At være hardware-agnostisk: Hvorfor det er

Verden er afhængig af CUDA. Men en forsyningskæde med én leverandør er et enkelt fejlpunkt. Derfor kører Dweve på alt: AMD, Intel, RISC-V og FPGA'er.

At være hardware-agnostisk: Hvorfor det er en strategisk risiko at satse alt på NVIDIA

Monokulturfælden

Forestil dig, at 95 % af verdens biler kun kunne køre på en bestemt type benzin, som blev solgt af præcis ét firma. Forestil dig, at dette firmas raffinaderi lå på en geologisk ustabil ø. Forestil dig, at alle andre bilproducenter var nødt til at designe deres motorer, så de passede til denne specifikke brændstofblanding.

Hvis det firma havde en produktionsfejl, eller hævede priserne med 400 %, eller hvis en blokade afskar øen, ville verdensøkonomien gå i stå. Transport ville ophøre.

Det lyder som dystopisk fiktion, men det er den præcise virkelighed i kunstig intelligens-industrien i dag.

I 2025 foregår cirka 95 % af al AI-træning og high-end inferens på GPU'er fremstillet af ét firma: NVIDIA. Hele den globale AI-stak (fra PyTorch-rammeværkerne til datacenterkølingsdesignene) er optimeret til NVIDIAs arkitektur. Industrien er afhængig af CUDA, NVIDIAs proprietære softwareplatform.

NVIDIA er et brilliant firma. De har bygget utrolig teknologi. Men denne monokultur er et strategisk mareridt. Den skaber et Single Point of Failure (SPOF) for hele fremtiden for menneskelig intelligens.

Risiciene i "The Monoculture Trap" bliver håndterbare, når de har navne og ejere.

Den strukturelle mangel

Vi har alle oplevet H100-manglen i 2023 og 2024. Startups ventede 12 måneder på hardware. Regeringer hamstrede chips som guldbarer. Prisen på compute eksploderede.

Det var ikke bare en midlertidig forsyningskædefejl. Det var en strukturel flaskehals. Fremstillingen af disse chips afhænger af en utrolig kompleks proces kaldet CoWoS (Chip-on-Wafer-on-Substrate) avanceret pakning, som primært udføres af TSMC i Taiwan. Kapaciteten til at bygge disse pakker er begrænset. Fysikkens love er begrænsede.

Hvis din AI-strategi afhænger af at få adgang til den nyeste, bedste NVIDIA-chip, satser du din virksomheds overlevelse på en forsyningskæde, du ikke kontrollerer, for et produkt, der sælges til den højestbydende.

Afvejningen i "The Structural Shortage" er, hvor værdi lækker, eller kontrol vender tilbage.

CUDA-grøften

Den egentlige lock-in er ikke hardwaren; det er softwaren. CUDA er AI'ets sprog. I 15 år har forskere og studerende lært at skrive CUDA-kerner. Biblioteker er optimeret til CUDA. Hvis du forsøger at køre standard AI-kode på et AMD-kort eller en Intel-accelerator, ender du ofte i en verden af smerte: ødelagte afhængigheder, manglende kerner og dårlig ydeevne.

Denne "CUDA-moat" holder konkurrenterne ude. Den sikrer, at selv hvis AMD bygger en chip, der er hurtigere og billigere (hvilket de har), så køber ingen den, fordi softwaren ikke bare "virker".

Dweve-filosofien: Kør overalt

Hos Dweve traf vi en radikal beslutning tidligt. Vi så på CUDA-fælden og sagde: "Nej."

Vi besluttede, at vi ikke ville skrive en eneste linje CUDA. Vi ville ikke tage en afhængighed af en proprietær hardware-stack.

I stedet byggede vi vores stack på åbne standarder. Vi bruger Vulkan (grafik-API'et, der kører på alt fra Android-telefoner til Linux-servere). Vi bruger OpenCL. Vi bruger SPIR-V. Vi stoler på mellemliggende repræsentationer (IR'er) som MLIR (Multi-Level Intermediate Representation).

Men den rigtige hemmelige sauce er ikke kun API'et; det er matematikken.

Fordi vores binære neurale netværk (BNN'er) er afhængige af simple heltalsoperationer (XNOR og POPCNT) frem for komplekse flydende komma-matrixmultiplikationer, er vi ikke bundet til de specifikke "Tensor Cores", som kun NVIDIA gør godt.

Tensor Cores er specialiserede hardwareenheder designet til at håndtere 16-bit flydende komma-matematik. Hvis din algoritme er afhængig af FP16, har du brug for en Tensor Core. Hvis din algoritme er afhængig af 1-bit logik, har du ikke. Du har bare brug for grundlæggende digitale logiske porte.

Denne arkitektoniske frihed giver os mulighed for at køre effektivt på en forbløffende bred vifte af hardware:

1. AMD ROCm

AMDs Instinct-GPU'er tilbyder massiv rå computerkraft og hukommelsesbåndbredde per dollar. Til floating point-arbejdsbelastninger har softwarestakken (ROCm) historisk set været det svage punkt. Men til vores binære arbejdsbelastninger kompilerer vi direkte til ISA'en (Instruction Set Architecture). Vi udenom de upålidelige biblioteker. På AMD-hardware kører Dweve-modellerne lynhurtigt.

2. Intel-CPU'er (AVX-512)

Alle overser den beskedne CPU. Men moderne Intel Xeon-processorer har en instruktionssæt kaldet AVX-512. Det gør det muligt for CPU'en at behandle 512 bit data i en enkelt cyklus. For et binært neuralt netværk betyder det, at 512 neuroner behandles øjeblikkeligt. Vi kan køre højtydende inferens på standard-servere, som virksomheder allerede ejer. Ingen GPU nødvendig.

3. RISC-V

RISC-V er den open source-hardwarearkitektur, der hører fremtiden til. Det er for chips, hvad Linux var for operativsystemer. Vi kører nativt på RISC-V-acceleratorer. Dette er afgørende for Europa og udviklingslande, der ønsker at opbygge deres egne indenlandske chipindustrier uafhængigt af amerikanske eksportkontroller.

4. FPGA'er (Field Programmable Gate Arrays)

Dette er den mest spændende front. En FPGA er en "blank lærred"-chip, der kan omkonfigureres på millisekunder. Fordi vores netværk bruger simple logiske porte, kan vi fysisk forbinde chippen, så den matcher den neurale netværksstruktur. Dataene strømmer gennem chippen som vand gennem rør, uden overhead. Dette giver ekstremt lav latenstid (mikrosekunder) og ekstrem energieffektivitet.

"The Dweve Philosophy: Run Everywhere" bliver konkret, når kontrollagene er synlige.

Strategisk modstandsdygtighed og suverænitet

For vores kunder (især regeringer, forsvarsmyndigheder og udbydere af kritisk infrastruktur) er denne hardware-agnosticisme en killer-funktion.

Det betyder, at de ikke er låst fast af sanktioner. Hvis en geopolitisk krise afskærer adgangen til amerikanske chips, kan de køre deres Dweve-modeller på europæiske chips eller bredt tilgængelig ældre silicium. De har en "Plan B".

Det betyder, at de har forhandlingsmagt. De er ikke bundet af én leverandørs prisindfald. Hvis NVIDIA hæver priserne, kan de skifte til AMD eller specialiserede ASIC'er uden at omskrive deres software.

Det betyder også lang levetid. En NVIDIA H100 vil være forældet om 3 år. I industrielle miljøer (tog, fabrikker, kraftværker) skal udstyr holde i 20 år. En generisk FPGA eller en standard-CPU vil kunne serviceres i årtier. Vi bygger software, der respekterer den fysiske verdens livscyklus.

"Strategisk modstandskraft og suverænitet" er en loop: observer, vælg, handle, og test igen.

Efter GPU-æraen

Vi mener, at dominansen af General Purpose GPU (GPGPU) til AI er en historisk anomali. Det var det rette værktøj til AI\'s prototypefase, fordi det var fleksibelt og tilgængeligt. Men efterhånden som AI går ind i implementeringsfasen, vil vi se en kambrisk eksplosion af specialiseret hardware.

Vi vil se analog computing. Optisk computing. Neuromorf computing. In-memory computing. Disse arkitekturer er alle fundamentalt inkompatible med CUDA. De kræver en ny softwarestack.

Ved at afkoble vores software fra hardwaremonopolet i dag er Dweve fremtidssikret til i morgen. Vi bygger ikke kun til chipsene i 2025; vi bygger til fysikken i 2035.

Vil du have AI, der kører på dine præmisser, ikke NVIDIA\'s? Dweve\'s hardware-agnostiske arkitektur giver dig strategisk frihed, omkostningskontrol og suveræn modstandskraft. Kontakt os for at opdage, hvordan vores binære neurale netværk kan køre på den hardware, du allerede ejer, eller på morgendagens åbne silicium.