Vihreä tekoäly on binääristä: liukuluvun ympäristöhinta
Tekoälyn hiilijalanjälki
Tekoälyvallankumouksen ytimessä on likainen salaisuus. Sen peittävät tuulivoimaloita ja aurinkopaneeleja esittelevät hiotut markkinointikampanjat, ja se on haudattu suurten teknologiayritysten ostamien hiilidioksidipäästöhyvityssertifikaattien vuorten alle. Salaisuus on tämä: nykyaikainen tekoäly nykyisessä arkkitehtonisessa muodossaan on ympäristökatastrofi, joka odottaa tapahtumistaan.
Vuoteen 2025 mennessä maailmanlaajuinen tekoälyn laskentainfrastruktuuri kuluttaa enemmän sähköä kuin koko Argentiinan valtio. Irlannin datakeskukset kuluttavat jo lähes 20 prosenttia maan koko sähköverkosta, mikä on synnyttänyt aidon energiakriisin, joka pakottaa hallituksen harkitsemaan uusia liittymiä uudelleen. Pohjois-Virginiassa, joka on maailman datakeskuspääkaupunki, sähköyhtiöt varoittavat, etteivät ne fyysisesti pysty rakentamaan siirtolinjoja tarpeeksi nopeasti ruokkimaan GPU-klustereiden kyltymätöntä nälkää.
Toimialan ensisijainen vastaus tähän on ollut keskittyä energian lähteeseen. "Olemme 100-prosenttisesti uusiutuvia!" hyperskaalaajat väittävät. Ja vaikka vihreän energian käyttö on varmasti parempaa kuin hiilen käyttö, se ohittaa olennaisen asian. Uusiutuva energia on rajallinen, niukka resurssi. Jokainen gigawatti vihreää sähköä, jonka tehoton tekoälymalli imee itseensä, on gigawatti, jota ei voida käyttää teräksen tuotannon, sementin valmistuksen tai liikenteen hiilidioksidipäästöjen vähentämiseen. Me kannibalisoimme vihreää sähköverkkoa polttoaineena chatbotille.
Emme tarvitse pelkästään vihreämpää sähköä. Tarvitsemme kevyempää matematiikkaa.
Tämä ei ole ongelma, jonka voi ratkaista ostamalla hiilidioksidipäästöhyvityksiä tai rakentamalla lisää tuulivoimaloita. Se on arkkitehtoninen ongelma. Tekoälyteollisuus on rakentanut koko infrastruktuurinsa energiatehottomimman mahdollisen aritmetiikan varaan: 32-bittisten liukulukuoperaatioiden varaan. Ja ennen kuin puutumme tuohon perustavanlaatuiseen suunnitteluvirheeseen, kaikki Saharan aurinkopaneelit eivät riitä.
Epät ehokkuuden fysiikka: liukulukuaritmetiikan ymmärtäminen
Ymmärtääkseen, miksi tekoäly kuluttaa niin paljon energiaa, on katsottava datakeskusten jäähdytysjärjestelmien ohi ja tutkittava, mitä mikroskooppisella tasolla tapahtuu. On ymmärrettävä aritmetiikkaa.
Viime vuosikymmenen ajan syväoppimisen buumi on rakentunut liukulukuaritmetiikan varaan, erityisesti FP32:n (32-bittinen liukuluku) ja viime aikoina FP16:n tai BF16:n. Liukuluku on monimutkainen laskennallinen otus. Se on suunniteltu esittämään valtava arvoalue subatomisesta tähtitieteelliseen. Tätä varten se käyttää 32 bittiä, jotka jakautuvat etumerkkibittiin, 8-bittiseen eksponenttiin ja 23-bittiseen mantissaan (sekä implisiittiseen johtavaan ykköseen).
Kahden FP32-luvun kertomiseen suorittimen on suoritettava monimutkainen logiikkaporttien tanssi. Sen on kohdistettava desimaalipisteet (denormalisointi), kerrottava merkitsevät numerot (24x24-bittinen kertolasku), lisättävä eksponentit, normalisoitava tulos, käsiteltävä viisi erilaista IEEE:n pyöristystilaa ja hallittava poikkeuksia, kuten NaN, Infinity ja alivuoto. Tämä logiikka vaatii tuhansia transistoreja kytkeytymään päälle ja pois.
Joka kerta kun transistori kytkeytyy, se kuluttaa energiaa. Tätä säätelee fysiikan perusyhtälö:
E = C × V² × f
Missä E on energia, C on kapasitanssi (verrannollinen transistorien määrään), V on jännite ja f on kytkentätaajuus. Enemmän transistoreja tarkoittaa suurempaa kapasitanssia, mikä tarkoittaa enemmän energiaa operaatiota kohti.
Mutta pahempaa on luvassa. Joka kerta kun siirrät nuo 32 bittiä muistista (DRAM) suorittimen välimuistiin ja välimuistista rekisteriin, kulutat lisää energiaa. Itse asiassa nykyaikaisissa tietojärjestelmissä datan siirtäminen maksaa huomattavasti enemmän energiaa kuin sen laskeminen. Stanfordin merkittävä Horowitzin artikkeli (ISSCC 2014) osoitti, että DRAM-muistista lukeminen maksaa noin 200 kertaa enemmän energiaa kuin itse aritmetiikan suorittaminen.
Tämä tunnetaan nimellä "Von Neumannin pullonkaula", ja se on nykyaikaisen laskennan perusrajoite. Meitä ei rajoita se, kuinka nopeasti voimme laskea; meitä rajoittaa se, kuinka nopeasti voimme syöttää dataa laskentamoottoreille.
Mieti nyt, että suuren kielimallin, kuten GPT-4:n, kouluttaminen vaatii noin 10^24 (septiljoona) näitä liukulukuoperaatioita. Yhden FP32-kertolaskun pieni energiakustannus, kun se kerrotaan septiljoonalla, muuttuu planeetanlaajuiseksi ongelmaksi. Käytännössä poltamme metsiä kertoaksemme matriiseja tarpeettomalla tarkkuudella.
Binaarinen vallankumous: esitystavan uudelleenajattelu
Tässä kohtaa binaariset neuroverkot muuttavat pelin. Ne edustavat perustavanlaatuista uudelleenajattelua siitä, miten esitämme informaatiota keinotekoisessa aivossa.
BNN:ssä riisumme pois monimutkaisuuden. Rajoitamme painot (neuronien väliset yhteydet) ja aktivaatiot (neuronien ulostulot) vain kahteen mahdolliseen arvoon: +1 ja -1. Laitteistossa tämä esitetään tyypillisesti arvoina 1 ja 0, jolloin 0 tulkitaan matemaattisesti arvoksi -1.
Tämä kuulostaa tuhoisalta tarkkuuden menetykseltä. Miten verkko voi oppia mitään vivahteikasta (hienovarainen ero kissan ja koiran välillä tai lauseen tunnelataus) vain kahdella numerolla? Vastaus piilee syväoppimisen korkeadimensioisessa geometriassa.
Mieti ajatuskoetta. Jos annan sinulle yhden numeron väliltä -1 ja +1, et voi koodata siihen paljoa informaatiota. Mutta jos annan sinulle miljoona binaarilukua, joista jokainen on joko +1 tai -1, voit koodata niiden yhdistelmien ja kuvioiden kautta tähtitieteellisen määrän informaatiota. Miljoonien binaarineuronien "joukon viisaus" kompensoi yksittäisen neuronin tarkkuuden puutteen.
Tämä ei ole pelkkää teoriaa. Tutkimus muun muassa MIT:stä, Googlesta ja Microsoftista on osoittanut, että binaariset verkot voivat saavuttaa tarkkuuden, joka on vain muutaman prosenttiyksikön päässä liukulukuverkkojen tarkkuudesta monissa käytännön tehtävissä, kuten kuvien luokittelussa, kohteiden tunnistuksessa ja luonnollisen kielen ymmärtämisessä.
Tehokkaan laskennan matematiikka
Tämän siirtymän laitteistovaikutukset 32-bittisestä liukuluvusta 1-bittiseen binaariin ovat valtavat. Käydään matematiikka läpi askel askeleelta.
Liukulukumenetelmä: Kahden vektorin pistetulon laskemiseksi (neuroverkkojen perusoperaatio) kerrot vastaavat alkiot keskenään ja summaat tulokset. FP32:ssa jokainen kertolasku vaatii edellä kuvatun monimutkaisen putkilinjan. Vektorille, jonka pituus on 512 (tyypillinen neuroverkoissa), tarvitset 512 liukulukukertolaskua ja 511 yhteenlaskua.
Binaarimenetelmä: Kun kerrot kaksi binaarilukua (+1 tai -1), operaatio ei ole monimutkainen liukulukukertolasku. Se on yksinkertainen XNOR-logiikkaportti. Jos bitit ovat samat (molemmat +1 tai molemmat -1), tulos on +1. Jos ne ovat erilaiset, tulos on -1. XNOR-portti on yksi digitaalielektroniikan alkeellisimmista ja tehokkaimmista rakenteista: kirjaimellisesti neljä transistoria.
Lisäksi akkumulaatiosta (tulosten summaamisesta) tulee POPCNT-operaatio (Population Count): 1-bittien määrän laskeminen binaarimerkkijonossa. Nykyaikaisissa suorittimissa on ollut omat POPCNT-käskyt vuodesta 2008 lähtien (Intel Nehalem). Se, mikä vaati tuhansia transistoreja ja useita kellosyklejä, tapahtuu nyt yhdessä syklissä.
Mutta todellinen taika tapahtuu, kun tarkastelet vektorointia. Nykyaikaisten suorittimien SIMD-rekisterit (Single Instruction, Multiple Data) ovat 256 tai 512 bittiä leveitä. Binaarioperaatioilla voit pakata 512 painoa yhteen 512-bittiseen rekisteriin ja suorittaa kaikki 512 XNOR-operaatiota samanaikaisesti. Tämä on 16 kertaa enemmän rinnakkaisia operaatioita kuin FP32:lla saavutat samalla laitteistolla.
Dweve Core: 1 937 algoritmia binaariälyyn
Me emme ole Dwevessä käsitelleet binäärisiä neuroverkkoja vain akateemisena uteliaisuutena. Olemme rakentaneet koko laskennallisen perustamme tälle periaatteelle. Dweve Core sisältää 1 937 laitteistoriippumatonta algoritmia kuudessa kategoriassa ja 132 osiossa, jotka on suunniteltu alusta alkaen binääri- ja matalabittiseen laskentaan.
Lähestymistapamme menee yksinkertaista binarisointia pidemmälle. Tuemme useita kvantisointitasoja:
- Binääri (1 bitti): 32-kertainen pakkaus, maksimaalinen tehokkuus sopivissa työkuormissa
- Kolmitasoinen (2 bittiä): 16-kertainen pakkaus, joka lisää "nolla"-tilan harvoja esityksiä varten
- 4 bittiä: 8-kertainen pakkaus, hyvä kompromissi moniin kielitehtäviin
- 8 bittiä: 4-kertainen pakkaus, lähes FP32-tarkkuus merkittävillä tehokkuusparannuksilla
Jokaista tasoa tukevat omat algoritminsa, jotka on optimoitu tietyille laitteistoalustoille:
- CPU: SSE2, AVX2, AVX-512, ARM NEON, ARM SVE/SVE2
- GPU: CUDA (NVIDIA), ROCm (AMD), Metal (Apple), Vulkan, WebGPU
- FPGA: Natiivi XNOR-porttisynteesi putkitettuine summainpuineen
- WASM: Selainpohjainen suoritus SIMD-tuella reunalaitteisiin
Tämä ei ole teoriaa. Sisäiset vertailumittauksemme tuotantotyökuormilla osoittavat johdonmukaisesti 96 prosentin energiansäästön verrattuna vastaaviin FP32-toteutuksiin, ja tarkkuushäviö on tyypillisesti alle 2 prosenttia luokittelu- ja regressiotehtävissä.
Jevonsin paradoksi: johtaako tehokkuus suurempaan kulutukseen?
Taloustieteilijät ja kestävän kehityksen asiantuntijat viittaavat heti Jevonsin paradoksiin. Tämä talousteoria, joka on nimetty 1800-luvun taloustieteilijän William Stanley Jevonsin mukaan, sanoo, että kun teknologia tehostuu, sen käyttökustannukset laskevat, mikä lisää kysyntää ja johtaa lopulta suurempaan kokonaiskulutukseen pienemmän sijaan.
Jevons havaitsi tämän hiilen kohdalla: kun höyrykoneet tehostuivat, hiilenkulutus ei vähentynyt. Päinvastoin, tehokkuus teki höyryvoimasta taloudellisesti kannattavaa useampiin käyttötarkoituksiin, ja hiilenkulutus räjähti.
Jos teemme tekoälystä 96 prosenttia halvempaa ja energiatehokkaampaa, emmekö vain käytä sitä 100 kertaa enemmän? Emmekö laita tekoälyä leivänpaahtimiin, hammasharjoihin ja kertakäyttöisiin onnittelukortteihin?
Ehkä. Rebound-vaikutus on todellinen. Mutta on laadullinen ero siinä, mihin energia kuluu, ja sillä on valtava merkitys verkon vakaudelle ja kestävyydelle.
Nykyinen tekoälyn energiakriisi johtuu massiivisten, monoliittisten perusmallien keskitetystä koulutuksesta ja päätelmien laskennasta. Nämä mallit ovat niin raskaita, että ne vaativat keskitettyjä, hyperskaalan datakeskuksia. Nämä datakeskukset ovat sähköverkon pistekuormia, jotka vaativat satoja megawatteja yhteen sijaintiin ja rasittavat siirtolinjoja sekä paikallista tuotantokapasiteettia.
Siksi Irlanti on kriisissä. Siksi Pohjois-Virginia ei ehdi rakentaa sähköasemia tarpeeksi nopeasti. Ongelma ei ole kokonaisenergia, vaan maantieteellinen keskittyminen.
Reuna-AI: Kestävin siirto on se, jota ei tapahdu
Binäärinen tehokkuus mahdollistaa paradigman muutoksen: älykkyyden siirtämisen reunaan. Sen sijaan, että lähettäisit äänikomentosi valtavaan palvelinfarmiin keskelle aavikkoa 175 miljardin parametrin jättiläisen käsiteltäväksi, se voidaan käsitellä paikallisesti puhelimessasi, termostaatissasi tai autossasi käyttämällä erikoistunutta binäärimallia, joka toimii muutamalla milliwatilla.
Tämä siirtää energiarasituksen keskitetystä sähköverkosta hajautettuihin laitteisiin. Energiakustannus muuttuu merkityksettömäksi: osaksi laitteen normaalia akunkulutusta. Puhelimen lataaminen kerran päivässä ei ole sähköverkon kriisi. 100 megawatin datakeskuksen ylläpito Länsi-Dublinissa on.
Lisäksi mahdollistamalla offline-tilassa toimivan laitekohtaisen tekoälyn eliminoimme verkon energiakustannuksen. Meidän ei tarvitse käynnistää 5G-radiopuhelimia, kuituoptisia toistimia ja ydinreitittimiä lähettääksemme dataa pilveen ja takaisin. Tutkimusten mukaan datan siirto matkapuhelinverkossa maksaa noin 0,5 kilowattituntia gigatavua kohti. Energiatehokkain datansiirto on sellainen, jota ei koskaan tapahdu.
Dweve Loom -arkkitehtuurimme, jossa on 456 erikoistunutta rajoitusjoukkoa, joista jokainen sisältää 64-128 megatavua binäärisiä rajoitteita, on suunniteltu juuri tähän hajautettuun malliin. Vain 4-8 toimialueen asiantuntijaa aktivoituu samanaikaisesti minkä tahansa kyselyn kohdalla, ja binääriesitys tarkoittaa, että nämä toimialueen asiantuntijat mahtuvat mukavasti myös vaatimattomien reunalaitteiden välimuistiin.
Kestävyys koodin laatumittarina
Liian pitkään ohjelmistotekniikan ala on jättänyt energian huomiotta. Olemme optimoineet kehittäjän nopeuden ("toimita nopeasti") tai raa'an suorituskyvyn ("tee siitä nopea"), mutta harvoin energian ("tee siitä kevyt") suhteen. Kohtelimme sähköä äärettömänä, näkymättömänä resurssina.
Ilmastokriisin aikakaudella tämä on ammatillista laiminlyöntiä. Koodi, joka tuhlaa energiaa, on huonoa koodia. Arkkitehtuuri, joka vaatii ydinvoimalan vastatakseen yksinkertaiseen asiakaspalvelukyselyyn, on huono arkkitehtuuri.
Ajattele asiaa järjestelmän näkökulmasta. Kun kirjoitat funktion, joka suorittaa tarpeettomia liukulukuoperaatioita, et tuhlaa vain kellojaksoja. Saat transistorit kytkeytymään, elektronit virtaamaan, lämpöä syntymään ja lopulta hiiltä vapautumaan jonnekin. Tämä pitää paikkansa riippumatta siitä, näetkö sen vai et.
Sama periaate, joka sai meidät välittämään muistivuodoista (näkymätön resurssien tuhlaus), pitäisi saada meidät välittämään energian tuhlauksesta. Molemmat edustavat insinöörityön kurinalaisuuden epäonnistumista.
CSRD ja tuleva sääntelyn todellisuus
Sääntely-ympäristö on kirimässä tätä todellisuutta kiinni. EU:n yritysten kestävyysraportointidirektiivi (CSRD) pakottaa suuret yritykset raportoimaan Scope 3 -päästöistään. Scope 3 sisältää niiden ostamien tuotteiden ja palveluiden ylä- ja alavirran päästöt.
Tämä tarkoittaa, että pian yritysasiakkaat vaativat tietää ostamiensa tekoälypalveluiden hiilijalanjäljen. "Vihreä tekoäly" ei ole enää pelkkä markkinointilause, vaan kova hankintavaatimus. Pankki ei osta tekoälypohjaista petostentorjuntajärjestelmää, jos se pilaa sen Net Zero -sitoumukset.
Eurooppalaiset kestävyysraportointistandardit (ESRS) edellyttävät yrityksiä raportoimaan:
- E1 Ilmastonmuutos: Sisältäen energiankulutuksen ja kasvihuonekaasupäästöt
- E3 Vesi ja meriresurssit: Olennainen datakeskusten jäähdytyksen kannalta
- Scope 3 -päästöt: Sisältäen ostetut tavarat ja palvelut (tekoälyrajapinnat)
Tekoälypalveluita ostavien yritysten on saatava hiili-intensiteettitietoja palveluntarjoajiltaan. Palveluntarjoajat, jotka eivät pysty osoittamaan energiatehokkaita arkkitehtuureja, suljetaan pois eurooppalaisista yrityssopimuksista.
Tämä ei ole hypoteettista. Suuret eurooppalaiset pankit, vakuutusyhtiöt ja teollisuusyritykset rakentavat jo Scope 3 -laskentakehyksiä, jotka kattavat pilvi- ja tekoälypalvelut. Vuoteen 2026 mennessä CSRD-raportointi on pakollista yli 250 työntekijän yrityksille.
Vihreän laskennan tulevaisuus
Siirtyminen vihreään tekoälyyn vaatii muutakin kuin tehokkaita algoritmeja. Se edellyttää koko laskentapinon kokonaisvaltaista uudelleenajattelua.
Laitteiston uudelleenajattelu
Näemme neuromorfisten sirujen ja muistiin perustuvien laskenta-arkkitehtuurien yleistymistä, jotka on suunniteltu erityisesti matalan tarkkuuden, harvoja ja binäärisiä operaatioita varten. Nämä sirut jäljittelevät ihmisaivoja, jotka toimivat noin 20 watin teholla (vähemmän kuin himmeä hehkulamppu) ja päihittävät silti megawattiluokan supertietokoneet yleistämisessä ja oppimisessa.
Intel Loihi, IBM TrueNorth ja lukuisat startup-sirut tutkivat tätä suuntaa. Mutta sinun ei tarvitse odottaa eksoottista laitteistoa. Dweve Coren algoritmit on optimoitu SIMD-yksiköille, jotka löytyvät jo jokaisesta nykyaikaisesta suorittimesta. AVX-512-ytimemme suorittavat binääriverkkojen päättelyn nopeudella, joka kilpailee GPU-pohjaisen liukulukupäättelyn kanssa, murto-osalla tehonkulutuksesta.
Tiedon uudelleenajattelu
Meidän on kuratoitava pienempiä ja laadukkaampia tietoaineistoja, jotta voimme kouluttaa pienempiä ja tehokkaampia malleja sen sijaan, että turvautuisimme raa'an voiman menetelmään eli koko internetin ahmimiseen. Tämä lähestymistapa, jota kutsumme "tiedon arvokkuudeksi", tunnustaa, että enemmän dataa ei aina ole parempaa dataa.
Alan nykyinen tapa imeä kaikki internetin teksti ja heittää se jättimäiseen malliin on laskennallisesti verrattavissa avolouhintaan. Se on tuhlaavaista, ympäristölle tuhoisaa ja viime kädessä kestämätöntä.
Odotusten uudelleenajattelu
Tarvitsemmeko todella biljoonan parametrin mallin ajastimen asettamiseen tai sähköpostin tiivistämiseen? Vai onko se ylimitoitettua?
Periaate "oikean kokoisten" tekoälymallien valinnasta tehtävän mukaan on kestävän laskennan perusta. Roskapostin tunnistava binääriluokittelija ei tarvitse samanlaista arkkitehtuuria kuin malli, joka tuottaa luovaa fiktiota. Silti alan trendi on käyttää samoja massiivisia perusmalleja kaikkeen, kuin käyttäisi risteilyalusta joen ylittämiseen.
Dweven arkkitehtuuri omaksuu tämän periaatteen nimenomaisesti. Meidän 456 erikoistunutta toimiala-asiantuntijoiden rajoitejoukkoamme tarkoittavat, että vain asiaankuuluvat toimiala-asiantuntijat aktivoituvat kuhunkin tehtävään. Yksinkertainen luokittelu saattaa aktivoida 4 toimiala-asiantuntijaa. Monimutkainen päättelytehtävä saattaa aktivoida 8. Mutta emme koskaan tuhlaa energiaa koko mallin ajamiseen, kun murto-osa riittää.
Tie eteenpäin: käytännön toimia vihreän tekoälyn käyttöönottoon
Jos yrityksenä pohdit tekoälystrategiaasi kestävyyden näkökulmasta, tässä on konkreettisia toimia, joita kannattaa harkita:
1. Mittaa tekoälysi hiilijalanjälki: Ennen kuin voit vähentää päästöjä, sinun on ymmärrettävä ne. Pyydä tekoälypalveluntarjoajiltasi hiili-intensiteettitietoja jokaista päättelykertaa kohden. Jos he eivät pysty niitä toimittamaan, se itsessään kertoo heidän kestävyyskypsyydestään.
2. Mitoltaa mallisi oikein: Tarkista tekoälykäyttöönottojesi tilanne. Käytätkö 175 miljardin parametrin mallia tehtäviin, jotka hoituisivat 1 miljardin parametrin mallilla (tai binäärimallilla)? Energiansäästö mallin oikean koon valinnasta voi olla moninkertainen.
3. Harkitse reunalaskentaa: Viivettä sietävissä tehtävissä voisiko päättely tapahtua laitteessa pilven sijaan? Binäärimallit mahdollistavat reunalaskennan käyttöönottoja, jotka olivat aiemmin mahdottomia.
4. Vaadi läpinäkyvyyttä: Sisällytä hiili-intensiteettivaatimukset tekoälyn hankintakriteereihisi. Kun CSRD-raportointi muuttuu pakolliseksi, tarvitset nämä tiedot joka tapauksessa. Aloittamalla nyt olet asetusten vaatimusten edellä.
5. Arvioi binäärivaihtoehdot: Luokittelussa, regressiossa ja monissa kielitehtävissä binääriset neuroverkot tarjoavat vastaavan tarkkuuden 96 prosenttia pienemmällä energiankulutuksella. Teknologia on tuotantovalmiutta.
Johtopäätös: matematiikka on yksinkertaista
Tekoälyn tulevaisuus ei ole suuremmissa GPU:issa. Se ei ole siinä, että rakennetaan lisää ydinvoimaloita palvelinkeskusten ruokkimiseksi. Tekoälyn tulevaisuus on älykkäämmässä aritmetiikassa. Se on tehokasta, hajautettua ja binääristä. On aika tehdä älykkyydestä kestävää.
Olemme tienhaarassa. Toinen polku johtaa tekoälyn energiankulutuksen jatkuvaan eksponentiaaliseen kasvuun kaikkine ympäristö- ja verkkovakausseurauksineen. Toinen polku johtaa tehokkaaseen, kestävään tekoälyyn, joka voi skaalautua palvelemaan miljardeja ihmisiä ilman, että planeetta kärventyy.
Ero näiden polkujen välillä ei ole asteittainen optimointi tai uusiutuvan energian sertifikaatit. Ero on arkkitehtuurinen. Se on ero 32 bitin tarpeettoman tarkkuuden ja +1:n ja -1:n elegantin yksinkertaisuuden välillä.
Dwevessä olemme valinneet oman polkumme. Järjestelmämme kuluttavat 96 % vähemmän energiaa kuin perinteiset liukulukumallit säilyttäen samalla vastaavan tarkkuuden yritysten työkuormille. Olitpa sitten kohtaamassa CSRD-vaatimustenmukaisuutta, huolissasi organisaatiosi hiilijalanjäljestä tai yksinkertaisesti sitä mieltä, että kestävä teknologia on parempaa teknologiaa, tarjoamme konkreettisen vaihtoehdon energiaa nielevälle vallitsevalle tilalle.
Laskutoimitus on yksinkertainen: vihreämpi tekoäly alkaa kevyemmästä aritmetiikasta. Älykkyyden tulevaisuus on binäärinen.