Euroopan tekoälyn panttivankikriisi: GPU-ansan sisällä
Myöhäisillan pilvilasku
Kuvittele tämä: pyörität startupia Amsterdamissa, Berliinissä tai Barcelonassa. On myöhä ilta. Tiimisi on juuri julkaissut uuden tekoälyominaisuuden, jota asiakkaat oikeasti rakastavat. Kaikki toimii. Kaikki kasvaa.
Sitten tarkistat pilvilaskusi.
Infrastruktuurikulusi ovat juuri kolminkertaistuneet. Et siksi, että olisit tehnyt virheen. Et siksi, että sinut olisi hakkerointiuhri. Vaan siksi, että pilvipalveluntarjoajasi päätti, että GPU-hinnat nousevat. Jälleen. Etkä voi asialle mitään, koska vaihtoehtojasi on tasan yksi: maksat tai lopetat.
Tervetuloa infrastruktuuriloukkuun, josta kukaan ei varoittanut sinua, kun aloitit rakentamaan tekoälyn kanssa. Loukkuun, joka maksaa eurooppalaisille yrityksille 35 miljardia euroa vuodessa tekoälyinfrastruktuuriin. Loukkuun, joka rakentui täysin vahingossa pelipiirien varaan, joita ei koskaan ollut tarkoitettu sivilisaation laajuisen tekoälyn pyörittämiseen.
Tämä on tarina siitä, miten tähän päädyimme. Ja mikä tärkeämpää, siitä, miten voisimme vihdoin päästä ulos.
Vahinko, josta tuli imperiumi
30. syyskuuta 2012. Vanhempiensa talon makuuhuoneessa Torontossa Alex Krizhevsky ajaa viimeistä harjoitusajoa. Hänen tiiminsä SuperVision, jonka hän rakensi tohtoriopiskelijakollegansa Ilya Sutskeverin ja ohjaajansa Geoffrey Hintonin kanssa, on jättämässä kilpailuehdotustaan ImageNet-kilpailuun.
He ovat tehneet jotakin epätavanomaista: he kouluttavat syvää neuroverkkoa kahdella NVIDIA GTX 580 -näytönohjaimella. Pelilaitteistolla. Sellaista, jolla renderöisit räjähdyksiä Call of Dutyyn, saisit lohikäärmeet syöksemään realistista tulta ja laskisit vedenheijastuksia fantasiamaailmoissa.
Se on oikeastaan hakkerointi. He tarvitsivat enemmän laskentatehoa kuin suorittimet pystyivät tarjoamaan, ja nämä 500 euron pelinäytönohjaimet sattuivat toimimaan. Kukaan ei usko tämän olevan tekoälyn tulevaisuus. Se on vain sitä, mitä on saatavilla juuri nyt, tällä hetkellä, jatko-opiskelijaprojektia varten.
Heidän mallinsa AlexNet ei vain voita ImageNet-kilpailua. Se murskaa kaikki aiemmat yritykset. Aiempien vuosien voittajat pääsivät 26,2 prosentin virhetasoon. AlexNet yltää 15,3 prosenttiin. Se ei ole asteittaista parannusta. Se on vallankumous, jonka näkee avaruuteen asti.
Ja aivan näin, täysin vahingossa, näytönohjaimista tuli tekoälyn perusta. Pelilaitteistosta tuli 2000-luvun tärkeimmän teknologian selkäranka. Siitä, mitä kaikki pitivät väliaikaisena kiertotienä, tuli pysyvää infrastruktuuria.
Kolmetoista vuotta myöhemmin tuo vahinko on levittäytynyt joksikin, jota kukaan ei osannut ennakoida: 35 miljardin euron vuotuiseksi riippuvuudeksi. Strategiseksi haavoittuvuudeksi. Teknologiseksi yksipuolisuudeksi. Kultaiseksi häkiksi, joka on vanginnut koko maailman tekoälyekosysteemin, ja Euroopan kaikkein ankarimmin.
Miksi pelipiirit sattuivat toimimaan
Tehdään täysin selväksi, mitä tässä oikeasti tapahtui. GPU-piirejä ei koskaan suunniteltu tekoälyä varten. Ne suunniteltiin renderöimään realistista vettä videopeleihin, saamaan varjot näyttämään uskottavilta ja laskemaan valotehosteita 3D-ympäristöissä 60 ruudun sekuntinopeudella.
Niissä oli kuitenkin yksi arkkitehtoninen ominaisuus, joka osoittautui onnekkaaksi neuroverkoille: massiivinen rinnakkaisuus. Siinä missä CPU:ssa voi olla 8 tai 16 ydintä suorittamassa monimutkaisia operaatioita peräkkäin, GPU:ssa on tuhansia yksinkertaisempia ytimiä, jotka suorittavat samaa käskyä samanaikaisesti.
Neuroverkot ovat osoittautuneet enimmäkseen matriisikertolaskuiksi. Sama matemaattinen operaatio toistettuna miljoonia kertoja. Nolostuttavan rinnakkaista, kuten tietojenkäsittelytieteilijät sanovat. Sellainen ongelma, jossa työn voi jakaa tuhansille yksinkertaisille prosessoreille ja saada dramaattisia nopeushyötyjä.
Kyse oli täysin sattumasta syntyneestä yhteensopivuudesta. Kuin huomaisi, että keittiötehosekoittimesta saa erinomaisen maalinsekoittimen. Toki se toimii. Se on nopeampaa kuin käsin sekoittaminen. Mutta kukaan ei suunnitellut sitä siihen tarkoitukseen. Kukaan ei optimoinut sitä siihen käyttötarkoitukseen. Sillä vain sattuu olemaan oikeat ominaisuudet.
Torontolainen tiimi tarvitsi mahdollisuuden kouluttaa suurempia verkkoja. CPU:t olivat jäätävän hitaita, ja niillä meni viikkoja sellaiseen, mihin GPU:illa meni päiviä. He etsivät vaihtoehtoja ja löysivät NVIDIA:n CUDA-alustan, ohjelmointikehyksen, jonka avulla grafiikkakortit pystyi valjastamaan yleislaskentaan.
Se ei ollut optimoitu neuroverkkoja varten. Se ei ollut edes erityisen hyvin soveltuva. Mutta se oli 10 kertaa nopeampi kuin CPU:t, ja kun tekee kokeita yliopistolaboratoriossa niukalla budjetilla, se on enemmän kuin tarpeeksi.
Riittävän hyvästä tuli kultainen standardi. Väliaikaisesta ratkaisusta kovettui pysyvä infrastruktuuri. Hakkerointiratkaisusta tuli koko toimiala. Ja tässä on todella merkittävä osuus: kaikki tiesivät sen olevan hakkerointiratkaisu. Vuonna 2012 tutkijat puhuivat GPU:ista kätevänä kiihdytysmenetelmänä, väliaikaisena ratkaisuna siihen asti, kunnes jotain parempaa tulisi tilalle.
Kukaan ei kuvitellut, että käyttäisimme edelleen pelilaitteistoa huipputason tekoälyssä vuonna 2025. Kukaan ei ennustanut, että tästä tulisi pullonkaula, joka rajoittaa koko toimialaa. Silti tässä me olemme, kouluttamassa biljoonan parametrin malleja laitteistolla, joka on alun perin suunniteltu renderöimään Minecraft-lohkoja.
Näin NVIDIA rakensi murtumattoman vallihaudan
NVIDIA näki mahdollisuuden ennen muita. Kun tutkijat pitivät GPU:ita kätevänä keinona nopeuttaa kokeitaan, NVIDIA rakensi imperiumia mestaristrategin kärsivällisyydellä ja ennakkoluuloisuudella.
CUDA kehittyi yksinkertaisesta ohjelmointikehyksestä kattavaksi ekosysteemiksi. Kirjastoja joka kuviteltavissa olevaan toimintoon. Optimointityökaluja. Profilointijärjestelmiä. Debuggausinfrastruktuuria. Laajat dokumentaatiot. Koulutusohjelmia, jotka opettavat yliopisto-opiskelijoita. Kehittäjäevankelismia. Konferenssisponsorointeja. Tutkimusapurahoja.
Yli vuosikymmenen aikana on investoitu miljardeja siihen, että CUDAsta on tehty paitsi toimiva, myös korvaamaton. Paitsi nopea, myös korvaamaton.
Jokainen merkittävä tekoälykehys rakensi perustansa CUDA:n varaan. PyTorch puhuu CUDAa natiivisti. TensorFlow kääntyy CUDA:lle. JAX olettaa CUDA:n olevan saatavilla. Jos haluat kouluttaa neuroverkon kilpailukykyisellä nopeudella, kirjoitat koodia, joka toimii CUDA:lla. Jos haluat optimoida suorituskykyä, käytät CUDA-kirjastoja. Jos haluat ottaa käyttöön mittakaavassa, tarvitset CUDA-yhteensopivaa laitteistoa.
Ja CUDA toimii vain NVIDIA:n GPU:illa. Se ei ole sattumaa. Se ei ole huolimattomuutta. Se on strategiaa, jota on toteutettu kirurgisella tarkkuudella viidentoista vuoden ajan.
Se on yksi historian menestyneimmistä toimittajalukituksista. Sitä ei ole saavutettu oikeudellisin rajoituksin tai kilpailunvastaisella käytöksellä, johon sääntelijät olisivat voineet puuttua, vaan hellittämättömällä ja kärsivällisellä ekosysteemin rakentamisella. Siihen mennessä, kun ala tajusi mitä oli tapahtumassa, oli jo aivan liian myöhäistä. Koko tekoälypino oli rakennettu NVIDIA:n omistetun perustan varaan, yksi päätös kerrallaan, yksi kirjasto kerrallaan, yksi optimointi kerrallaan.
Tänään NVIDIA hallitsee 92 prosenttia tekoälykiihdyttimien markkinoista. Ei 60 prosenttia. Ei 75 prosenttia. Yhdeksänkymmentäkaksi prosenttia. Jotkut analyytikot arvioivat koulutusmarkkinoiden osuudeksi 98 prosenttia. Lue nuo luvut uudelleen. Tämä ei ole kilpailulliset markkinat. Se on monopoli, jolla on tekninen viikunanlehti.
The €35 Billion Annual Stranglehold
Let's talk about what this monopoly actually means in concrete terms, particularly for European companies trying to build AI products.
A single NVIDIA H100 GPU costs between €23,000 and €37,000. That's for one chip. Training a modern large language model requires thousands of these GPUs running continuously for weeks or months. The compute cost alone can reach tens of millions of euros. And that's just one training run. Most models require dozens of iterations before they work acceptably.
NVIDIA's latest Blackwell architecture consumes up to 1,200 watts per chip. That's more power than a high-end space heater. It delivers approximately 2.5 times faster AI training compared to the previous H100 generation. Impressive engineering, certainly.
But it also costs more, requires liquid cooling infrastructure that most data centers don't have, and you have absolutely no choice but to buy it if you want to remain competitive. Because everyone else is buying it. Because CUDA only runs on it. Because the ecosystem doesn't exist anywhere else.
The entire system is predicated on a simple reality: if you want to build state-of-the-art AI, you need NVIDIA GPUs. And if you're based in Europe, you're at a structural disadvantage from day one.
American cloud providers like AWS, Microsoft Azure, and Google Cloud invest over €37 billion every quarter in GPU infrastructure. Every. Single. Quarter. They control 70% of the European cloud market. European providers hold just 15% of their home market, down from 29% in 2017.
Yritykset kuten SAP ja Deutsche Telekom hallitsevat kumpikin vain 2 prosentin markkinaosuutta eurooppalaisessa pilvipalvelussa. Eurooppalaiset pilvipalveluntarjoajat kuten OVHcloud, Scaleway ja Hetzner palvelevat erikoismarkkinoita, eivätkä pysty vastaamaan amerikkalaisten hyperskaalapalveluiden mittakaavaan. Ne eivät saa GPU:ita kilpailukykyiseen hintaan. Ne eivät pysty tarjoamaan samaa suorituskykyä. Ne eivät pysty kilpailemaan.
Kyse ei ole siitä, että eurooppalaisilta yrityksiltä puuttuisi teknistä osaamista tai kunnianhimoa. Niiltä puuttuu GPU-pääsy kilpailukykyiseen hintaan ja mittakaavassa. Ne eivät ole vain jäljessä kilpailussa. Ne juoksevat aivan eri radalla, ja rakenteelliset esteet ovat sellaisia, että miljardien investoinnitkaan tuskin niitä kaatavat.
Euroopan tekoäly-startupit pelaavat peliä, jota ei voi voittaa
Mieti, mitä eurooppalaisille tekoälyyrityksille tapahtuu juuri nyt, reaaliajassa, kun ne yrittävät kilpailla.
Mistral AI, Ranskan lupaavin tekoäly-startup, keräsi 468 miljoonaa euroa rahoitusta. Se on oikeaa rahaa. Se tekee siitä yhden Euroopan parhaiten rahoitetuista tekoälyyrityksistä. Jopa tällä sotakassalla sen oli ilmoitettava strategisesta suvereenin tekoälyn infrastruktuurikumppanuudesta NVIDIA:n kanssa VivaTech 2025 -tapahtumassa vain varmistaakseen GPU-pääsyn.
Lue tuo uudelleen. Lähes puoli miljardia euroa rahoitusta, ja niiden oli silti kumppanoiduttava NVIDIA:n kanssa vain saadakseen siruja. Se ei ole strateginen valinta. Se on välttämättömyys, joka on puettu kumppanuudeksi.
Aleph Alpha, Saksan vastaus OpenAI:lle, kääntyi vuoden 2024 lopulla perusmallien rakentamisesta kohti yritysten auttamista tekoälyn käyttöönotossa. Miksi? Kuten perustaja Jonas Andrulis myönsi, LLM:ien rakentaminen osoittautui liian vaikeaksi ja kalliiksi alalla, jota hallitsevat syvätaskuiset teknologiajätit.
Toisin sanoen: ne eivät saaneet GPU-pääsyä siinä mittakaavassa, jota kilpaileminen edellyttää. Ne eivät pystyneet vastaamaan amerikkalaisten yritysten infrastruktuuri-investointeihin. Niinpä ne kääntyivät liiketoimintamalliin, joka ei edellytä kilpailemista perusmallien koulutuksessa. Se ei ole strategiaa. Se on antautumista.
Eurooppalaiset tekoälyyritykset ovat saaneet kymmenen kertaa vähemmän rahoitusta kuin amerikkalaiset vastineensa. Mutta vaikka rahoitus olisi yhtäläinen, GPU-pullonkaula jäisi. NVIDIA priorisoi suurimpia asiakkaitaan: amerikkalaisia pilvipalveluntarjoajia ja teknologiayrityksiä. Eurooppalaiset startupit jonottavat rippeitä ja maksavat palkkiohintoja siitä allokaatiosta, jonka onnistuvat saamaan.
EU on vastannut InvestAI-aloitteella, joka mobilisoi 200 miljardia euroa tekoälyinvestointeihin. Helmikuussa 2025 Brookfield Infrastructure ja Data4 ilmoittivat 19,2 miljardin euron tekoälyinfrastruktuuri-investoinneista pelkästään Ranskaan. Joulukuussa 2024 EuroHPC JU valitsi seitsemän konsortiota perustamaan ensimmäiset tekoälytehtaat Suomeen, Saksaan, Kreikkaan, Italiaan, Luxemburgiin, Espanjaan ja Ruotsiin.
Nämä ovat valtavia investointeja. Todellisia sitoumuksia. Mutta ensimmäiset gigatehtaat eivät ole toiminnassa aikaisintaan ennen vuotta 2027. Ja kaikki ne, aivan jokainen, toimivat NVIDIA:n GPU:illa. Eurooppa käyttää satoja miljardeja euroja paetakseen riippuvuutta amerikkalaisista pilvipalveluntarjoajista, vain syventääkseen riippuvuuttaan amerikkalaisesta laitteistosta.
Näet ongelman.
Ekosysteemiloukku: miksi pako on lähes mahdotonta
Tässä syy, miksi lukkiutuminen on niin salakavalaa, vaikka kaikki tunnistavat sen ratkaistavaksi ongelmaksi.
Kuvittele, että olet tutkimuslaboratorio Münchenin teknillisessä yliopistossa. Olet käyttänyt NVIDIA:n GPU:ita viisi vuotta. Koko koodipohjasi on optimoitu CUDA:lle. Tutkijoillasi on CUDA-osaamista. Infrastruktuurisi olettaa CUDA:n. Käyttöönottoputkistosi ovat riippuvaisia CUDA:sta. Olet sijoittanut miljoonia euroja ja lukemattomia henkilötyövuosia tähän ekosysteemiin.
Nyt joku tarjoaa sinulle vaihtoehdon. Ehkä AMD:n ROCm-alustan. Ehkä Googlen TPU:t. Ehkä lupaavan eurooppalaisen startupin räätälöidyn tekoälykiihdyttimen.
Vaihtaaksesi sinun on kirjoitettava koko koodikantasi uudelleen uutta alustaa varten, prosessi joka kestää kuukausia tai vuosia. Koulutettava tiimisi uudelleen uusiin työkaluihin, viitekehyksiin ja optimointitekniikoihin. Optimoitava kaikki mallisi uudelleen eri laitteistoarkkitehtuureja varten. Hyväksyttävä, että 80 prosenttia avoimen lähdekoodin tekoälykirjastoista ei toimi ilman merkittäviä muutoksia. Otettava riski siitä, että vaihtoehdolta puuttuu pysyvyys ja toimittajatuki. Toivottava, että suorituskyky vastaa tai ylittää sen mitä sinulla oli, vaikka tiedät ettei se todennäköisesti yllä siihen. Rukoiltava, ettet ole juuri siirtynyt suljetusta ekosysteemistä toiseen, yhtä lukittuun mutta vähemmän resurssein varustettuun.
Vaihtamisen kustannukset ovat tähtitieteelliset. Riskit ovat valtavat. Hyödyt ovat epävarmat. Useimmille organisaatioille se on mahdoton yhtälö. Parempi pysyä tutussa pahassa, vaikka se paha olisi kallis, ulkomaalaisomistuksessa ja strategisesti riskialtis.
Teknologiajätit kuten Microsoft, Meta ja Google ovat sijoittaneet kymmeniä miljardeja CUDA-pohjaisiin datakeskuksiin. Tämä infrastruktuuri ei edusta pelkkiä uppoaneita kustannuksia. Se edustaa heidän koko tekoälystrategiansa perustaa. Heidän osaajansa on koulutettu CUDAan. Heidän koodinsa olettaa CUDAa. Heidän käyttöönottotyökalunsa odottavat CUDAa. Heidän kilpailuetunsa riippuu CUDA-osaamisesta.
Tätä taloustieteilijät kutsuvat korkeiksi vaihtokustannuksiksi verkostovaikutuksineen. Kun teknologia saavuttaa kriittisen massan, sen syrjäyttämisestä tulee lähes mahdotonta, vaikka parempia vaihtoehtoja olisi olemassa. Vaikka kaikilla menisi paremmin vaihtamisen jälkeen. Vaikka nykyinen ratkaisu olisi epäoptimaalinen, kallis ja strategisesti vaarallinen.
NVIDIA ei rakentanut vain erinomaista laitteistoa. Se rakensi häkin kultaisista tangoista, ja koko tekoälyteollisuus käveli sinne vapaaehtoisesti, yksi tarkoituksenmukainen päätös kerrallaan, huomaamatta että ovi sulkeutui heidän takanaan.
Innovaatioiden pullonkaula josta kukaan ei puhu
Pahin seuraus ei ole kustannus eikä edes toimittajariippuvuus. Se on se mitä GPU-valta-asema tekee innovaatiolle itselleen, koko sille mahdollisuuksien avaruudelle mitä tekoäly voisi olla.
Kun yksi teknologia saavuttaa lähes täydellisen markkinavallan, innovaatiot virtaavat sen teknologian marginaaliseen parantamiseen sen sijaan että tutkittaisiin perustavanlaatuisesti erilaisia lähestymistapoja. NVIDIA julkaisee uusia GPU-sukupolvia marginaalisin parannuksin. Tutkijat optimoivat koodia NVIDIA-arkkitehtuureille. Viitekehyskehittäjät lisäävät CUDA-ominaisuuksia. Kaikki juoksevat nopeammin samalla juoksumatolla.
Samaan aikaan radikaalisti erilaiset tekoälyn lähestymistavat kärsivät resurssien, huomion ja osaajien puutteesta. Miksi sijoittaa neuromorfiseen laskentaan kun kaikki käyttävät GPUita? Miksi tutkia rajoitteisiin perustuvaa päättelyä kun neuroverkot toimivat riittävän hyvin? Miksi kehittää binääriverkkoja kun liukuluku on vakiintunut standardi? Miksi tavoitella analogialaskentaa, fotoniikkaprosessointia tai mitään muuta vaihtoehtoista arkkitehtuuria?
Vastaus on karun yksinkertainen: et voi kilpailla. Ekosysteemiä ei ole olemassa. Työkaluja ei ole. Infrastruktuuria ei ole saatavilla. Osaajat ovat oppineet CUDAa eivätkä halua aloittaa alusta. Sijoittajat rahoittavat GPU-pohjaisia lähestymistapoja, koska niillä on osoitettu vetovoima, koska he ymmärtävät markkinan, koska vaihtoehdot ovat liian riskialttiita.
Se on itseään vahvistava kierre joka kaventaa mahdollisuuksien avaruutta jokaisella iteraatiolla. GPU-valta-asema luo ekosysteemietuja. Ekosysteemiedut houkuttelevat investointeja. Investoinnit vahvistavat GPU-valta-asemaa. Vaihtoehtoisten lähestymistapojen on vaikea edes päästä alkuun, puhumattakaan että ne saavuttaisivat mittakaavan joka tarvitaan elinkelpoisuuden osoittamiseen.
Emme enää tutki kaikkia mahdollisia tekoälyarkkitehtuureja. Tutkimme paljon kapeampaa avaruutta siitä mikä toimii tehokkaasti NVIDIA-GPUilla. Se on syvä innovaation rajoite joka kasvaa ajan myötä. Joka vuosi häkki pienenee, seinät paksunevat, uloskäynti etääntyy. Joka vuosi investoimme enemmän väärän asian optimointiin.
Digitaalinen kolonialismi: Euroopan strateginen kriisi
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 tässä on se osa, jonka pitäisi pysäyttää jokainen: suurin osa tuosta laskennasta on pohjimmiltaan hukkaan heitettyä. GPU:t suorittavat liukulukuoperaatioita äärimmäisellä tarkkuudella, vaikka lopullinen päätös on binäärinen. Ne suorittavat massiivisia matriisikertolaskuja, vaikka yksinkertaisemmat operaatiot riittäisivät. Ne kuluttavat energiaa, ei siksi että se olisi välttämätöntä älykkyydelle, vaan koska GPU-laitteisto toimii niin. Koska se on ainoa tapa, jolla osaamme tehdä sen mittakaavassa niillä työkaluilla, joihin olemme investoineet.
Olemme optimoineet aivan väärän mittarin. Emme sitä, mikä on paras tapa tehdä tekoälyä, vaan sitä, mikä on nopein tapa tehdä se GPU:lla. Se on kuin suunnittelisi lentokoneita saamalla linnut räpyttämään siipiään nopeammin sen sijaan, että ymmärtäisi aerodynaamisen nosteen perusperiaatteet. Se toimii, tavallaan, mutta ymmärrät koko asian aivan väärin.
Binäärinen läpimurto: pakokeino paradigmasta
Mikä siis on todellinen tie ulos tästä kultaisesta häkistä? Dwevellä kysyimme perustavanlaatuisesti erilaisen kysymyksen: entä jos emme tarvitsisi GPU:ita lainkaan? Entä jos koko liukulukulähestymistapa oli väärä polku alusta alkaen?
Neuroverkot vaativat GPU:ita, koska ne käyttävät liukulukuaritmetiikkaa. Liukulukuoperaatiot vaativat erikoistunutta laitteistoa hyväksyttävän suorituskyvyn saavuttamiseksi. Tämä arkkitehtoninen vaatimus luo GPU-riippuvuuden. Siksi olemme loukussa. Se on ketju, joka meidän on katkaistava.
Mutta binääriset neuroverkot poistavat liukulukuaritmetiikan kokonaan. Ne toimivat yksinkertaisilla loogisilla operaatioilla: AND, OR, XOR, XNOR. Sellaisilla operaatioilla, jotka jokainen moderni CPU pystyy suorittamaan tehokkaasti käyttämällä natiiveja käskykantoja, jotka ovat olleet olemassa vuosikymmeniä. Ei erikoistunutta laitteistoa. Ei GPU-riippuvuutta. Ei CUDA-lukkiutumista. Ei toimittajamonopolia.
Dweve Core toteuttaa tämän lähestymistavan 1 930 laitteisto-optimoidulla algoritmilla, jotka toimivat suoraan diskreetissä päätösavaruudessa. Binäärilaskenta, kolmilukulaskenta, matalabittinen laskenta. Kehys toimii tehokkaasti tavallisilla CPU:illa ja saavuttaa tuloksia, joiden pitäisi olla mahdottomia:
Tavalliset Intel Xeon -palvelimet ajavat suuria malleja kilpailukykyisillä nopeuksilla. Virrankulutus mitataan kymmenissä watteissa, ei sadoissa tai tuhansissa. Muistitarpeet pienenevät kertaluokalla. Päätelmänopeudet vastaavat tai ylittävät GPU-toteutukset monissa työkuormissa. Ja kaikki tämä toimii laitteistolla, jota on jo jokaisessa datakeskuksessa, jokaisella pilvipalveluntarjoajalla, jokaisessa reunalaitteessa.
Matematiikka on yksinkertaista. FP32-mallit tarvitsevat 4 tavua parametria kohden. Binäärimallit tarvitsevat 1 bitin parametria kohden. Se on 32-kertainen vähennys muistissa pelkästään kvantisoinnilla. Kun lisätään harvat aktivointikuviot, mallit mahtuvat järjestelmän keskusmuistiin sen sijaan, että ne vaatisivat kallista suuren kaistanleveyden muistia.
Binäärioperaatiot suoritetaan XNOR- ja POPCNT-käskyillä. Nämä ovat natiiveja CPU-käskyjä, osa x86-64- ja ARM-käskykantoja, optimoituja piitasolla. Ne ovat nopeita. Ne ovat tehokkaita. Ne ovat olleet siellä koko ajan. Meidän tarvitsi vain selvittää, miten niitä käytetään oikein.
Mitä binääriset verkot todella muuttavat
Tämä ei ole pieni parannus olemassa olevaan paradigmaan. Tämä on erilainen paradigma. Vaikutukset ulottuvat paljon pelkkiä suorituskykymittareita pidemmälle.
Dweve Loom osoittaa, mikä on mahdollista: 456 erikoisalueen järjestelmää toimii Mixture of Specialists -arkkitehtuurilla. Jokainen erikoisalueen asiantuntija on binääriverkko, joka on optimoitu omaan alueeseensa. Matematiikka. Tiede. Koodi. Kieli. Yhdessä ne saavuttavat paljon suurempien mallien syvyyden ja kyvykkyyden käyttäen vain murto-osan resursseista.
Reititys erikoisalueiden asiantuntijoiden välillä? Binäärioperaatioita. Erikoisalueen asiantuntijan aktivointi? Binääripäätöksiä. Lopullisen tuloksen yhdistäminen? Binäärilogiikkaa. Se on binääristä koko matkan, ja se toimii, koska älykkyys ilmenee viime kädessä diskreetteinä valintoina, ei jatkuvina todennäköisyyksinä, joita lasketaan tuhlailevalla tarkkuudella.
Tämä toimii tavallisella palvelimella. Ei GPU-klusterilla. Ei erikoistuneilla kiihdyttimillä. Palvelimella, jonka voit ostaa miltä tahansa laitevalmistajalta, asentaa mihin tahansa datakeskukseen ja ottaa käyttöön missä tahansa maassa. Virrankulutus mitataan sadoissa watteissa koko järjestelmälle, ei sirua kohden. Jäähdytysvaatimukset täyttyvät tavallisella ilmajäähdytyksellä, ei nestekierto järjestelmillä, joiden asentaminen maksaa miljoonia.
Vapautuminen: Euroopan tie eteenpäin
GPU-aikakausi on kestänyt paljon pidempään kuin sen olisi pitänyt. Se, mikä alkoi hätäratkaisuna jatko-opiskelijan makuuhuoneessa vuonna 2012, kasvoi koko toimialan laajuiseksi riippuvuudeksi. Siitä, minkä piti olla väliaikainen paikkaus, tuli pysyvä infrastruktuuri. Se, mikä olisi pitänyt korvata jo vuosia sitten, on sen sijaan kivettynyt monopoliksi.
Mutta halkeamat alkavat näkyä. Kustannukset ovat käymässä kestämättömiksi kaikille paitsi suurimmille teknologiayrityksille. Strategiset riskit ovat mahdottomia sivuuttaa mille tahansa hallitukselle, joka seuraa kehitystä. Innovaatioiden pullonkaula kuristaa vaihtoehtoisia lähestymistapoja, jotka saattaisivat olla parempia. Ympäristövaikutukset käyvät kestämättömiksi, kun rakennamme gigawatin mittakaavan voimalaitoksia pelkästään sirujen jäähdyttämiseen. Geopoliittiset haavoittuvuudet ovat liian vakavia, jotta Eurooppa voisi hyväksyä ne loputtomiin.
Binääriset neuroverkot eivät ole pelkkä olemassa olevien lähestymistapojen optimointi. Ne edustavat perustavanlaatuista uudelleenajattelua siitä, miten tekoälyn pitäisi toimia. Ne ilmentävät eroa sen välillä, että on loukussa NVIDIA:n ekosysteemissä, ja sen välillä, että saavuttaa aidon teknologisen vapauden. Eroa sen välillä, että maksaa GPU-veroa ikuisesti, ja sen välillä, että vapautuu kokonaan.
Euroopan ei tarvitse voittaa GPU-kilpailua. Euroopan täytyy tehdä se vanhentuneeksi. Rakentaa tekoälyjärjestelmiä, jotka toimivat tavallisella laitteistolla, joka meillä jo on. Luoda teknologioita, jotka eivät riipu amerikkalaisista kiihdyttimistä, joihin sovelletaan amerikkalaisia vientivalvontasäännöksiä. Kehittää kyvykkyyksiä, joita ulkopolitiikan päätökset eivät voi rajoittaa ja joita ulkomaiset tietojenkäyttölait eivät voi vaarantaa.
Dwevessä koko alustamme on rakennettu tälle perustalle. Core tarjoaa binäärialgoritmien viitekehyksen. Loom toteuttaa erikoisalueen asiantuntijoiden älykkyysmallin. Nexus orkestroi monitoimijajärjestelmiä. Aura hallinnoi autonomisia agentteja. Spindle huolehtii tiedonhallinnasta. Mesh luo hajautettua infrastruktuuria.
Kaikki se toimii tehokkaasti tavallisella eurooppalaisella infrastruktuurilla. Suorittimilla datakeskuksissa Interxionilta, Equinixiltä ja OVHcloudilta. Reunalaitteilla ympäri mannerta. Laitteistolla, jota hallitsemme, matematiikalla, jota ei voi monopolisoida, luoden arvoa, joka pysyy Euroopassa.
Ei GPU-riippuvuutta. Ei strategista haavoittuvuutta. Ei kultaista häkkiä.
Edessämme oleva valinta
Tekoälyala seisoo tienhaarassa. Toinen polku jatkaa GPU-kehityksen mukana hyväksyen jatkuvasti kasvavat kustannukset, heikkenevän suvereniteetin, kapeutuvan innovaatiotilan, kasvavat ympäristövaikutukset ja syvenevän strategisen haavoittuvuuden. Toinen polku vapautuu kokonaan käyttämällä diskreettiä matematiikkaa, joka ei vaadi erikoistuneita kiihdyttimiä, joka toimii laitteistolla, joka meillä jo on, ja joka antaa meille hallinnan takaisin.
Kultainen häkki näyttää mukavalta sisältä käsin. NVIDIA valmistaa aidosti erinomaisia tuotteita. CUDA on vaikuttavasti optimoitu. Ekosysteemi on kypsä ja kattava. Suorituskyky on todellista. Inertia on voimakasta. Uponneet kustannukset luovat psykologista sitoutumista. Muutos on vaikeaa, riskialtista ja epävarmaa.
Mutta se on silti häkki. Ja ovi on sulkeutumassa.
Joka neljännes GPU-riippuvuus syvenee. Jokainen CUDA-infrastruktuuriin sijoitettu euro nostaa vaihtokustannuksia. Jokainen uusi kiihdytinsukupolvi vahvistaa lukkiutumista. Jokainen tutkija, joka on koulutettu yksinomaan CUDAan, kaventaa osaajapoolia. Joka vuosi häkki pienenee ja ulospääsy etääntyy. Joka vuosi meillä on vähemmän liikkumavaraa, vähemmän vaihtoehtoja ja suuremmat riskit.
Binaariset neuroverkot ja diskreetti laskenta tarjoavat pakotien. Mutta vain jos tartumme siihen ennen kuin häkistä tulee vääjäämätön. Vain jos toimimme, kun vaihtoehdot ovat vielä mahdollisia. Vain jos olemme valmiita haastamaan oletuksen, että GPU:t ovat väistämättömiä, että liukulukulaskenta on välttämätöntä ja että monopoli on hyväksyttävää.
Vuoden 2012 onnenpotku täytti tarkoituksensa. Se osoitti, että syväoppiminen toimii suuressa mittakaavassa. Se todisti tekoälyn potentiaalin pidemmälle kuin kukaan osasi kuvitella. Se käynnisti teollisuudenalan, joka muuttaa sivilisaatiota. Alex Krizhevsky, Ilya Sutskever ja Geoffrey Hinton ansaitsevat valtavan tunnustuksen läpimurrostaan. He muuttivat maailmaa.
Mutta onnenpotkut eivät ole tarkoitettu perustuksiksi. Tilapäiset hakkerointiratkaisut eivät ole tarkoitettu infrastruktuuriksi. Väliaikaiset kiertotiet eivät ole tarkoitettu pysyviksi riippuvuuksiksi. Pelilaitteisto ei ole tarkoitettu pyörittämään sivilisaation mittakaavan tekoälyä. Amerikkalaiset monopolit eivät ole tarkoitettu hallitsemaan Euroopan teknologista suvereniteettia loputtomiin.
On aika rakentaa jotain parempaa. Jotain, joka ei vangitse meitä kultaisiin häkkeihin. Jotain, joka todella ansaitsee olla tekoälyn perusta. Jotain, joka toimii vakiintuneella laitteistolla, kunnioittaa energiarajoitteita, mahdollistaa aidon innovaation, säilyttää strategisen autonomian ja antaa meille hallinnan takaisin teknologisesta tulevaisuudestamme.
GPU-aikakausi on päättymässä, tunnustammepa sen tai emme. Fysiikka ja taloustiede takaavat sen. Ainoa kysymys on, näemmekö sen tulon ja rakennammeko vaihtoehdon, vai heräämmekö jonain päivänä huomaamaan, ettemme pääse pakoon, ja ymmärrämme aivan liian myöhään, että meidän olisi pitänyt toimia silloin, kun meillä vielä oli mahdollisuus.