Euroopa AI pantvangikriis: GPU-lõks
Hiline õhtune pilvearve
Kujutage ette: te juhite idufirmat Amsterdamis, Berliinis või Barcelonas. On hilisõhtu. Teie meeskond just käivitas uue tehisintellekti funktsiooni, mida kliendid tõeliselt armastavad. Kõik töötab. Kõik kasvab.
Siis vaatate oma pilvearvet.
Teie infrastruktuuri kulud on just kolmekordistunud. Mitte sellepärast, et tegite vea. Mitte sellepärast, et teid häkiti. Vaid sellepärast, et teie pilveteenuse pakkuja otsustas GPU-de hindu tõsta. Jälle. Ja te ei saa selle vastu midagi teha, sest teil on täpselt üks alternatiiv: maksta või sulgeda.
Tere tulemast infrastruktuuri lõksu, millest keegi teid ei hoiatanud, kui hakkasite tehisintellektiga ehitama. Lõksu, mis maksab Euroopa ettevõtetele 35 miljardit eurot aastas tehisintellekti infrastruktuuri peale. Lõksu, mis on täiesti juhuslikult üles ehitatud mängukiipidele, mida polnud kunagi mõeldud tsivilisatsiooni mastaabis tehisintellekti käitamiseks.
See on lugu sellest, kuidas me siia jõudsime. Ja mis veelgi olulisem, kuidas me lõpuks võiksime välja pääseda.
Õnnetus, millest sai impeerium
30. september 2012. Oma vanemate majas Torontos magamistoas käivitab Alex Krizhevsky viimase treeningseansi. Tema meeskond SuperVision, mille moodustasid kaasdoktorandid Ilya Sutskever ja nõustaja Geoffrey Hinton, on valmis esitama oma ImageConi konkursitöö.
Nad on teinud midagi ebatavalist: treeninud sügavat närvivõrku kasutades kahte NVIDIA GTX 580 graafikakaarti. Mänguriistvara. Sellist, mida kasutaksite plahvatuste renderdamiseks Call of Dutys, et lohed hingaksid realistlikku tuld, et arvutada veerefleksioone fantaasiamaailmades.
See on tegelikult häkk. Neil oli vaja rohkem arvutusjõudu, kui protsessorid suutsid pakkuda, ja need 500-eurosed mängu-GPU-d juhtusid töötama. Keegi ei arva, et see on tehisintellekti tulevik. See on lihtsalt see, mis on praegu saadaval, just sel hetkel, kraadiõppuri projekti jaoks.
Nende mudel AlexNet ei võida lihtsalt ImageConi konkursi. See purustab kõik varasemad katsed. Eelmiste aastate võitjad saavutasid 26,2-protsendilise veamäära. AlexNet jõuab 15,3 protsendini. See pole järkjärguline paranemine. See on revolutsioon, mida on näha kosmosest.
Ja just nii, täiesti juhuslikult, said GPU-d tehisintellekti aluseks. Mänguriistvarast sai 21. sajandi kõige olulisema tehnoloogia selgroog. Sellest, mida kõik pidasid ajutiseks lahenduseks, sai püsiv infrastruktuur.
Kolmteist aastat hiljem on see õnnetus kasvanud millekski, mida keegi ei osanud ette näha: 35 miljardi euro suurune aastane sõltuvus. Strateegiline haavatavus. Tehnoloogiline monokultuur. Kuldne puur, mis on lõksu püüdnud kogu ülemaailmse tehisintellekti ökosüsteemi ja kõige teravamalt just Euroopa.
Miks mängukiibid juhtusid töötama
Olgem täiesti selged, mis siin tegelikult juhtus. GPU-sid ei loodud kunagi tehisintellekti jaoks. Need projekteeriti realistliku vee renderdamiseks videomängudes, varjude usutavaks muutmiseks, valgustusefektide arvutamiseks 3D-keskkondades 60 kaadrit sekundis.
Kuid neil oli üks arhitektuuriline omadus, mis osutus närvivõrkude jaoks õnnelikuks: massiivne paralleelsus. Kui protsessoril võib olla 8 või 16 tuuma, mis teevad keerulisi tehteid järjestikku, siis GPU-l on tuhandeid lihtsamaid tuumasid, mis täidavad sama käsku üheaegselt.
Närvivõrgud, nagu selgus, on enamasti maatrikskorrutised. Sama matemaatiline tehe, mida korratakse miljoneid kordi. Häbematult paralleelne, nagu arvutiteadlased ütlevad. Selline probleem, kus saab töö jagada tuhandete lihtsate protsessorite vahel ja saavutada dramaatiline kiirenemine.
See oli kokkusattumus, mis sündis täiesti juhuslikult. Nagu avastaksid, et sinu köögimikser on suurepärane värvisegaja. Muidugi see töötab. See on kiirem kui käsitsi segamine. Kuid keegi ei kavandanud seda selleks otstarbeks. Keegi ei optimeerinud seda selle kasutusjuhu jaoks. Sellel lihtsalt juhtuvad olema õiged omadused.
Toronto meeskond vajas suuremate võrkude treenimist. Protsessorid olid jäiselt aeglased, võttes nädalaid selleks, mille GPU-d jõudsid teha päevadega. Nad vaatasid ringi alternatiivide järele ja leidsid NVIDIA CUDA platvormi, programmeerimisraamistiku, mis võimaldas graafikakaarte ümber kohandada üldiseks arvutustööks.
See polnud närvivõrkude jaoks optimeeritud. See polnud isegi eriti hästi sobiv. Kuid see oli protsessoritest 10 korda kiirem, ja kui sa teed katseid ülikooli laboris napika eelarvega, on see enam kui piisav.
Piisavalt hea sai kuldstandardiks. Ajutine lahendus tardus püsivaks taristuks. Häkk sai tööstusharuks. Ja siin on tõeliselt tähelepanuväärne osa: kõik teadsid, et see on häkk. 2012. aastal rääkisid teadlased GPU-dest kui mugavast kiirendusmeetodist, vahepealsest lahendusest, kuni midagi paremat ilmub.
Keegi ei kujutanud ette, et me kasutame 2025. aastal endiselt mänguriistvara tipptasemel tehisintellekti jaoks. Keegi ei ennustanud, et sellest saab pudelikael, mis piirab kogu tööstust. Ometi oleme siin, treenime triljoniparameetrilisi mudeleid riistvaral, mis algselt loodi Minecrafti plokkide renderdamiseks.
Kuidas NVIDIA ehitas purunematu kaitsevalli
NVIDIA nägi võimalust enne kõiki teisi. Kui akadeemikud käsitlesid GPU-sid kui mugavat kiirendust oma katsete jaoks, ehitas NVIDIA kannatlikkuse ja strateegilise ettenägelikkusega impeeriumi.
CUDA arenes lihtsast programmeerimisraamistikust terviklikuks ökosüsteemiks. Raamatukogud igaks mõeldavaks toiminguks. Optimeerimistööriistad. Profiilianalüüsi süsteemid. Silumisinfrastruktuur. Põhjalik dokumentatsioon. Haridusprogrammid, mis õpetavad üliõpilasi. Arendajate kaasamine. Konverentside sponsorlus. Teadusgrandid.
Rohkem kui kümnendi jooksul investeeriti miljardeid, et muuta CUDA mitte ainult funktsionaalseks, vaid hädavajalikuks. Mitte ainult kiireks, vaid asendamatuks.
Iga suurem tehisintellekti raamistik rajas oma aluse CUDA-le. PyTorch räägib CUDA keelt natiivselt. TensorFlow kompileerib CUDA-le. JAX eeldab CUDA olemasolu. Kui soovid treenida närvivõrku konkurentsivõimelise kiirusega, kirjutad koodi, mis töötab CUDA-l. Kui soovid jõudlust optimeerida, kasutad CUDA raamatukogusid. Kui soovid seda suures mahus kasutusele võtta, vajad CUDA-ühilduvat riistvara.
Ja CUDA töötab ainult NVIDIA GPU-del. See pole juhus. See pole tähelepanematus. See on strateegia, mida on viieteistkümne aasta jooksul täidetud kirurgilise täpsusega.
See on üks edukamaid müüja lukustusi arvutustehnika ajaloos. Seda ei saavutatud õiguslike piirangute ega konkurentsivastase käitumisega, mida regulaatorid saaksid vaidlustada, vaid järjekindla ja kannatliku ökosüsteemi ülesehitamisega. Selleks ajaks, kui tööstus mõistis, mis toimub, oli juba liiga hilja. Kogu tehisintellekti tarkvaravirn oli ehitatud NVIDIA patenteeritud alusele, üks otsus korraga, üks raamatukogu korraga, üks optimeerimine korraga.
Täna omab NVIDIA 92% tehisintellekti kiirendite turust. Mitte 60%. Mitte 75%. Üheksakümmend kaks protsenti. Mõned analüütikud hindavad treeningturu osakaaluks 98%. Loe neid numbreid uuesti. See ei ole konkurentsitihe turg. See on monopol tehnilise viigilehega.
35 miljardi euro suurune aastane haare
Räägime sellest, mida see monopol tegelikult tähendab, eriti Euroopa ettevõtete jaoks, kes üritavad tehisintellekti tooteid ehitada.
Üks NVIDIA H100 GPU maksab 23 000 kuni 37 000 eurot. See on ühe kiibi hind. Kaasaegse suure keelemudeli treenimine nõuab tuhandeid neid GPU-sid, mis töötavad pidevalt nädalaid või kuid. Ainult arvutusvõimsuse kulud võivad ulatuda kümnetesse miljonitesse eurodesse. Ja see on vaid üks treeningkord. Enamik mudeleid vajab enne vastuvõetava tulemuse saavutamist kümneid iteratsioone.
NVIDIA uusim Blackwell-arhitektuur tarbib kuni 1200 vatti kiibi kohta. See on rohkem kui võimas ruumisoojendi. See pakub umbes 2,5 korda kiiremat tehisintellekti treenimist võrreldes eelmise H100 põlvkonnaga. Muljetavaldav tehnika, kindlasti.
Kuid see maksab ka rohkem, nõuab vedelikjahutuse infrastruktuuri, mida enamikus andmekeskustes pole, ja sul pole absoluutselt muud valikut kui see osta, kui tahad konkurentsis püsida. Sest kõik teised ostavad seda. Sest CUDA töötab ainult sellel. Sest ökosüsteemi pole kusagil mujal.
Kogu süsteem põhineb lihtsal tõsiasjal: kui tahad ehitada tipptasemel tehisintellekti, vajad NVIDIA GPU-sid. Ja kui asud Euroopas, oled esimesest päevast struktuurses ebasoodsas olukorras.
Ameerika pilveteenuse pakkujad nagu AWS, Microsoft Azure ja Google Cloud investeerivad igas kvartalis üle 37 miljardi euro GPU infrastruktuuri. Iga. Üksik. Kvartal. Nad kontrollivad 70% Euroopa pilveturust. Euroopa pakkujad omavad vaid 15% oma koduturust, mis on langenud 29%lt 2017. aastal.
Ettevõtted nagu SAP ja Deutsche Telekom omavad kummadki vaid 2% turuosa Euroopa pilvandmetöötluses. Euroopa pilveteenuse pakkujad nagu OVHcloud, Scaleway ja Hetzner teenindavad nišiturgusid, suutmata võistelda Ameerika hüperskaalijatega. Suutmata kindlustada GPU-sid konkurentsivõimeliste hindadega. Suutmata pakkuda sama jõudlust. Suutmata konkureerida.
Pole nii, et Euroopa ettevõtetel puuduks tehniline talent või ambitsioonikus. Neil puudub juurdepääs GPU-dele konkurentsivõimeliste hindadega ja piisavas mahus. Nad pole lihtsalt võidujooksus maas. Nad jooksevad hoopis teisel rajal, kus struktuursed tõkked on nii suured, et miljardite suurused investeeringudki nendega vaevu toime tulevad.
Euroopa AI-idufirmade ees on võidukäigu võimatu mäng
Mõelge, mis toimub Euroopa AI-ettevõtetega just praegu, reaalajas, kui nad üritavad konkureerida.
Mistral AI, Prantsusmaa kõige lootustandvam AI-idufirma, kogus 468 miljonit eurot rahastust. See on päris raha. See teeb neist ühe Euroopa parima kapitaliseeritusega AI-ettevõtte. Isegi selle sõjakassaga pidid nad VivaTech 2025 raames välja kuulutama suveräänse AI-taristu partnerluse NVIDIA-ga, et lihtsalt GPU-dele juurdepääs tagada.
Lugege seda uuesti. Peaaegu pool miljardit eurot rahastust ja nad pidid ikkagi NVIDIA-ga partnerluse sõlmima, et lihtsalt kiipe saada. See pole strateegiline valik. See on vajadus, mis on partnerluseks maskeeritud.
Aleph Alpha, Saksamaa vastus OpenAI-le, pöördus 2024. aasta lõpus ümber alusmudelite ehitamiselt ettevõtetele AI kasutuselevõtu abistamisele. Miks? Nagu asutaja Jonas Andrulis tunnistas, osutus LLM-ide ehitamine liiga keeruliseks ja kulukaks valdkonnas, kus domineerivad sügavate taskutega suurtehnoloogia hiiglased.
Tõlge: nad ei suutnud tagada GPU-dele juurdepääsu konkureerimiseks vajalikus mahus. Nad ei suutnud Ameerika ettevõtete taristuinvesteeringutega sammu pidada. Nii et nad pöördusid ärimudeli poole, mis ei nõua alusmudelite treenimisel konkureerimist. See pole strateegia. See on alistumine.
Euroopa AI-ettevõtted on saanud kümme korda vähem rahastust kui nende Ameerika kolleegid. Kuid isegi kui rahastus oleks võrdne, jääks GPU-pudelikael püsima. NVIDIA seab esikohale oma suurimad kliendid: Ameerika pilveteenuse pakkujad ja tehnoloogiahiiglased. Euroopa idufirmad seisavad järjekorras riismete pärast, makstes lisatasu hindu iga eraldise eest, mida nad suudavad hankida.
EL on vastanud InvestAI algatusega, mobiliseerides 200 miljardit eurot AI investeeringuteks. 2025. aasta veebruaris teatasid Brookfield Infrastructure ja Data4 19,2 miljardi euro suurusest AI infrastruktuuri investeeringust üksi Prantsusmaal. 2024. aasta detsembris valis EuroHPC JU välja seitse konsortsiumi, et rajada esimesed AI-tehased Soome, Saksamaale, Kreekasse, Itaaliasse, Luksemburgi, Hispaaniasse ja Rootsi.
Need on tohutud investeeringud. Reaalsed kohustused. Kuid esimesed gigatehased ei hakka tööle enne 2027. aastat. Ja kõik need, igaüks neist, töötavad NVIDIA GPU-del. Euroopa kulutab sadu miljardeid eurosid, et pääseda sõltuvusest Ameerika pilveteenuse pakkujatest, kuid süvendab sellega vaid sõltuvust Ameerika riistvarast.
Näete probleemi.
Ökosüsteemi lõks: miks põgenemine on peaaegu võimatu
Siin on põhjus, miks lukustus on nii salakaval, isegi kui kõik tunnistavad, et see on probleem, mis vajab lahendamist.
Kujutage ette, et olete Müncheni Tehnikaülikooli teaduslabor. Olete kasutanud NVIDIA GPU-sid viis aastat. Kogu teie koodibaas on optimeeritud CUDA jaoks. Teie teadlastel on CUDA teadmised. Teie infrastruktuur eeldab CUDA-t. Teie juurutustorustikud sõltuvad CUDA-st. Olete investeerinud miljoneid eurosid ja lugematuid inimaastaid sellesse ökosüsteemi.
Nüüd pakub keegi teile alternatiivi. Võib-olla AMD ROCm platvormi. Võib-olla Google'i TPU-sid. Võib-olla kohandatud AI-kiirendit paljulubavalt Euroopa idufirmalt.
Üleminekuks peate kogu oma koodibaasi uue platvormi jaoks ümber kirjutama, mis võtab aega kuid või aastaid. Koolitage oma meeskond ümber uutele tööriistadele, raamistikele ja optimeerimistehnikatele. Optimeerige kõik oma mudelid erinevate riistvaraarhitektuuride jaoks ümber. Leppige sellega, et 80% avatud lähtekoodiga tehisintellekti teekidest ei tööta ilma oluliste muudatusteta. Riskige sellega, et alternatiivil puudub püsivus ja müüja tugi. Loodage, et jõudlus vastab sellele, mis teil oli, või ületab seda, teades, et tõenäoliselt ei ületa. Paluge, et te pole just liikunud ühelt kinniselt ökosüsteemilt teisele, mis on sama lukustatud, kuid mille taga on vähem ressursse.
Üleminekukulud on astronoomilised. Riskid on tohutud. Kasu on ebakindel. Enamiku organisatsioonide jaoks on see võimatu arvutus. Parem jääda tuntud kurja juurde, isegi kui see kurat on kallis, välismaal kontrollitud ja strateegiliselt riskantne.
Tehnoloogiahiiglased nagu Microsoft, Meta ja Google on investeerinud kümneid miljardeid CUDA-põhistesse andmekeskustesse. See infrastruktuur ei kujuta endast ainult uppunud kulusid. See kujutab endast nende kogu tehisintellekti strateegia alust. Nende talendid on koolitatud CUDA-s. Nende kood eeldab CUDA-t. Nende juurutustööriistad eeldavad CUDA-t. Nende konkurentsieelis sõltub CUDA asjatundlikkusest.
Seda nimetavad majandusteadlased kõrgeteks üleminekukuludeks koos võrguefektidega. Kui tehnoloogia on saavutanud kriitilise massi, muutub selle väljatõrjumine peaaegu võimatuks, isegi kui on olemas paremad alternatiivid. Isegi kui kõigil oleks parem üle minna. Isegi kui praegune lahendus on ebaoptimaalne, kallis ja strateegiliselt ohtlik.
NVIDIA ei ehitanud lihtsalt suurepärast riistvara. Nad ehitasid puuri kuldsete trellidega ja kogu tehisintellekti tööstus kõndis sinna vabatahtlikult sisse, üks otstarbekas otsus korraga, mõistmata, et uks sulgus nende selja taga.
Innovatsiooni pudelikael, millest keegi ei räägi
Halvim tagajärg ei ole kulu ega isegi müüja lukustus. See on see, mida GPU-dominants teeb innovatsiooniga, selle võimaluste ruumiga, mis tehisintellekt võiks olla.
Kui üks tehnoloogia saavutab peaaegu täieliku turudominantsi, voolab innovatsioon selle tehnoloogia marginaalselt paremaks muutmisse, mitte põhimõtteliselt erinevate lähenemisviiside uurimisse. NVIDIA toob turule uued GPU-põlvkonnad järkjärguliste täiustustega. Teadlased optimeerivad koodi NVIDIA arhitektuuride jaoks. Raamistiku arendajad lisavad CUDA funktsioone. Kõik jooksevad kiiremini samal jooksulindil.
Vahepeal jäävad radikaalselt erinevad lähenemisviisid tehisintellektile ilma ressurssidest, tähelepanust ja talentidest. Miks investeerida neuromorfsesse andmetöötlusse, kui kõik kasutavad GPU-sid? Miks uurida piirangupõhist arutlusvõimet, kui närvivõrgud töötavad piisavalt hästi? Miks arendada binaarseid võrke, kui ujukoma on väljakujunenud standard? Miks taotleda analoogandmetöötlust, fotonilist töötlemist või mõnda muud alternatiivset arhitektuuri?
Vastus on jõhkralt lihtne: te ei saa konkureerida. Ökosüsteemi pole olemas. Tööriistu pole. Infrastruktuur pole saadaval. Talendid on õppinud CUDA-t ega taha otsast alustada. Investorid rahastavad GPU-põhiseid lähenemisviise, sest need on tõestanud veojõudu, sest nad mõistavad turgu, sest alternatiivid on liiga riskantsed.
See on iseeneslikult tugevnev tsükkel, mis kitsendab võimaluste ruumi iga iteratsiooniga. GPU-dominants loob ökosüsteemi eeliseid. Ökosüsteemi eelised meelitavad investeeringuid. Investeeringud tugevdavad GPU-dominantsi. Alternatiivsetel lähenemisviisidel on raske isegi alustada, rääkimata skaala saavutamisest, mis on vajalik elujõulisuse tõestamiseks.
Me ei uuri enam kogu võimalike tehisintellekti arhitektuuride ruumi. Me uurime palju kitsamat ruumi sellest, mis töötab tõhusalt NVIDIA GPU-del. See on sügav piirang innovatsioonile, mis aja jooksul kuhjub. Iga aastaga muutub puur väiksemaks, seinad paksemaks, väljapääs kaugemaks. Iga aasta investeerime rohkem vale asja optimeerimisse.
Digitaalne kolonialism: Euroopa strateegiline kriis
For Europe, this isn't merely a technical inconvenience or an unfortunate market situation. It's a strategic crisis with geopolitical implications that will define European technological sovereignty for generations.
On June 10th, 2025, Anton Carniaux, Microsoft France's director of public and legal affairs, sat before the French Senate for an inquiry on data sovereignty. Senator after senator pressed him on a deceptively simple question: could he guarantee that French citizen data held on Microsoft servers would never be transmitted to US authorities without explicit French authorization?
His answer, delivered clearly and without evasion: No, I cannot guarantee it.
Under the US CLOUD Act, American technology corporations must comply with US government data requests regardless of where that data is physically stored. If a request is properly framed under US law, Microsoft is legally obliged to transmit the data. European data sovereignty, in other words, is conditional on American forbearance. It exists at the pleasure of US policy, not as a matter of European control.
That testimony sent shockwaves through European policy circles. But the GPU situation is structurally identical, just less visible. NVIDIA is subject to US export controls. A trade dispute, a policy shift, a geopolitical crisis, and Europe's entire AI infrastructure could be throttled or cut off entirely. Not hypothetically. Actually. With the stroke of a pen in Washington.
Europe has brilliant AI researchers. World-class universities producing cutting-edge papers. Innovative startups like Mistral AI and Aleph Alpha. Major research institutions like IDSIA in Switzerland, the German Research Center for Artificial Intelligence, INRIA in France. Talented engineers building impressive systems.
But all of them build on a foundation they don't control, using hardware they can't access at competitive prices, locked into a proprietary ecosystem owned by a single American corporation, subject to American export policy, vulnerable to American political decisions.
That's not digital sovereignty. That's digital colonialism with a friendly face and excellent customer service.
The Efficiency Lie Nobody Wants to Confront
Here's an uncomfortable truth that gets glossed over in most discussions about AI infrastructure: GPUs aren't actually efficient for AI. They're just the least inefficient option we've settled on because they were available in 2012.
Yes, GPUs are faster than CPUs for matrix multiplication. But they achieve speed through brute force, not elegance or optimization. They consume enormous power. They require complex liquid cooling systems. They demand specialized data center infrastructure. And they're getting worse, not better.
A modern NVIDIA Blackwell B200 draws 1,200 watts. That's more power than most household space heaters. Data centers across Europe are being redesigned not for computational efficiency, but merely to handle the thermal load. The GB200 NVL72 cabinet consumes 120 kilowatts. A single rack. Gigawatt-scale AI factories require power infrastructure equivalent to small cities.
Data center power demand in Europe is projected to reach 168 TWh by 2030 and 236 TWh by 2035, tripling from 2024 levels. In the Netherlands, data centers already consume 7% of national electricity. In Frankfurt, London, and Amsterdam, they consume between 33% and 42% of all electricity. Read that again. Between a third and nearly half of all electricity in major European cities goes to data centers.
In Ireland, data centers account for over 20% of total national electricity consumption. One fifth of an entire country's power goes to keeping chips cool enough to function. And that percentage is growing every year as more AI infrastructure comes online.
Ja siin on osa, mis peaks panema kõik peatuma: suurem osa sellest arvutusest on põhimõtteliselt raisatud. GPU-d teostavad ujukomaarvutusi äärmise täpsusega, kui lõplik otsus on binaarne. Nad teostavad massiivseid maatrikskorrutisi, kui piisaks lihtsamatest tehtetest. Nad kulutavad energiat mitte sellepärast, et see oleks intelligentsuse jaoks vajalik, vaid sellepärast, et nii GPU-riistvara töötab. Sellepärast, et see on ainus viis, kuidas me oskame seda teha suures mahus nende tööriistadega, millesse oleme investeerinud.
Me oleme optimeerinud täiesti vale mõõdiku järgi. Mitte selle järgi, mis on parim viis tehisintellekti teha, vaid selle järgi, mis on kiireim viis seda GPU-l teha. See on nagu lennukite projekteerimine nii, et lased lindudel tiibu kiiremini lehvitada, selle asemel et mõista aerodünaamilise tõstejõu põhiprintsiipe. See töötab, umbes, aga sa jääd asjast täiesti mööda.
Binaarne läbimurre: paradigma ületamine
Mis on siis tegelik väljapääs sellest kuldpuurist? Dweve'is esitasime põhimõtteliselt teistsuguse küsimuse: mis siis, kui me ei vajaks GPU-sid üldse? Mis siis, kui kogu ujukomaarvude lähenemine oli algusest peale vale tee?
Närvivõrgud vajavad GPU-sid, sest nad kasutavad ujukomaaritmeetikat. Ujukomaoperatsioonid nõuavad vastuvõetava jõudluse saavutamiseks spetsiaalset riistvara. See arhitektuuriline nõue loob GPU-sõltuvuse. Sellepärast me lõksus oleme. See on ahel, mille peame katkestama.
Kuid binaarsed närvivõrgud kaotavad ujukomaaritmeetika täielikult. Nad töötavad lihtsate loogiliste operatsioonidega: AND, OR, XOR, XNOR. Selliste operatsioonidega, mida iga kaasaegne CPU suudab tõhusalt täita, kasutades aastakümneid eksisteerinud loomulikke käsustikke. Pole vaja spetsiaalset riistvara. Pole GPU-sõltuvust. Pole CUDA-lukustust. Pole müüja monopoli.
Dweve Core rakendab seda lähenemist 1930 riistvara jaoks optimeeritud algoritmiga, mis töötavad otse diskreetses otsustusruumis. Binaarne arvutus, kolmendarvutus, madala bitisügavusega arvutus. Raamistik töötab tõhusalt tavalistel CPU-del, saavutades tulemusi, mis peaksid olema võimatud:
Tavalised Intel Xeoni serverid, mis käitavad suuri mudeleid konkurentsivõimelise kiirusega. Energiatarve mõõdetuna kümnetes vattides, mitte sadades või tuhandetes. Mälu nõuded vähenevad suurusjärgu võrra. Inferentsikiirused, mis paljude töökoormuste puhul vastavad GPU-rakendustele või ületavad neid. Ja kõik see töötab riistvaral, mis on juba olemas igas andmekeskuses, igas pilveteenuse pakkujas, igas servaseadmes.
Matemaatika on lihtne. FP32-mudelid vajavad 4 baiti parameetri kohta. Binaarsed mudelid vajavad 1 bitti parameetri kohta. See tähendab mälu vähenemist 32 korda juba kvantiseerimisega. Lisa hõredad aktiveerimismustrid ja saad mudelid, mis mahuvad süsteemi RAM-i, selle asemel et nõuda kallist suure ribalaiusega mälu.
Binaarsed operatsioonid täidetakse XNOR- ja POPCNT-käskudega. Need on loomulikud CPU-käsud, osa x86-64 ja ARM käsustikest, optimeeritud räni tasandil. Nad on kiired. Nad on tõhusad. Nad on kogu aeg olemas olnud. Meil tuli lihtsalt välja mõelda, kuidas neid õigesti kasutada.
Mida binaarsed võrgud tegelikult muudavad
See ei ole väike täiustus olemasolevas paradigmas. See on teistsugune paradigma. Mõjud ulatuvad palju kaugemale kui lihtsalt paremad jõudlusnäitajad.
Dweve Loom näitab, mis saab võimalikuks: 456 valdkonnaspetsiifilist süsteemi töötavad spetsialistide seguna (Mixture of Specialists). Iga valdkonnaspetsialist on oma valdkonna jaoks optimeeritud binaarne võrgustik. Matemaatika. Teadus. Kood. Keel. Koos saavutavad nad palju suuremate mudelite sügavuse ja võimekuse, kasutades samal ajal vaid murdosa ressurssidest.
Spetsialistide vaheline marsruutimine? Binaarsed tehted. Valdkonnaspetsialistide aktiveerimine? Binaarsed otsused. Lõpliku väljundi liitmine? Binaarne loogika. Kõik on lõpuni binaarne ja see toimib, sest intelligentsus avaldub lõpuks diskreetsete valikute kaudu, mitte pidevate tõenäosuste arvutamise kaudu raiskava täpsusega.
See töötab tavalisel serveril. Mitte GPU-klastril. Mitte spetsiaalsetel kiirenditel. Serveril, mille saate osta igalt riistvaramüüjalt, paigaldada igasse andmekeskusesse, kasutusele võtta igas riigis. Energiatarve kogu süsteemi jaoks mõõdetakse sadades vattides, mitte kiibi kohta. Jahutusnõuded täidab tavaline õhkjahutus, mitte vedelikjahutussüsteemid, mille paigaldamine maksab miljoneid.
Vabanemine: Euroopa tee edasi
GPU-ajastu on kestnud palju kauem, kui oleks pidanud. See, mis algas 2012. aastal magistrandi magamistoas kui ajutise lahendusena, kasvas välja kogu tööstust hõlmavaks sõltuvuseks. See, mis pidi olema ajutine abinõu, sai püsivaks taristuks. See, mis oleks tulnud juba aastaid tagasi välja vahetada, on selle asemel tardunud monopoliiks.
Kuid praod on juba näha. Kulud muutuvad jätkusuutmatuks kõigile peale suurimate tehnoloogiahiiglaste. Strateegilised riskid on võimatu ignoreerida igal valitsusel, mis olukorrale tähelepanu pöörab. Innovatsiooni kitsaskoht kägistab alternatiivseid lähenemisi, mis võiksid olla paremad. Keskkonnamõju muutub talumatuks, kui ehitame gigavattiseid elektrijaamu ainult kiipide jahutamiseks. Geopoliitilised haavatavused on Euroopa jaoks lõputult vastuvõetamatud.
Binaarsed närvivõrgustikud ei ole lihtsalt olemasolevate lähenemisviiside optimeerimine. Need kujutavad endast põhimõttelist ümbermõtlemist sellest, kuidas tehisintellekt peaks töötama. Need kehastavad erinevust NVIDIA ökosüsteemi lõksus olemise ja tõelise tehnoloogilise vabaduse saavutamise vahel. Erinevust GPU-maksu igavese maksmise ja täieliku vabanemise vahel.
Euroopa ei pea GPU-võidujooksu võitma. Euroopa peab selle vananema panema. Ehitama tehisintellektisüsteeme, mis töötavad standardsel riistvaral, mis meil juba on. Looma tehnoloogiaid, mis ei sõltu Ameerika kiirenditest, millele kehtivad Ameerika ekspordipiirangud. Arendama võimekusi, mida ei saa piirata välispoliitiliste otsustega ega ohustada välismaiste andmejuurdepääsu seadustega.
Dweve juures on kogu meie platvorm ehitatud sellele alusele. Core pakub binaarse algoritmi raamistikku. Loom rakendab valdkonnaspetsialisti intelligentsuse mudelit. Nexus koordineerib mitme agendi süsteeme. Aura haldab autonoomseid agente. Spindle tegeleb teadmiste haldamisega. Mesh loob detsentraliseeritud taristu.
Kõik see töötab tõhusalt standardsel Euroopa taristul. Protsessoritel andmekeskustes Interxionilt, Equinixilt, OVHcloudilt. Servaseadmetel üle kogu mandri. Riistvaral, mida me kontrollime, kasutades matemaatikat, mida ei saa monopoliseerida, luues väärtust, mis jääb Euroopasse.
Pole GPU-sõltuvust. Pole strateegilist haavatavust. Pole kuldpuuris olemist.
Valik, mille ees seisame
AI-tööstus seisab ristteel. Üks tee jätkab GPU-trajektooril, leppides kasvavate kulude, väheneva suveräänsuse, aheneva innovatsiooniruumi, kasvava keskkonnamõju ja süveneva strateegilise haavatavusega. Teine tee vabaneb täielikult, kasutades diskreetset matemaatikat, mis ei vaja spetsiaalseid kiirendeid, mis töötab riistvaral, mis meil juba on, mis annab meile kontrolli tagasi.
Kuldne puur tundub seestpoolt mugav. NVIDIA teeb tõeliselt suurepäraseid tooteid. CUDA on muljetavaldavalt optimeeritud. Ökosüsteem on küps ja põhjalik. Jõudlus on reaalne. Inerts on võimas. Uppunud kulud loovad psühholoogilise pühendumuse. Muutus on raske, riskantne ja ebakindel.
Aga see on ikkagi puur. Ja uks on sulgumas.
Iga kvartaliga süveneb GPU-sõltuvus. Iga euro, mis investeeritakse CUDA-infrastruktuuri, tõstab üleminekukulusid. Iga uus kiirendite põlvkond tugevdab lukustust. Iga teadlane, kes on koolitatud ainult CUDA peal, kitsendab talentide hulka. Iga aastaga muutub puur väiksemaks ja väljapääs kaugemaks. Iga aastaga on meil vähem manööverdamisruumi, vähem valikuid, suuremad riskid.
Binaarsed närvivõrgud ja diskreetne arvutus pakuvad põgenemisteed. Aga ainult siis, kui me selle ette võtame enne, kui puur muutub vältimatuks. Ainult siis, kui me tegutseme, kuni alternatiivid on veel võimalikud. Ainult siis, kui oleme valmis vaidlustama eelduse, et GPU-d on vältimatud, et ujukomaarvutus on vajalik, et monopol on vastuvõetav.
2012. aasta õnnelik juhus täitis oma eesmärgi. See näitas, et süvaõpe töötab suures mahus. See tõestas AI potentsiaali kaugelt üle selle, mida keegi ette kujutas. See käivitas tööstuse, mis muudab tsivilisatsiooni. Alex Krizhevsky, Ilya Sutskever ja Geoffrey Hinton väärivad oma läbimurde eest tohutut tunnustust. Nad muutsid maailma.
Aga õnnelikud juhused pole mõeldud alusteks. Kiirparandused pole mõeldud infrastruktuuriks. Ajutised lahendused pole mõeldud muutuma püsivateks sõltuvusteks. Mänguriistvara pole mõeldud tsivilisatsioonilise mastaabiga AI käitamiseks. Ameerika monopolid pole mõeldud Euroopa tehnoloogilist suveräänsust lõputult kontrollima.
On aeg ehitada midagi paremat. Midagi, mis ei lõksusta meid kuldsetesse puuridesse. Midagi, mis tõeliselt väärib tehisintellekti alustala olema. Midagi, mis töötab tavalisel riistvaral, arvestab energiapiirangutega, võimaldab tõelist innovatsiooni, säilitab strateegilise autonoomia ja annab meile kontrolli oma tehnoloogilise tuleviku üle tagasi.
GPU ajastu on lõppemas, kas me tunnistame seda või mitte. Füüsika ja majandus tagavad selle. Ainus küsimus on, kas me näeme seda tulemas ja ehitame alternatiivi või ärkame ühel päeval avastusega, et me ei pääse, ja mõistame, liiga hilja, et oleksime pidanud tegutsema siis, kui meil veel võimalus oli.