Digitaalinen energiakriisi: tekoälyn 945 TWh:n lasku
The Industrial Sauna We Call Progress
Walk into a modern AI data centre in Frankfurt or Dublin, and your first thought isn't "This is the future." It's "Why is it so bloody hot in here?" The heat hits you like opening an oven door, waves of thermal energy rolling off server racks that look more like industrial furnaces than computers. The cooling system is screaming, fans at full roar, chilled water racing through kilometres of pipes, just to keep these machines from literally melting.
Each AI accelerator chip draws 1,200 watts. For perspective, that's more power than the space heater keeping your Dutch grandmother's apartment warm in January. And you're looking at thousands of these chips, packed into racks consuming 50, 100, sometimes 250 kilowatts each. One single rack drawing as much power as 100 average European households. In a space the size of a wardrobe.
This is the digital energy crisis that polite company doesn't discuss at conferences. AI isn't just consuming electricity. It's devouring it with the appetite of a black hole, and we're all nodding politely like this is perfectly reasonable behaviour for mathematics.
The Numbers That Should Make You Swear
Let's talk scale, because the numbers are genuinely terrifying. In 2024, data centres worldwide consumed approximately 415 terawatt-hours of electricity. That's 1.5% of all global electricity consumption. To put that in European terms, that's substantially more than Spain's entire annual electricity demand of 248 TWh. All of Spain. Every home, every factory, every train, every hospital. Data centres use more.
But here's where it stops being merely alarming and becomes properly frightening: that figure is projected to more than double by 2030, reaching 945 TWh. That's 3% of global electricity. Not 3% of technology electricity. 3% of everything. More than all the electric vehicles, heat pumps, and solar panels combined.
And AI is the primary driver. AI data centre energy consumption is growing at 44.7% annually. To appreciate how exponential that is, consider Ireland. In 2024, data centres consumed 22% of Ireland's total electricity, up from just 5% in 2015. That's a 531% increase in nine years. EirGrid, Ireland's grid operator, estimates that by 2030, data centres could consume 30% of the country's electricity. Nearly one-third of an entire nation's power grid, just to train models and serve AI queries.
Dublin alone tells the story. Data centres consumed between 33% and 42% of all electricity in Dublin in 2023. Some estimates put it even higher. The Irish government imposed a moratorium on new data centre construction in Dublin until 2028 because the grid literally cannot handle more load. Amsterdam did the same thing in 2019, lifting it only after implementing strict power usage effectiveness requirements and a cap of 670 MVA until 2030. The Netherlands went further, imposing a national moratorium on hyperscale data centres exceeding 70 megawatts.
This isn't gradual growth. This is an exponential explosion in energy demand, happening right now, accelerating every quarter, and running headlong into physical infrastructure limits.
Harjoituksen hiilipommi
Yhden suuren kielimallin harjoittaminen tuottaa hiilijalanjäljen, joka saisi öljynjalostamon punastumaan. Ja toisin kuin jalostamot, jotka sentään tuottavat jotain konkreettista, mitä voi kaataa auton tankkiin, näistä päästöistä syntyy... no, malli, joka saattaa itsevarmasti hallusinoida sieniresepteistä.
GPT-3, malli joka käynnisti nykyisen tekoälybuumin, päästi harjoituksen aikana 552 tonnia CO2:ta. Se vastaa 123 bensiinikäyttöisen henkilöauton vuoden päästöjä. Yhdestä mallista. Yhdestä harjoituskerrasta. Ja tämä on vain suora energiankulutus, eikä siihen lasketa GPU:iden valmistuksen tai datakeskuksen rakentamisen sisältämää hiiltä.
Tässä on todella hullu osuus: GPT-3:sta pidetään nykymittapuulla pienenä. Nykyaikaiset mallit ovat suuruusluokkia suurempia. 100 biljoonan parametrin mallin harjoittaminen kuluttaa GPU-laskenta-aikaa noin 9 miljoonan euron edestä. Eurooppalaisilla energiahinnoilla ja hiili-intensiteetillä se tarkoittaa tuhansia tonneja CO2-ekvivalenttia. Per malli. Ja onnistunut käyttöönotto vaatii yleensä kymmeniä tai satoja harjoituskertoja, koska ensimmäiset seitsemäntoista yritystä tuottivat mallin, joka luulee Belgian olevan juustolaji.
Tutkimuspaperit ylistävät vaikuttavia suorituskykymittareita. Hiilijalanjälki? Se haudataan alaviitteeseen, jos sitä edes mainitaan. Se on tekoälyn vastine sille, että kehuu uuden autonsa kiihtyvyyttä mutta jättää huolellisesti mainitsematta, että se kuluttaa kaksi litraa kilometrillä.
Päättelyn kertolaskuvaikutus
Tässä on se, minkä useimmat ohittavat, ja se on se osuus, joka todella merkitsee: harjoittaminen on kertaluonteinen kustannus. Päättely, eli mallin käyttäminen kysymyksiin vastaamiseen, pyörii jatkuvasti. Ikuisesti. Skaalassa, joka saa harjoituksen päästöt näyttämään pieniltä.
Jokainen ChatGPT-kysely kuluttaa sähköä. Jokainen tekoälykuvan luonti polttaa watteja. Jokainen suositus, jokainen käännös, jokainen älyavustajan vastaus. Miljoonia pyyntöjä sekunnissa, 24 tuntia vuorokaudessa, 365 päivää vuodessa. Ja toisin kuin harjoittaminen, joka tapahtuu keskittyneinä purskeina, päättely jakautuu tuhansille datakeskuksille ympäri maailmaa, mikä tekee sen seuraamisesta lähes mahdotonta.
Tutkimus osoittaa, että päättelyn päästöt ylittävät usein harjoituksen päästöt suuruusluokilla, erityisesti laajasti käytössä olevilla malleilla. Harjoitus voi maksaa 500 tonnia CO2:ta. Päättely mallin elinkaaren aikana? Mahdollisesti 50 000 tonnia. Ehkä enemmän. Kukaan ei laske, ja juuri se on ongelma.
Teknologiayritykset raportoivat harjoituksen päästöt, kun EU:n säädökset niin vaativat. Päättelyn päästöt? Ne ovat "operatiivista yleiskustannusta", joka kätevästi haudataan yleisiin datakeskustilastoihin sähköpostipalvelimien ja kissavideoiden joukkoon. EU:n tekoälyasetus edellyttää yleiskäyttöisten tekoälymallien energiankulutuksen ilmoittamista, mutta valvonta on puutteellista ja vapaaehtoinen raportointi pysyy juuri sellaisena: vapaaehtoisena.
Tehotiheyskriisi, joka rikkoo fysiikan lait
Perinteiset datakeskukset toimivat aiemmin noin 36 kilowatin teholla telinekohtaisesti. Hallittavissa. Perinteinen ilmajäähdytys toimi hyvin. Niitä pystyi rakentamaan minne tahansa, missä oli kunnollinen verkkoyhteys ja kohtuulliset sähkön hinnat. Infrastruktuuri oli yksinkertaista.
Sitten tuli tekoäly, ja fysiikka suuttui.
Nykyiset tekoälytelineet yltävät 50 kilowattiin. Huippuluokan käyttöönotot yltävät jo 100 kilowattiin. Jotkut kokeelliset kokoonpanot työntävät tehoa 250 kilowattiin telinekohtaisesti. Se vastaa sadan keskivertoeurooppalaisen kotitalouden sähkönkulutusta, tiivistettynä muutamaan neliömetriin palvelintelinettä. Tehotiheys lähestyy rakettimoottorin tehotiheyttä.
Ongelma ei ole pelkästään kokonaisteho. Se on tiheys. Kun pakkaat noin paljon energiaa noin pieneen tilaan, fysiikasta tulee vihollisesi. Lämmön on mentävä jonnekin, eikä ilmajäähdytys fyysisesti pysty käsittelemään sitä. Lämpökuorma on liian suuri. Tarvitset nestemäisen jäähdytyksen. Suoraan siruun kohdistuvan jäähdytyksen. Upotusjäähdytyksen. Monimutkaisia lämmönhallintajärjestelmiä, jotka maksavat enemmän kuin itse palvelimet ja vaativat omat insinööritiiminsä käyttöönsä.
Datakeskuksia suunnitellaan uudelleen, ei laskentatehokkuuden vaan pelkästään lämpöromahduksen estämisen vuoksi. Rakennamme infrastruktuuria käsittelemään matemaattisten operaatioiden hukkalämpöä, joiden ei periaatteessa pitäisi tuottaa näin paljon lämpöä alun perinkään. Se on kuin suunnittelisi paremman pakoputkiston autolle, joka on tulessa, sen sijaan että kyseenalaistaisi, miksi auto on tulessa.
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.
Some argue renewable energy solves this. "Just power data centres with solar and wind." Lovely idea. Completely impractical. Europe installed 65.5 GW of new solar capacity in 2024 and 16.4 GW of new wind. Renewable energy reached 47% of electricity generation. But 945 TWh of new data centre demand by 2030 would require building renewable capacity equivalent to thousands more wind farms and millions more solar panels. The land use alone would be astronomical. Denmark, with 88.4% renewable electricity (mostly wind), is often cited as the model. But Denmark's entire electricity consumption is only a fraction of projected AI data centre demand.
Even if technically possible, the opportunity cost is staggering. Every megawatt-hour going to AI training is a megawatt-hour not available to electrify transportation, heat homes, or power industry. It's a direct trade-off, and we're choosing to burn renewable energy training models that might be obsolete in six months over heating homes through winter.
The Water Crisis Nobody's Tracking
Energy isn't the only resource AI is consuming. Water is becoming a critical crisis, especially in regions already facing water stress.
Data centres use enormous amounts of water for evaporative cooling, which most large facilities rely on because it's more efficient than closed-loop systems. Evaporative cooling literally evaporates water to dissipate heat. The water is gone. Not recycled back into the system. Evaporated into the atmosphere. Permanently removed from local water supplies.
A 2024 study found that training GPT-3 in Microsoft's state-of-the-art U.S. data centres consumed approximately 700,000 litres of freshwater. That's enough to produce 370 BMW cars or 320 Tesla electric vehicles. For one training run. Of one model. And that's just the direct on-site water consumption, not counting the water used in electricity generation.
The full lifecycle water footprint, including off-site electricity generation, reaches 5.4 million litres. And ongoing usage continues: ChatGPT requires roughly 500 millilitres of water for a short conversation of 20 to 50 questions and answers. Multiply that by millions of users asking questions continuously, and the water consumption becomes staggering.
In drought-prone regions, this is creating direct conflicts. Data centres competing with agriculture and municipal water supplies. In some regions, AI training is literally taking water from crops during droughts. This isn't a future problem. It's happening now. And as AI deployments scale, it's getting worse.
The Efficiency Illusion and Jevons Paradox
Tekoälyala rakastaa puhua tehokkuusparannuksista. Jokaisen konferenssin avauspuheenvuorossa on kalvo: "Uudet sirut ovat 10× tehokkaampia!" "Paremmat algoritmit vähentävät energiankulutusta 50%!" "Palvelinkeskuksemme käyttävät 100% uusiutuvaa energiaa!"
Kaikki totta. Kaikki teknisesti vaikuttavaa. Kaikki täysin merkityksetöntä varsinaisen ongelman kannalta.
Sillä tehokkuusparannukset kuluvat välittömästi mittakaavan kasvuun. Tämä on Jevonsin paradoksi käytännössä, ja taloustieteilijät ovat varoittaneet siitä vuodesta 1865, jolloin William Stanley Jevons havaitsi, että hiilen käytön tehostuminen höyrykoneissa johti kokonaishiilenkulutuksen kasvuun, ei vähenemiseen.
Microsoftin toimitusjohtaja Satya Nadella twiittasi kirjaimellisesti "Jevonsin paradoksi iskee jälleen!", kun DeepSeek julkaisi tehokkaan ja edullisen tekoälymallinsa. Hän ymmärsi tarkalleen, mitä tapahtuisi: halvemmat kustannukset tarkoittavat enemmän käyttöä, mikä johtaa suurempaan kokonaiskulutukseen. Ja hän oli oikeassa.
Kyllä, uudemmat sirut tekevät enemmän laskentaa wattia kohden. Mutta mallit kasvavat vielä nopeammin. Kyllä, paremmat algoritmit vähentävät koulutusaikaa. Mutta koulutamme enemmän malleja, useammin, useammilla parametreilla, koska meillä on nyt siihen varaa. Kokonaisenergiankulutus ei ole vähenemässä. Se kiihtyy. 10× tehokkuusparannus tarkoittaa vain sitä, että voimme kouluttaa 10× suuremman mallin samalla energiakustannuksella. Joten teemme niin. Ja kokonaiskulutus nousee.
NVIDIA väittää Blackwellin olevan 100 000× energiatehokkaampi päättelyssä kuin vuosikymmenen takaiset sirut. Upeaa insinöörityötä. Mutta tekoälyn kokonaisenergiankulutus on räjähtänyt samalla ajanjaksolla, koska tehokkuusparannukset mahdollistivat käyttöönoton mittakaavassa, joka oli aiemmin taloudellisesti mahdotonta.
Liukulukufantasioiden todellinen hinta
Miksi tekoäly kuluttaa niin paljon energiaa? Vastaus on matematiikassa, ja se on yksinkertaisempi kuin luulisi.
Liukulukuaritmetiikka, nykyaikaisten neuroverkkojen perusta, on laskennallisesti kallista. Jokainen kertolasku vaatii merkittävästi piirejä, merkittävästi piipinta-alaa, merkittävästi tehoa. Ja neuroverkot ovat miljardeja ja miljardeja liukulukuoperaatioita, toistettuna miljoonia kertoja sekunnissa.
Pahempaa: käytämme äärimmäistä tarkkuutta siellä, missä sitä ei aidosti tarvita. 32-bittisiä liukulukuja. 16-bittisiä liukulukuja. Jopa 8-bittisiä liukulukuja. Kaikki tämä tarkkuus, kaikki tämä laskennallinen ylimäärä, kaikki tämä energia, tekemään päätöksiä, jotka ovat lopulta binäärisiä. Kyllä tai ei. Kissa tai koira. Roskaposti tai ei. Hyväksy tai hylkää.
Se on kuin käyttäisi supertietokonetta kolikon heittämiseen. Tulos on kruuna tai klaava, mutta poltamme megawatteja laskeaksemme todennäköisyyksiä kuuteentoista desimaaliin. Tarkkuus on matemaattisesti kaunista. Se on myös termodynaamisesti järjetöntä.
Tämä ei ole optimointia. Tämä on tuhlausta välttämättömyydeksi naamioituna, puolustettuna "näin meillä on aina tehty" -inertian ja miljardien eurojen uponneiden kustannusten voimalla, jotka on sijoitettu nimenomaan liukulukuoperaatioihin suunniteltuun GPU-infrastruktuuriin.
Binäärinen vaihtoehto, joka todella toimii
Mikä siis on ratkaisu? Miten rakennamme tekoälyä muuttamatta palvelinkeskuksia ilmastokatastrofeiksi?
Dwevellä aloitimme kyseenalaistamalla perusoletuksen. Tarvitseeko tekoäly todella liukulukuaritmetiikkaa? Tarvitseeko se todella näin paljon energiaa? Onko olemassa erilaista matemaattista perustaa, joka saavuttaa saman älykkyyden dramaattisesti pienemmällä laskennallisella ylimäärällä?
Binääriset neuroverkot antavat selkeän, empiirisesti testatun vastauksen: ei, tekoäly ei tarvitse liukulukuaritmetiikkaa. Ei edes lähellekään.
Poistamalla liukulukuoperaatiot kokonaan ja käyttämällä yksinkertaista binäärilogiikkaa energiankulutus laskee 96 prosenttia. Ei marginaalisten optimointien tai ovelan välimuistin avulla, vaan matematiikan perusteellisen uudelleensuunnittelun kautta. Laskennalliset säästöt syntyvät, kun monimutkaiset liukulukujen kertolasku-yhteenlaskuoperaatiot korvataan yksinkertaisilla binäärisillä AND- ja XNOR-operaatioilla, jotka vaativat suuruusluokkia vähemmän energiaa.
Se 1 200 watin Blackwell-kiihdytin? Korvaa se 50 watin suorittimella, joka ajaa binäärioperaatioita. Sama älykkyys. Samat ominaisuudet. 24 kertaa vähemmän tehoa. Tai vielä parempi: ota käyttöön FPGA-piirit, jotka on erikoistuneesti optimoitu binäärioperaatioihin, ja saavuta 136 kertaa parempi energiatehokkuus kuin perinteisillä GPU-ratkaisuilla.
Se 250 kilowatin palvelinteline, joka kuluttaa yhtä paljon tehoa kuin kokonainen asuinalue? Se putoaa 10 kilowattiin. Se valtava datakeskus, joka kuluttaa kokonaisen kaupungin verran sähköä? Se kutistuu suuren toimistorakennuksen tehonkulutukseen. Infrastruktuurivaatimukset pienenevät samassa suhteessa. Ei eksoottisia nestemäisjäähdytyksiä. Ei omia sähköasemia. Ei sähköverkon päivityksiä.
Matematiikka on yksinkertaista: binäärioperaatiot kuluttavat suuruusluokkia vähemmän energiaa kuin liukulukuoperaatiot. Infrastruktuurin tehokkuushyödyt seuraavat luonnollisesti. Ilmastovaikutus pienenee samassa suhteessa. Ja tulokset? Vastaava tai parempi tarkkuus todellisissa tehtävissä, koska binääriset neuroverkot pystyvät itse asiassa havaitsemaan rakenteellisia yhteyksiä, jotka jäävät liukulukuverkoilta huomaamatta.
Tehokkuuden tuolle puolen: erilainen paradigma eurooppalaiselle tekoälylle
Binaariset neuroverkot eivät ole vain tehokkaampia. Ne edustavat pohjimmiltaan erilaista lähestymistapaa älykkyyteen, joka sopii luontevasti yhteen eurooppalaisten kestävyyden, läpinäkyvyyden ja teknologisen suvereniteetin arvojen kanssa.
Sen sijaan, että päätöksiä approksimoitaisiin jatkuvalla matematiikalla ja massiivisella laskennalla, ne käyttävät suoraan diskreettiä logiikkaa. Sen sijaan, että energiaa palaisi numeerisen epävakauden voittamiseen gradienttilaskussa, ne rakentuvat vakaalle binaariselle pohjalle. Sen sijaan, että tarvittaisiin kalliita, ulkomailla valmistettuja omia GPU-kortteja, ne toimivat tehokkaasti tavallisilla suorittimilla ja ne voidaan ottaa käyttöön eurooppalaisvalmisteisilla FPGA-piireillä.
Tuloksena on tekoälyä, joka toimii fysiikan kanssa eikä sitä vastaan. Laskentaa, joka ei vaadi eksoottisia jäähdytysjärjestelmiä. Infrastruktuuria, joka ei vaadi omaa voimalaitosta. Ja Euroopalle ratkaisevan tärkeää: teknologinen lähestymistapa, joka ei sido sinua Kaliforniassa toimivan NVIDIA:n tai muiden eurooppalaisten ulkopuolisten laitevalmistajien varaan.
Saksalaiset Black Forest Labs, ranskalainen Mistral AI ja saksalainen Aleph Alpha rakentavat vaikuttavia tekoälyominaisuuksia, mutta ne ovat edelleen pohjimmiltaan riippuvaisia perinteisistä liukulukuaritmetiikkaan perustuvista arkkitehtuureista ja GPU-toimitusketjusta. Binaariset neuroverkot tarjoavat tien aitoon eurooppalaiseen tekoälysuvereniteettiin, ja ne toimivat laitteistolla, jota voidaan valmistaa Euroopassa prosesseilla, jotka ovat linjassa Euroopan ilmastositoumusten kanssa.
Näin Eurooppa voi saada molemmat: tekoälyn kehityksen ja ilmastotavoitteet. Ei tekemällä nykyisestä lähestymistavasta hieman vihreämpää uusiutuvan energian hankinnoilla ja hiilipäästökompensaatioilla, vaan käyttämällä matematiikkaa, joka ei vaadi planeetan mittakaavan energiankulutusta alun perinkään. Euroopan tekoälyasetus tunnustaa tämän jo nyt, sillä se edellyttää energiankulutuksen ilmoittamista ja kannustaa vapaaehtoisiin ympäristön kestävyyttä koskeviin käytännesääntöihin. Binaariset lähestymistavat muuttavat nämä tavoitteelliset päämäärät saavutetuksi todellisuudeksi.
Valinta, jonka teemme juuri nyt
Digitaalinen energiakriisi ei ole väistämätön. Se on valinta. Valinta, jonka teemme juuri nyt jokaisessa GPU-tilauksessa, jokaisessa datakeskuksen rakennussopimuksessa, jokaisessa mallin koulutusajossa.
Se on valinta jatkaa liukulukuaritmetiikan käyttöä, koska se on tuttua, koska työkalut ovat olemassa, koska kokonaisen toimialan uudelleenkouluttaminen on vaikeaa. Valinta hyväksyä eksponentiaalinen energiankasvu, koska neljännesvuositulokset näyttävät hyviltä ja pääomasijoittajat ovat innoissaan. Valinta polttaa enemmän sähköä yhden mallin kouluttamiseen kuin pikkukaupunki kuluttaa vuodessa, koska voimme ja koska joku muu maksaa ilmastokustannuksen.
Mutta voisimme valita toisin. Euroopalla on itse asiassa ainutlaatuinen asema johtaa tätä valintaa.
Voisimme valita matematiikan, joka ei tuhlaa 96 % energiastaan tarpeettomaan tarkkuuteen. Voisimme valita algoritmeja, jotka toimivat tehokkaasti tavallisilla laitteistoilla sen sijaan, että ne vaatisivat erikoistuneita kiihdyttimiä. Voisimme valita arkkitehtuureja, jotka kunnioittavat fyysisiä ja ympäristöllisiä rajoja sen sijaan, että ne olettaisivat rajattoman energian saatavuuden. Voisimme valita lähestymistapoja, jotka ovat linjassa Euroopan vihreän kehityksen ohjelman kanssa sen sijaan, että ne suoraan heikentäisivät sitä.
Keinoälybuumin ei tarvitse muuttua energiakriisiksi. Binääriset neuroverkot osoittavat, että on olemassa toinen tie. Sellainen, joka tuottaa älykkyyttä ilman ilmastokustannuksia. Sellainen, joka toimii uusiutuvan energian rajoitusten puitteissa sen sijaan, että ylittäisi ne. Sellainen, joka kohtelee tehokkuutta perustavanlaatuisena ominaisuutena, ei jälkikäteisajatuksena kestävyysraportteihin.
Irlannin ei tarvitse valita datakeskusten taloudellisen kehityksen ja kotitalouksien riittävän sähkön välillä. Amsterdamin ei tarvitse asettaa rakentamiskieltoja. Dublinin ei tarvitse katsoa, kuinka datakeskukset kuluttavat lähes puolet kaupungin sähköstä samalla kun asukkaat kohtaavat nousevat energiakustannukset.
Euroopan vihreän kehityksen ohjelma ja keinoälyn kehitys eivät ole yhteensopimattomia. Mutta vain jos olemme valmiita kyseenalaistamaan perustavanlaatuisia oletuksia ja rakentamaan keinoälyä, joka on todella järkevää matemaattisesti, fyysisesti ja taloudellisesti. Nykyinen kehityskulku johtaa 945 TWh:n kulutukseen vuoteen 2030 mennessä, 3 %:iin maailman sähköstä, tuhansiin tonneihin CO2-päästöjä mallia kohden, miljooniin litroihin vedenkulutusta ja mahdottomaan valintaan ilmastotavoitteiden ja teknologisen kehityksen välillä.
Vaihtoehto on olemassa jo tänään. Binääriset neuroverkot, jotka toimivat tavallisilla suorittimilla ja tehokkailla FPGA-piireillä. Laskenta, joka käyttää 96 % vähemmän energiaa. Kestävä keinoäly, joka ei vaadi valintaa kehityksen ja planeetan välillä. Läpinäkyvät algoritmit, joita eurooppalaiset voivat todella ymmärtää ja varmentaa, eivätkä ulkomaisten yritysten hallitsemat mustat laatikot liukulukupainotuksineen.
Ainoa kysymys on, tartummeko siihen ennen kuin olemme kuluttaneet niin paljon energiaa, käyttäneet niin paljon vettä ja rakentaneet niin paljon tehotonta infrastruktuuria, ettei meillä ole enää valinnanvaraa. Ikkuna on sulkeutumassa. Mutta se on vielä auki.
Haluatko keinoälyä, joka ei tarvitse omaa voimalaitostaan? Dweve Core, diskreetin laskennan viitekehyksemme, joka yhdistää binääriset neuroverkot, rajoitteisiin perustuvat järjestelmät ja piikkipohjaisen laskennan ja joka käyttää Dweve Loomia, tuottaa 96 % pienemmän energiankulutuksen sekä harjoituksessa että päättelyssä tavallisella laitteistolla. Ei omia kiihdyttimiä. Ei erikoisjäähdytystä. Ei kompromisseja suorituskyvyssä. Kestävän eurooppalaisen keinoälyn tulevaisuus on tehokas, läpinäkyvä ja saatavilla jo tänään.