Η παγίδα των GPU: η Ευρώπη όμηρος της τεχνητής νοημοσύνης

Η παγίδα των GPU: η Ευρώπη όμηρος της τεχνητής νοημοσύνης

Ο λογαριασμός του cloud τα μεσάνυχτα

Φανταστείτε το εξής: έχετε μια startup στο Άμστερνταμ, στο Βερολίνο ή στη Βαρκελώνη. Είναι βαθιά νύχτα. Η ομάδα σας μόλις ανέπτυξε μια νέα δυνατότητα τεχνητής νοημοσύνης που οι πελάτες πραγματικά λατρεύουν. Όλα λειτουργούν. Όλα αναπτύσσονται.

Και τότε κοιτάτε τον λογαριασμό του cloud.

Το κόστος της υποδομής σας μόλις τριπλασιάστηκε. Όχι επειδή κάνατε κάποιο λάθος. Όχι επειδή σας παραβίασαν. Αλλά επειδή ο πάροχος cloud αποφάσισε ότι οι τιμές των GPU ανεβαίνουν. Ξανά. Και δεν μπορείτε να κάνετε απολύτως τίποτα γι' αυτό, γιατί έχετε ακριβώς μία επιλογή: να πληρώσετε ή να κλείσετε.

Καλώς ήρθατε στην παγίδα της υποδομής για την οποία κανείς δεν σας προειδοποίησε όταν ξεκινούσατε να χτίζετε με τεχνητή νοημοσύνη. Η παγίδα που κοστίζει στις ευρωπαϊκές εταιρείες 35 δισεκατομμύρια ευρώ ετησίως σε υποδομές τεχνητής νοημοσύνης. Η παγίδα που χτίστηκε εντελώς κατά λάθος πάνω σε τσιπ gaming που δεν προορίζονταν ποτέ να τρέξουν τεχνητή νοημοσύνη σε κλίμακα πολιτισμού.

Αυτή είναι η ιστορία του πώς φτάσαμε εδώ. Και το πιο σημαντικό, πώς μπορεί επιτέλους να βγούμε.

Το ατύχημα που έγινε αυτοκρατορία

30 Σεπτεμβρίου 2012. Σε ένα υπνοδωμάτιο στο σπίτι των γονιών του στο Τορόντο, ο Alex Krizhevsky τρέχει μια τελευταία προπόνηση. Η ομάδα του, η SuperVision, που δημιουργήθηκε με τους συμφοιτητές του στο διδακτορικό Ilya Sutskever και τον σύμβουλό τους Geoffrey Hinton, πρόκειται να υποβάλει τη συμμετοχή της στον διαγωνισμό ImageNet.

Έχουν κάνει κάτι ασυνήθιστο: εκπαιδεύουν ένα βαθύ νευρωνικό δίκτυο χρησιμοποιώντας δύο κάρτες γραφικών NVIDIA GTX 580. Υλικό gaming. Το είδος που θα χρησιμοποιούσατε για να αποδώσετε εκρήξεις στο Call of Duty, για να κάνετε τους δράκους να βγάζουν ρεαλιστική φωτιά, για να υπολογίσετε αντανακλάσεις νερού σε κόσμους φαντασίας.

Είναι ένα hack, στην πραγματικότητα. Χρειάζονταν περισσότερη υπολογιστική ισχύ από όση μπορούσαν να προσφέρουν οι CPU, και αυτές οι GPU gaming των 500 ευρώ έτυχε να δουλεύουν. Κανείς δεν πιστεύει ότι αυτό είναι το μέλλον της τεχνητής νοημοσύνης. Είναι απλώς ό,τι είναι διαθέσιμο αυτή τη στιγμή, για ένα πρότζεκτ μεταπτυχιακού φοιτητή.

Το μοντέλο τους, το AlexNet, δεν κερδίζει απλώς τον διαγωνισμό ImageNet. Εξαφανίζει κάθε προηγούμενη προσπάθεια. Οι νικητές των προηγούμενων ετών είχαν ποσοστό σφάλματος 26,2%. Το AlexNet φτάνει το 15,3%. Αυτό δεν είναι σταδιακή βελτίωση. Αυτή είναι μια επανάσταση που τη βλέπεις από το διάστημα.

Και έτσι, εντελώς κατά λάθος, οι GPU έγιναν το θεμέλιο της τεχνητής νοημοσύνης. Το υλικό gaming έγινε η ραχοκοκαλιά της πιο σημαντικής τεχνολογίας του 21ου αιώνα. Αυτό που όλοι θεωρούσαν προσωρινή λύση έγινε μόνιμη υποδομή.

Δεκατρία χρόνια αργότερα, αυτό το ατύχημα έχει μετατραπεί σε κάτι που κανείς δεν περίμενε: μια ετήσια εξάρτηση 35 δισεκατομμυρίων ευρώ. Μια στρατηγική ευπάθεια. Μια τεχνολογική μονοκαλλιέργεια. Ένα χρυσό κλουβί που έχει παγιδεύσει ολόκληρο το παγκόσμιο οικοσύστημα τεχνητής νοημοσύνης, και την Ευρώπη πιο έντονα από όλους.

Γιατί οι Κάρτες Γραφικών Έτυχε να Λειτουργούν

Ας είμαστε απολύτως σαφείς για το τι πραγματικά συνέβη εδώ. Οι GPU δεν σχεδιάστηκαν ποτέ για τεχνητή νοημοσύνη. Κατασκευάστηκαν για να αποδίδουν ρεαλιστικό νερό στα βιντεοπαιχνίδια, για να κάνουν τις σκιές να φαίνονται πιστευτές, για να υπολογίζουν τα εφέ φωτισμού σε τρισδιάστατα περιβάλλοντα με 60 καρέ ανά δευτερόλεπτο.

Αλλά είχαν ένα αρχιτεκτονικό χαρακτηριστικό που αποδείχθηκε ευτυχές για τα νευρωνικά δίκτυα: τον μαζικό παραλληλισμό. Ενώ μια CPU μπορεί να έχει 8 ή 16 πυρήνες που εκτελούν πολύπλοκες πράξεις διαδοχικά, μια GPU έχει χιλιάδες απλούστερους πυρήνες που εκτελούν την ίδια εντολή ταυτόχρονα.

Τα νευρωνικά δίκτυα, όπως αποδεικνύεται, είναι κυρίως πολλαπλασιασμοί πινάκων. Η ίδια μαθηματική πράξη επαναλαμβανόμενη εκατομμύρια φορές. Εντυπωσιακά παράλληλη, όπως λένε οι επιστήμονες υπολογιστών. Το είδος του προβλήματος όπου μπορείς να μοιράσεις τη δουλειά σε χιλιάδες απλούς επεξεργαστές και να πετύχεις δραματικές επιταχύνσεις.

Ήταν ένα ταίριασμα που προέκυψε εντελώς συμπτωματικά. Σαν να ανακαλύπτεις ότι το μπλέντερ της κουζίνας σου κάνει εξαιρετικό αναμικτήρα χρωμάτων. Σίγουρα, δουλεύει. Είναι πιο γρήγορο από το ανακάτεμα με το χέρι. Αλλά κανείς δεν το σχεδίασε για αυτόν τον σκοπό. Κανείς δεν το βελτιστοποίησε για αυτή τη χρήση. Απλώς τυχαίνει να έχει τις σωστές ιδιότητες.

Η ομάδα του Τορόντο χρειαζόταν να εκπαιδεύσει μεγαλύτερα δίκτυα. Οι CPU ήταν απελπιστικά αργές, χρειάζονταν εβδομάδες για ό,τι οι GPU μπορούσαν να κάνουν σε ημέρες. Έψαξαν για εναλλακτικές και βρήκαν την πλατφόρμα CUDA της NVIDIA, ένα προγραμματιστικό πλαίσιο που σου επέτρεπε να επαναπροσδιορίσεις τις κάρτες γραφικών για γενικούς υπολογισμούς.

Δεν ήταν βελτιστοποιημένη για νευρωνικά δίκτυα. Δεν ήταν καν ιδιαίτερα κατάλληλη. Αλλά ήταν 10 φορές πιο γρήγορη από τις CPU, και όταν κάνεις πειράματα σε ένα πανεπιστημιακό εργαστήριο με ισχνό προϋπολογισμό, αυτό είναι υπεραρκετό.

Το «αρκετά καλό» έγινε το χρυσό πρότυπο. Η προσωρινή λύση αποκρυσταλλώθηκε σε μόνιμη υποδομή. Το πρόχειρο κόλπο έγινε η βιομηχανία. Και εδώ είναι το πραγματικά αξιοσημείωτο: όλοι ήξεραν ότι ήταν κόλπο. Το 2012, οι ερευνητές μιλούσαν για τις GPU ως μια βολική μέθοδο επιτάχυνσης, μια προσωρινή λύση μέχρι να εμφανιστεί κάτι καλύτερο.

Κανείς δεν φανταζόταν ότι θα χρησιμοποιούσαμε ακόμα υλικό παιχνιδιών για τεχνητή νοημοσύνη αιχμής το 2025. Κανείς δεν προέβλεψε ότι αυτό θα γινόταν το σημείο συμφόρησης που περιορίζει ολόκληρη τη βιομηχανία. Κι όμως, εδώ είμαστε, εκπαιδεύοντας μοντέλα με τρισεκατομμύρια παραμέτρους σε υλικό που σχεδιάστηκε αρχικά για να αποδίδει τα μπλοκ του Minecraft.

Πώς η NVIDIA Έχτισε το Απόρθητο Χαντάκι

Η NVIDIA είδε την ευκαιρία πριν από οποιονδήποτε άλλον. Ενώ οι ακαδημαϊκοί αντιμετώπιζαν τις GPU ως μια βολική επιτάχυνση για τα πειράματά τους, η NVIDIA έχτιζε μια αυτοκρατορία με την υπομονή και τη διορατικότητα ενός μεγάλου στρατηγού.

Το CUDA εξελίχθηκε από ένα απλό πλαίσιο προγραμματισμού σε ένα ολοκληρωμένο οικοσύστημα. Βιβλιοθήκες για κάθε δυνατή λειτουργία. Εργαλεία βελτιστοποίησης. Συστήματα προφίλ απόδοσης. Υποδομή εντοπισμού σφαλμάτων. Εκτενής τεκμηρίωση. Εκπαιδευτικά προγράμματα για φοιτητές. Ευαγγελισμός των προγραμματιστών. Χορηγίες συνεδρίων. Ερευνητικές επιχορηγήσεις.

Δισεκατομμύρια επενδύθηκαν για περισσότερο από μια δεκαετία για να γίνει το CUDA όχι απλώς λειτουργικό, αλλά απαραίτητο. Όχι απλώς γρήγορο, αλλά αναντικατάστατο.

Κάθε μεγάλο πλαίσιο τεχνητής νοημοσύνης έχτισε τα θεμέλιά του πάνω στο CUDA. Το PyTorch μιλάει CUDA από τη φύση του. Το TensorFlow μεταγλωττίζεται σε CUDA. Το JAX προϋποθέτει τη διαθεσιμότητα του CUDA. Αν θέλετε να εκπαιδεύσετε ένα νευρωνικό δίκτυο σε ανταγωνιστικές ταχύτητες, γράφετε κώδικα που τρέχει σε CUDA. Αν θέλετε να βελτιστοποιήσετε την απόδοση, χρησιμοποιείτε βιβλιοθήκες CUDA. Αν θέλετε να αναπτύξετε σε κλίμακα, χρειάζεστε υλικό συμβατό με CUDA.

Και το CUDA τρέχει μόνο σε GPU της NVIDIA. Αυτό δεν είναι σύμπτωση. Δεν είναι παράλειψη. Είναι στρατηγική που εκτελέστηκε με χειρουργική ακρίβεια για δεκαπέντε χρόνια.

Είναι ένα από τα πιο επιτυχημένα κλεισίματα πελατών στην ιστορία της πληροφορικής. Όχι μέσω νομικών περιορισμών ή αντιανταγωνιστικής συμπεριφοράς που θα μπορούσαν να αμφισβητήσουν οι ρυθμιστικές αρχές, αλλά μέσω αδιάκοπης, υπομονετικής οικοδόμησης οικοσυστήματος. Όταν η βιομηχανία συνειδητοποίησε τι συνέβαινε, ήταν ήδη πολύ αργά. Ολόκληρη η στοίβα τεχνητής νοημοσύνης είχε χτιστεί πάνω στο ιδιόκτητο θεμέλιο της NVIDIA, μία απόφαση τη φορά, μία βιβλιοθήκη τη φορά, μία βελτιστοποίηση τη φορά.

Σήμερα, η NVIDIA κατέχει το 92% της αγοράς επιταχυντών τεχνητής νοημοσύνης. Όχι 60%. Όχι 75%. Ενενήντα δύο τοις εκατό. Ορισμένοι αναλυτές τοποθετούν το μερίδιο της αγοράς εκπαίδευσης στο 98%. Διαβάστε αυτούς τους αριθμούς ξανά. Αυτή δεν είναι μια ανταγωνιστική αγορά. Είναι ένα μονοπώλιο με ένα τεχνικό φύλλο συκής.

Το ετήσιο στραγγαλιστικό κόστος των 35 δισεκατομμυρίων ευρώ

Ας δούμε τι σημαίνει αυτό το μονοπώλιο στην πράξη, ειδικά για τις ευρωπαϊκές εταιρείες που προσπαθούν να αναπτύξουν προϊόντα τεχνητής νοημοσύνης.

Μία μόνο GPU NVIDIA H100 κοστίζει μεταξύ 23.000 και 37.000 ευρώ. Και αυτό για ένα μόνο τσιπ. Η εκπαίδευση ενός σύγχρονου μεγάλου γλωσσικού μοντέλου απαιτεί χιλιάδες τέτοιες GPU να λειτουργούν συνεχώς για εβδομάδες ή μήνες. Μόνο το κόστος υπολογιστικής ισχύος μπορεί να φτάσει τις δεκάδες εκατομμυρίων ευρώ. Και αυτό είναι μόνο μία εκτέλεση εκπαίδευσης. Τα περισσότερα μοντέλα χρειάζονται δεκάδες επαναλήψεις προτού λειτουργήσουν αποδεκτά.

Η νεότερη αρχιτεκτονική Blackwell της NVIDIA καταναλώνει έως και 1.200 watt ανά τσιπ. Αυτό είναι περισσότερη ισχύς από ένα ισχυρό θερμαντικό σώμα. Προσφέρει περίπου 2,5 φορές ταχύτερη εκπαίδευση τεχνητής νοημοσύνης σε σύγκριση με την προηγούμενη γενιά H100. Εντυπωσιακή μηχανική, σίγουρα.

Αλλά κοστίζει επίσης περισσότερο, απαιτεί υποδομή υγρής ψύξης που τα περισσότερα κέντρα δεδομένων δεν διαθέτουν, και δεν έχετε καμία απολύτως επιλογή παρά να την αγοράσετε αν θέλετε να παραμείνετε ανταγωνιστικοί. Επειδή όλοι οι άλλοι την αγοράζουν. Επειδή η CUDA λειτουργεί μόνο σε αυτήν. Επειδή το οικοσύστημα δεν υπάρχει πουθενά αλλού.

Ολόκληρο το σύστημα βασίζεται σε μια απλή πραγματικότητα: αν θέλετε να αναπτύξετε τεχνητή νοημοσύνη αιχμής, χρειάζεστε GPU της NVIDIA. Και αν βρίσκεστε στην Ευρώπη, βρίσκεστε σε δομικό μειονέκτημα από την πρώτη μέρα.

Αμερικανοί πάροχοι cloud όπως οι AWS, Microsoft Azure και Google Cloud επενδύουν πάνω από 37 δισεκατομμύρια ευρώ κάθε τρίμηνο σε υποδομές GPU. Κάθε. Ένα. Τρίμηνο. Ελέγχουν το 70% της ευρωπαϊκής αγοράς cloud. Οι ευρωπαίοι πάροχοι κατέχουν μόλις το 15% της εγχώριας αγοράς τους, από 29% το 2017.

Εταιρείες όπως η SAP και η Deutsche Telekom ελέγχουν μόλις το 2% της αγοράς ευρωπαϊκού cloud. Οι ευρωπαϊκοί πάροχοι cloud, όπως οι OVHcloud, Scaleway και Hetzner, εξυπηρετούν εξειδικευμένες αγορές, χωρίς να μπορούν να ανταγωνιστούν την κλίμακα των αμερικανικών hyperscaler. Χωρίς τη δυνατότητα να εξασφαλίσουν GPU σε ανταγωνιστικές τιμές. Χωρίς τη δυνατότητα να προσφέρουν την ίδια απόδοση. Χωρίς τη δυνατότητα να ανταγωνιστούν.

Δεν είναι ότι οι ευρωπαϊκές εταιρείες στερούνται τεχνικού ταλέντου ή φιλοδοξίας. Τους λείπει η πρόσβαση σε GPU σε ανταγωνιστικές τιμές και κλίμακα. Δεν είναι απλώς πίσω στον αγώνα. Τρέχουν σε εντελώς διαφορετική πίστα, με διαρθρωτικά εμπόδια που δισεκατομμύρια σε επενδύσεις δυσκολεύονται να ξεπεράσουν.

Οι ευρωπαϊκές νεοφυείς επιχειρήσεις AI αντιμετωπίζουν ένα παιχνίδι χωρίς νικητές

Σκεφτείτε τι συμβαίνει αυτή τη στιγμή στις ευρωπαϊκές εταιρείες AI, σε πραγματικό χρόνο, καθώς προσπαθούν να ανταγωνιστούν.

Η Mistral AI, η πιο υποσχόμενη γαλλική νεοφυής επιχείρηση AI, συγκέντρωσε 468 εκατομμύρια ευρώ σε χρηματοδότηση. Είναι πραγματικά χρήματα. Αυτό την καθιστά μία από τις καλύτερα κεφαλαιοδοτημένες εταιρείες AI στην Ευρώπη. Ακόμη και με αυτό το πολεμικό θησαυροφυλάκιο, χρειάστηκε να ανακοινώσει μια κυρίαρχη στρατηγική συνεργασία AI υποδομών με τη NVIDIA στη VivaTech 2025, μόνο και μόνο για να εξασφαλίσει πρόσβαση σε GPU.

Διαβάστε το ξανά. Σχεδόν μισό δισεκατομμύριο ευρώ σε χρηματοδότηση, και παρόλα αυτά χρειάστηκε να συνεργαστεί με τη NVIDIA μόνο για να αποκτήσει τσιπ. Αυτό δεν είναι στρατηγική επιλογή. Είναι ανάγκη μεταμφιεσμένη σε συνεργασία.

Η Aleph Alpha, η γερμανική απάντηση στο OpenAI, στράφηκε στα τέλη του 2024 από την ανάπτυξη θεμελιωδών μοντέλων στη βοήθεια επιχειρήσεων να αναπτύξουν AI. Γιατί; Όπως παραδέχτηκε ο ιδρυτής Jonas Andrulis, η ανάπτυξη LLM αποδείχθηκε εξαιρετικά δύσκολη και δαπανηρή σε έναν χώρο που κυριαρχείται από κολοσσούς της τεχνολογίας με βαθιά τσέπη.

Μετάφραση: δεν μπόρεσαν να εξασφαλίσουν πρόσβαση σε GPU στην κλίμακα που απαιτείται για να ανταγωνιστούν. Δεν μπόρεσαν να συναγωνιστούν τις επενδύσεις υποδομών των αμερικανικών εταιρειών. Έτσι στράφηκαν σε ένα επιχειρηματικό μοντέλο που δεν απαιτεί ανταγωνισμό στην εκπαίδευση θεμελιωδών μοντέλων. Αυτό δεν είναι στρατηγική. Είναι παράδοση.

Οι ευρωπαϊκές εταιρείες AI έχουν λάβει δέκα φορές λιγότερη χρηματοδότηση από τους αμερικανούς ομολόγους τους. Αλλά ακόμη και αν η χρηματοδότηση ήταν ίση, το πρόβλημα των GPU θα παρέμενε. Η NVIDIA δίνει προτεραιότητα στους μεγαλύτερους πελάτες της: αμερικανούς παρόχους cloud και κολοσσούς της τεχνολογίας. Οι ευρωπαϊκές νεοφυείς επιχειρήσεις περιμένουν στην ουρά για υπολείμματα, πληρώνοντας υψηλές τιμές για όποια κατανομή μπορέσουν να εξασφαλίσουν.

Η ΕΕ απάντησε με την πρωτοβουλία InvestAI, κινητοποιώντας 200 δισεκατομμύρια ευρώ για επενδύσεις στην τεχνητή νοημοσύνη. Τον Φεβρουάριο του 2025, οι Brookfield Infrastructure και Data4 ανακοίνωσαν επενδύσεις 19,2 δισεκατομμυρίων ευρώ σε υποδομές τεχνητής νοημοσύνης μόνο στη Γαλλία. Τον Δεκέμβριο του 2024, η EuroHPC JU επέλεξε επτά κοινοπραξίες για τη δημιουργία των πρώτων AI Factories σε Φινλανδία, Γερμανία, Ελλάδα, Ιταλία, Λουξεμβούργο, Ισπανία και Σουηδία.

Πρόκειται για τεράστιες επενδύσεις. Πραγματικές δεσμεύσεις. Αλλά τα πρώτα gigafactories δεν θα τεθούν σε λειτουργία πριν από το 2027 το νωρίτερο. Και όλα τους, απολύτως όλα, θα λειτουργούν με GPU της NVIDIA. Η Ευρώπη ξοδεύει εκατοντάδες δισεκατομμύρια ευρώ για να απεξαρτηθεί από τους αμερικανικούς παρόχους cloud, μόνο για να εξαρτηθεί ακόμη περισσότερο από το αμερικανικό υλικό.

Μπορείτε να δείτε το πρόβλημα.

Η Παγίδα του Οικοσυστήματος: Γιατί η Απόδραση Είναι Σχεδόν Αδύνατη

Να γιατί το κλείδωμα είναι τόσο ύπουλο, ακόμη και όταν όλοι το αναγνωρίζουν ως πρόβλημα που χρήζει επίλυσης.

Φανταστείτε ότι είστε ένα ερευνητικό εργαστήριο στο Τεχνικό Πανεπιστήμιο του Μονάχου. Χρησιμοποιείτε GPU της NVIDIA για πέντε χρόνια. Ολόκληρη η βάση κώδικά σας είναι βελτιστοποιημένη για CUDA. Οι ερευνητές σας έχουν εξειδίκευση στην CUDA. Η υποδομή σας προϋποθέτει CUDA. Οι διαδικασίες ανάπτυξής σας εξαρτώνται από την CUDA. Έχετε επενδύσει εκατομμύρια ευρώ και αμέτρητα ανθρωποέτη σε αυτό το οικοσύστημα.

Τώρα κάποιος σας προσφέρει μια εναλλακτική λύση. Ίσως την πλατφόρμα ROCm της AMD. Ίσως τα TPU της Google. Ίσως έναν προσαρμοσμένο επιταχυντή τεχνητής νοημοσύνης από μια πολλά υποσχόμενη ευρωπαϊκή νεοφυή επιχείρηση.

Για να αλλάξεις, πρέπει να ξαναγράψεις ολόκληρη τη βάση κώδικα για μια νέα πλατφόρμα, μια διαδικασία που διαρκεί μήνες ή χρόνια. Να επανεκπαιδεύσεις την ομάδα σου σε νέα εργαλεία, πλαίσια και τεχνικές βελτιστοποίησης. Να βελτιστοποιήσεις εκ νέου όλα τα μοντέλα σου για διαφορετικές αρχιτεκτονικές υλικού. Να αποδεχτείς ότι το 80% των βιβλιοθηκών τεχνητής νοημοσύνης ανοιχτού κώδικα δεν θα λειτουργήσουν χωρίς σημαντική τροποποίηση. Να διακινδυνεύσεις ότι η εναλλακτική λύση δεν έχει διάρκεια και υποστήριξη από τον προμηθευτή. Να ελπίζεις ότι οι επιδόσεις θα ταιριάξουν ή θα ξεπεράσουν αυτές που είχες, γνωρίζοντας ότι πιθανότατα δεν θα συμβεί. Να προσεύχεσαι ότι δεν μετακινήθηκες απλώς από ένα ιδιόκτητο οικοσύστημα σε ένα άλλο, εξίσου κλειδωμένο, αλλά με λιγότερους πόρους πίσω του.

Το κόστος μετακίνησης είναι αστρονομικό. Οι κίνδυνοι είναι τεράστιοι. Τα οφέλη είναι αβέβαια. Για τους περισσότερους οργανισμούς, είναι ένας αδύνατος υπολογισμός. Καλύτερα να μείνεις με τον γνωστό διάβολο, ακόμα κι αν αυτός ο διάβολος είναι ακριβός, υπό ξένο έλεγχο και στρατηγικά επικίνδυνος.

Τεχνολογικοί κολοσσοί όπως η Microsoft, η Meta και η Google έχουν επενδύσει δεκάδες δισεκατομμύρια σε κέντρα δεδομένων που βασίζονται στην CUDA. Αυτή η υποδομή δεν αντιπροσωπεύει απλώς βυθισμένο κόστος. Αντιπροσωπεύει το θεμέλιο ολόκληρης της στρατηγικής τους στην τεχνητή νοημοσύνη. Το ταλέντο τους είναι εκπαιδευμένο στην CUDA. Ο κώδικάς τους προϋποθέτει την CUDA. Τα εργαλεία ανάπτυξής τους περιμένουν την CUDA. Το ανταγωνιστικό τους πλεονέκτημα εξαρτάται από την εξειδίκευση στην CUDA.

Αυτό είναι που οι οικονομολόγοι αποκαλούν υψηλό κόστος μετακίνησης με επιδράσεις δικτύου. Μόλις μια τεχνολογία αποκτήσει κρίσιμη μάζα, η εκτόπισή της γίνεται σχεδόν αδύνατη, ακόμα κι αν υπάρχουν ανώτερες εναλλακτικές. Ακόμα κι αν όλοι θα ήταν καλύτερα να αλλάξουν. Ακόμα κι αν η τρέχουσα λύση είναι υποβέλτιστη, ακριβή και στρατηγικά επικίνδυνη.

Η NVIDIA δεν έχτισε απλώς εξαιρετικό υλικό. Έχτισε ένα κλουβί με χρυσά κάγκελα, και ολόκληρη η βιομηχανία τεχνητής νοημοσύνης μπήκε μέσα οικειοθελώς, με μια σκόπιμη απόφαση τη φορά, χωρίς να συνειδητοποιεί ότι η πόρτα έκλεινε πίσω της.

Το Σημείο Συμφόρησης Καινοτομίας που Κανείς δεν Συζητά

Η χειρότερη συνέπεια δεν είναι το κόστος ή ακόμα και το κλείδωμα προμηθευτή. Είναι το τι κάνει η κυριαρχία των GPU στην ίδια την καινοτομία, στον ίδιο τον χώρο δυνατοτήτων του τι θα μπορούσε να είναι η τεχνητή νοημοσύνη.

Όταν μια τεχνολογία αποκτά σχεδόν απόλυτη κυριαρχία στην αγορά, η καινοτομία κατευθύνεται στο να κάνει αυτή την τεχνολογία οριακά καλύτερη, αντί να εξερευνά θεμελιωδώς διαφορετικές προσεγγίσεις. Η NVIDIA κυκλοφορεί νέες γενιές GPU με σταδιακές βελτιώσεις. Οι ερευνητές βελτιστοποιούν κώδικα για αρχιτεκτονικές της NVIDIA. Οι προγραμματιστές πλαισίων προσθέτουν λειτουργίες CUDA. Όλοι τρέχουν πιο γρήγορα στον ίδιο διάδρομο.

Εν τω μεταξύ, οι ριζικά διαφορετικές προσεγγίσεις στην τεχνητή νοημοσύνη στερούνται πόρων, προσοχής και ταλέντου. Γιατί να επενδύσεις στη νευρομορφική υπολογιστική όταν όλοι χρησιμοποιούν GPU; Γιατί να εξερευνήσεις τη συλλογιστική βάσει περιορισμών όταν τα νευρωνικά δίκτυα λειτουργούν αρκετά καλά; Γιατί να αναπτύξεις δυαδικά δίκτυα όταν η κινητή υποδιαστολή είναι το καθιερωμένο πρότυπο; Γιατί να επιδιώξεις την αναλογική υπολογιστική, τη φωτονική επεξεργασία ή οποιαδήποτε άλλη εναλλακτική αρχιτεκτονική;

Η απάντηση είναι απλά βάναυση: δεν μπορείς να ανταγωνιστείς. Το οικοσύστημα δεν υπάρχει. Τα εργαλεία δεν είναι εκεί. Η υποδομή δεν είναι διαθέσιμη. Το ταλέντο έχει μάθει CUDA και δεν θέλει να ξεκινήσει από την αρχή. Οι επενδυτές χρηματοδοτούν προσεγγίσεις που βασίζονται σε GPU επειδή έχουν αποδεδειγμένη δυναμική, επειδή κατανοούν την αγορά, επειδή οι εναλλακτικές είναι πολύ επικίνδυνες.

Είναι ένας αυτοενισχυόμενος κύκλος που περιορίζει τον χώρο δυνατοτήτων με κάθε επανάληψη. Η κυριαρχία των GPU δημιουργεί πλεονεκτήματα οικοσυστήματος. Τα πλεονεκτήματα οικοσυστήματος προσελκύουν επενδύσεις. Οι επενδύσεις ενισχύουν την κυριαρχία των GPU. Οι εναλλακτικές προσεγγίσεις δυσκολεύονται ακόμα και να ξεκινήσουν, πόσο μάλλον να φτάσουν στην κλίμακα που απαιτείται για να αποδείξουν τη βιωσιμότητά τους.

Δεν εξερευνούμε πλέον τον πλήρη χώρο των πιθανών αρχιτεκτονικών τεχνητής νοημοσύνης. Εξερευνούμε τον πολύ στενότερο χώρο του τι λειτουργεί αποτελεσματικά στις GPU της NVIDIA. Αυτός είναι ένας βαθύς περιορισμός στην καινοτομία που εντείνεται με τον χρόνο. Κάθε χρόνο το κλουβί γίνεται μικρότερο, οι τοίχοι πιο παχείς, η έξοδος πιο μακρινή. Κάθε χρόνο επενδύουμε περισσότερο στη βελτιστοποίηση του λάθους πράγματος.

Ψηφιακός Αποικισμός: Η Στρατηγική Κρίση της Ευρώπης

Για την Ευρώπη, αυτό δεν είναι απλώς μια τεχνική ταλαιπωρία ή μια ατυχής κατάσταση της αγοράς. Είναι μια στρατηγική κρίση με γεωπολιτικές επιπτώσεις που θα καθορίσουν την ευρωπαϊκή τεχνολογική κυριαρχία για γενιές.

Στις 10 Ιουνίου 2025, ο Anton Carniaux, διευθυντής δημοσίων και νομικών υποθέσεων της Microsoft Γαλλίας, κάθισε ενώπιον της γαλλικής Γερουσίας για μια έρευνα σχετικά με την κυριαρχία των δεδομένων. Ο ένας γερουσιαστής μετά τον άλλον τον πίεζε με μια φαινομενικά απλή ερώτηση: μπορούσε να εγγυηθεί ότι τα δεδομένα των Γάλλων πολιτών που φυλάσσονται στους διακομιστές της Microsoft δεν θα διαβιβάζονταν ποτέ στις αμερικανικές αρχές χωρίς ρητή γαλλική άδεια;

Η απάντησή του, δοσμένη καθαρά και χωρίς υπεκφυγές: Όχι, δεν μπορώ να το εγγυηθώ.

Βάσει του αμερικανικού νόμου CLOUD Act, οι αμερικανικές εταιρείες τεχνολογίας υποχρεούνται να συμμορφώνονται με αιτήματα δεδομένων της αμερικανικής κυβέρνησης, ανεξάρτητα από το πού αποθηκεύονται φυσικά τα δεδομένα. Εάν ένα αίτημα είναι σωστά διατυπωμένο βάσει του αμερικανικού δικαίου, η Microsoft έχει νομική υποχρέωση να διαβιβάσει τα δεδομένα. Η ευρωπαϊκή κυριαρχία δεδομένων, με άλλα λόγια, εξαρτάται από την ανοχή των Ηνωμένων Πολιτειών. Υπάρχει υπό την ευαρέσκεια της αμερικανικής πολιτικής, όχι ως ζήτημα ευρωπαϊκού ελέγχου.

Αυτή η κατάθεση συγκλόνισε τους ευρωπαϊκούς πολιτικούς κύκλους. Αλλά η κατάσταση με τις GPU είναι δομικά πανομοιότυπη, απλώς λιγότερο ορατή. Η NVIDIA υπόκειται στους αμερικανικούς ελέγχους εξαγωγών. Μια εμπορική διαφωνία, μια αλλαγή πολιτικής, μια γεωπολιτική κρίση, και ολόκληρη η ευρωπαϊκή υποδομή τεχνητής νοημοσύνης θα μπορούσε να περιοριστεί ή να διακοπεί εντελώς. Όχι υποθετικά. Στην πραγματικότητα. Με μια υπογραφή στην Ουάσινγκτον.

Η Ευρώπη έχει λαμπρούς ερευνητές τεχνητής νοημοσύνης. Πανεπιστήμια παγκόσμιας κλάσης που παράγουν πρωτοποριακές εργασίες. Καινοτόμες νεοφυείς επιχειρήσεις όπως η Mistral AI και η Aleph Alpha. Μεγάλα ερευνητικά ιδρύματα όπως το IDSIA στην Ελβετία, το Γερμανικό Κέντρο Ερευνών Τεχνητής Νοημοσύνης, το INRIA στη Γαλλία. Ταλαντούχοι μηχανικοί που κατασκευάζουν εντυπωσιακά συστήματα.

Αλλά όλοι αυτοί χτίζουν πάνω σε ένα θεμέλιο που δεν ελέγχουν, χρησιμοποιώντας υλικό στο οποίο δεν έχουν πρόσβαση σε ανταγωνιστικές τιμές, κλειδωμένοι σε ένα ιδιόκτητο οικοσύστημα που ανήκει σε μια μόνο αμερικανική εταιρεία, υποκείμενοι στην αμερικανική εξαγωγική πολιτική, ευάλωτοι στις αμερικανικές πολιτικές αποφάσεις.

Αυτό δεν είναι ψηφιακή κυριαρχία. Αυτό είναι ψηφιακός αποικισμός με φιλικό πρόσωπο και εξαιρετική εξυπηρέτηση πελατών.

Το Ψέμα της Αποδοτικότητας που Κανείς δεν Θέλει να Αντιμετωπίσει

Ορίστε μια άβολη αλήθεια που παραβλέπεται στις περισσότερες συζητήσεις για την υποδομή τεχνητής νοημοσύνης: οι GPU δεν είναι στην πραγματικότητα αποδοτικές για την τεχνητή νοημοσύνη. Είναι απλώς η λιγότερο αναποτελεσματική επιλογή στην οποία καταλήξαμε επειδή ήταν διαθέσιμες το 2012.

Ναι, οι GPU είναι ταχύτερες από τις CPU στον πολλαπλασιασμό πινάκων. Αλλά επιτυγχάνουν ταχύτητα μέσω ωμής βίας, όχι κομψότητας ή βελτιστοποίησης. Καταναλώνουν τεράστια ισχύ. Απαιτούν πολύπλοκα συστήματα υγρής ψύξης. Χρειάζονται εξειδικευμένη υποδομή κέντρων δεδομένων. Και γίνονται χειρότερες, όχι καλύτερες.

Μια σύγχρονη NVIDIA Blackwell B200 καταναλώνει 1.200 watt. Αυτό είναι περισσότερη ισχύς από τα περισσότερα οικιακά καλοριφέρ. Τα κέντρα δεδομένων σε όλη την Ευρώπη επανασχεδιάζονται όχι για υπολογιστική αποδοτικότητα, αλλά απλώς για να διαχειριστούν το θερμικό φορτίο. Το ντουλάπι GB200 NVL72 καταναλώνει 120 κιλοβάτ. Ένα μόνο ράφι. Εργοστάσια τεχνητής νοημοσύνης κλίμακας γιγαβάτ απαιτούν υποδομή ισχύος αντίστοιχη με μικρές πόλεις.

Η ζήτηση ισχύος των κέντρων δεδομένων στην Ευρώπη προβλέπεται να φτάσει τις 168 TWh έως το 2030 και τις 236 TWh έως το 2035, τριπλασιαζόμενη από τα επίπεδα του 2024. Στις Κάτω Χώρες, τα κέντρα δεδομένων καταναλώνουν ήδη το 7% της εθνικής ηλεκτρικής ενέργειας. Στη Φρανκφούρτη, το Λονδίνο και το Άμστερνταμ, καταναλώνουν μεταξύ 33% και 42% όλης της ηλεκτρικής ενέργειας. Διαβάστε το ξανά. Μεταξύ του ενός τρίτου και σχεδόν του μισού όλης της ηλεκτρικής ενέργειας σε μεγάλες ευρωπαϊκές πόλεις πηγαίνει στα κέντρα δεδομένων.

Στην Ιρλανδία, τα κέντρα δεδομένων αντιστοιχούν σε πάνω από το 20% της συνολικής εθνικής κατανάλωσης ηλεκτρικής ενέργειας. Το ένα πέμπτο της ισχύος ολόκληρης της χώρας πηγαίνει στο να διατηρούνται τα τσιπ αρκετά δροσερά για να λειτουργούν. Και αυτό το ποσοστό αυξάνεται κάθε χρόνο καθώς όλο και περισσότερη υποδομή τεχνητής νοημοσύνης τίθεται σε λειτουργία.

Και να το σημείο που θα έπρεπε να προβληματίσει τους πάντες: το μεγαλύτερο μέρος αυτού του υπολογισμού είναι θεμελιωδώς σπαταλημένο. Οι GPU εκτελούν πράξεις κινητής υποδιαστολής με ακραία ακρίβεια όταν η τελική απόφαση είναι δυαδική. Εκτελούν τεράστιους πολλαπλασιασμούς πινάκων όταν απλούστερες πράξεις θα αρκούσαν. Καταναλώνουν ενέργεια όχι επειδή είναι απαραίτητη για την ευφυΐα, αλλά επειδή έτσι λειτουργεί το υλικό των GPU. Επειδή αυτός είναι ο μόνος τρόπος που ξέρουμε να το κάνουμε σε κλίμακα με τα εργαλεία στα οποία έχουμε επενδύσει.

Έχουμε βελτιστοποιήσει για εντελώς λάθος μετρική. Όχι για τον καλύτερο τρόπο να κάνουμε AI, αλλά για τον ταχύτερο τρόπο να το κάνουμε σε μια GPU. Είναι σαν να σχεδιάζουμε αεροσκάφη κάνοντας τα πουλιά να χτυπούν τα φτερά τους πιο γρήγορα αντί να κατανοούμε τις θεμελιώδεις αρχές της αεροδυναμικής άντωσης. Λειτουργεί, κατά κάποιον τρόπο, αλλά χάνεις εντελώς το νόημα.

Το Δυαδικό Άλμα: Ξεφεύγοντας από το Παράδειγμα

Ποια είναι λοιπόν η πραγματική διέξοδος από αυτό το χρυσό κλουβί; Στη Dweve, θέσαμε μια θεμελιωδώς διαφορετική ερώτηση: τι θα γινόταν αν δεν χρειαζόμασταν καθόλου GPUs; Τι θα γινόταν αν όλη η προσέγγιση της κινητής υποδιαστολής ήταν εξαρχής λάθος δρόμος;

Τα νευρωνικά δίκτυα απαιτούν GPUs επειδή χρησιμοποιούν αριθμητική κινητής υποδιαστολής. Οι πράξεις κινητής υποδιαστολής απαιτούν εξειδικευμένο υλικό για αποδεκτή απόδοση. Αυτή η αρχιτεκτονική απαίτηση δημιουργεί την εξάρτηση από τις GPUs. Γι' αυτό είμαστε παγιδευμένοι. Αυτή είναι η αλυσίδα που πρέπει να σπάσουμε.

Όμως τα δυαδικά νευρωνικά δίκτυα εξαλείφουν εντελώς την αριθμητική κινητής υποδιαστολής. Λειτουργούν με απλές λογικές πράξεις: AND, OR, XOR, XNOR. Το είδος των πράξεων που κάθε σύγχρονος επεξεργαστής μπορεί να εκτελέσει αποδοτικά με εγγενή σύνολα εντολών που υπάρχουν εδώ και δεκαετίες. Χωρίς εξειδικευμένο υλικό. Χωρίς εξάρτηση από GPUs. Χωρίς δέσμευση στο CUDA. Χωρίς μονοπώλιο προμηθευτή.

Το Dweve Core υλοποιεί αυτή την προσέγγιση με 1.930 αλγορίθμους βελτιστοποιημένους για υλικό, που λειτουργούν άμεσα σε διακριτό χώρο αποφάσεων. Δυαδικός υπολογισμός, τριαδικός υπολογισμός, υπολογισμός χαμηλού αριθμού bit. Το πλαίσιο τρέχει αποδοτικά σε τυπικούς επεξεργαστές, επιτυγχάνοντας αποτελέσματα που θα έπρεπε να είναι αδύνατα:

Τυπικοί διακομιστές Intel Xeon τρέχουν μεγάλα μοντέλα σε ανταγωνιστικές ταχύτητες. Η κατανάλωση ενέργειας μετριέται σε δεκάδες βατ, όχι σε εκατοντάδες ή χιλιάδες. Οι απαιτήσεις μνήμης μειώνονται κατά μία τάξη μεγέθους. Οι ταχύτητες συμπερασμού φτάνουν ή ξεπερνούν τις υλοποιήσεις με GPUs για πολλά φορτία εργασίας. Και όλα αυτά τρέχουν σε υλικό που ήδη υπάρχει σε κάθε κέντρο δεδομένων, σε κάθε πάροχο cloud, σε κάθε συσκευή άκρου.

Τα μαθηματικά είναι απλά. Τα μοντέλα FP32 χρειάζονται 4 byte ανά παράμετρο. Τα δυαδικά μοντέλα χρειάζονται 1 bit ανά παράμετρο. Αυτή είναι μια μείωση μνήμης κατά 32 φορές μόνο από την κβάντιση. Προσθέστε αραιά μοτίβα ενεργοποίησης και βλέπετε μοντέλα που χωρούν στη μνήμη RAM του συστήματος αντί να απαιτούν ακριβή μνήμη υψηλού εύρους ζώνης.

Οι δυαδικές πράξεις εκτελούνται με εντολές XNOR και POPCNT. Αυτές είναι εγγενείς εντολές επεξεργαστή, μέρος των συνόλων εντολών x86-64 και ARM, βελτιστοποιημένες σε επίπεδο πυριτίου. Είναι γρήγορες. Είναι αποδοτικές. Υπήρχαν εκεί όλο αυτό το διάστημα. Απλώς έπρεπε να βρούμε πώς να τις χρησιμοποιήσουμε σωστά.

Τι Αλλάζουν Πραγματικά τα Δυαδικά Δίκτυα

Αυτό δεν είναι μια μικρή βελτίωση στο υπάρχον παράδειγμα. Είναι ένα διαφορετικό παράδειγμα. Οι επιπτώσεις εκτείνονται πολύ πέρα από απλώς καλύτερες μετρήσεις απόδοσης.

Το Dweve Loom αποδεικνύει τι γίνεται εφικτό: 456 εξειδικευμένα συστήματα ανά τομέα που λειτουργούν ως Μείγμα Ειδικών. Κάθε εξειδικευμένο σύστημα ανά τομέα είναι ένα δυαδικό δίκτυο βελτιστοποιημένο για τον τομέα του. Μαθηματικά. Επιστήμη. Κώδικας. Γλώσσα. Μαζί επιτυγχάνουν το βάθος και τις δυνατότητες πολύ μεγαλύτερων μοντέλων, χρησιμοποιώντας ένα κλάσμα των πόρων.

Η δρομολόγηση μεταξύ των εξειδικευμένων συστημάτων; Δυαδικές πράξεις. Η ενεργοποίηση των εξειδικευμένων συστημάτων; Δυαδικές αποφάσεις. Η τελική σύντηξη εξόδου; Δυαδική λογική. Είναι δυαδικό σε όλο το μήκος, και λειτουργεί επειδή η νοημοσύνη εκδηλώνεται τελικά μέσα από διακριτές επιλογές, όχι μέσα από συνεχείς πιθανότητες που υπολογίζονται με σπάταλη ακρίβεια.

Αυτό τρέχει σε έναν τυπικό διακομιστή. Όχι σε συστοιχία GPU. Όχι σε εξειδικευμένους επιταχυντές. Ένας διακομιστής που μπορείτε να αγοράσετε από οποιονδήποτε προμηθευτή υλικού, να εγκαταστήσετε σε οποιοδήποτε κέντρο δεδομένων, να αναπτύξετε σε οποιαδήποτε χώρα. Η κατανάλωση ενέργειας μετριέται σε εκατοντάδες βατ για ολόκληρο το σύστημα, όχι ανά τσιπ. Οι απαιτήσεις ψύξης καλύπτονται από τυπική ψύξη αέρα, όχι από υγρά συστήματα που κοστίζουν εκατομμύρια για εγκατάσταση.

Απελευθέρωση: Ο Δρόμος της Ευρώπης προς τα Εμπρός

Η εποχή των GPU έχει διαρκέσει πολύ περισσότερο από όσο έπρεπε. Αυτό που ξεκίνησε ως μια πρόχειρη λύση στο υπνοδωμάτιο ενός μεταπτυχιακού φοιτητή το 2012 εξελίχθηκε σε εξάρτηση ολόκληρης της βιομηχανίας. Αυτό που προοριζόταν ως προσωρινό μέτρο έγινε μόνιμη υποδομή. Αυτό που έπρεπε να έχει αντικατασταθεί εδώ και χρόνια έχει αντίθετα απολιθωθεί σε μονοπώλιο.

Αλλά οι ρωγμές φαίνονται. Το κόστος γίνεται μη βιώσιμο για όλους εκτός από τους μεγαλύτερους τεχνολογικούς γίγαντες. Οι στρατηγικοί κίνδυνοι είναι αδύνατο να αγνοηθούν για οποιαδήποτε κυβέρνηση που προσέχει. Το σημείο συμφόρησης στην καινοτομία πνίγει εναλλακτικές προσεγγίσεις που θα μπορούσαν να είναι καλύτερες. Ο περιβαλλοντικός αντίκτυπος γίνεται μη διαχειρίσιμος καθώς χτίζουμε σταθμούς παραγωγής ενέργειας κλίμακας γιγαβάτ μόνο για να ψύχουμε τσιπ. Οι γεωπολιτικές ευπάθειες είναι πολύ σοβαρές για να τις αποδεχθεί η Ευρώπη επ' αόριστον.

Τα δυαδικά νευρωνικά δίκτυα δεν είναι απλώς μια βελτιστοποίηση των υπαρχουσών προσεγγίσεων. Αντιπροσωπεύουν μια θεμελιώδη επανεξέταση του πώς πρέπει να λειτουργεί η τεχνητή νοημοσύνη. Ενσωματώνουν τη διαφορά μεταξύ του να είσαι παγιδευμένος στο οικοσύστημα της NVIDIA και του να επιτυγχάνεις γνήσια τεχνολογική ελευθερία. Μεταξύ του να πληρώνεις τον φόρο GPU για πάντα και του να απελευθερώνεσαι εντελώς.

Η Ευρώπη δεν χρειάζεται να κερδίσει τον αγώνα των GPU. Η Ευρώπη πρέπει να τον καταστήσει παρωχημένο. Χτίστε συστήματα τεχνητής νοημοσύνης που λειτουργούν σε τυπικό υλικό που ήδη έχουμε. Δημιουργήστε τεχνολογίες που δεν εξαρτώνται από αμερικανικούς επιταχυντές που υπόκεινται σε αμερικανικούς ελέγχους εξαγωγών. Αναπτύξτε δυνατότητες που δεν μπορούν να περιοριστούν από αποφάσεις εξωτερικής πολιτικής ή να διακυβευτούν από νόμους πρόσβασης σε δεδομένα άλλων χωρών.

Στη Dweve, ολόκληρη η πλατφόρμα μας είναι χτισμένη πάνω σε αυτό το θεμέλιο. Το Core παρέχει το πλαίσιο δυαδικών αλγορίθμων. Το Loom υλοποιεί το μοντέλο νοημοσύνης εξειδικευμένων συστημάτων. Το Nexus ενορχηστρώνει συστήματα πολλαπλών πρακτόρων. Το Aura διαχειρίζεται αυτόνομους πράκτορες. Το Spindle αναλαμβάνει τη διακυβέρνηση γνώσης. Το Mesh δημιουργεί αποκεντρωμένη υποδομή.

Όλα αυτά λειτουργούν αποτελεσματικά σε τυπική ευρωπαϊκή υποδομή. Σε επεξεργαστές σε κέντρα δεδομένων από την Interxion, από την Equinix, από την OVHcloud. Σε συσκευές άκρου σε όλη την ήπειρο. Σε υλικό που ελέγχουμε, χρησιμοποιώντας μαθηματικά που δεν μπορούν να μονοπωληθούν, δημιουργώντας αξία που παραμένει στην Ευρώπη.

Καμία εξάρτηση από GPU. Καμία στρατηγική ευπάθεια. Κανένα χρυσό κλουβί.

Η Επιλογή που Αντιμετωπίζουμε

Η βιομηχανία τεχνητής νοημοσύνης βρίσκεται σε σταυροδρόμι. Ο ένας δρόμος συνεχίζει στην τροχιά των GPU, αποδεχόμενος το διαρκώς αυξανόμενο κόστος, τη μειούμενη κυριαρχία, τον περιορισμένο χώρο καινοτομίας, τις αυξανόμενες περιβαλλοντικές επιπτώσεις και την εντεινόμενη στρατηγική ευπάθεια. Ο άλλος δρόμος απελευθερώνεται πλήρως, χρησιμοποιώντας διακριτά μαθηματικά που δεν απαιτούν εξειδικευμένους επιταχυντές, που τρέχουν σε υλικό που ήδη έχουμε, που μας επιστρέφουν τον έλεγχο.

Το χρυσό κλουβί φαίνεται άνετο από μέσα. Η NVIDIA κατασκευάζει πραγματικά εξαιρετικά προϊόντα. Το CUDA είναι εντυπωσιακά βελτιστοποιημένο. Το οικοσύστημα είναι ώριμο και ολοκληρωμένο. Η απόδοση είναι πραγματική. Η αδράνεια είναι ισχυρή. Το βυθισμένο κόστος δημιουργεί ψυχολογική δέσμευση. Η αλλαγή είναι δύσκολη, επικίνδυνη και αβέβαιη.

Αλλά παραμένει κλουβί. Και η πόρτα κλείνει.

Κάθε τρίμηνο, η εξάρτηση από τις GPU βαθαίνει. Κάθε ευρώ που επενδύεται σε υποδομές CUDA αυξάνει το κόστος μεταστροφής. Κάθε νέα γενιά επιταχυντών ενισχύει το κλείδωμα. Κάθε ερευνητής που εκπαιδεύεται αποκλειστικά σε CUDA στενεύει την ομάδα ταλέντων. Κάθε χρόνο το κλουβί μικραίνει και η έξοδος απομακρύνεται. Κάθε χρόνο έχουμε λιγότερο χώρο ελιγμών, λιγότερες επιλογές, υψηλότερους κινδύνους.

Τα δυαδικά νευρωνικά δίκτυα και η διακριτή υπολογιστική προσφέρουν μια οδό διαφυγής. Αλλά μόνο αν την ακολουθήσουμε πριν το κλουβί γίνει αδιαπέραστο. Μόνο αν δράσουμε όσο οι εναλλακτικές παραμένουν δυνατές. Μόνο αν είμαστε διατεθειμένοι να αμφισβητήσουμε την υπόθεση ότι οι GPU είναι αναπόφευκτες, ότι η κινητή υποδιαστολή είναι απαραίτητη, ότι το μονοπώλιο είναι αποδεκτό.

Η τυχερή συγκυρία του 2012 εξυπηρέτησε τον σκοπό της. Απέδειξε ότι η βαθιά μάθηση λειτουργεί σε κλίμακα. Επιβεβαίωσε τις δυνατότητες της τεχνητής νοημοσύνης πέρα από κάθε φαντασία. Έδωσε ώθηση σε μια βιομηχανία που μεταμορφώνει τον πολιτισμό. Ο Alex Krizhevsky, ο Ilya Sutskever και ο Geoffrey Hinton αξίζουν τεράστια αναγνώριση για την ανακάλυψή τους. Άλλαξαν τον κόσμο.

Αλλά οι τυχερές συγκυρίες δεν προορίζονται να γίνουν θεμέλια. Οι πρόχειρες λύσεις δεν προορίζονται να γίνουν υποδομές. Τα προσωρινά διορθωτικά μέτρα δεν προορίζονται να γίνουν μόνιμες εξαρτήσεις. Το υλικό παιχνιδιών δεν προορίζεται να τρέχει τεχνητή νοημοσύνη σε πολιτισμική κλίμακα. Τα αμερικανικά μονοπώλια δεν προορίζονται να ελέγχουν επ' αόριστον την ευρωπαϊκή τεχνολογική κυριαρχία.

Ήρθε η ώρα να χτίσουμε κάτι καλύτερο. Κάτι που δεν μας παγιδεύει σε χρυσά κλουβιά. Κάτι που πραγματικά αξίζει να γίνει το θεμέλιο της τεχνητής νοημοσύνης. Κάτι που λειτουργεί σε τυπικό υλικό, σέβεται τους ενεργειακούς περιορισμούς, επιτρέπει την πραγματική καινοτομία, διατηρεί τη στρατηγική αυτονομία και μας επιστρέφει τον έλεγχο του τεχνολογικού μας μέλλοντος.

Η εποχή των GPU τελειώνει, είτε το παραδεχόμαστε είτε όχι. Η φυσική και τα οικονομικά το εγγυώνται. Το μόνο ερώτημα είναι αν θα το δούμε να έρχεται και θα χτίσουμε την εναλλακτική, ή αν θα ξυπνήσουμε μια μέρα για να ανακαλύψουμε ότι δεν μπορούμε να ξεφύγουμε και να συνειδητοποιήσουμε, πολύ αργά, ότι έπρεπε να είχαμε δράσει όταν είχαμε ακόμα την ευκαιρία.