Sustainability | Dweve-reported AI Energy Comparison

Dweve-reported comparison of binary-first, fixed-point AI and an FP16 GPU baseline, with stated assumptions and measurement boundaries.

Dweve sustainability and AI energy

The sustainability page presents a Dweve-reported per-server comparison of a stated neurosymbolic workload with an FP16 GPU baseline. It describes binary-first compute, fixed-point arithmetic, standard hardware and air cooling, and lists the assumptions and external grid context alongside the figures.

  • The 96% and 366W figures are reported comparison values, not independent certification or a universal result for every workload and deployment.
  • Workload equivalence, correctness, hardware and software versions, power boundary and utilisation determine whether the comparison applies to a new measurement.

Choose the audience that matches your question

The page contains three selectable readings of the same subject.

For consumers

The sustainability page explains an energy comparison in plain language and shows why workload, hardware and measurement boundaries matter. Its figures are reported by Dweve for a stated comparison, not a universal promise for every AI deployment.

For businesses

Dweve reports a 96% lower-energy comparison for a stated neurosymbolic workload against an FP16 GPU baseline, alongside Dutch grid-capacity context. Treat the figures as a scoped comparison and review its assumptions before procurement.

For engineers

The reported comparison uses binary-first compute and correctly rounded fixed-point arithmetic on standard x86, ARM, RISC-V or FPGA hardware. The published 366W and 96% figures depend on workload equivalence, versions, power boundary and utilisation.

72.210 EUR i GPU-energi mod 2.890 EUR til Dweve, ved den hollandske gennemsnitspris.

Kapacitet returneret til nettet, som en kø med boliger og hospitaler kan bruge i stedet.

Udslip, der aldrig blev produceret, ved 393 g CO2e pr. kWh i det hollandske netmix.

Ingen væskekølingssløjfe, så intet driftsmæssigt vandforbrug til termisk styring.

Standard x86- eller ARM-servere i dit eget datacenter, uden GPU-flåde.

EU-fastlåst region, samme kapacitet, ingen hot path krydser en grænse, du ikke har godkendt.

Lavt nok træk til at køre på en almindelig strømforbindelse, også en solcelleinstallation.

Modellen skalerer lineært. Hvis den rapporterede 96 %-energisammenligning overføres, ville der være brug for færre tilsvarende datacentre, så land, beton, stål og kvalificerede arbejdere, som et hyperscale-campus forbruger, kunne vende tilbage til de boliger og den infrastruktur, Europa faktisk har brug for.

I det angivne lavforbrugsscenarie kan en almindelig stikkontakt på kontoret være nok. Bekræft forbindelsen og arbejdsbelastningen på stedet, før du behandler det som et løfte om implementering.

Et lille solcelleanlæg kan drive seriøse AI-arbejdsbelastninger i det angivne lavforbrugsscenarie. Batteribackup bliver mere opnåelig. Dette er solcelledrevet AI som et testbart implementeringsmål, ikke et generelt CO2-neutralt udsagn.

I din kontorbygning. På en hospitalsafdeling. I en klinik på landet. På et skib. Hvis mennesker kan arbejde der, kan denne AI køre der. Intet datacenter er nødvendigt.

SMV'er, startups, forskningslaboratorier, nonprofitorganisationer. Hvis den rapporterede sammenligning overføres, kan lavere driftsenergi gøre avanceret AI opnåelig ud over tech-giganters budgetter.

Hvis du har strøm til computere, har du strøm til dette.

Rapporteret lavere driftsenergi, avanceret AI til flere organisationer

15.014 virksomheder, der venter på kapacitet.

Nej. Du kommer aldrig til at røre ved det. Det arbejder stille og roligt bag de butikker, klinikker og kontorer, du allerede bruger. Den eneste forskel er, at de bruger mindre strøm til at gøre det.

Bruger det virkelig mindre elektricitet?

Ja. Det er bygget til at køre på en almindelig computer, der er sluttet til en almindelig stikkontakt, i stedet for en halvfuld af strømslugende maskiner, der har brug for vand for at holde sig kølige.

I Europa, ofte i samme bygning, der bruger det. Fordi det nipper til strømmen, behøver det ikke et kæmpe datacenter langt væk. Dine oplysninger kan blive tæt på hjemmet.

Ja. Mindre elektricitet brændt af betyder mindre forurening. Det frigør også jord, vand og elnettet til hjem og hospitaler i stedet for flere serverhaller.

Det er hele historien. Nyttigt arbejde, langt mindre strøm, holdt tæt på hjemmet og mere skånsomt for den verden, dine børnebørn skal leve i.

15.014 forbrugsanmodninger (ultimo 2025)

Netbeheer Nederland rapporterer 15.014 virksomheder i køen; tilslutningstiden varierer efter område og tilslutningstype.

Elnettet kan simpelthen ikke håndtere mere efterspørgsel, så byen stoppede med at godkende nye datacentre helt.

Køen for eltilslutning strækker sig ud over 2030. Kritisk infrastruktur kan ikke udvides på et så begrænset net.

Antagelse om 80 % vedvarende elektricitet

EirGrid bruger 80 % som en antagelse om vedvarende produktion for fremtidige tilslutninger; det viser ikke Dublins AI-andel. Stor-Dublin-området beskrives som fuldt begrænset.

Omkostningen er reel. Netbelastning koster den hollandske økonomi

årligt, og at opgradere Europas net til at håndtere den nuværende AI-vækst vil kræve

inden 2040. Tilslutningstiden varierer, og denne side fastslår ikke, at AI-datacentre får prioriteret adgang til den svindende netkapacitet.

EU-AI-lovens anvendelsesområde til gennemgang

EU-jurisdiktion fra ende til anden, med arbejdsbyrdeplacering i regionen. Vælg administreret Fabric på det offentlige Mesh, licenseret kundestyret infrastruktur eller fysisk isoleret drift.

Det angivne lavforbrugsscenarie er beregnet til at undgå særlig infrastruktur; tilslutning af stedet og kontrol af arbejdsbyrde gælder stadig. En almindelig kontorstikkontakt kan være nok til det beskrevne setup.

Et tysk regeringsforslag fra juni 2026 flytter målet om 100 % vedvarende energi fra 2027 til 2030; verificer det vedtagne omfang. En sammenligning med lavere forbrug kan reducere energibelastningen, men erstatter ikke compliance-gennemgang.

Ved en on-premise-installation på en standard strømtilslutning kan data forblive i bygningen. Residens og regulatoriske resultater afhænger stadig af konfiguration og omfang.

Den rapporterede 96 % sammenligning er beskrevet for en angivet arbejdsbyrde; uafhængig verifikation og rå output er ikke offentliggjort på denne side.

EU-AI-lovens energidokumentation for GPAI

Lavere strømforbrug på board-niveau betyder, at standard luftkøling er nok. Ingen væskekreds, intet operationelt vandforbrug og én klasse af mekaniske fejlpunkter mindre.

Sidens sammenligning af tætte acceleratorer bruger et kontinuerligt tal på omkring 700 W pr. accelerator. Det samme angivne arbejde kan kortlægges til SIMD-lanes på standard-CPU'er eller FPGA'er, så der er ingen proprietær accelerator at drive, køle eller udskifte på et 1 til 3 års løbebånd.

Commodity x86, ARM, RISC-V eller FPGA med SIMD

Specialiserede GPU'er ved ~700 W hver, kontinuerligt

Heltalsaritmetik med fast punkt er billigere pr. operation end FP16 og har nul numerisk drift. Den kræver ingen floating-point-enhedsarray, som er en af de største strømslugere på en GPU-die.

Et tæt netværk aktiverer hver parameter for hvert token. Blandingen med 528 domænespecialister ruter kun til 4 til 8 domænespecialister pr. forespørgsel, så langt størstedelen af vægtene forbliver kolde og trækker intet.

Sparse: 4 til 8 domænespecialister aktive pr. forespørgsel

En GPU-inferens er milliarder af floating-point-multiply-accumulate-operationer. Den beskrevne substrate beslutter i binære begrænsninger, så den tætte matrix-multiplikation, der tilskrives strømbudgettet, kører ikke på den angivne kritiske sti.

Binære ja / nej-begrænsningsbeslutninger

Milliarder af FP16-multiply-accumulate-operationer

Hvor én vej kræver femogtyve, er det rapporterede tal ét.

Strøm forbliver fri til hjem og butikker.

Rapporteret sammenligning på board-niveau. GPU-tallet er fra en publiceret tæt-accelerator-server med PUE 1,5x overhead; Dweve er standard CPU- eller FPGA-silicium.

Én server, 60% udnyttelse, hele året. Det rapporterede 25x-forhold mellem de to er sammenligningen i ét tal.

Ved det hollandske gennemsnit på EUR 0,30/kWh. Over fem år er det EUR 72.210 mod EUR 2.890, en besparelse på EUR 69.320 pr. server.

Ved 393g CO2e pr. kWh. Over fem år undgås 90.809 kg emissioner pr. server.

Ingen væskekreds, intet vandforbrug. Luftkøling fjerner en klasse af termiske og mekaniske fejlpunkter.

Publiceret GPU-baseline vs Dweve, Dweve-rapporteret sammenligning

Op til 96% reduktion, 25x rapporteret forhold

Disse 125.000 servere trækker omkring 1,14 gigawatt kontinuerlig strøm, nok til at forsyne 3,8 millioner hollandske husstande. Holland har i alt 7,9 millioner husstande, så en enkelt operatør alene bruger næsten halvdelen af et land.

En anden hyperskalaflyde i det angivne scenarie bruger tætte FP16-servere, hver modelleret til 9.150 W på board-niveau med datacenter-overhead ved PUE 1,5x.

Selv den mindre viste flåde er 12.500 servere. Gang en servers 48.139 kWh om året på tværs af en flåde, og netpåvirkningen måles i byer, ikke i stativer.

Modellen skalerer lineært: hvis det rapporterede forhold pr. server overføres, ville der være behov for færre tilsvarende datacentre på flådeskala.

Her er de gode nyheder. Effektivitet og kapacitet er ikke modsætninger. Hvis det rapporterede 25x-forhold holder for en tilsvarende arbejdsbyrde, har den samme infrastruktur mere plads til AI. Vi vælger ikke mellem fremskridt og bæredygtighed. Vi vælger mellem

Forestil dig, at vi bygger smartere fra i dag og frem.

Forestil dig Europa i 2030 under det angivne 9.150 W-per-server GPU-baseline-scenarie.

Vi opfylder EU's klimamål, mens vi fremmer teknologi, ikke ved at vælge mellem dem.

Enhver europæisk virksomhed har råd til avanceret AI, ikke kun teknologigiganter med datacenterbudgetter.

Længere hardwarelevetid betyder mindre affald og lavere udskiftningsomkostninger.

Virksomheder, skoler og hjem får strøm, når de har brug for det, ikke efter års ventetid.

Ikke flere datacenter-moratorier, fordi effektiv AI passer ind i den eksisterende infrastruktur.

Scenarie: AI bliver 100 gange mere kapabel, mens den samlede netkapacitet forbliver på dagens niveau.

Vi bygger nye kraftværker til AI, mens familier venter i årevis på elforbindelser.

Europæisk AI bliver en luksus, som kun massive virksomheder med adgang til datacentre har råd til.

Scenarie: bjerge af elektronisk affald fra GPU-servere, der udskiftes hvert 1. til 3. år.

Omkostningerne ved netoverbelastning vokser fra 40 milliarder EUR til mere end 100 milliarder EUR årligt.

Scenarie: virksomhedernes elforbindelseskø vokser fra den citerede baseline på 12.000 til hundredtusindvis.