A digitális energiaválság: a mesterséges intelligencia 945 TWh-s elszámolása
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.
A képzési szénbomba
Egyetlen nagy nyelvi modell betanítása akkora szénlábnyomot hagy maga után, hogy egy olajfinomító is elpirulna. És a finomítókkal ellentétben, amelyek legalább valami kézzelfoghatót állítanak elő, amit az autódba tölthetsz, ezek a kibocsátások... hát, egy modellt, amely magabiztosan hallucinálhat a gombás receptekről.
A GPT-3, a modell, amely elindította a jelenlegi AI-lázat, 552 tonna CO2-t bocsátott ki a betanítás során. Ez 123 benzines személyautó egyéves kibocsátásának felel meg. Egyetlen modellért. Egyetlen betanítási futtatásért. És ez csak a közvetlen energiafogyasztás, a GPU-k gyártásához vagy az adatközpont építéséhez kapcsolódó beágyazott szén nélkül.
A legőrültebb rész: a GPT-3 a mai mércével kicsinek számít. A modern modellek nagyságrendekkel nagyobbak. Egy 100 billió paraméteres modell betanítása körülbelül 9 millió euróba kerül GPU-számítási időben. Európai energiaárakon és szénintenzitáson számolva ez több ezer tonna CO2-egyenértéket jelent. Modellenként. A sikeres bevezetés pedig általában több tucat vagy több száz betanítási futtatást igényel, mert az első tizenhét próbálkozás olyan modellt eredményez, amely szerint Belgium egy sajtfajta.
A kutatási cikkek a lenyűgöző teljesítménymutatókat harsogják. A szénlábnyom? Az egy lábjegyzetbe van eltemetve, ha egyáltalán megemlítik. Ez az AI megfelelője annak, amikor valaki az új autója gyorsulásával dicsekszik, miközben gondosan nem említi meg, hogy két kilométert megy egy literrel.
A következtetési szorzóhatás
A legtöbb ember ezt nem veszi észre, pedig ez a lényeg: a betanítás egyszeri költség. A következtetés, vagyis a modell használata kérdések megválaszolására, folyamatosan fut. Örökké. Olyan mértékben, hogy a betanítási kibocsátás mellette eltörpül.
Minden ChatGPT-lekérdezés áramot fogyaszt. Minden AI-képgenerálás wattokat éget el. Minden ajánlás, minden fordítás, minden hangasszisztens-válasz. Másodpercenként több millió kérés, a nap 24 órájában, az év 365 napján. És a betanítással ellentétben, amely koncentrált időszakokban zajlik, a következtetés több ezer adatközpontra oszlik el világszerte, ami szinte lehetetlenné teszi a nyomon követését.
A kutatások szerint a következtetési kibocsátás gyakran nagyságrendekkel meghaladja a betanítási kibocsátást, különösen a széles körben telepített modellek esetében. A betanítás 500 tonna CO2-be kerülhet. A következtetés a modell élettartama alatt? Potenciálisan 50 000 tonna. Talán több. Senki sem számolja, és pontosan ez a probléma.
A techcégek a betanítási kibocsátást akkor jelentik, amikor az EU-szabályozás ezt előírja. A következtetési kibocsátás? Az „üzemeltetési költség”, amelyet kényelmesen elrejtenek az általános adatközpont-statisztikákban az e-mail szerverek és a macskás videók mellett. Az EU AI-törvénye előírja az energiafogyasztás közzétételét az általános célú AI-modellek esetében, de a végrehajtás hiányos, és az önkéntes közzététel pontosan az, ami: önkéntes.
A teljesítménysűrűség-válság, amely megrengeti a fizikát
A hagyományos adatközpontok rackenként nagyjából 36 kilowattot fogyasztottak. Kezelhető volt. A hagyományos léghűtés tökéletesen működött. Bárhol fel lehetett építeni őket, ahol megfelelő hálózati kapcsolat és elfogadható áramár volt. Az infrastruktúra egyszerű volt.
Aztán jött az AI, és a fizika megharagudott.
A mai AI-rackek 50 kilowattot fogyasztanak. A csúcskategóriás telepítések már a 100 kilowattot is elérik. Egyes kísérleti konfigurációk rackenként 250 kilowattot nyomnak. Ez annyi energia, amennyit 100 átlagos európai háztartás fogyaszt, mindössze néhány négyzetméternyi szerverrackba sűrítve. A teljesítménysűrűség megközelíti a rakétahajtóművét.
A probléma nem csupán az összteljesítmény. Hanem a sűrűség. Ha ekkora energiát ilyen kis helyre zsúfolsz, a fizika az ellenségeddé válik. A hőnek valahová távoznia kell, és a léghűtés fizikailag képtelen kezelni. A hőterhelés túl nagy. Folyadékhűtésre van szükség. Közvetlen chip-hűtésre. Immersziós hűtésre. Összetett hőkezelő rendszerekre, amelyek többe kerülnek, mint maguk a szerverek, és amelyek üzemeltetéséhez külön mérnökcsapatok kellenek.
Az adatközpontokat nem a számítási hatékonyság érdekében tervezik újra, hanem pusztán azért, hogy elkerüljék a termikus összeomlást. Olyan infrastruktúrát építünk, amely matematikai műveletek hulladékhőjét kezeli, miközben ezek a műveletek alapvetően nem is termelhetnének ekkora hőt. Olyan ez, mintha jobb kipufogórendszert terveznénk egy égő autóhoz, ahelyett, hogy megkérdeznénk, miért ég az autó.
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
Az AI-ipar imád az energiahatékonyság-javulásokról beszélni. Minden konferencia nyitóelőadásán van egy dia: „Az új chipek 10× hatékonyabbak!” „A jobb algoritmusok 50%-kal csökkentik az energiafogyasztást!” „Az adatközpontjainkat 100%-ban megújuló energiával működtetjük!”
Mind igaz. Mind technikailag lenyűgöző. Mind teljesen lényegtelen a tényleges problémához képest.
Mert a hatékonyságjavulást azonnal felemészti a méretnövekedés. Ez a Jevons-paradoxon a gyakorlatban, és a közgazdászok már 1865 óta figyelmeztetnek rá, amikor William Stanley Jevons megfigyelte, hogy a gőzgépek jobb szénhatékonysága a teljes szénfogyasztás növekedéséhez vezetett, nem pedig csökkenéséhez.
A Microsoft vezérigazgatója, Satya Nadella szó szerint azt tweetelte, hogy „a Jevons-paradoxon újra lecsap!”, amikor a DeepSeek piacra dobta hatékony, alacsony költségű AI-modelljét. Pontosan tudta, mi fog történni: az alacsonyabb költség több használatot jelent, ami magasabb összfogyasztáshoz vezet. És igaza volt.
Igen, az újabb chipek több számítást végeznek wattanként. De a modellek még gyorsabban nőnek. Igen, a jobb algoritmusok csökkentik a betanítási időt. De most már több modellt tanítunk be, gyakrabban, több paraméterrel, mert megtehetjük. A teljes energiafogyasztás nem csökken. Gyorsul. A 10×-es hatékonyságjavulás csak annyit jelent, hogy ugyanazért az energiaköltségért 10× nagyobb modellt tudunk betanítani. Így is teszünk. És a teljes fogyasztás nő.
Az NVIDIA állítása szerint a Blackwell 100 000× energiatakarékosabb az inferencia során, mint a tíz évvel ezelőtti chipek. Látványos mérnöki munka. De az AI teljes energiafogyasztása ugyanebben az időszakban robbanásszerűen megnőtt, mert a hatékonyságjavulás olyan méretű telepítést tett lehetővé, amely korábban gazdaságilag lehetetlen volt.
A lebegőpontos ábrándok valódi ára
Miért fogyaszt az AI ilyen sok energiát? A válasz a matematikában rejlik, és egyszerűbb, mint gondolnád.
A lebegőpontos aritmetika, a modern neurális hálózatok alapja, számításigényes. Minden szorzás jelentős áramkört, jelentős szilíciumfelületet és jelentős energiát igényel. A neurális hálózatok pedig több milliárdnyi lebegőpontos műveletet jelentenek, amelyek másodpercenként milliószor ismétlődnek.
Ráadásul olyan extrém pontosságot használunk, ahol valójában nincs rá szükség. 32 bites lebegőpontos számok. 16 bites lebegőpontos számok. Még 8 bites lebegőpontos számok is. Mindez a pontosság, mindez a számítási többletterhelés, mindez az energia, hogy olyan döntéseket hozzunk, amelyek végső soron binárisak. Igen vagy nem. Macska vagy kutya. Spam vagy nem spam. Jóváhagyás vagy elutasítás.
Olyan, mintha szuperszámítógéppel dobálnánk fel egy érmét. Az eredmény fej vagy írás, de mi megawattokat égetünk el, miközben tizenhat tizedesjegy pontossággal számoljuk a valószínűségeket. A pontosság matematikailag gyönyörű. Termodinamikailag viszont őrület.
Ez nem optimalizálás. Ez a pazarlás, amely szükségszerűségnek álcázza magát, és amelyet a „de hát mindig is így csináltuk” tehetetlensége, valamint a lebegőpontos műveletekre tervezett GPU-infrastruktúrába fektetett milliárd eurók elsüllyedt költsége védelmez.
A bináris alternatíva, amely valóban működik
Tehát mi a megoldás? Hogyan építsünk AI-t anélkül, hogy az adatközpontokat klímakatasztrófává változtatnánk?
A Dweve-nél az alapfeltevést kezdtük megkérdőjelezni. Az AI-nak valóban szüksége van lebegőpontos aritmetikára? Valóban ennyi energiára van szüksége? Létezik-e más matematikai alap, amely drámaian kisebb számítási többletterheléssel éri el ugyanazt az intelligenciát?
A bináris neurális hálózatok egyértelmű, empirikusan tesztelt választ adnak: nem, az AI-nak nincs szüksége lebegőpontos aritmetikára. Még csak meg sem közelíti.
Azáltal, hogy teljesen kiküszöböljük a lebegőpontos műveleteket, és egyszerű bináris logikát használunk, az energiafogyasztás 96%-kal csökken. Nem marginális optimalizálással vagy okos gyorsítótárazással. Hanem alapvető matematikai újragondolással. A számítási megtakarítás abból származik, hogy a bonyolult lebegőpontos szorzás-összeadás műveleteket egyszerű bináris ÉS és XNOR műveletekre cseréljük, amelyek nagyságrendekkel kevesebb energiát igényelnek.
Az az 1200 wattos Blackwell gyorsító? Cseréljük le egy 50 wattos CPU-ra, amely bináris műveleteket futtat. Ugyanaz az intelligencia. Ugyanazok a képességek. 24-szer kevesebb energia. Vagy ami még jobb, telepítsük FPGA-kra, amelyeket kifejezetten bináris műveletekre optimalizáltak, így 136-szor jobb energiahatékonyságot érünk el, mint a hagyományos GPU-megközelítésekkel.
Az a 250 kilowattos szerverállvány, amely annyi energiát fogyaszt, mint egy lakónegyed? Lefelé 10 kilowattra. Az a hatalmas adatközpont, amely egy városnyi áramot fogyaszt? Egy nagy irodaház energiaigényére csökkentve. Az infrastrukturális követelmények arányosan összeomlanak. Nincs egzotikus folyadékhűtés. Nincsenek dedikált alállomások. Nincs hálózatfejlesztés.
A matematika egyszerű: a bináris műveletek nagyságrendekkel kevesebb energiát használnak, mint a lebegőpontosak. Az infrastrukturális hatékonyság természetesen következik. A klímahatás arányosan csökken. És az eredmények? Egyenértékű vagy jobb pontosság a valós feladatokon, mert a bináris neurális hálózatok valójában képesek megragadni azokat a strukturális összefüggéseket, amelyeket a lebegőpontos hálózatok kihagynak.
Túl a hatékonyságon: más paradigma az európai MI számára
A bináris neurális hálózatok nem csupán hatékonyabbak. Alapvetően más megközelítést képviselnek az intelligencia terén, amely természetes módon illeszkedik Európa fenntarthatósági, átláthatósági és technológiai szuverenitási értékeihez.
Ahelyett, hogy folytonos matematikával és hatalmas számítási kapacitással közelítenék a döntéseket, közvetlenül diszkrét logikát használnak. Ahelyett, hogy energiát égetnének a gradiensereszkedés numerikus instabilitásának leküzdésére, stabil bináris alapokra építenek. Ahelyett, hogy drága, külföldön gyártott, szabadalmi oltalom alatt álló GPU-kra lenne szükségük, hatékonyan futnak hagyományos CPU-kon, és európai gyártású FPGA-kon is telepíthetők.
Az eredmény olyan MI, amely a fizikával együttműködve működik, nem pedig ellene. Olyan számítás, amelyhez nem kellenek különleges hűtési rendszerek. Olyan infrastruktúra, amelyhez nem kell saját erőmű. És ami Európa számára kulcskérdés: olyan technológiai megközelítés, amely nem zárja Önt a kaliforniai székhelyű NVIDIA vagy más nem európai hardvergyártók függőségébe.
Az olyan vállalatok, mint a német Black Forest Labs, a francia Mistral AI és a német Aleph Alpha, lenyűgöző MI-képességeket építenek, de továbbra is alapvetően függenek a hagyományos lebegőpontos architektúráktól és a GPU-ellátási lánctól. A bináris neurális hálózatok utat kínálnak a valódi európai MI-szuverenitás felé, olyan hardveren futva, amely Európában gyártható, olyan eljárásokkal, amelyek összhangban vannak Európa éghajlati vállalásaival.
Így érheti el Európa mindkettőt: az MI fejlődését és az éghajlati célokat. Nem úgy, hogy a jelenlegi megközelítést megújulóenergia-vásárlásokkal és szén-dioxid-kvótákkal tesszük valamivel zöldebbé, hanem olyan matematikával, amely eleve nem igényel bolygóméretű energiafogyasztást. Az európai MI-rendelet ezt már elismeri: előírja az energiafogyasztás közzétételét, és ösztönzi a környezeti fenntarthatóságra vonatkozó önkéntes magatartási kódexeket. A bináris megközelítések ezeket a törekvő célokat elért valósággá változtatják.
A döntés, amelyet most hozunk meg
A digitális energiakrízis nem elkerülhetetlen. Ez egy döntés. Egy döntés, amelyet most hozunk meg minden GPU-megrendelésnél, minden adatközpont-építési szerződésnél, minden modellbetanítási futtatásnál.
Ez egy döntés, hogy továbbra is lebegőpontos aritmetikát használunk, mert ismerős, mert léteznek hozzá eszközök, mert egy egész iparág átképzése nehéz. Egy döntés, hogy elfogadjuk az exponenciális energia-növekedést, mert a negyedéves eredmények jól néznek ki, és a kockázatitőke-befektetők lelkesek. Egy döntés, hogy több áramot égetünk el egyetlen modell betanítására, mint amennyit egy város egy év alatt felhasznál, mert megtehetjük, és mert valaki más fizeti meg az éghajlati költséget.
De választhatnánk másként is. Európa valójában egyedülálló helyzetben van ahhoz, hogy vezető szerepet vállaljon ebben a döntésben.
Választhatnánk olyan matematikát, amely nem pazarolja energiájának 96%-át felesleges pontosságra. Választhatnánk olyan algoritmusokat, amelyek hatékonyan működnek a szokásos hardvereken, ahelyett, hogy speciális gyorsítókat igényelnének. Választhatnánk olyan architektúrákat, amelyek tiszteletben tartják a fizikai és környezeti korlátokat, ahelyett, hogy végtelen energiaellátást feltételeznének. Választhatnánk olyan megközelítéseket, amelyek összhangban vannak az európai zöld megállapodással, ahelyett, hogy közvetlenül aláásnák azt.
A mesterséges intelligencia fellendülésének nem kell energia-katasztrófává válnia. A bináris neurális hálózatok bizonyítják, hogy létezik más út. Olyan, amely intelligencia nélkül a klímaköltség nélkül nyújt. Olyan, amely a megújuló energia korlátaihoz igazodik, ahelyett, hogy felülmúlná azokat. Olyan, amely a hatékonyságot alapvető jellemzőként kezeli, nem pedig utólagos gondolatként, amelyet a fenntarthatósági jelentésekben említenek meg.
Írországnak nem kell választania az adatközpontokon keresztüli gazdasági fejlődés és az otthonok számára elegendő áram között. Amszterdamnak nem kell moratóriumot elrendelnie. Dublin nem nézheti tétlenül, hogy az adatközpontok a város áramának csaknem felét fogyasztják, miközben a lakosok növekvő energiaköltségekkel szembesülnek.
Európa zöld megállapodása és a mesterséges intelligencia fejlődése nem összeegyeztethetetlen. De csak akkor, ha hajlandóak vagyunk megkérdőjelezni az alapvető feltételezéseket, és olyan mesterséges intelligenciát építeni, amely valóban matematikai, fizikai és gazdasági értelemben is értelmes. A jelenlegi pálya 2030-ra 945 TWh-hoz vezet, ami a globális áramtermelés 3%-a, modellenként több ezer tonna CO2, több millió liter vízfogyasztás, és lehetetlen választás a klímacélok és a technológiai fejlődés között.
A alternatíva ma is létezik. Bináris neurális hálózatok, amelyek szokásos CPU-kon és hatékony FPGA-kon futnak. Számítás, amely 96%-kal kevesebb energiát használ. Fenntartható mesterséges intelligencia, amely nem követeli meg, hogy a fejlődés és a bolygó között válasszunk. Átlátható algoritmusok, amelyeket az európaiak valóban megérthetnek és ellenőrizhetnek, nem pedig fekete doboz lebegőpontos súlyok, amelyeket külföldi vállalatok irányítanak.
Az egyetlen kérdés az, hogy megragadjuk-e, mielőtt annyi energiát elégettünk, annyi vizet elfogyasztottunk, és annyi nem hatékony infrastruktúrát építettünk, hogy már ne legyen választásunk. Az ablak bezárul. De még nyitva van.
Szeretne olyan mesterséges intelligenciát, amely nem igényel saját erőművet? A Dweve Core, a diszkrét számítási keretrendszerünk, amely egyesíti a bináris neurális hálózatokat, a kényszer alapú rendszereket és a tüskés számítást, és amely a Dweve Loom-ot működteti, 96%-kal alacsonyabb energiafogyasztást biztosít mind a tanítás, mind a következtetés során a szokásos hardvereken. Nincsenek saját gyorsítók. Nincs egzotikus hűtés. Nincs kompromisszum a képességek terén. A fenntartható európai mesterséges intelligencia jövője hatékony, átlátható és ma elérhető.