Evropská GPU past: krize rukojmích v AI
The Late Night Cloud Bill
Picture this: you're running a startup in Amsterdam, Berlin, or Barcelona. It's late at night. Your team just deployed a new AI feature that customers actually love. Everything's working. Everything's growing.
Then you check your cloud bill.
Your infrastructure costs just tripled. Not because you made a mistake. Not because you got hacked. But because your cloud provider decided GPU prices are going up. Again. And there's nothing you can do about it because you have exactly one alternative: pay up or shut down.
Welcome to the infrastructure trap that nobody warned you about when you started building with AI. The trap that's costing European companies €35 billion annually on AI infrastructure. The trap built entirely by accident on gaming chips that were never meant to run civilization-scale artificial intelligence.
This is the story of how we got here. And more importantly, how we might finally get out.
The Accident That Became an Empire
September 30th, 2012. In a bedroom at his parents' house in Toronto, Alex Krizhevsky is running one final training session. His team, SuperVision, built with fellow PhD students Ilya Sutskever and advisor Geoffrey Hinton, is about to submit their ImageNet competition entry.
They've done something unconventional: training a deep neural network using two NVIDIA GTX 580 graphics cards. Gaming hardware. The kind you'd use to render explosions in Call of Duty, to make dragons breathe realistic fire, to calculate water reflections in fantasy worlds.
It's a hack, really. They needed more compute power than CPUs could provide, and these €500 gaming GPUs happened to work. Nobody thinks this is the future of AI. It's just what's available right now, in this moment, for a grad student project.
Their model, AlexNet, doesn't just win the ImageNet competition. It obliterates every previous attempt. Winners from prior years achieved 26.2% error rates. AlexNet hits 15.3%. That's not incremental improvement. That's a revolution you can see from space.
And just like that, completely by accident, GPUs became the foundation of artificial intelligence. Gaming hardware became the backbone of the most important technology of the 21st century. What everyone thought was a temporary workaround became permanent infrastructure.
Thirteen years later, that accident has metastasized into something nobody anticipated: a €35 billion annual dependency. A strategic vulnerability. A technological monoculture. A golden cage that has trapped the entire global AI ecosystem, and Europe most acutely of all.
Proč herní čipy fungovaly
Buďme si naprosto jasní v tom, co se tu vlastně stalo. GPU nikdy nebyly navrženy pro umělou inteligenci. Byly vyrobeny proto, aby ve videohrách vykreslovaly realistickou vodu, aby stíny vypadaly věrohodně, aby ve 3D prostředí počítaly světelné efekty při 60 snímcích za sekundu.
Měly však jednu architektonickou vlastnost, která se pro neuronové sítě ukázala jako šťastná: masivní paralelismus. Zatímco CPU může mít 8 nebo 16 jader provádějících složité operace sekvenčně, GPU má tisíce jednodušších jader, která současně provádějí stejnou instrukci.
Neuronové sítě jsou, jak se ukázalo, z velké části maticové násobení. Stejná matematická operace opakovaná milionkrát. Trapně paralelní, jak říkají počítačoví vědci. Typ problému, kdy práci rozdělíte mezi tisíce jednoduchých procesorů a dosáhnete dramatického zrychlení.
Bylo to spojení čistě náhodné. Jako když zjistíte, že váš kuchyňský mixér je výborný na míchání barev. Jasně, funguje to. Je to rychlejší než míchat ručně. Ale nikdo to k tomu nenavrhl. Nikdo to pro tento účel neoptimalizoval. Prostě má ty správné vlastnosti.
Torontský tým potřeboval trénovat větší sítě. CPU byla ledově pomalá, na to, co GPU zvládly za dny, potřebovala týdny. Rozhlédli se po alternativách a našli platformu CUDA od NVIDIA, programovací rámec, který umožnil přizpůsobit grafické karty pro obecné výpočty.
Nebyla optimalizovaná pro neuronové sítě. Nebyla ani nijak zvlášť vhodná. Ale byla 10krát rychlejší než CPU, a když děláte experimenty v univerzitní laboratoři s minimálním rozpočtem, to víc než stačí.
Z „dost dobré" se stal zlatý standard. Dočasné řešení zkamenělo v trvalou infrastrukturu. Hack se stal průmyslem. A tady je to opravdu pozoruhodné: všichni věděli, že je to hack. V roce 2012 výzkumníci mluvili o GPU jako o šikovné metodě akcelerace, o provizoriu, dokud nepřijde něco lepšího.
Nikdo si nepředstavoval, že v roce 2025 budeme stále používat herní hardware pro špičkovou AI. Nikdo nepředpověděl, že se to stane úzkým hrdlem omezujícím celý průmysl. A přesto jsme tady, trénujeme modely s biliony parametrů na hardwaru původně navrženém pro vykreslování bloků v Minecraftu.
Jak NVIDIA vybudovala nedobytný příkop
NVIDIA viděla příležitost dřív než kdokoli jiný. Zatímco akademici brali GPU jako šikovné urychlení svých experimentů, NVIDIA budovala impérium s trpělivostí a nadhledem mistrného stratéga.
CUDA se vyvinula z jednoduchého programovacího rámce v ucelený ekosystém. Knihovny pro každou představitelnou operaci. Optimalizační nástroje. Profilovací systémy. Ladící infrastruktura. Rozsáhlá dokumentace. Vzdělávací programy pro vysokoškolské studenty. Evangelizace mezi vývojáři. Sponzoring konferencí. Výzkumné granty.
Miliardy investované za více než deset let do toho, aby se CUDA nestala jen funkční, ale nezbytnou. Ne jen rychlou, ale nenahraditelnou.
Každý velký AI framework postavil svůj základ na CUDA. PyTorch mluví s CUDA nativně. TensorFlow kompiluje do CUDA. JAX předpokládá dostupnost CUDA. Chcete-li trénovat neuronovou síť konkurenceschopnou rychlostí, píšete kód, který běží na CUDA. Chcete-li optimalizovat výkon, používáte knihovny CUDA. Chcete-li nasazovat ve velkém, potřebujete hardware kompatibilní s CUDA.
A CUDA běží pouze na GPU od NVIDIA. To není náhoda. To není přehlédnutí. To je strategie prováděná s chirurgickou přesností po patnáct let.
Je to jeden z nejúspěšnějších vendor lock-inů v historii výpočetní techniky. Nedosažený právními restrikcemi ani protisoutěžním chováním, které by regulátoři mohli napadnout, ale neúnavným a trpělivým budováním ekosystému. Než si průmysl uvědomil, co se děje, bylo dávno pozdě. Celý AI stack byl postaven na proprietárním základu NVIDIA, jedno rozhodnutí za druhým, jedna knihovna za druhou, jedna optimalizace za druhou.
Dnes NVIDIA ovládá 92 % trhu s akcelerátory pro AI. Ne 60 %. Ne 75 %. Devadesát dva procent. Někteří analytici odhadují podíl na trhu s trénováním na 98 %. Přečtěte si ta čísla znovu. To není konkurenční trh. To je monopol s technickým fíkovým listem.
Každoroční sevření za 35 miliard eur
Pojďme si říct, co tento monopol v praxi znamená, zejména pro evropské společnosti, které se snaží vyvíjet produkty s umělou inteligencí.
Jediný GPU NVIDIA H100 stojí mezi 23 000 a 37 000 eur. To je za jeden čip. Trénování moderního velkého jazykového modelu vyžaduje tisíce těchto GPU, které běží nepřetržitě týdny nebo měsíce. Jen samotné náklady na výpočetní výkon mohou dosáhnout desítek milionů eur. A to je pouze jeden trénink. Většina modelů vyžaduje desítky iterací, než začnou fungovat přijatelně.
Nejnovější architektura Blackwell od společnosti NVIDIA spotřebovává až 1 200 wattů na čip. To je více energie než výkonný přímotop. Ve srovnání s předchozí generací H100 nabízí přibližně 2,5krát rychlejší trénování AI. Působivé inženýrství, to jistě.
Ale také stojí více, vyžaduje infrastrukturu kapalinového chlazení, kterou většina datových center nemá, a nemáte naprosto žádnou jinou možnost, než si ji koupit, pokud chcete zůstat konkurenceschopní. Protože ji kupují všichni ostatní. Protože CUDA běží pouze na ní. Protože ekosystém neexistuje nikde jinde.
Celý systém stojí na jednoduché realitě: pokud chcete vyvíjet špičkovou AI, potřebujete GPU od společnosti NVIDIA. A pokud sídlíte v Evropě, jste od prvního dne ve strukturální nevýhodě.
Američtí poskytovatelé cloudových služeb, jako jsou AWS, Microsoft Azure a Google Cloud, investují každé čtvrtletí přes 37 miliard eur do infrastruktury GPU. Každé. Jedno. Čtvrtletí. Ovládají 70 % evropského trhu s cloudovými službami. Evropští poskytovatelé drží pouze 15 % svého domácího trhu, zatímco v roce 2017 to bylo 29 %.
Společnosti jako SAP a Deutsche Telekom mají v evropském cloudu každá jen 2% podíl na trhu. Evropští poskytovatelé cloudových služeb jako OVHcloud, Scaleway a Hetzner obsluhují úzce zaměřené trhy a nemohou se vyrovnat rozsahu amerických hyperscalerů. Nemohou získat GPU za konkurenceschopné ceny. Nemohou nabídnout stejný výkon. Nemohou konkurovat.
Není to tím, že by evropským společnostem chyběly technické znalosti nebo ambice. Chybí jim přístup ke GPU za konkurenceschopné ceny a ve srovnatelném rozsahu. Nejsou jen pozadu v závodě. Běží na úplně jiné dráze, s překážkami strukturální povahy, které jen těžko překonávají i investice v řádu miliard.
Evropské AI startupy čelí hře, kterou nemohou vyhrát
Zamyslete se nad tím, co se právě teď děje evropským AI společnostem, když se snaží konkurovat.
Společnost Mistral AI, nejslibnější francouzský AI startup, získala financování ve výši 468 milionů eur. To jsou skutečné peníze. Díky tomu patří mezi nejlépe kapitalizované evropské AI společnosti. I s tímto válečným fondem musela na veletrhu VivaTech 2025 oznámit partnerství se společností NVIDIA v oblasti suverénní AI infrastruktury, jen aby si zajistila přístup ke GPU.
Přečtěte si to znovu. Téměř půl miliardy eur ve financování, a přesto museli uzavřít partnerství s NVIDIA, jen aby získali čipy. To není strategické rozhodnutí. To je nutnost vydávaná za partnerství.
Společnost Aleph Alpha, německá odpověď na OpenAI, se na konci roku 2024 přesunula od budování základních modelů k pomoci firmám s nasazením AI. Proč? Jak připustil zakladatel Jonas Andrulis, budování LLM se ukázalo jako příliš obtížné a nákladné v oblasti, které dominují technologičtí giganti s hlubokými kapsami.
Jinými slovy: nedokázali si zajistit přístup ke GPU v rozsahu potřebném pro konkurenceschopnost. Nemohli se vyrovnat investicím amerických společností do infrastruktury. A tak se přesunuli na obchodní model, který nevyžaduje konkurovat v trénování základních modelů. To není strategie. To je kapitulace.
Evropské AI společnosti získaly desetkrát méně financování než jejich americké protějšky. Ale i kdyby bylo financování stejné, problém s GPU by zůstal. NVIDIA upřednostňuje své největší zákazníky: americké poskytovatele cloudových služeb a technologické giganty. Evropské startupy stojí ve frontě na zbytky a platí prémiové ceny za jakoukoli alokaci, kterou se jim podaří získat.
EU na to reagovala iniciativou InvestAI, která mobilizuje 200 miliard eur na investice do umělé inteligence. V únoru 2025 oznámily společnosti Brookfield Infrastructure a Data4 investice ve výši 19,2 miliardy eur do infrastruktury pro umělou inteligenci jen ve Francii. V prosinci 2024 vybralo EuroHPC JU sedm konsorcií, která mají zřídit první továrny na umělou inteligenci ve Finsku, Německu, Řecku, Itálii, Lucembursku, Španělsku a Švédsku.
To jsou obrovské investice. Skutečné závazky. Ale první gigatovárny začnou fungovat nejdříve v roce 2027. A všechny, každá jedna, poběží na GPU od NVIDIA. Evropa utrácí stovky miliard eur, aby se vymanila ze závislosti na amerických cloudových poskytovatelích, a jen prohlubuje závislost na americkém hardwaru.
Ten problém je jasně vidět.
Past ekosystému: proč je útěk téměř nemožný
Proto je toto uzamčení tak zákeřné, i když všichni uznávají, že jde o problém, který je třeba řešit.
Představte si, že jste výzkumná laboratoř na Technické univerzitě v Mnichově. Pět let používáte GPU od NVIDIA. Celý váš kód je optimalizovaný pro CUDA. Vaši výzkumníci mají s CUDA zkušenosti. Vaše infrastruktura s CUDA počítá. Vaše nasazovací pipeline na CUDA spoléhají. Investovali jste miliony eur a nespočet člověkoroků do tohoto ekosystému.
Teď vám někdo nabídne alternativu. Třeba platformu ROCm od AMD. Třeba TPU od Googlu. Třeba vlastní akcelerátor pro umělou inteligenci od slibného evropského startupu.
Chcete-li přejít, musíte přepsat celý svůj kód pro novou platformu, což je proces trvající měsíce nebo roky. Přeškolit svůj tým na nové nástroje, frameworky a optimalizační techniky. Znovu optimalizovat všechny své modely pro různé hardwarové architektury. Smířit se s tím, že 80 % open-source AI knihoven nebude fungovat bez výrazných úprav. Riskovat, že alternativa nemá dlouhodobou životnost a podporu dodavatele. Doufat, že výkon bude odpovídat tomu stávajícímu nebo ho překoná, i když víte, že pravděpodobně nebude. Modlit se, abyste jen nepřešli z jednoho proprietárního ekosystému do druhého, stejně uzavřeného, ale s menšími prostředky.
Náklady na přechod jsou astronomické. Rizika jsou obrovská. Přínosy jsou nejisté. Pro většinu organizací je to neřešitelná rovnice. Lepší je zůstat u známého zla, i když je to zlo drahé, v cizích rukou a strategicky riskantní.
Technologičtí giganti jako Microsoft, Meta a Google investovali desítky miliard do datových center založených na CUDA. Tato infrastruktura nepředstavuje jen utopené náklady. Představuje základ jejich celé strategie v oblasti AI. Jejich talent je vyškolen v CUDA. Jejich kód předpokládá CUDA. Jejich nasazovací nástroje počítají s CUDA. Jejich konkurenční výhoda závisí na odborných znalostech CUDA.
Ekonomové tomu říkají vysoké náklady na přechod spojené se síťovými efekty. Jakmile technologie dosáhne kritického množství uživatelů, její nahrazení je téměř nemožné, i když existují lepší alternativy. I když by na tom všichni byli lépe po přechodu. I když je současné řešení neoptimální, drahé a strategicky nebezpečné.
NVIDIA nepostavila jen vynikající hardware. Postavila klec se zlatými mřížemi a celý průmysl AI do ní dobrovolně vstoupil, jedno účelové rozhodnutí za druhým, aniž by si uvědomoval, že se za ním zavírají dveře.
Inovační úzké hrdlo, o kterém se nemluví
Nejhorší důsledek není cena ani vendor lock-in. Je to to, co dominance GPU dělá samotné inovaci, samotnému prostoru možností toho, čím by AI mohla být.
Když jedna technologie dosáhne téměř úplné dominance na trhu, inovace se soustředí na to, aby byla tato technologie o něco lepší, místo aby zkoumala zásadně odlišné přístupy. NVIDIA vydává nové generace GPU s postupnými vylepšeními. Výzkumníci optimalizují kód pro architektury NVIDIA. Vývojáři frameworků přidávají funkce CUDA. Všichni běží rychleji na stejném běžeckém pásu.
Mezitím jsou radikálně odlišné přístupy k AI ochuzeny o zdroje, pozornost a talent. Proč investovat do neuromorfních výpočtů, když všichni používají GPU? Proč zkoumat uvažování založené na omezeních, když neuronové sítě fungují dostatečně dobře? Proč vyvíjet binární sítě, když je floating-point zavedeným standardem? Proč se zabývat analogovými výpočty, fotonickým zpracováním nebo jakoukoli jinou alternativní architekturou?
Odpověď je brutálně jednoduchá: nemůžete konkurovat. Ekosystém neexistuje. Nástroje nejsou. Infrastruktura není k dispozici. Talent se naučil CUDA a nechce začínat znovu. Investoři financují přístupy založené na GPU, protože mají prokazatelnou trakci, protože rozumí trhu, protože alternativy jsou příliš riskantní.
Je to sebeposilující cyklus, který s každou iterací zužuje prostor možností. Dominance GPU vytváří výhody ekosystému. Výhody ekosystému přitahují investice. Investice posilují dominanci GPU. Alternativní přístupy se sotva dostanou na startovní čáru, natož aby dosáhly rozsahu potřebného k prokázání životaschopnosti.
Už nezkoumáme celý prostor možných architektur AI. Zkoumáme mnohem užší prostor toho, co efektivně běží na GPU NVIDIA. To je zásadní omezení inovací, které se časem násobí. Každým rokem je klec menší, stěny tlustší, východ vzdálenější. Každým rokem investujeme více do optimalizace špatné věci.
Digitální kolonialismus: strategická krize Evropy
Pro Evropu to není jen technická nepříjemnost nebo nepříznivá tržní situace. Je to strategická krize s geopolitickými důsledky, které na generace dopředu určí evropskou technologickou suverenitu.
Dne 10. června 2025 usedl Anton Carniaux, ředitel pro veřejné a právní záležitosti společnosti Microsoft France, před francouzský Senát kvůli šetření týkajícímu se suverenity dat. Senátor za senátorem se ho ptal na zdánlivě jednoduchou otázku: může zaručit, že data francouzských občanů uložená na serverech Microsoftu nebudou nikdy předána americkým úřadům bez výslovného francouzského souhlasu?
Jeho odpověď, pronesená jasně a bez vyhýbání: Ne, nemohu to zaručit.
Podle amerického zákona CLOUD Act jsou americké technologické korporace povinny vyhovět žádostem americké vlády o data bez ohledu na to, kde jsou tato data fyzicky uložena. Pokud je žádost řádně formulována podle amerického práva, je Microsoft ze zákona povinen data předat. Evropská suverenita dat je jinými slovy podmíněna americkou shovívavostí. Existuje z vůle americké politiky, nikoli jako věc evropské kontroly.
Toto svědectví otřáslo evropskými politickými kruhy. Situace s GPU je však strukturálně identická, jen méně viditelná. Společnost NVIDIA podléhá americkým exportním kontrolám. Obchodní spor, změna politiky, geopolitická krize a celá evropská infrastruktura pro umělou inteligenci by mohla být utlumena nebo zcela odříznuta. Ne hypoteticky. Skutečně. Jediným podpisem pera ve Washingtonu.
Evropa má skvělé výzkumníky v oblasti umělé inteligence. Světové univerzity produkující špičkové publikace. Inovativní startupy jako Mistral AI a Aleph Alpha. Významné výzkumné instituce jako IDSIA ve Švýcarsku, Německé výzkumné středisko pro umělou inteligenci, INRIA ve Francii. Talentované inženýry budující působivé systémy.
Všichni ale staví na základech, které neovládají, používají hardware, k němuž nemají přístup za konkurenceschopné ceny, jsou uzamčeni v proprietárním ekosystému vlastněném jedinou americkou korporací, podléhají americké exportní politice a jsou zranitelní vůči americkým politickým rozhodnutím.
To není digitální suverenita. To je digitální kolonialismus s přátelskou tváří a vynikajícím zákaznickým servisem.
Lež o efektivitě, kterou nechce nikdo řešit
Zde je nepříjemná pravda, která je ve většině diskusí o infrastruktuře pro umělou inteligenci přehlížena: GPU nejsou pro umělou inteligenci ve skutečnosti efektivní. Jsou jen tou nejméně neefektivní možností, na které jsme se usadili, protože byly dostupné v roce 2012.
Ano, GPU jsou pro násobení matic rychlejší než CPU. Této rychlosti ale dosahují hrubou silou, nikoli elegancí nebo optimalizací. Spotřebovávají obrovské množství energie. Vyžadují složité systémy kapalinového chlazení. Vyžadují specializovanou infrastrukturu datových center. A jsou čím dál horší, ne lepší.
Moderní NVIDIA Blackwell B200 má příkon 1 200 wattů. To je více energie než většina domácích topidel. Datová centra po celé Evropě jsou přepracovávána ne kvůli výpočetní efektivitě, ale pouze kvůli zvládání tepelné zátěže. Skříň GB200 NVL72 spotřebovává 120 kilowattů. Jeden jediný rack. Gigawattové továrny na umělou inteligenci vyžadují energetickou infrastrukturu odpovídající malým městům.
Poptávka datových center po energii v Evropě má do roku 2030 dosáhnout 168 TWh a do roku 2035 236 TWh, což je oproti úrovni z roku 2024 trojnásobek. V Nizozemsku datová centra již spotřebovávají 7 % národní elektřiny. Ve Frankfurtu, Londýně a Amsterdamu spotřebovávají mezi 33 % a 42 % veškeré elektřiny. Přečtěte si to znovu. Třetina až téměř polovina veškeré elektřiny ve velkých evropských městech jde na datová centra.
V Irsku datová centra představují více než 20 % celkové národní spotřeby elektřiny. Pětina elektřiny celé země jde na to, aby čipy zůstaly dostatečně chladné pro svou funkci. A toto procento každým rokem roste, jak přibývá infrastruktury pro umělou inteligenci.
A tady je část, která by měla dát každému na chvíli pauzu: většina toho výpočetního výkonu je v podstatě promarněná. GPU provádějí operace s plovoucí desetinnou čárkou s extrémní přesností, i když je konečné rozhodnutí binární. Provádějí obrovské maticové násobení, když by stačily jednodušší operace. Spalují energii ne proto, že je to pro inteligenci nutné, ale proto, že tak funguje hardware GPU. Protože to je jediný způsob, jak to ve velkém měřítku umíme s nástroji, do kterých jsme investovali.
Optimalizovali jsme na úplně špatnou metriku. Ne na to, jaký je nejlepší způsob, jak dělat AI, ale na to, jaký je nejrychlejší způsob, jak to dělat na GPU. To je jako navrhovat letadla tím, že ptáci budou mávat křídly rychleji, místo abychom pochopili základní principy aerodynamického vztlaku. Funguje to, tak nějak, ale úplně vám uniká pointa.
Binární průlom: Únik z paradigmatu
Jaká je tedy skutečná cesta ven z této zlaté klece? Ve společnosti Dweve jsme si položili zásadně jinou otázku: co kdybychom GPU vůbec nepotřebovali? Co kdyby celý přístup založený na pohyblivé řádové čárce byl od začátku špatnou cestou?
Neuronové sítě vyžadují GPU, protože používají aritmetiku s pohyblivou řádovou čárkou. Operace s pohyblivou řádovou čárkou vyžadují specializovaný hardware pro přijatelný výkon. Tento architektonický požadavek vytváří závislost na GPU. Proto jsme uvězněni. To je řetěz, který musíme přetrhnout.
Binární neuronové sítě však aritmetiku s pohyblivou řádovou čárkou zcela eliminují. Fungují pomocí jednoduchých logických operací: AND, OR, XOR, XNOR. Tedy operací, které dokáže efektivně provádět každý moderní procesor pomocí nativních instrukčních sad, jež existují již desítky let. Žádný specializovaný hardware. Žádná závislost na GPU. Žádné uzamčení v CUDA. Žádný monopol dodavatele.
Dweve Core tento přístup implementuje pomocí 1 930 hardwarově optimalizovaných algoritmů pracujících přímo v prostoru diskrétních rozhodnutí. Binární výpočty, ternární výpočty, výpočty s nízkým počtem bitů. Framework běží efektivně na standardních procesorech a dosahuje výsledků, které by měly být nemožné:
Standardní servery Intel Xeon provozují velké modely při konkurenceschopných rychlostech. Spotřeba energie se měří v desítkách wattů, ne ve stovkách či tisících. Požadavky na paměť jsou sníženy o řád. Rychlost inference se u mnoha pracovních zátěží vyrovná implementacím na GPU nebo je překonává. A to vše běží na hardwaru, který již existuje v každém datovém centru, u každého poskytovatele cloudu, v každém zařízení na okraji sítě.
Matematika je jednoduchá. Modely FP32 potřebují 4 bajty na parametr. Binární modely potřebují 1 bit na parametr. To je 32násobné snížení paměti jen díky kvantizaci. Přidejte řídké aktivační vzorce a dostanete se k modelům, které se vejdou do systémové paměti RAM, místo aby vyžadovaly drahou paměť s vysokou propustností.
Binární operace se provádějí pomocí instrukcí XNOR a POPCNT. Jde o nativní instrukce procesoru, součást instrukčních sad x86-64 a ARM, optimalizované na úrovni křemíku. Jsou rychlé. Jsou efektivní. Byly tu po celou dobu. Jen jsme museli přijít na to, jak je správně použít.
Co binární sítě skutečně mění
Toto není nepatrné zlepšení stávajícího paradigmatu. Toto je jiné paradigma. Důsledky sahají daleko za pouhé lepší metriky výkonu.
Dweve Loom ukazuje, čeho lze dosáhnout: 456 doménově specializovaných systémů fungujících jako Mixture of Specialists. Každý doménový specialista je binární síť optimalizovaná pro svou doménu. Matematika. Věda. Kód. Jazyk. Společně dosahují hloubky a schopností mnohem větších modelů, přičemž využívají jen zlomek zdrojů.
Směrování mezi doménovými specialisty? Binární operace. Aktivace doménových specialistů? Binární rozhodnutí. Finální fúze výstupů? Binární logika. Vše je binární až do základu, a funguje to, protože inteligence se nakonec projevuje prostřednictvím diskrétních voleb, nikoli spojitých pravděpodobností počítaných se zbytečnou přesností.
Toto běží na běžném serveru. Ne na GPU clusteru. Ne na specializovaných akcelerátorech. Na serveru, který si můžete koupit od kteréhokoli výrobce hardwaru, nainstalovat do jakéhokoli datového centra a nasadit v kterékoli zemi. Spotřeba energie se měří ve stovkách wattů za celý systém, ne na čip. Chlazení zajišťuje běžné vzduchové chlazení, ne kapalinové systémy, jejichž instalace stojí miliony.
Vymanit se: Cesta Evropy vpřed
Éra GPU trvala mnohem déle, než měla. To, co začalo jako nouzový hack v ložnici studenta v roce 2012, se rozrostlo v celoodvětvovou závislost. To, co mělo být dočasným řešením, se stalo trvalou infrastrukturou. To, co mělo být před lety nahrazeno, zkamenělo v monopol.
Ale trhliny se objevují. Náklady se stávají neudržitelnými pro všechny kromě největších technologických gigantů. Strategická rizika nemůže ignorovat žádná vláda, která dává pozor. Inovační hrdlo škrtí alternativní přístupy, které by mohly být lepší. Dopad na životní prostředí je stále neúnosnější, když stavíme elektrárny o výkonu v gigawattech jen proto, abychom chladili čipy. Geopolitická zranitelnost je pro Evropu příliš vážná na to, aby ji přijímala donekonečna.
Binární neuronové sítě nejsou jen optimalizací stávajících přístupů. Představují zásadní přehodnocení toho, jak by měla AI fungovat. Ztělesňují rozdíl mezi uvězněním v ekosystému NVIDIA a dosažením skutečné technologické svobody. Mezi placením GPU daně navždy a úplným osvobozením.
Evropa nemusí vyhrát závod v GPU. Evropa ho musí učinit zastaralým. Vybudovat AI systémy, které fungují na běžném hardwaru, který už máme. Vytvořit technologie, které nezávisí na amerických akcelerátorech podléhajících americkým exportním kontrolám. Vyvinout schopnosti, které nelze omezit rozhodnutími zahraniční politiky ani ohrozit zákony o přístupu k datům cizích zemí.
Ve společnosti Dweve je celá naše platforma postavena na tomto základu. Core poskytuje rámec binárních algoritmů. Loom implementuje model inteligence doménových specialistů. Nexus orchestruje multiagentní systémy. Aura spravuje autonomní agenty. Spindle zajišťuje správu znalostí. Mesh vytváří decentralizovanou infrastrukturu.
To vše běží efektivně na běžné evropské infrastruktuře. Na CPU v datových centrech společností Interxion, Equinix a OVHcloud. Na okrajových zařízeních po celém kontinentu. Na hardwaru, který ovládáme, s matematikou, kterou nelze monopolizovat, a vytváří hodnotu, která zůstává v Evropě.
Žádná závislost na GPU. Žádná strategická zranitelnost. Žádná zlatá klec.
Volba, před kterou stojíme
Odvětví umělé inteligence stojí na rozcestí. Jedna cesta pokračuje po trajektorii GPU, přijímá stále rostoucí náklady, klesající suverenitu, zužující se prostor pro inovace, rostoucí dopad na životní prostředí a prohlubující se strategickou zranitelnost. Druhá cesta se zcela osvobozuje, využívá diskrétní matematiku, která nevyžaduje specializované akcelerátory, která běží na hardwaru, který již máme, která nám vrací kontrolu.
Zlatá klec vypadá zevnitř pohodlně. NVIDIA vyrábí skutečně vynikající produkty. CUDA je působivě optimalizovaná. Ekosystém je vyspělý a komplexní. Výkon je skutečný. Setrvačnost je silná. Utopené náklady vytvářejí psychologický závazek. Změna je náročná, riskantní a nejistá.
Ale stále je to klec. A dveře se zavírají.
Každé čtvrtletí se závislost na GPU prohlubuje. Každé euro investované do infrastruktury CUDA zvyšuje náklady na přechod. Každá nová generace akcelerátorů posiluje uzamčení. Každý výzkumník vyškolený výhradně na CUDA zužuje fond talentů. Každým rokem se klec zmenšuje a východ je vzdálenější. Každým rokem máme méně prostoru pro manévrování, méně možností, vyšší rizika.
Binární neuronové sítě a diskrétní výpočty nabízejí únikovou cestu. Ale pouze pokud ji využijeme dříve, než se klec stane nevyhnutelnou. Pouze pokud budeme jednat, dokud jsou alternativy stále možné. Pouze pokud jsme ochotni zpochybnit předpoklad, že GPU jsou nevyhnutelné, že pohyblivá řádová čárka je nezbytná, že monopol je přijatelný.
Šťastná náhoda roku 2012 splnila svůj účel. Ukázala, že hluboké učení funguje ve velkém měřítku. Prokázala potenciál umělé inteligence nad rámec toho, co si kdokoli představoval. Nastartovala odvětví, které mění civilizaci. Alex Krizhevsky, Ilya Sutskever a Geoffrey Hinton si zaslouží obrovské uznání za svůj průlom. Změnili svět.
Ale šťastné náhody nemají být základy. Účelové hacky nemají být infrastrukturou. Dočasná řešení nemají být trvalou závislostí. Herní hardware nemá provozovat umělou inteligenci v měřítku civilizace. Americké monopoly nemají nekonečně kontrolovat evropskou technologickou suverenitu.
Je čas vybudovat něco lepšího. Něco, co nás nezavírá do zlatých klecí. Něco, co si skutečně zaslouží být základem umělé inteligence. Něco, co funguje na standardním hardwaru, respektuje energetické limity, umožňuje skutečnou inovaci, zachovává strategickou autonomii a vrací nám kontrolu nad naší technologickou budoucností.
Éra GPU končí, ať si to připustíme, nebo ne. Fyzika i ekonomika to zaručují. Jedinou otázkou je, zda to uvidíme včas a postavíme alternativu, nebo se jednoho dne probudíme a zjistíme, že není úniku, a uvědomíme si, příliš pozdě, že jsme měli jednat, dokud jsme ještě měli příležitost.