Digitaalne energiakriis: AI 945 TWh arvepidamine
Tööstussaun, mida me nimetame progressiks
Astu sisse kaasaegsesse AI-andmekeskusesse Frankfurdis või Dublinis ja su esimene mõte ei ole "See on tulevik". See on "Miks siin nii paganama kuum on?" Kuumus tabab sind nagu ahjuukse avamine, soojuslained rulluvad serveririiulitelt, mis näevad rohkem välja nagu tööstuslikud ahjud kui arvutid. Jahutussüsteem karjub, ventilaatorid pöörlevad täisvõimsusel, jahutatud vesi voolab kilomeetrite kaupa torudes, et hoida neid masinaid sõna otseses mõttes sulamast.
Iga AI-kiirendi kiip tõmbab 1200 vatti. Perspektiivi jaoks: see on rohkem võimsust kui ruumisoojendi, mis hoiab su Hollandi vanaema korteri jaanuaris soojana. Ja sa vaatad tuhandeid selliseid kiipe, pakitud riiulitesse, mis tarbivad 50, 100, vahel isegi 250 kilovatti tükis. Üksainus riiul tarbib sama palju võimsust kui 100 keskmist Euroopa leibkonda. Ruumis, mis on kapi suurune.
See on digitaalne energi kriis, millest viisakas seltskond konverentsidel ei räägi. AI ei tarbi lihtsalt elektrit. See neelab seda musta augu isuga ja me kõik noogutame viisakalt, nagu oleks see matemaatika puhul täiesti mõistlik käitumine.
Numbrid, mis peaksid sind vanduma panema
Räägime mastaabist, sest numbrid on tõeliselt hirmutavad. 2024. aastal tarbisid andmekeskused kogu maailmas ligikaudu 415 teravatt-tundi elektrit. See on 1,5% kogu maailma elektritarbimisest. Euroopa mõistes on see oluliselt rohkem kui Hispaania kogu aastane elektritarbimine, mis on 248 TWh. Kogu Hispaania. Iga kodu, iga tehas, iga rong, iga haigla. Andmekeskused kasutavad rohkem.
Aga siin muutub see pelgalt murettekitavast tõeliselt hirmutavaks: see arv peaks 2030. aastaks enam kui kahekordistuma, ulatudes 945 TWh-ni. See on 3% maailma elektrist. Mitte 3% tehnoloogia elektrist. 3% kõigest. Rohkem kui kõik elektrisõidukid, soojuspumbad ja päikesepaneelid kokku.
Ja AI on peamine tegija. AI-andmekeskuste energiatarbimine kasvab 44,7% aastas. Et mõista, kui eksponentsiaalne see on, vaatame Iirimaad. 2024. aastal tarbisid andmekeskused 22% Iirimaa kogu elektrist, võrreldes vaid 5%-ga 2015. aastal. See on 531% kasv üheksa aastaga. EirGrid, Iirimaa võrguoperaator, hindab, et 2030. aastaks võivad andmekeskused tarbida 30% riigi elektrist. Peaaegu kolmandik terve riigi elektrivõrgust, ainult selleks, et treenida mudeleid ja teenindada AI-päringuid.
Dublin üksi räägib loo ära. Andmekeskused tarbisid 2023. aastal 33% kuni 42% kogu Dublini elektrist. Mõned hinnangud on veelgi kõrgemad. Iiri valitsus kehtestas uute andmekeskuste ehitamisele Dublinis moratooriumi kuni 2028. aastani, sest elektrivõrk ei suuda sõna otseses mõttes rohkem koormust taluda. Amsterdam tegi sama 2019. aastal, tühistades selle alles pärast rangete energiatõhususe nõuete ja 670 MVA piirmäära kehtestamist kuni 2030. aastani. Holland läks kaugemale, kehtestades riikliku moratooriumi hüperskaalalistele andmekeskustele, mis ületavad 70 megavatti.
See ei ole järkjärguline kasv. See on eksponentsiaalne energiavajaduse plahvatus, mis toimub just praegu, kiireneb iga kvartaliga ja jookseb täie hooga vastu füüsilise infrastruktuuri piire.
Koolituse süsinikupomm
Ühe suure keelemudeli koolitamine tekitab süsiniku jalajälje, mille ees õhetaks isegi naftatöötlemistehas. Ja erinevalt rafineerimistehastest, mis toodavad vähemalt midagi käegakatsutavat, mida saab autosse kallata, jäävad nendest heitmetest järele... noh, mudel, mis võib enesekindlalt hallutsineerida seenesuppide retseptide üle.
GPT-3, mudel, mis käivitas praeguse AI-buumi, eraldas koolituse käigus 552 tonni CO2. See võrdub 123 bensiinimootoriga sõiduauto aastase heitmega. Ühe mudeli kohta. Ühe koolituskäigu kohta. Ja see on ainult otsene energiatarve, arvestamata GPUde tootmise või andmekeskuse ehitamisega seotud varjatud süsinikku.
Kõige pöörasem osa on see: tänapäeva standardite järgi peetakse GPT-3t väikeseks. Kaasaegsed mudelid on mitu suurusjärku suuremad. 100 triljoni parameetriga mudeli koolitamine nõuab umbes 9 miljoni euro eest GPU arvutusaega. Euroopa energiahindade ja süsinikuintensiivsuse juures tähendab see tuhandeid tonne CO2 ekvivalenti. Ühe mudeli kohta. Ja edukas kasutuselevõtt nõuab tavaliselt kümneid või sadu koolituskäike, sest esimesed seitseteist katset andsid mudeli, mis arvab, et Belgia on juustusort.
Teadusartiklid kiidavad muljetavaldavaid jõudlusnäitajaid. Süsiniku jalajälg? See maetakse joonealusesse märkusse, kui seda üldse mainitakse. See on AI versioon sellest, kui kiidelda oma uue auto kiirendusega, hoolikalt mainimata, et see kulutab 2 liitrit kilomeetri kohta.
Järelduste korrutamise efekt
Enamik inimesi ei märka seda, ja just see ongi oluline osa: koolitus on ühekordne kulu. Järeldamine ehk mudeli kasutamine küsimustele vastamiseks toimub pidevalt. Igavesti. Selles mahus, mis paneb koolitusheitmed tühisena tunduma.
Iga ChatGPT päring tarbib elektrit. Iga AI-pildigeneratsioon põletab vatte. Iga soovitus, iga tõlge, iga hääleassistendi vastus. Miljonid päringud sekundis, 24 tundi ööpäevas, 365 päeva aastas. Ja erinevalt koolitusest, mis toimub kontsentreeritud hoogudena, on järeldamine jaotatud üle tuhandete andmekeskuste kogu maailmas, muutes selle jälgimise peaaegu võimatuks.
Uuringud näitavad, et järeldamise heitmed ületavad sageli koolitusheitmeid mitme suurusjärgu võrra, eriti laialt kasutatavate mudelite puhul. Koolitus võib maksta 500 tonni CO2. Järeldamine mudeli eluea jooksul? Potentsiaalselt 50 000 tonni. Võib-olla rohkemgi. Keegi ei loe, ja just see ongi probleem.
Tehnoloogiaettevõtted teatavad koolitusheitmetest, kui ELi määrused seda nõuavad. Järeldamise heitmed? Need on "tegevuskulud", mis on mugavalt peidetud üldiste andmekeskuse statistikate hulka koos meiliserverite ja kassivideotega. ELi AI-määrus nõuab üldotstarbeliste AI-mudelite energiatarbimise avalikustamist, kuid jõustamine on ebaühtlane ja vabatahtlik avalikustamine jääbki just selleks: vabatahtlikuks.
Energiatiheduse kriis, mis murrab füüsikat
Traditsioonilised andmekeskused tarbisid umbes 36 kilovatti riiuli kohta. Juhitav. Tavaline õhkjahutus töötas hästi. Neid sai ehitada igale poole, kus oli korralik võrguühendus ja mõistlik elektrihind. Taristu oli lihtne.
Siis tuli tehisintellekt ja füüsika vihastas.
Tänapäeva tehisintellekti riiulid ulatuvad 50 kilovatini. Tipptasemel lahendused jõuavad 100 kilovatini. Mõned katselised konfiguratsioonid suruvad 250 kilovatti riiuli kohta. See on 100 keskmise Euroopa leibkonna energiatarve, koondatud mõnele ruutmeetrile serveririiulit. Energiatihedus läheneb rakettmootori omale.
Probleem pole ainult koguvõimsus. See on tihedus. Kui pakkida nii palju energiat nii väikesesse ruumi, saab füüsikast sinu vaenlane. Soojus peab kuhugi minema ja õhkjahutus füüsiliselt sellega toime ei tule. Soojuskoormus on liiga suur. Vaja on vedelikjahutust. Otse kiibile jahutust. Immersioonjahutust. Keerulisi soojusjuhtimissüsteeme, mis maksavad rohkem kui serverid ise ja mille käitamiseks on vaja oma insenerimeeskondi.
Andmekeskusi projekteeritakse ümber mitte arvutustõhususe, vaid lihtsalt termilise sulamise vältimiseks. Me ehitame taristut, et käidelda jääksoojust matemaatilistest tehtetest, mis põhimõtteliselt ei peaks nii palju soojust tootma. See on nagu parema väljalaskesüsteemi kavandamine põlevale autole, selle asemel et küsida, miks auto põleb.
The Chip That Ate the Grid
Let's zoom in on the hardware for a moment, because individual chip power consumption tells its own story of escalating madness.
Early AI accelerators drew about 400 watts. Already high, but manageable with conventional cooling. Then 700 watts. Then 1,000 watts. NVIDIA's latest Blackwell architecture hits 1,200 watts per chip, with some configurations pushing even higher. There are already discussions of future designs reaching 1,400 watts.
Think about that. 1,200 watts. Per chip. A single chip consuming more power than most household appliances. And training a large model requires thousands of these chips running continuously for weeks or months.
The maths is brutal: 1,000 chips × 1,200 watts = 1.2 megawatts. For one training cluster. Running one model. And there are hundreds of these clusters worldwide, with more coming online every quarter. The FLAP-D markets (Frankfurt, London, Amsterdam, Paris, Dublin) alone account for over 60% of European data centre capacity, with power demand projected to grow from 96 TWh in 2024 to 168 TWh by 2030.
This isn't sustainable. It's not even close to sustainable. We're burning through electricity at a rate that would have seemed fictional a decade ago, and the industry conversation centres on whether the power grid can keep up, not whether we should be doing this at all.
Europe's Green Nightmare and the Impossible Choice
For Europe, this creates an impossible conflict that's no longer theoretical. It's happening right now, in grid planning meetings and regulatory hearings across the continent.
The European Green Deal aims to make Europe climate-neutral by 2050. Carbon emissions must drop at least 55% by 2030 compared to 1990 levels. Energy efficiency must improve across all sectors. Renewable energy must replace fossil fuels. These are legally binding targets under the European Climate Law.
Meanwhile, AI energy consumption is exploding at 44% annually. In 2024, European data centres consumed 96 TWh, representing 3.1% of total power demand. But distribution is wildly uneven. In Ireland, it's 22% of national electricity. In the Netherlands, 7%. In Germany, 4%. Data centres in Amsterdam, London, and Frankfurt consumed 33% to 42% of those cities' electricity in 2023.
The two trajectories are mathematically incompatible. Europe can hit its climate goals, or it can build AI infrastructure using current approaches. Not both. The numbers don't work.
Mõned väidavad, et taastuvenergia lahendab selle probleemi. "Toide andmekeskustele lihtsalt päikese- ja tuuleenergiast." Ilus mõte. Täiesti ebapraktiline. Euroopa paigaldas 2024. aastal 65,5 GW uut päikeseenergia võimsust ja 16,4 GW uut tuuleenergiat. Taastuvenergia moodustas 47% elektritootmisest. Kuid 945 TWh suurune uus andmekeskuste nõudlus aastaks 2030 nõuaks taastuvenergia võimsuse rajamist, mis vastab tuhandetele uutele tuuleparkidele ja miljonitele uutele päikesepaneelidele. Juba ainult maakasutus oleks astronoomiline. Taani, kus taastuvenergia moodustab 88,4% elektrist (peamiselt tuuleenergia), tuuakse sageli eeskujuks. Kuid Taani kogu elektritarbimine on vaid murdosa prognoositavast tehisintellekti andmekeskuste nõudlusest.
Isegi kui see on tehniliselt võimalik, on alternatiivkulu vapustav. Iga megavatt-tund, mis läheb tehisintellekti treenimiseks, on megavatt-tund, mis ei ole kättesaadav transpordi elektrifitseerimiseks, kodude kütmiseks või tööstuse toiteks. See on otsene vahetustehing ja me otsustame põletada taastuvenergiat mudelite treenimiseks, mis võivad kuue kuu pärast olla vananenud, selle asemel et kütta kodusid läbi talve.
Veekriis, mida keegi ei jälgi
Energia pole ainus ressurss, mida tehisintellekt tarbib. Veest on saamas kriitiline kriis, eriti piirkondades, mis juba seisavad silmitsi veepuudusega.
Andmekeskused kasutavad tohutul hulgal vett aurustusjahutuseks, millele enamik suuri rajatisi tugineb, kuna see on tõhusam kui suletud ahelaga süsteemid. Aurustusjahutus aurustab vett sõna otseses mõttes soojuse hajutamiseks. Vesi kaob. Seda ei tsirkuleerita süsteemi tagasi. See aurustub atmosfääri. See eemaldatakse kohalikust veevarustusest jäädavalt.
2024. aasta uuring leidis, et GPT-3 treenimine Microsofti tipptasemel USA andmekeskustes tarbis ligikaudu 700 000 liitrit magevett. Sellest piisab 370 BMW auto või 320 Tesla elektrisõiduki tootmiseks. Ühe treeningu jaoks. Ühe mudeli jaoks. Ja see on ainult otsene kohapealne veetarbimine, arvestamata vett, mida kasutatakse elektritootmises.
Täielik elutsükli veefootprint, sealhulgas tootmiskohaväline elektritootmine, ulatub 5,4 miljoni liitrini. Ja pidev kasutus jätkub: ChatGPT vajab umbes 500 milliliitrit vett lühikese vestluse jaoks, mis koosneb 20 kuni 50 küsimusest ja vastusest. Korrutage see miljonite kasutajatega, kes esitavad pidevalt küsimusi, ja veetarbimine muutub vapustavaks.
Põuakahjustusega piirkondades tekitab see otseseid konflikte. Andmekeskused konkureerivad põllumajanduse ja linna veevarustusega. Mõnes piirkonnas võtab tehisintellekti treenimine põua ajal sõna otseses mõttes vett põllukultuuridelt. See ei ole tulevikuprobleem. See toimub praegu. Ja kui tehisintellekti kasutuselevõtt laieneb, muutub see hullemaks.
Tõhususe illusioon ja Jevonsi paradoks
AI-tööstus räägib meeletu heameelega tõhususe parandamisest. Iga konverentsi avakõnes on slaid: "Uued kiibid on 10× tõhusamad!" "Paremad algoritmid vähendavad energiatarbimist 50%!" "Meie andmekeskused töötavad 100% taastuvenergiaga!"
Kõik on tõsi. Kõik on tehniliselt muljetavaldav. Kõik on tegeliku probleemi seisukohast täiesti ebaoluline.
Sest tõhususe paranemine neeldub kohe mastaabi kasvus. See on Jevonsi paradoks tegevuses ja majandusteadlased on selle eest hoiatanud alates 1865. aastast, mil William Stanley Jevons märkas, et söe kasutamise tõhususe paranemine aurumasinates suurendas üldist söetarbimist, mitte ei vähendanud seda.
Microsofti tegevjuht Satya Nadella säutsus sõna-sõnalt "Jevonsi paradoks lööb jälle!" kui DeepSeek avalikustas oma tõhusa ja odava AI-mudeli. Ta mõistis täpselt, mis juhtuma hakkab: madalamad kulud tähendavad suuremat kasutust, mis toob kaasa suurema kogutarbimise. Ja tal oli õigus.
Jah, uuemad kiibid teevad vati kohta rohkem arvutusi. Aga mudelid kasvavad veelgi kiiremini. Jah, paremad algoritmid lühendavad treeninguaega. Aga me treenime rohkem mudeleid, sagedamini ja rohkemate parameetritega, sest nüüd saame seda endale lubada. Energia kogutarbimine ei vähene. See kasvab kiirenevas tempos. 10× tõhususe paranemine tähendab lihtsalt seda, et saame sama energiakulu juures treenida 10× suurema mudeli. Nii me ka teeme. Ja kogutarbimine läheb üles.
NVIDIA väidab, et Blackwell on järelduste tegemisel 100 000× energiatõhusam kui kümme aastat tagasi toodetud kiibid. Suurepärane inseneritöö. Aga AI energia kogutarbimine on sama perioodi jooksul plahvatuslikult kasvanud, sest tõhususe paranemine võimaldas kasutuselevõttu mastaabis, mis oli varem majanduslikult võimatu.
Ujukoma-fantaasiate tegelik hind
Miks AI nii palju energiat tarbib? Vastus peitub matemaatikas ja see on lihtsam, kui arvata oskaks.
Ujukoma-aritmeetika, kaasaegsete närvivõrkude alus, on arvutuslikult kallis. Iga korrutamine nõuab märkimisväärset elektroonikat, märkimisväärset ränipinda, märkimisväärset võimsust. Ja närvivõrgud on miljardeid ja miljardeid ujukoma-tehteid, mida korratakse miljoneid kordi sekundis.
Hullem on see, et kasutame äärmuslikku täpsust seal, kus seda tegelikult vaja ei ole. 32-bitised ujukomaarvud. 16-bitised ujukomaarvud. Isegi 8-bitised ujukomaarvud. Kogu see täpsus, kogu see arvutuslik ülekulu, kogu see energia, et teha otsuseid, mis on lõppkokkuvõttes binaarsed. Jah või ei. Kass või koer. Rämpspost või tavaline kiri. Heaks kiitma või tagasi lükkama.
See on nagu superarvuti kasutamine mündi viskamiseks. Tulemus on kull või kiri, aga me põletame megawatte, et arvutada tõenäosusi kuueteistkümne kümnendkohani. Täpsus on matemaatiliselt ilus. See on ka termodünaamiliselt hullumeelne.
See ei ole optimeerimine. See on raiskamine, mis maskeerib end vajadusena ja mida kaitseb inertne mõtlemine "aga nii oleme me alati teinud" ning miljardite eurode uppunud kulud GPU-taristusse, mis on loodud spetsiaalselt ujukoma-tehete jaoks.
Binaarne alternatiiv, mis tegelikult töötab
Mis on siis lahendus? Kuidas ehitada AI-d ilma andmekeskusi kliimakatastroofideks muutmata?
Dweve'is alustasime põhieelduse kahtluse alla seadmisest. Kas AI vajab tõesti ujukoma-aritmeetikat? Kas see vajab tõesti nii palju energiat? Kas on olemas teistsugune matemaatiline alus, mis saavutab sama intelligentsuse oluliselt väiksema arvutusliku ülekuluga?
Binaarsed närvivõrgud annavad selge ja empiiriliselt testitud vastuse: ei, AI ei vaja ujukoma-aritmeetikat. Isegi mitte lähedalegi.
Ujukomaoperatsioonidest täielikult loobumine ja lihtsa kahendloogika kasutamine vähendab energiatarvet 96%. Mitte marginaalsete optimeerimiste ega nutika vahemällu salvestamise abil. Vaid põhimõttelise matemaatilise ümberkujunduse kaudu. Arvutuslik kokkuhoid tuleneb keerukate ujukoma korruta-liida operatsioonide asendamisest lihtsate kahend-AND- ja kahend-XNOR-operatsioonidega, mis vajavad suurusjärke vähem energiat.
See 1200-vatine Blackwell-kiirendi? Asenda see 50-vatise protsessoriga, mis töötab kahendoperatsioonidega. Sama intelligentsus. Samad võimalused. 24× vähem energiat. Või veel parem, kasuta FPGA-kiipe, mis on spetsiaalselt kahendoperatsioonide jaoks optimeeritud, saavutades 136× parema energiatõhususe kui traditsioonilised GPU-lahendused.
See 250-kilovatine serveririiul, mis tarbib sama palju energiat kui väike asum? Alla 10 kilovati. See hiiglaslik andmekeskus, mis kulutab terve linna jagu elektrit? Vähendatud suure büroohoone energiatarbe tasemele. Infrastruktuuri nõuded vähenevad proportsionaalselt. Ei mingeid eksootilisi vedelikjahutussüsteeme. Ei mingeid spetsiaalseid alajaamu. Ei mingeid elektrivõrgu uuendusi.
Matemaatika on lihtne: kahendoperatsioonid kasutavad suurusjärke vähem energiat kui ujukomaoperatsioonid. Infrastruktuuri tõhusus tuleneb sellest loomulikult. Kliimamõju väheneb proportsionaalselt. Ja tulemused? Samaväärne või parem täpsus reaalsete ülesannete puhul, sest kahendnärvivõrgud suudavad tegelikult tabada struktuurseid seoseid, mida ujukomanärvivõrgud ei märka.
Kaugeltki mitte ainult tõhusus: Euroopa AI jaoks teistsugune paradigma
Binaarsed närvivõrgud pole lihtsalt tõhusamad. Need kujutavad endast põhimõtteliselt teistsugust lähenemist intelligentsusele, mis ühtib loomulikult Euroopa jätkusuutlikkuse, läbipaistvuse ja tehnoloogilise suveräänsuse väärtustega.
Selle asemel, et ligikaudselt hinnata otsuseid pideva matemaatika ja tohutu arvutusvõimsusega, kasutavad need otse diskreetset loogikat. Selle asemel, et põletada energiat gradiendi laskumise arvulise ebastabiilsuse ületamiseks, toetuvad need stabiilsetele binaarsetele alustele. Selle asemel, et nõuda kalleid patenteeritud GPU-sid, mida toodetakse väljaspool Euroopat, töötavad need tõhusalt tavalistel protsessoritel ja neid saab kasutusele võtta Euroopas toodetud FPGA-del.
Tulemuseks on AI, mis töötab koos füüsikaga, mitte selle vastu. Arvutus, mis ei vaja eksootilisi jahutussüsteeme. Infrastruktuur, mis ei vaja oma elektrijaama. Ja mis on Euroopa jaoks ülioluline: tehnoloogiline lähenemine, mis ei lukusta teid sõltuvusse NVIDIA-st, mille peakorter on Californias, ega muudest mitte-Euroopa riistvaratarnijatest.
Ettevõtted nagu Saksamaa Black Forest Labs, Prantsusmaa Mistral AI ja Saksamaa Aleph Alpha ehitavad muljetavaldavaid AI-võimekusi, kuid nad sõltuvad endiselt põhimõtteliselt traditsioonilistest ujukoma-arhitektuuridest ja GPU tarneahelast. Binaarsed närvivõrgud pakuvad teed tõelise Euroopa AI-suveräänsuse poole, töötades riistvaral, mida saab toota Euroopas protsessidega, mis on kooskõlas Euroopa kliimakohustustega.
Nii saab Euroopa mõlemat: AI arengut ja kliimaeesmärke. Mitte muutes praegust lähenemist veidi rohelisemaks taastuvenergia ostude ja süsinikukompensatsioonide kaudu, vaid kasutades matemaatikat, mis ei vaja esimeses kohas planeedi mastaabis energiatarbimist. Euroopa AI-määrus tunnistab seda juba, nõudes energiatarbimise avalikustamist ja julgustades vabatahtlikke tegevusjuhendeid keskkonnasäästlikkuse kohta. Binaarsed lähenemised muudavad need püüdluslikud eesmärgid saavutatud reaalsuseks.
Valik, mida me praegu teeme
Digitaalne energi kriis pole vältimatu. See on valik. Valik, mida me teeme just praegu, igas GPU ostutellimuses, igas andmekeskuse ehituslepingus, igas mudeli treeningukäivitusel.
See on valik jätkata ujukoma-aritmeetika kasutamist, sest see on tuttav, sest tööriistad on olemas, sest terve tööstuse ümberõpetamine on raske. Valik leppida eksponentsiaalse energiakasvuga, sest kvartali kasumid näevad head välja ja riskikapitalistid on elevil. Valik põletada ühe mudeli treenimiseks rohkem elektrit, kui linn aastas tarbib, sest me saame, ja sest keegi teine maksab kliimakulu.
Aga me võiksime valida teisiti. Euroopa on tegelikult ainulaadses positsioonis seda valikut juhtima.
Me võiksime valida matemaatika, mis ei raiska 96% oma energiast tarbetule täpsusele. Me võiksime valida algoritmid, mis töötavad tõhusalt tavariistvaral, selle asemel et nõuda spetsiaalseid kiirendeid. Me võiksime valida arhitektuurid, mis austavad füüsilisi ja keskkondlikke piire, selle asemel et eeldada piiramatut energia kättesaadavust. Me võiksime valida lähenemisviisid, mis on kooskõlas Euroopa rohelise kokkuleppega, selle asemel et seda otseselt õõnestada.
AI-buum ei pea muutuma energiakatastroofiks. Binaarsed närvivõrgud tõestavad, et on olemas teine tee. Üks, mis pakub intelligentsust ilma kliimakuluta. Üks, mis töötab taastuvenergia piirangutega, selle asemel et neist üle sõita. Üks, mis käsitleb tõhusust põhiomadusena, mitte järelmõttena, mida säästlikkusaruannetes mainida.
Iirimaa ei pea valima majandusarengu andmekeskuste kaudu ja piisava elektri vahel kodudele. Amsterdam ei pea kehtestama moratooriume. Dublin ei pea vaatama, kuidas andmekeskused tarbivad ligi poole linna elektrist, samal ajal kui elanikud seisavad silmitsi kasvavate energiahindadega.
Euroopa roheline kokkulepe ja AI areng pole kokkusobimatud. Kuid ainult siis, kui oleme valmis kahtluse alla seadma põhieeldusi ja looma AI-d, mis tegelikult matemaatiliselt, füüsikaliselt ja majanduslikult mõistlik on. Praegune trajektoor viib 945 TWh-ni aastaks 2030, 3% globaalsest elektrist, tuhandete tonnideni CO2 kohta mudeli kohta, miljonite liitriteni veetarbimisest ja võimatu valikuni kliimaeesmärkide ja tehnoloogilise arengu vahel.
Alternatiiv on olemas juba täna. Binaarsed närvivõrgud, mis töötavad tavalistel protsessoritel ja tõhusatel FPGA-del. Arvutus, mis kasutab 96% vähem energiat. Jätkusuutlik AI, mis ei nõua valikut arengu ja planeedi vahel. Läbipaistvad algoritmid, mida eurooplased saavad tegelikult mõista ja kontrollida, mitte musta kasti ujukoma-kaalud, mida juhivad välismaised korporatsioonid.
Ainus küsimus on, kas me võtame selle kasutusele enne, kui oleme ära põletanud nii palju energiat, tarbinud nii palju vett ja ehitanud nii palju ebatõhusat taristut, et meil pole enam valikut. Aken on sulgumas. Kuid see on veel avatud.
Tahad AI-d, mis ei vaja oma elektrijaama? Dweve Core, meie diskreetse arvutuse raamistik, mis ühendab binaarsed närvivõrgud, piirangupõhised süsteemid ja spikearvutuse, mis toidab Dweve Loomi, pakub 96% väiksemat energiatarbimist nii treenimisel kui ka järelduste tegemisel tavariistvaral. Ei mingeid patenteeritud kiirendeid. Ei mingit eksootilist jahutust. Ei mingeid järeleandmisi võimekuses. Jätkusuutliku Euroopa AI tulevik on tõhus, läbipaistev ja kättesaadav juba täna.