Digitalna energetska kriza: AI-jevih 945 TWh obračun
Industrijska sauna koju zovemo napretkom
Uđete u moderni AI podatkovni centar u Frankfurtu ili Dublinu i prva misao nije „Ovo je budućnost." Nego „Zašto je ovdje tako pakleno vruće?" Vrućina vas pogodi kao kad otvorite vrata pećnice, valovi toplinske energije se prelijevaju s poslužiteljskih polica koje više nalikuju industrijskim pećima nego računalima. Sustav hlađenja vrišti, ventilatori rade punom snagom, ohlađena voda juri kroz kilometre cijevi samo da se te mašine doslovno ne rastope.
Svaki AI akceleratorski čip troši 1.200 watta. Za usporedbu, to je više energije nego što je troši grijalica koja tvojoj nizozemskoj baki grije stan u siječnju. A gledate tisuće takvih čipova, zbijenih u police koje troše 50, 100, ponekad i 250 kilovata svaka. Jedna jedina polica troši koliko i 100 prosječnih europskih kućanstava. U prostoru veličine ormara.
To je digitalna energetska kriza o kojoj pristojno društvo ne raspravlja na konferencijama. AI ne samo da troši električnu energiju. Proždire je apetitom crne rupe, a mi svi pristojno kimamo kao da je to sasvim razumno ponašanje za matematiku.
Brojke zbog kojih biste trebali psovati
Pričajmo o razmjerima, jer su brojke doista zastrašujuće. U 2024. podatkovni centri diljem svijeta potrošili su otprilike 415 teravat-sati električne energije. To je 1,5% ukupne svjetske potrošnje električne energije. Da to prevedemo u europske okvire, to je znatno više od cjelokupne godišnje potražnje Španjolske za električnom energijom od 248 TWh. Cijela Španjolska. Svaki dom, svaka tvornica, svaki vlak, svaka bolnica. Podatkovni centri troše više.
Ali ovdje stvar prestaje biti samo alarmantna i postaje doista zastrašujuća: predviđa se da će se ta brojka do 2030. više nego udvostručiti i dosegnuti 945 TWh. To je 3% svjetske električne energije. Ne 3% tehnološke električne energije. Nego 3% svega. Više nego svi električni automobili, dizalice topline i solarni paneli zajedno.
A AI je glavni pokretač. Potrošnja energije AI podatkovnih centara raste godišnjom stopom od 44,7%. Da biste shvatili koliko je to eksponencijalno, pogledajte Irsku. U 2024. podatkovni centri potrošili su 22% ukupne irske električne energije, u odnosu na samo 5% u 2015. To je povećanje od 531% u devet godina. EirGrid, irski operater mreže, procjenjuje da bi do 2030. podatkovni centri mogli trošiti 30% električne energije u zemlji. Gotovo trećina cijele elektroenergetske mreže jedne nacije, samo da bi se trenirali modeli i opsluživali AI upiti.
Sam Dublin dovoljno govori. Podatkovni centri su 2023. potrošili između 33% i 42% sve električne energije u Dublinu. Neke procjene idu i više. Irska vlada uvela je moratorij na izgradnju novih podatkovnih centara u Dublinu do 2028. jer mreža doslovno ne može podnijeti veće opterećenje. Amsterdam je to učinio 2019., a moratorij je ukinut tek nakon uvođenja strogih zahtjeva za učinkovitost potrošnje energije i ograničenja od 670 MVA do 2030. Nizozemska je otišla i dalje, uvevši nacionalni moratorij na hiperscale podatkovne centre veće od 70 megavata.
To nije postupni rast. To je eksponencijalna eksplozija potražnje za energijom koja se događa upravo sada, ubrzava se svakog tromjesečja i juri glavom prema granicama fizičke infrastrukture.
Ugljična bomba treniranja
Treniranje jednog velikog jezičnog modela ostavlja ugljični otisak zbog kojeg bi i rafinerija nafte pocrvenjela. A za razliku od rafinerija, koje barem proizvedu nešto opipljivo što možete uliti u automobil, te emisije proizvedu... pa, model koji bi mogao samouvjereno halucinirati o receptima za gljive.
GPT-3, model koji je pokrenuo trenutačni procvat umjetne inteligencije, tijekom treniranja emitirao je 552 metričke tone CO2. To je jednako emisijama 123 osobna vozila na benzin tijekom jedne godine. Za jedan model. Za jedno treniranje. I to je samo izravna potrošnja energije, ne računajući ugrađeni ugljik u proizvodnji GPU-ova ili izgradnji podatkovnog centra.
A evo što je doista ludo: GPT-3 se današnjim standardima smatra malim. Suvremeni modeli su za redove veličine veći. Treniranje modela sa 100 bilijuna parametara troši otprilike 9 milijuna eura na GPU računalno vrijeme. Uz europske cijene energije i ugljični intenzitet, to je nekoliko tisuća tona ekvivalenta CO2. Po modelu. A uspješno uvođenje obično zahtijeva desetke ili stotine pokušaja treniranja, jer prvih sedamnaest pokušaja proizvede model koji misli da je Belgija vrsta sira.
Znanstveni radovi trube o impresivnim metrikama performansi. A ugljični otisak? Završi u fusnoti, ako se uopće spomene. To je pandan onome kad se hvalite ubrzanjem novog automobila, a pažljivo prešućujete da troši 2 litre na kilometar.
Učinak umnožavanja zaključivanja
Evo što većina ljudi propušta, a to je dio koji je doista važan: treniranje je jednokratni trošak. Zaključivanje, korištenje modela za odgovaranje na pitanja, odvija se neprekidno. Zauvijek. U razmjeru u kojem emisije iz treniranja izgledaju sićušno.
Svaki ChatGPT upit troši električnu energiju. Svako generiranje slike umjetnom inteligencijom sagorijeva vate. Svaka preporuka, svaki prijevod, svaki odgovor glasovnog asistenta. Milijuni zahtjeva u sekundi, 24 sata dnevno, 365 dana godišnje. A za razliku od treniranja, koje se odvija u koncentriranim naletima, zaključivanje je raspoređeno po tisućama podatkovnih centara diljem svijeta, što ga čini gotovo nemogućim za pratiti.
Istraživanja pokazuju da emisije iz zaključivanja često za redove veličine premašuju emisije iz treniranja, osobito kod široko korištenih modela. Treniranje može stajati 500 tona CO2. A zaključivanje tijekom životnog vijeka modela? Potencijalno 50.000 tona. Možda i više. Nitko to ne broji, a upravo je to problem.
Tehnološke tvrtke izvještavaju o emisijama iz treniranja kada su na to zakonski obvezane propisima EU-a. Emisije iz zaključivanja? To je "operativni trošak", zgodno zakopan u opću statistiku podatkovnih centara zajedno s poslužiteljima e-pošte i videima s mačkama. Akt EU-a o umjetnoj inteligenciji zahtijeva objavu potrošnje energije za modele umjetne inteligencije opće namjene, ali provedba je neujednačena, a dobrovoljno objavljivanje ostaje upravo to: dobrovoljno.
Kriza gustoće snage koja ruši fiziku
Tradicionalni podatkovni centri trošili su oko 36 kilovata po stalku. Podnošljivo. Konvencionalno zračno hlađenje radilo je sasvim dobro. Mogli ste ih graditi bilo gdje uz pristojnu mrežnu povezanost i razumne cijene električne energije. Infrastruktura je bila jednostavna.
A onda se dogodila umjetna inteligencija i fizika se naljutila.
Današnji AI stalci dosežu 50 kilovata. Najnaprednije implementacije dostižu 100 kilovata. Neke eksperimentalne konfiguracije guraju i do 250 kilovata po stalku. To je potrošnja energije 100 prosječnih europskih kućanstava, koncentrirana na nekoliko četvornih metara serverskog stalka. Gustoća snage približava se onoj raketnog motora.
Problem nije samo ukupna snaga. Problem je gustoća. Strpajte toliko energije u tako mali prostor i fizika vam postaje neprijatelj. Toplina mora negdje otići, a zračno hlađenje to fizički ne može podnijeti. Toplinsko opterećenje preveliko je. Trebate tekućinsko hlađenje. Izravno hlađenje čipa. Imenzijsko hlađenje. Složene sustave upravljanja toplinom koji koštaju više od samih poslužitelja i zahtijevaju vlastite inženjerske timove za upravljanje.
Podatkovni centri redizajniraju se ne zbog računalne učinkovitosti, nego samo da bi se spriječilo toplinsko otapanje. Gradimo infrastrukturu za zbrinjavanje otpadne topline iz matematičkih operacija koje, u osnovi, ne bi smjele proizvoditi toliko topline. To je kao dizajnirati bolji ispuh za automobil koji gori, umjesto da se zapitamo zašto automobil uopće gori.
Čip koji je pojeo mrežu
Zastanimo na trenutak nad hardverom, jer potrošnja energije pojedinačnog čipa priča vlastitu priču o eskalirajućem ludilu.
Rani AI akceleratori trošili su oko 400 vata. Već puno, ali podnošljivo uz konvencionalno hlađenje. Zatim 700 vata. Zatim 1.000 vata. NVIDIA-ina najnovija Blackwell arhitektura doseže 1.200 vata po čipu, a neke konfiguracije idu i više. Već se raspravlja o budućim dizajnima koji bi dosezali 1.400 vata.
Razmislite o tome. 1.200 vata. Po čipu. Jedan čip koji troši više energije od većine kućanskih aparata. A treniranje velikog modela zahtijeva tisuće takvih čipova koji neprekidno rade tjednima ili mjesecima.
Matematika je brutalna: 1.000 čipova × 1.200 vata = 1,2 megavata. Za jedan klaster za treniranje. Za jedan model. A takvih je klastera stotine diljem svijeta, a novi se pokreću svakog tromjesečja. Samo FLAP-D tržišta (Frankfurt, London, Amsterdam, Pariz, Dublin) čine preko 60% kapaciteta europskih podatkovnih centara, a potražnja za energijom predviđa se rasti sa 96 TWh u 2024. na 168 TWh do 2030.
To nije održivo. Nije ni blizu održivog. Trošimo električnu energiju brzinom koja bi se prije desetljeća činila fikcijom, a rasprava u industriji vrti se oko toga može li elektroenergetska mreža pratiti potražnju, a ne oko toga trebamo li to uopće raditi.
Europska zelena noćna mora i nemoguć izbor
Za Europu to stvara nemoguć sukob koji više nije teoretski. Događa se upravo sada, na sastancima o planiranju mreže i regulatornim raspravama diljem kontinenta.
Europski zeleni plan ima za cilj učiniti Europu klimatski neutralnom do 2050. Emisije ugljika moraju pasti za najmanje 55% do 2030. u usporedbi s razinama iz 1990. Energetska učinkovitost mora se poboljšati u svim sektorima. Obnovljiva energija mora zamijeniti fosilna goriva. To su pravno obvezujući ciljevi prema Europskom zakonu o klimi.
U međuvremenu, potrošnja energije umjetne inteligencije eksplodira godišnjom stopom od 44%. U 2024. europski podatkovni centri potrošili su 96 TWh, što čini 3,1% ukupne potražnje za energijom. No raspodjela je izrazito neravnomjerna. U Irskoj to iznosi 22% nacionalne električne energije. U Nizozemskoj 7%. U Njemačkoj 4%. Podatkovni centri u Amsterdamu, Londonu i Frankfurtu potrošili su 33% do 42% električne energije tih gradova u 2023.
Te su dvije putanje matematički nekompatibilne. Europa može ostvariti svoje klimatske ciljeve ili može graditi AI infrastrukturu koristeći postojeće pristupe. Ne oboje. Brojke se ne slažu.
Neki tvrde da obnovljiva energija rješava ovaj problem. „Samo napajajte podatkovne centre solarnom i vjetroenergijom." Divna zamisao. Potpuno nepraktična. Europa je 2024. instalirala 65,5 GW novih solarnih kapaciteta i 16,4 GW novih vjetrokapaciteta. Obnovljiva energija dosegnula je 47% proizvodnje električne energije. No 945 TWh nove potražnje podatkovnih centara do 2030. zahtijevalo bi izgradnju obnovljivih kapaciteta ekvivalentnih tisućama dodatnih vjetroelektrana i milijunima dodatnih solarnih panela. Samo korištenje zemljišta bilo bi astronomsko. Danska, s 88,4% obnovljive električne energije (uglavnom vjetar), često se navodi kao model. No ukupna potrošnja električne energije Danske tek je djelić projicirane potražnje podatkovnih centara za umjetnu inteligenciju.
Čak i kad bi to bilo tehnički moguće, oportunitetni trošak je zapanjujući. Svaka megavat-sat koji odlazi na treniranje umjetne inteligencije jest megavat-sat koji nije dostupan za elektrifikaciju prijevoza, grijanje domova ili napajanje industrije. To je izravna zamjena, a mi biramo spaljivati obnovljivu energiju na treniranje modela koji bi mogli biti zastarjeli za šest mjeseci umjesto da grijemo domove kroz zimu.
Kriza s vodom koju nitko ne prati
Energija nije jedini resurs koji umjetna inteligencija troši. Voda postaje kritična kriza, osobito u regijama koje se već suočavaju s nedostatkom vode.
Podatkovni centri koriste ogromne količine vode za rashlađivanje isparavanjem, na koje se većina velikih postrojenja oslanja jer je učinkovitije od zatvorenih sustava. Rashlađivanje isparavanjem doslovno isparava vodu kako bi se raspršila toplina. Voda nestaje. Ne vraća se u sustav. Ispari u atmosferu. Zauvijek se uklanja iz lokalnih zaliha vode.
Studija iz 2024. pokazala je da je treniranje GPT-3 u najsuvremenijim američkim podatkovnim centrima Microsofta potrošilo približno 700.000 litara slatke vode. To je dovoljno za proizvodnju 370 automobila BMW-a ili 320 električnih vozila Tesle. Za jedno treniranje. Jednog modela. I to je samo izravna potrošnja vode na lokaciji, ne računajući vodu korištenu u proizvodnji električne energije.
Potpuni otisak vode tijekom životnog ciklusa, uključujući proizvodnju električne energije izvan lokacije, doseže 5,4 milijuna litara. A kontinuirana upotreba se nastavlja: ChatGPT zahtijeva otprilike 500 mililitara vode za kratki razgovor od 20 do 50 pitanja i odgovora. Pomnožite to s milijunima korisnika koji neprestano postavljaju pitanja i potrošnja vode postaje zapanjujuća.
U regijama sklonim suši to stvara izravne sukobe. Podatkovni centri natječu se s poljoprivredom i komunalnim zalihama vode. U nekim regijama treniranje umjetne inteligencije doslovno uzima vodu usjevima tijekom suša. To nije problem budućnosti. Događa se sada. I kako se primjena umjetne inteligencije širi, postaje sve gore.
Iluzija učinkovitosti i Jevonsov paradoks
AI industri doslovno obožava govoriti o poboljšanjima učinkovitosti. Svaka konferencijska ključna prezentacija sadrži slajd: "Novi čipovi su 10× učinkovitiji!" "Bolji algoritmi smanjuju potrošnju energije za 50%!" "Naši podatkovni centri koriste 100% obnovljivu energiju!"
Sve je istina. Sve tehnički impresivno. Sve potpuno nebitno za stvarni problem.
Jer poboljšanja učinkovitosti odmah bivaju progutana povećanjem opsega. To je Jevonsov paradoks na djelu, a ekonomisti upozoravaju na njega još od 1865. godine kada je William Stanley Jevons primijetio da je poboljšana učinkovitost ugljena u parnim strojevima dovela do povećane ukupne potrošnje ugljena, a ne do smanjene potrošnje.
Izvršni direktor Microsofta Satya Nadella doslovno je tvitao "Jevonsov paradoks ponovno udara!" kada je DeepSeek objavio svoj učinkoviti jeftini AI model. Točno je znao što će se dogoditi: niži troškovi znače veću upotrebu, što dovodi do veće ukupne potrošnje. I bio je u pravu.
Da, noviji čipovi obavljaju više izračuna po vatu. Ali modeli postaju veći još brže. Da, bolji algoritmi smanjuju vrijeme treniranja. Ali treniramo više modela, češće, s više parametara, jer si to sada možemo priuštiti. Ukupna potrošnja energije se ne smanjuje. Ubrzava se. Poboljšanje učinkovitosti od 10× samo znači da možemo trenirati model 10× veći uz isti trošak energije. I zato to radimo. A ukupna potrošnja raste.
NVIDIA tvrdi da je Blackwell 100.000× energetski učinkovitiji za inferenciju od čipova od prije deset godina. Spektakularan inženjering. Ali ukupna potrošnja energije AI-ja eksplodirala je u istom razdoblju, jer su poboljšanja učinkovitosti omogućila implementaciju u razmjerima koji su prije bili ekonomski nemogući.
Stvarni trošak fantazija o pomičnom zarezu
Zašto AI troši toliko energije? Odgovor leži u matematici i jednostavniji je nego što mislite.
Aritmetika s pomičnim zarezom, temelj modernih neuronskih mreža, računalno je skupa. Svako množenje zahtijeva značajan sklop, značajnu površinu silicija, značajnu snagu. A neuronske mreže su milijarde i milijarde operacija s pomičnim zarezom, ponovljenih milijune puta u sekundi.
Što je još gore, koristimo ekstremnu preciznost tamo gdje ona zapravo nije potrebna. 32-bitni brojevi s pomičnim zarezom. 16-bitni. Čak i 8-bitni. Sva ta preciznost, sav taj računalni napor, sva ta energija, za donošenje odluka koje su u konačnici binarne. Da ili ne. Mačka ili pas. Spam ili ne-spam. Odobri ili odbij.
To je kao koristiti superračunalo za bacanje novčića. Rezultat je glava ili pismo, ali trošimo megavate računajući vjerojatnosti na šesnaest decimala. Preciznost je matematički prekrasna. Također je termodinamički luda.
To nije optimizacija. To je rasipništvo koje se maskira u nužnost, branjeno inercijom "ali tako smo uvijek radili" i nepovratnim troškom milijardi eura uloženih u GPU infrastrukturu posebno dizajniranu za operacije s pomičnim zarezom.
Binarna alternativa koja zapravo funkcionira
Dakle, koje je rješenje? Kako izgraditi AI bez pretvaranja podatkovnih centara u klimatske katastrofe?
U Dweveu smo počeli propitivanjem temeljne pretpostavke. Treba li AI-u doista aritmetika s pomičnim zarezom? Treba li mu doista toliko energije? Postoji li drugačiji matematički temelj koji postiže istu inteligenciju uz dramatično manji računalni napor?
Binarne neuronske mreže pružaju jasan, empirijski testiran odgovor: ne, AI-u ne treba aritmetika s pomičnim zarezom. Ni približno.
Potpunim uklanjanjem operacija s pomičnim zarezom i korištenjem jednostavne binarne logike, potrošnja energije pada za 96%. Ne marginalnim optimizacijama ili pametnim predmemoriranjem. Temeljnim matematičkim redizajnom. Uštede u računanju proizlaze iz zamjene složenih operacija množenja i akumulacije s pomičnim zarezom jednostavnim binarnim AND i XNOR operacijama koje zahtijevaju za redove veličine manje energije.
Onaj Blackwell akcelerator od 1.200 vata? Zamijenite ga CPU-om od 50 vata koji izvodi binarne operacije. Ista inteligencija. Iste mogućnosti. 24× manje snage. Ili još bolje, implementirajte na FPGA čipovima posebno optimiziranima za binarne operacije, postižući 136× bolju energetsku učinkovitost od tradicionalnih GPU pristupa.
Onaj poslužiteljski ormar od 250 kilovata koji troši koliko i cijelo susjedstvo? Spušten na 10 kilovata. Onaj ogromni podatkovni centar koji troši električnu energiju veličine grada? Sveden na potrošnju velike poslovne zgrade. Infrastrukturni zahtjevi proporcionalno se smanjuju. Bez egzotičnog tekućeg hlađenja. Bez namjenskih transformatorskih stanica. Bez nadogradnji mreže.
Matematika je jednostavna: binarne operacije troše za redove veličine manje energije od operacija s pomičnim zarezom. Infrastrukturne učinkovitosti slijede prirodno. Utjecaj na klimu proporcionalno pada. A rezultati? Jednaka ili bolja točnost na zadacima iz stvarnog svijeta, jer binarne neuronske mreže zapravo mogu uhvatiti strukturne odnose koje mreže s pomičnim zarezom propuštaju.
Više od učinkovitosti: drugačija paradigma za europsku umjetnu inteligenciju
Binarne neuronske mreže nisu samo učinkovitije. One predstavljaju bitno drugačiji pristup inteligenciji koji se prirodno uklapa u europske vrijednosti održivosti, transparentnosti i tehnološke suverenosti.
Umjesto da odluke približavaju kontinuiranom matematikom i golemim računalnim zahtjevima, one izravno koriste diskretnu logiku. Umjesto da troše energiju za prevladavanje numeričke nestabilnosti u gradijentnom spustu, grade na stabilnim binarnim temeljima. Umjesto da zahtijevaju skupe vlasničke GPU-ove proizvedene u inozemstvu, učinkovito rade na standardnim CPU-ovima i mogu se primijeniti na FPGA čipovima proizvedenima u Europi.
Rezultat je umjetna inteligencija koja surađuje s fizikom umjesto da se bori protiv nje. Računalstvo koje ne zahtijeva egzotične sustave hlađenja. Infrastruktura kojoj ne treba vlastita elektrana. I, ključno za Europu, tehnološki pristup koji vas ne veže uz ovisnost o NVIDIA-i, sa sjedištem u Kaliforniji, ili drugim neeuropskim dobavljačima hardvera.
Tvrtke poput njemačkog Black Forest Labsa, francuskog Mistral AI-ja i njemačkog Aleph Alphe grade impresivne AI sposobnosti, no i dalje su u osnovi ovisne o tradicionalnim arhitekturama s pomičnim zarezom i lancu opskrbe GPU-ovima. Binarne neuronske mreže nude put prema istinskoj europskoj AI suverenosti, radeći na hardveru koji se može proizvoditi u Europi, u procesima usklađenima s europskim klimatskim obvezama.
Tako Europa može imati oboje: napredak umjetne inteligencije i klimatske ciljeve. Ne čineći trenutačni pristup malo zelenijim kupnjom obnovljive energije i kompenzacijom ugljika, već korištenjem matematike koja od samog početka ne zahtijeva potrošnju energije na razini planeta. Europski akt o umjetnoj inteligenciji to već prepoznaje, zahtijevajući objavu podataka o potrošnji energije i potičući dobrovoljne kodekse ponašanja o ekološkoj održivosti. Binarni pristupi te aspiracijske ciljeve pretvaraju u ostvarenu stvarnost.
Izbor koji činimo upravo sada
Digitalna energetska kriza nije neizbježna. Ona je izbor. Izbor koji činimo upravo sada, u svakoj narudžbenici za GPU, u svakom ugovoru o izgradnji podatkovnog centra, u svakom pokretanju treniranja modela.
To je izbor da nastavimo koristiti aritmetiku s pomičnim zarezom jer je poznata, jer alati postoje, jer je prekvalifikacija cijele industrije teška. Izbor da prihvatimo eksponencijalni rast potrošnje energije jer tromjesečna izvješća izgledaju dobro i jer su ulagači rizičnog kapitala uzbuđeni. Izbor da potrošimo više električne energije na treniranje jednog modela nego što jedan grad potroši u godini, jer možemo i jer će netko drugi platiti klimatsku cijenu.
No mogli bismo izabrati drugačije. Europa je zapravo u jedinstvenoj poziciji da predvodi taj izbor.
Mogli bismo odabrati matematiku koja ne troši 96% svoje energije na nepotrebnu preciznost. Mogli bismo odabrati algoritme koji učinkovito rade na standardnom hardveru umjesto da zahtijevaju specijalizirane akceleratore. Mogli bismo odabrati arhitekture koje poštuju fizička i ekološka ograničenja umjesto da pretpostavljaju neograničenu dostupnost energije. Mogli bismo odabrati pristupe koji su usklađeni s europskim zelenim planom umjesto da ga izravno potkopavaju.
Uspon umjetne inteligencije ne mora postati energetska katastrofa. Binarne neuronske mreže dokazuju da postoji drugi put. Put koji pruža inteligenciju bez klimatske cijene. Put koji radi u skladu s ograničenjima obnovljive energije umjesto da ih nadilazi. Put koji tretira učinkovitost kao temeljnu značajku, a ne kao naknadnu misao spomenutu u izvješćima o održivosti.
Irska ne mora birati između gospodarskog razvoja kroz podatkovne centre i dovoljno električne energije za kućanstva. Amsterdam ne mora uvoditi moratorije. Dublin ne mora gledati kako podatkovni centri troše gotovo polovicu gradske električne energije dok se stanovnici suočavaju s rastućim troškovima energije.
Europski zeleni plan i napredak umjetne inteligencije nisu nekompatibilni. Ali samo ako smo spremni preispitati temeljne pretpostavke i izgraditi umjetnu inteligenciju koja doista ima matematičkog, fizičkog i gospodarskog smisla. Trenutačna putanja vodi do 945 TWh do 2030. godine, 3% globalne električne energije, tisuća tona CO2 po modelu, milijuna litara potrošnje vode i nemogućeg izbora između klimatskih ciljeva i tehnološkog napretka.
Alternativa postoji danas. Binarne neuronske mreže koje rade na standardnim CPU-ovima i učinkovitim FPGA-ovima. Računanje koje koristi 96% manje energije. Održiva umjetna inteligencija koja ne zahtijeva biranje između napretka i planeta. Transparentni algoritmi koje Europljani doista mogu razumjeti i provjeriti, a ne crne kutije s pomičnim zarezom pod kontrolom stranih korporacija.
Jedino je pitanje hoćemo li je prihvatiti prije nego što potrošimo toliko energije, iskoristimo toliko vode i izgradimo toliko neučinkovite infrastrukture da više ne budemo imali izbora. Prozor se zatvara. Ali još uvijek je otvoren.
Želite umjetnu inteligenciju koja ne zahtijeva vlastitu elektranu? Dweve Core, naš okvir za diskretno računanje koji kombinira binarne neuronske mreže, sustave temeljene na ograničenjima i spike računanje koje pokreće Dweve Loom, pruža 96% nižu potrošnju energije i za treniranje i za zaključivanje na standardnom hardveru. Bez vlasničkih akceleratora. Bez egzotičnog hlađenja. Bez kompromisa u mogućnostima. Budućnost održive europske umjetne inteligencije učinkovita je, transparentna i dostupna danas.