Výpočty, které nevyžadují exotické chladicí systémy. Infrastruktura, která nepotřebuje vlastní elektrárnu. A pro Evropu klíčové: technologický přístup, který vás neuvězní v závislosti na kalifornské společnosti NVIDIA ani na jiných mimoevropských dodavatelích hardwaru.

Společnosti jako německé Black Forest Labs, francouzské Mistral AI a německé Aleph Alpha budují působivé schopnosti v oblasti umělé inteligence, ale stále zásadně závisí na tradičních architekturách s plovoucí řádovou čárkou a na dodavatelském řetězci GPU. Binární neuronové sítě nabízejí cestu ke skutečné evropské suverenitě v oblasti umělé inteligence, běžící na hardwaru, který lze vyrábět v Evropě, na postupech odpovídajících evropským klimatickým závazkům.

Tak může mít Evropa obojí: rozvoj umělé inteligence i plnění klimatických cílů. Ne tím, že současný přístup mírně ozelení nákupem energie z obnovitelných zdrojů a uhlíkovými kompenzacemi, ale využitím matematiky, která od počátku nevyžaduje spotřebu energie v planetárním měřítku. Evropský akt o umělé inteligenci to již uznává: vyžaduje zveřejňování spotřeby energie a podporuje dobrovolné kodexy chování v oblasti environmentální udržitelnosti. Binární přístupy mění tyto ambiciózní cíle ve skutečnost.

Volba, kterou právě teď děláme

Krize digitální energie není nevyhnutelná. Je to volba. Volba, kterou děláme právě teď, při každé objednávce GPU, v každé smlouvě na výstavbu datového centra, při každém trénování modelu.

Je to volba nadále používat aritmetiku s plovoucí řádovou čárkou, protože je známá, protože nástroje existují, protože přeškolení celého odvětví je náročné. Volba přijmout exponenciální růst spotřeby energie, protože čtvrtletní výsledky vypadají dobře a venture kapitalisté jsou nadšení. Volba spálit na trénování jednoho modelu více elektřiny, než spotřebuje město za rok, protože můžeme, a protože náklady na klima zaplatí někdo jiný.

Ale můžeme se rozhodnout jinak. Evropa je ve skutečnosti v jedinečné pozici, aby tuto volbu vedla.

Mohli bychom zvolit matematiku, která neplýtvá 96 % své energie na zbytečnou přesnost. Mohli bychom zvolit algoritmy, které pracují efektivně na standardním hardwaru, místo aby vyžadovaly specializované akcelerátory. Mohli bychom zvolit architektury, které respektují fyzikální a environmentální limity, místo aby předpokládaly neomezenou dostupnost energie. Mohli bychom zvolit přístupy, které jsou v souladu s Zelenou dohodou pro Evropu, místo aby ji přímo podkopávaly.

Boom umělé inteligence se nemusí stát energetickou katastrofou. Binární neuronové sítě dokazují, že existuje jiná cesta. Cesta, která přináší inteligenci bez klimatických nákladů. Cesta, která pracuje v souladu s omezeními obnovitelné energie, místo aby je překonávala. Cesta, která považuje efektivitu za základní vlastnost, ne za dodatečnou zmínku ve zprávách o udržitelnosti.

Irsko si nemusí vybírat mezi ekonomickým rozvojem prostřednictvím datových center a dostatkem elektřiny pro domácnosti. Amsterdam nemusí zavádět moratoria. Dublin nemusí přihlížet tomu, jak datová centra spotřebovávají téměř polovinu městské elektřiny, zatímco obyvatelé čelí rostoucím nákladům na energii.

Zelená dohoda pro Evropu a rozvoj umělé inteligence nejsou neslučitelné. Ale pouze pokud jsme ochotni zpochybnit základní předpoklady a vybudovat umělou inteligenci, která dává skutečně matematický, fyzikální a ekonomický smysl. Současná trajektorie vede k 945 TWh do roku 2030, což představuje 3 % celosvětové elektřiny, tisíce tun CO2 na model, miliony litrů spotřebované vody a nemožnou volbu mezi klimatickými cíli a technologickým pokrokem.

Alternativa existuje už dnes. Binární neuronové sítě běžící na standardních CPU a efektivních FPGA. Výpočty, které spotřebují o 96 % méně energie. Udržitelná umělá inteligence, která nevyžaduje volbu mezi pokrokem a planetou. Transparentní algoritmy, kterým Evropané skutečně rozumějí a které mohou ověřit, ne černé skříňky s plovoucí desetinnou čárkou ovládané zahraničními korporacemi.

Jedinou otázkou je, zda ji využijeme dřív, než spálíme tolik energie, spotřebujeme tolik vody a vybudujeme tolik neefektivní infrastruktury, že už na výběr nebudeme mít. Okno se zavírá. Ale stále je otevřené.

Chcete umělou inteligenci, která nevyžaduje vlastní elektrárnu? Dweve Core, náš diskrétní výpočetní rámec kombinující binární neuronové sítě, systémy založené na omezeních a spike-based výpočty, které pohánějí Dweve Loom, přináší o 96 % nižší spotřebu energie pro trénování i inferenci na standardním hardwaru. Žádné proprietární akcelerátory. Žádné exotické chlazení. Žádné kompromisy ve výkonu. Budoucnost udržitelné evropské umělé inteligence je efektivní, transparentní a dostupná už dnes.