Az AI-túlkapás csapdája: Európa túsza a GPU-hiánynak
The Late Night Cloud Bill
Képzeld el: egy startupot vezetsz Amszterdamban, Berlinben vagy Barcelonában. Késő éjszaka van. A csapatod épp most telepített egy új AI-funkciót, amelyet az ügyfelek valóban szeretnek. Minden működik. Minden növekszik.
Aztán megnézed a felhőszámládat.
Az infrastruktúra-költségeid éppen megháromszorozódtak. Nem azért, mert hibáztál. Nem azért, mert feltörtek. Hanem azért, mert a felhőszolgáltatód úgy döntött, hogy a GPU-árak emelkednek. Megint. És nem tehetsz ellene semmit, mert pontosan egy alternatívád van: fizetsz, vagy leállsz.
Üdv az infrastruktúracsapdában, amelyre senki sem figyelmeztetett, amikor elkezdtél az AI-val építkezni. Abban a csapdában, amely évente 35 milliárd euróba kerül az európai cégeknek AI-infrastruktúrára. Abban a csapdában, amely teljesen véletlenül épült játékchipekre, amelyeket soha nem arra szántak, hogy civilizációs méretű mesterséges intelligenciát futtassanak.
Ez a történet arról szól, hogyan jutottunk idáig. És ami még fontosabb: hogyan juthatunk végre ki belőle.
The Accident That Became an Empire
2012. szeptember 30. Alex Krizhevsky a torontói szülei házában, az egyik hálószobában futtatja az utolsó tanítási folyamatot. A csapata, a SuperVision, amelyet Ilya Sutskever doktorandusztársával és Geoffrey Hinton témavezetőjével épített, éppen benyújtja a ImageNet versenyre szóló nevezését.
Valami szokatlant tettek: egy mély neurális hálózatot tanítottak két NVIDIA GTX 580 grafikus kártyával. Játékhardver. Az a fajta, amellyel robbanásokat jelenítenél meg a Call of Dutyban, amellyel a sárkányok valósághű tüzet okádnának, amellyel víztükröződéseket számolnál fantasy világokban.
Ez igazából egy hevenyészett megoldás. Több számítási teljesítményre volt szükségük, mint amennyit a CPU-k nyújtani tudtak, és ezek az 500 eurós játék-GPU-k éppen működtek. Senki sem gondolja, hogy ez az AI jövője. Ez csak az, ami éppen elérhető, most, ebben a pillanatban, egy doktoranduszprojekthez.
A modelljük, az AlexNet, nem csak megnyeri a ImageNet versenyt. Lerombol minden korábbi próbálkozást. A korábbi évek győztesei 26,2%-os hibaarányt értek el. Az AlexNet 15,3%-ot ér el. Ez nem fokozatos fejlődés. Ez egy forradalom, amelyet az űrből is látni lehet.
És így, teljesen véletlenül, a GPU-k a mesterséges intelligencia alapjává váltak. A játékhardver a 21. század legfontosabb technológiájának gerincévé vált. Amiről mindenki azt hitte, hogy átmeneti megkerülő megoldás, az állandó infrastruktúrává vált.
Tizenhárom évvel később ez a véletlen valami olyanná nőtte ki magát, amire senki sem számított: évi 35 milliárd eurós függőséggé. Stratégiai sebezhetőséggé. Technológiai monokultúrává. Aranykalitkává, amely az egész globális AI-ökoszisztémát csapdába ejtette, és Európát a leginkább.
Miért váltak be a játékra szánt chipek
Legyünk teljesen őszinték arról, ami itt valójában történt. A GPU-kat soha nem mesterséges intelligenciára tervezték. Arra készültek, hogy valósághű vizet jelenítsenek meg a videojátékokban, hogy az árnyékok hihetőnek tűnjenek, hogy kiszámítsák a fényhatásokat 3D-s környezetben, másodpercenként 60 képkockával.
De volt egy építészeti jellemzőjük, amely szerencsésnek bizonyult a neurális hálózatok számára: a hatalmas fokú párhuzamosság. Míg egy CPU-nak 8 vagy 16 magja lehet, amelyek összetett műveleteket hajtanak végre egymás után, addig egy GPU-nak több ezer egyszerűbb magja van, amelyek ugyanazt az utasítást hajtják végre egyszerre.
A neurális hálózatok, mint kiderült, többnyire mátrixszorzásokból állnak. Ugyanaz a matematikai művelet ismétlődik milliószor. Kínosan párhuzamos, ahogy a számítógépes szakemberek mondják. Az a fajta probléma, ahol a munkát több ezer egyszerű processzorra lehet osztani, és drámai gyorsulást lehet elérni.
Ez a párosítás tisztán a véletlen műve volt. Mintha felfedeznéd, hogy a konyhai turmixgéped kiváló festékkeverő. Persze, működik. Gyorsabb, mint kézzel keverni. De senki nem erre a célra tervezte. Senki nem optimalizálta erre a felhasználásra. Csak úgy történik, hogy rendelkezik a megfelelő tulajdonságokkal.
A torontói csapatnak nagyobb hálózatokat kellett betanítania. A CPU-k dermesztően lassúak voltak, hetekig tartott náluk az, amihez a GPU-knak csak napok kellettek. Alternatívákat kerestek, és megtalálták az NVIDIA CUDA platformját, egy programozási keretrendszert, amely lehetővé tette, hogy grafikus kártyákat általános számítási feladatokra használjanak.
Nem volt optimalizálva neurális hálózatokra. Nem is volt különösebben alkalmas. De tízszer gyorsabb volt, mint a CPU-k, és ha valaki egy egyetemi laborban, szűkös költségvetésből futtat kísérleteket, ez bőven elég.
A „jó lesz így” lett az aranystandard. Az átmeneti megoldás állandó infrastruktúrává csontosodott. A hekkelésből iparág lett. És itt jön a valóban figyelemre méltó rész: mindenki tudta, hogy ez hekkelés. 2012-ben a kutatók úgy beszéltek a GPU-król, mint egy kényelmes gyorsítási módszerről, egy átmeneti megoldásról, amíg valami jobb nem jön.
Senki sem gondolta, hogy 2025-ben még mindig játékhardvert használunk a csúcskategóriás MI-hez. Senki sem jósolta meg, hogy ez lesz az a szűk keresztmetszet, amely az egész iparágat korlátozza. Mégis itt tartunk, billió paraméteres modelleket tanítunk be olyan hardveren, amelyet eredetileg Minecraft-blokkok megjelenítésére terveztek.
Hogyan építette fel az NVIDIA a bevehetetlen árkot
Az NVIDIA előbb látta meg a lehetőséget, mint bárki más. Míg az akadémikusok csupán kényelmes gyorsításként tekintettek a GPU-kra a kísérleteikhez, az NVIDIA türelemmel és egy mesterstratéga előrelátásával épített birodalmat.
A CUDA egy egyszerű programozási keretrendszerből átfogó ökoszisztémává fejlődött. Könyvtárak minden elképzelhető művelethez. Optimalizációs eszközök. Profilozó rendszerek. Hibakeresési infrastruktúra. Kiterjedt dokumentáció. Egyetemi hallgatókat oktató képzési programok. Fejlesztői evangelizáció. Konferencia-támogatások. Kutatási ösztöndíjak.
Több mint egy évtizeden át több milliárdot fektettek abba, hogy a CUDA ne csupán működőképes, hanem nélkülözhetetlen legyen. Ne csupán gyors, hanem pótolhatatlan.
Minden jelentős mesterségesintelligencia-keretrendszer a CUDA-ra épült. A PyTorch natívan a CUDA nyelvén beszél. A TensorFlow CUDA-ra fordít. A JAX feltételezi a CUDA elérhetőségét. Ha versenyképes sebességgel akarsz neurális hálót tanítani, olyan kódot írsz, amely CUDA-n fut. Ha optimalizálni akarod a teljesítményt, CUDA-könyvtárakat használsz. Ha nagy léptékben akarsz telepíteni, CUDA-kompatibilis hardverre van szükséged.
A CUDA pedig csak NVIDIA GPU-kon fut. Ez nem véletlen. Ez nem figyelmetlenség. Ez tizenöt éven át, sebészi pontossággal végrehajtott stratégia.
Ez a számítástechnika történetének egyik legsikeresebb szállítói bezárása. Nem jogi korlátozásokkal vagy olyan versenyellenes magatartással érték el, amelyet a szabályozó hatóságok megtámadhattak volna, hanem fáradhatatlan, türelmes ökoszisztéma-építéssel. Mire az iparág felismerte, mi történik, már túl késő volt. A teljes mesterségesintelligencia-verem az NVIDIA szabadalmaztatott alapjaira épült, egy döntésenként, egy könyvtáranként, egy optimalizálásonként.
Az NVIDIA ma a mesterségesintelligencia-gyorsítók piacának 92%-át uralja. Nem 60%. Nem 75%. Kilencvenkét százalék. Egyes elemzők a tanítási piaci részesedést 98%-ra teszik. Olvasd el újra ezeket a számokat. Ez nem versenypiac. Ez monopólium egy technikai fügefalevéllel.
A 35 milliárd eurós éves szorítás
Beszéljünk arról, mit jelent ez a monopólium a gyakorlatban, különösen az európai vállalatok számára, amelyek AI-termékeket szeretnének építeni.
Egyetlen NVIDIA H100 GPU ára 23 000 és 37 000 euró között mozog. Ez egyetlen chipért. Egy modern nagy nyelvi modell betanításához több ezer ilyen GPU-ra van szükség, amelyek hetekig vagy hónapokig folyamatosan futnak. A számítási költség önmagában elérheti a több tízmillió eurót. És ez csak egyetlen tanítási folyamat. A legtöbb modellhez több tucat iterációra van szükség, mielőtt elfogadhatóan működne.
Az NVIDIA legújabb Blackwell architektúrája chipenként akár 1200 wattot is fogyaszt. Ez több energia, mint egy csúcskategóriás fűtőventilátoré. Körülbelül 2,5-szer gyorsabb AI-tanítást biztosít az előző H100 generációhoz képest. Lenyűgöző mérnöki munka, kétségtelenül.
De többe is kerül, folyadékhűtéses infrastruktúrát igényel, amellyel a legtöbb adatközpont nem rendelkezik, és abszolút nincs más választásod, mint megvenni, ha versenyképes akarsz maradni. Mert mindenki más megveszi. Mert a CUDA csak ezen fut. Mert az ökoszisztéma sehol máshol nem létezik.
Az egész rendszer egy egyszerű valóságon alapul: ha csúcskategóriás AI-t akarsz építeni, NVIDIA GPU-kra van szükséged. És ha Európában működsz, az első naptól kezdve strukturális hátrányban vagy.
Az amerikai felhőszolgáltatók, mint az AWS, a Microsoft Azure és a Google Cloud, negyedévente több mint 37 milliárd eurót fektetnek GPU-infrastruktúrába. Minden. Egyetlen. Negyedévben. Az európai felhőpiac 70%-át uralják. Az európai szolgáltatók hazai piacuknak csupán 15%-át birtokolják, szemben a 2017-es 29%-kal.
Az olyan vállalatok, mint az SAP és a Deutsche Telekom, egyenként is csak 2%-os piaci részesedéssel rendelkeznek az európai felhőpiacon. Az olyan európai felhőszolgáltatók, mint az OVHcloud, a Scaleway és a Hetzner, réspiacokat szolgálnak ki, és nem tudják felvenni a versenyt az amerikai hiperskálázók méretével. Nem tudnak versenyképes áron GPU-hoz jutni. Nem tudják ugyanazt a teljesítményt nyújtani. Nem tudnak versenyezni.
Nem arról van szó, hogy az európai vállalatokból hiányzik a technikai tehetség vagy az ambíció. A GPU-hoz való hozzáférés hiányzik versenyképes áron és mértékben. Nem csak lemaradtak a versenyben. Teljesen más pályán futnak, strukturális akadályokkal, amelyeket milliárdos beruházások is alig tudnak leküzdeni.
Európa AI-startupjai lehetetlen játszmával néznek szembe
Gondoljuk végig, mi történik most, valós időben az európai AI-vállalatokkal, miközben versenyezni próbálnak.
A Mistral AI, Franciaország legígéretesebb AI-startupja, 468 millió eurós finanszírozást gyűjtött. Ez valódi pénz. Ezzel Európa egyik legjobban tőkésített AI-vállalatává vált. Még ezzel a hadiláddal is be kellett jelenteniük egy szuverén AI-infrastruktúra-partnerséget az NVIDIA-val a VivaTech 2025-ön, csak hogy GPU-hoz jussanak.
Olvassuk el újra. Közel félmilliárd eurós finanszírozás, és még mindig az NVIDIA-val kellett partnerségre lépniük, csak hogy chipekhez jussanak. Ez nem stratégiai döntés. Ez kényszer, amelyet partnerségnek öltöztettek.
Az Aleph Alpha, Németország válasza az OpenAI-ra, 2024 végén fordulatot vett: az alapmodellek építése helyett inkább a vállalatoknak segít az AI bevezetésében. Miért? Ahogy Jonas Andrulis alapító elismerte, az LLM-ek építése túl nehéznek és költségesnek bizonyult egy olyan térben, ahol a mély zsebű Big Tech-óriások dominálnak.
Fordításban: nem tudtak akkora mértékben GPU-hoz jutni, amennyi a versenyhez kellett volna. Nem tudták felvenni a versenyt az amerikai vállalatok infrastrukturális beruházásaival. Ezért olyan üzleti modellre váltottak, amely nem igényli az alapmodell-tanításban való versenyzést. Ez nem stratégia. Ez megadás.
Az európai AI-vállalatok tízszer kevesebb finanszírozáshoz jutnak, mint amerikai társaik. De még ha a finanszírozás egyenlő is lenne, a GPU-szűk keresztmetszet megmaradna. Az NVIDIA a legnagyobb ügyfeleit részesíti előnyben: az amerikai felhőszolgáltatókat és tech-óriásokat. Az európai startupok a morzsákért sorban állnak, prémium árat fizetve azért a kapacitásért, amelyet meg tudnak szerezni.
Az EU az InvestAI kezdeményezéssel válaszolt, amely 200 milliárd eurót mozgósít a mesterséges intelligencia beruházásaira. 2025 februárjában a Brookfield Infrastructure és a Data4 19,2 milliárd eurós mesterséges intelligencia infrastrukturális beruházást jelentett be Franciaországban. 2024 decemberében az EuroHPC JU hét konzorciumot választott ki az első AI-gyárak létrehozására Finnországban, Németországban, Görögországban, Olaszországban, Luxemburgban, Spanyolországban és Svédországban.
Ezek hatalmas beruházások. Valódi elkötelezettségek. De az első gigagyárak legkorábban 2027-ben kezdik meg működésüket. És mindegyik, minden egyes, NVIDIA GPU-kon fog futni. Európa több száz milliárd eurót költ arra, hogy megszabaduljon az amerikai felhőszolgáltatóktól való függőségtől, csak hogy még jobban függjön az amerikai hardvertől.
Látja a problémát.
Az ökoszisztéma-csapda: miért szinte lehetetlen a menekülés
Íme, miért olyan alattomos a bezártság, még akkor is, ha mindenki felismeri, hogy ez egy megoldandó probléma.
Képzelje el, hogy a Müncheni Műszaki Egyetem kutatólaboratóriuma. Öt éve használ NVIDIA GPU-kat. A teljes kódbázisa CUDA-ra van optimalizálva. A kutatói CUDA-szakértelemmel rendelkeznek. Az infrastruktúrája CUDA-t feltételez. A telepítési folyamatai CUDA-tól függenek. Több millió eurót és számtalan emberévet fektetett ebbe az ökoszisztémába.
Most valaki felkínál egy alternatívát. Talán az AMD ROCm platformját. Talán a Google TPU-it. Talán egy ígéretes európai startup egyedi MI-gyorsítóját.
Ha váltani akarsz, az egész kódbázisodat újra kell írnod egy új platformra, ami hónapokig vagy évekig tart. Újra kell képezned a csapatodat az új eszközökre, keretrendszerekre és optimalizációs technikákra. Újra kell optimalizálnod az összes modelljedet különböző hardverarchitektúrákra. El kell fogadnod, hogy a nyílt forráskódú AI-könyvtárak 80%-a jelentős módosítás nélkül nem fog működni. Kockáztatnod kell, hogy az alternatívának nincs tartós ereje és gyártói támogatása. Reménykedned kell, hogy a teljesítmény eléri vagy meghaladja a korábbit, miközben tudod, hogy valószínűleg nem fogja. Imádkoznod kell, hogy ne csak az egyik zárt ökoszisztémából kerülj egy másikba, amely ugyanúgy bezár, de kevesebb erőforrás áll mögötte.
A váltás költségei csillagászatiak. A kockázatok óriásiak. Az előnyök bizonytalanok. A legtöbb szervezet számára ez lehetetlen számítás. Jobb ragaszkodni az ismert ördöghöz, még akkor is, ha az az ördög drága, külföldi ellenőrzés alatt áll, és stratégiai kockázatot jelent.
Az olyan technológiai óriások, mint a Microsoft, a Meta és a Google, több tízmilliárdot fektettek CUDA-alapú adatközpontokba. Ez az infrastruktúra nem csupán elsüllyedt költséget jelent. Ez az egész AI-stratégiájuk alapja. A tehetségeik CUDA-ban képzettek. A kódjuk CUDA-t feltételez. A telepítési eszközeik CUDA-t várnak el. A versenyelőnyük a CUDA-szakértelemtől függ.
A közgazdászok ezt magas váltási költségnek nevezik hálózati hatásokkal. Ha egy technológia eléri a kritikus tömeget, a kiszorítása szinte lehetetlenné válik, még akkor is, ha léteznek jobb alternatívák. Még akkor is, ha mindenkinek jobb lenne a váltás. Még akkor is, ha a jelenlegi megoldás nem optimális, drága és stratégiailag veszélyes.
Az NVIDIA nem csak kiváló hardvert épített. Egy aranyrácsos ketrecet épített, és az egész AI-ipar önként sétált be, egy-egy célszerű döntés után, nem észlelve, hogy mögöttük becsukódik az ajtó.
Az innovációs szűk keresztmetszet, amiről senki sem beszél
A legrosszabb következmény nem a költség vagy a gyártóhoz való bezártság. Hanem az, amit a GPU-dominancia tesz magával az innovációval, magával a lehetőségtérrel, hogy mi lehetne az AI.
Amikor egy technológia szinte teljes piaci dominanciát ér el, az innováció abba az irányba áramlik, hogy azt a technológiát tegye valamivel jobbá, ahelyett, hogy alapvetően más megközelítéseket fedezne fel. Az NVIDIA új GPU-generációkat ad ki apró fejlesztésekkel. A kutatók az NVIDIA-architektúrákra optimalizálják a kódot. A keretrendszer-fejlesztők CUDA-funkciókat adnak hozzá. Mindenki gyorsabban fut ugyanazon a futópadon.
Eközben az AI radikálisan eltérő megközelítései források, figyelem és tehetség nélkül maradnak. Miért fektess be a neuromorfikus számítástechnikába, ha mindenki GPU-t használ? Miért fedezd fel a kényszeralapú érvelést, ha a neurális hálózatok elég jól működnek? Miért fejlessz bináris hálózatokat, ha a lebegőpontos a bevett szabvány? Miért törekedj analóg számítástechnikára, fotonikus feldolgozásra vagy bármilyen más alternatív architektúrára?
A válasz kegyetlenül egyszerű: nem tudsz versenyezni. Az ökoszisztéma nem létezik. Az eszközök nincsenek ott. Az infrastruktúra nem áll rendelkezésre. A tehetség megtanulta a CUDA-t, és nem akar újrakezdeni. A befektetők GPU-alapú megközelítéseket finanszíroznak, mert azok bizonyítottan működnek, mert értik a piacot, mert az alternatívák túl kockázatosak.
Ez egy önmagát erősítő körforgás, amely minden iterációval szűkíti a lehetőségteret. A GPU-dominancia ökoszisztéma-előnyöket teremt. Az ökoszisztéma-előnyök befektetéseket vonzanak. A befektetések erősítik a GPU-dominanciát. Az alternatív megközelítések még csak elindulni is alig tudnak, nemhogy elérjék a működőképesség bizonyításához szükséges méretet.
Már nem a lehetséges AI-architektúrák teljes terét fedezzük fel. Sokkal szűkebb teret fedezünk fel: azt, ami hatékonyan fut NVIDIA GPU-kon. Ez mélyreható korlátot jelent az innováció számára, amely idővel felhalmozódik. A ketrec minden évben kisebb lesz, a falak vastagabbak, a kijárat távolabbi. Minden évben többet fektetünk a rossz dolog optimalizálásába.
Digitális gyarmatosítás: Európa stratégiai válsága
Európa számára ez nem pusztán technikai kellemetlenség vagy szerencsétlen piaci helyzet. Ez stratégiai válság, geopolitikai következményekkel, amely évtizedekre meghatározza majd Európa technológiai szuverenitását.
2025. június 10-én Anton Carniaux, a Microsoft franciaországi köz- és jogügyi igazgatója a francia szenátus előtt ült egy adatszuverenitásról szóló vizsgálat keretében. A szenátorok egymás után faggatták egy megtévesztően egyszerű kérdéssel: tudná-e garantálni, hogy a Microsoft szerverein tárolt francia állampolgári adatok soha nem kerülnek továbbításra az amerikai hatóságokhoz kifejezett francia engedély nélkül?
A válasza, amelyet világosan és minden kitérő nélkül adott: Nem, ezt nem tudom garantálni.
Az amerikai CLOUD Act értelmében az amerikai technológiai vállalatok kötelesek eleget tenni az amerikai kormány adatkéréseinek, függetlenül attól, hogy az adatok fizikailag hol tárolódnak. Ha egy kérést az amerikai jogszabályoknak megfelelően fogalmaznak meg, a Microsoft jogilag köteles az adatok továbbítására. Az európai adatszuverenitás tehát az amerikai önmérséklettől függ. Az amerikai politika tetszésétől függ, nem pedig európai ellenőrzés kérdése.
Ez a vallomás sokkhullámokat küldött az európai politikai körökben. A GPU-helyzet azonban szerkezetileg azonos, csak kevésbé látható. Az NVIDIA az amerikai exportellenőrzés hatálya alá tartozik. Egy kereskedelmi vita, egy politikai irányváltás, egy geopolitikai válság, és Európa teljes MI-infrastruktúrája korlátozható vagy teljesen elvágható. Nem hipotetikusan. Ténylegesen. Egy tollvonással Washingtonban.
Európának kiváló MI-kutatói vannak. Világszínvonalú egyetemek, amelyek élenjáró tanulmányokat publikálnak. Innovatív startupok, mint a Mistral AI és az Aleph Alpha. Jelentős kutatóintézetek, mint az IDSIA Svájcban, a Német Mesterséges Intelligencia Kutatóközpont, az INRIA Franciaországban. Tehetséges mérnökök, akik lenyűgöző rendszereket építenek.
De mindannyian olyan alapra építenek, amelyet nem ellenőriznek, olyan hardvert használnak, amelyhez versenyképes áron nem férnek hozzá, egyetlen amerikai vállalat tulajdonában lévő zárt ökoszisztémába vannak zárva, az amerikai exportpolitika hatálya alá tartoznak, és ki vannak szolgáltatva az amerikai politikai döntéseknek.
Ez nem digitális szuverenitás. Ez digitális gyarmatosítás barátságos arccal és kiváló ügyfélszolgálattal.
A hatékonysági hazugság, amellyel senki sem akar szembenézni
Íme egy kényelmetlen igazság, amelyet a legtöbb MI-infrastruktúráról szóló vita elsiklik: a GPU-k valójában nem hatékonyak az MI számára. Csak a legkevésbé rossz lehetőség, amelyre ráálltunk, mert 2012-ben elérhetőek voltak.
Igen, a GPU-k gyorsabbak a CPU-knál a mátrixszorzásban. De ezt a sebességet nyers erővel érik el, nem eleganciával vagy optimalizációval. Óriási energiát fogyasztanak. Összetett folyadékhűtési rendszereket igényelnek. Speciális adatközponti infrastruktúrát követelnek. És egyre rosszabbak, nem jobbak.
Egy modern NVIDIA Blackwell B200 1200 wattot fogyaszt. Ez több energia, mint a legtöbb háztartási fűtőtesté. Európa-szerte nem számítási hatékonyság miatt tervezik át az adatközpontokat, hanem pusztán a hőterhelés kezelése érdekében. A GB200 NVL72 szekrény 120 kilowattot fogyaszt. Egyetlen állvány. Gigawatt méretű MI-gyárak olyan energia-infrastruktúrát igényelnek, amely kisvárosokénak felel meg.
Az adatközpontok energiaigénye Európában várhatóan 168 TWh-ra nő 2030-ra és 236 TWh-ra 2035-re, ami 2024-es szinthez képest megháromszorozódás. Hollandiában az adatközpontok már az országos áramfogyasztás 7%-át teszik ki. Frankfurtban, Londonban és Amszterdamban az összes áram 33% és 42% közötti részét fogyasztják. Olvassa el újra. A jelentős európai városokban az áram harmada és csaknem fele között adatközpontokba kerül.
Írországban az adatközpontok az országos áramfogyasztás több mint 20%-át teszik ki. Egy egész ország áramának egyötöde arra megy el, hogy a chipeket elég hűvösen tartsák a működéshez. És ez az arány évről évre nő, ahogy egyre több MI-infrastruktúra áll üzembe.
És most jön az a rész, amelynek mindenkit el kell gondolkodtatnia: ennek a számítási munkának a nagy része alapvetően kárba vész. A GPU-k szélsőséges pontossággal végeznek lebegőpontos műveleteket, amikor a végső döntés bináris. Hatalmas mátrixszorzásokat hajtanak végre, amikor egyszerűbb műveletek is elegendőek lennének. Nem azért égetnek energiát, mert az intelligencia működéséhez szükséges, hanem azért, mert a GPU-hardver így működik. Mert ez az egyetlen mód, ahogyan nagy léptékben tudjuk csinálni azokkal az eszközökkel, amelyekbe befektettünk.
Teljesen rossz mérőszámra optimalizáltunk. Nem arra, hogy mi a legjobb módja az AI-nak, hanem arra, hogy mi a leggyorsabb módja annak, hogy GPU-n futtassuk. Ez olyan, mintha úgy terveznénk repülőgépeket, hogy a madarakat gyorsabb szárnycsapkodásra kényszerítjük, ahelyett, hogy megértenénk az aerodinamikai felhajtóerő alapelveit. Működik, valahogy, de teljesen elvéted a lényeget.
A bináris áttörés: kilépés a paradigmából
Szóval mi a tényleges kiút ebből az aranykalitkából? A Dweve-nél alapvetően más kérdést tettünk fel: mi van, ha egyáltalán nincs szükségünk GPU-kra? Mi van, ha az egész lebegőpontos megközelítés már a kezdetektől rossz út volt?
A neurális hálózatok azért igénylik a GPU-kat, mert lebegőpontos aritmetikát használnak. A lebegőpontos műveletek speciális hardvert igényelnek az elfogadható teljesítményhez. Ez az architekturális követelmény teremti meg a GPU-függőséget. Ezért vagyunk csapdában. Ezt a láncot kell elszakítanunk.
A bináris neurális hálózatok azonban teljesen kiküszöbölik a lebegőpontos aritmetikát. Egyszerű logikai műveletekkel dolgoznak: AND, OR, XOR, XNOR. Olyan műveletekkel, amelyeket minden modern CPU hatékonyan végrehajt natív utasításkészletekkel, amelyek évtizedek óta léteznek. Nincs szükség speciális hardverre. Nincs GPU-függőség. Nincs CUDA-bezártság. Nincs gyártói monopólium.
A Dweve Core ezt a megközelítést 1 930 hardverre optimalizált algoritmussal valósítja meg, közvetlenül a diszkrét döntési térben működve. Bináris számítás, ternáris számítás, alacsony bitszámú számítás. A keretrendszer hatékonyan fut standard CPU-kon, olyan eredményeket érve el, amelyeknek lehetetlennek kellene lenniük:
Standard Intel Xeon szerverek nagy modelleket futtatnak versenyképes sebességgel. Az energiafogyasztás több tíz wattban mérhető, nem pedig több százban vagy ezerben. A memóriaigény egy nagyságrenddel csökken. Az inferencia sebessége sok munkaterhelésnél eléri vagy meghaladja a GPU-s megvalósításokat. És mindez olyan hardveren fut, amely már minden adatközpontban, minden felhőszolgáltatónál és minden élalkalmazásban létezik.
A matematika egyszerű. Az FP32 modellek paraméterenként 4 bájtot igényelnek. A bináris modellek paraméterenként 1 bitet. Ez már önmagában 32-szeres memóriacsökkenés a kvantálásból. Ha ehhez hozzáadjuk a ritka aktivációs mintázatokat, olyan modelleket kapunk, amelyek elférnek a rendszermemóriában, ahelyett hogy drága, nagy sávszélességű memóriát igényelnének.
A bináris műveletek XNOR és POPCNT utasításokkal futnak. Ezek natív CPU-utasítások, az x86-64 és az ARM utasításkészlet részei, szilíciumszinten optimalizálva. Gyorsak. Hatékonyak. Mindvégig ott voltak. Csak ki kellett találnunk, hogyan használjuk őket megfelelően.
Mit változtatnak valójában a bináris hálózatok
Ez nem csekély javulás a meglévő paradigmán. Ez egy másik paradigma. A következmények messze túlmutatnak a jobb teljesítménymutatókon.
Dweve Loom bemutatja, mi válik lehetségessé: 456 doménspecifikus rendszer működik Szakértők Keverékeként. Minden doménszakértő egy bináris hálózat, amely a saját területére optimalizált. Matematika. Tudomány. Kód. Nyelv. Együtt elérik a sokkal nagyobb modellek mélységét és képességét, miközben az erőforrások töredékét használják.
A doménszakértők közötti útválasztás? Bináris műveletek. A doménszakértő aktiválása? Bináris döntések. A végső kimeneti fúzió? Bináris logika. Minden szinten bináris, és ez azért működik, mert az intelligencia végső soron diszkrét választásokban nyilvánul meg, nem pedig folytonos valószínűségekben, amelyeket pazarló pontossággal számítanak ki.
Ez egy szabványos szerveren fut. Nem GPU-fürtön. Nem speciális gyorsítókon. Egy szerveren, amelyet bármely hardvergyártótól megvásárolhat, bármely adatközpontba telepíthet, bármely országban üzembe helyezhet. A teljes rendszer energiafogyasztása több száz wattban mérhető, nem pedig chipenként. A hűtési igényeket szabványos léghűtés biztosítja, nem pedig folyadékhűtéses rendszerek, amelyek telepítése milliókba kerül.
Kitörés: Európa útja előre
A GPU-korszak sokkal tovább tartott, mint kellett volna. Ami 2012-ben egy doktorandusz hálószobájában átmeneti megoldásként kezdődött, az iparági függőséggé terebélyesedett. Ami ideiglenes szükségmegoldásnak készült, az állandó infrastruktúrává vált. Amit már évekkel ezelőtt le kellett volna cserélni, az monopóliummá dermedt.
De a repedések már látszanak. A költségek mindenki számára fenntarthatatlanná válnak, kivéve a legnagyobb technológiai óriásokat. A stratégiai kockázatokat egyetlen figyelmes kormány sem hagyhatja figyelmen kívül. Az innovációs szűk keresztmetszet megfojtja a potenciálisan jobb alternatív megközelítéseket. A környezeti hatás egyre tarthatatlanabb, miközben gigawattos erőműveket építünk pusztán a chipek hűtésére. A geopolitikai sebezhetőség túl súlyos ahhoz, hogy Európa határozatlan ideig elfogadja.
A bináris neurális hálózatok nem csupán a meglévő megközelítések optimalizálását jelentik. Az AI működésének alapvető újragondolását képviselik. Megtestesítik a különbséget az NVIDIA ökoszisztémájába zártság és a valódi technológiai szabadság elérése között. A GPU-adó örökös fizetése és a teljes kitörés között.
Európának nem kell megnyernie a GPU-versenyt. Európának el kell avultatnia azt. Olyan AI-rendszereket kell építenie, amelyek a már meglévő szabványos hardveren működnek. Olyan technológiákat kell létrehoznia, amelyek nem függenek amerikai gyorsítóktól, amelyekre amerikai exportellenőrzés vonatkozik. Olyan képességeket kell fejlesztenie, amelyeket nem fojthat meg külpolitikai döntés, és amelyeket nem veszélyeztethetnek külföldi adathozzáférési törvények.
A Dweve-nél a teljes platformunk erre az alapra épül. A Core biztosítja a bináris algoritmus keretrendszerét. A Loom megvalósítja a doménszakértő intelligencia modellt. A Nexus többágens rendszereket hangol össze. Az Aura autonóm ágenseket kezel. A Spindle a tudásirányításért felel. A Mesh decentralizált infrastruktúrát hoz létre.
Mindez hatékonyan fut szabványos európai infrastruktúrán. CPU-kon az Interxion, az Equinix és az OVHcloud adatközpontjaiban. Peremeszközökön a kontinens szerte. Olyan hardveren, amelyet mi felügyelünk, olyan matematikával, amelyet nem lehet monopolizálni, és olyan értéket teremtve, amely Európában marad.
Nincs GPU-függőség. Nincs stratégiai sebezhetőség. Nincs aranykalitka.
Választás előtt állunk
Az AI-iparág keresztúthoz érkezett. Az egyik út a GPU-k által kijelölt pályán halad tovább, elfogadva a folyamatosan növekvő költségeket, a csökkenő szuverenitást, a szűkülő innovációs teret, a növekvő környezeti terhelést és a mélyülő stratégiai kiszolgáltatottságot. A másik út teljesen szakít ezzel, olyan diszkrét matematikát használva, amely nem igényel speciális gyorsítókat, amely a már meglévő hardveren fut, és amely visszaadja nekünk az irányítást.
Az aranyketrec belülről kényelmesnek tűnik. A NVIDIA valóban kiváló termékeket gyárt. A CUDA lenyűgözően optimalizált. Az ökoszisztéma érett és átfogó. A teljesítmény valós. A tehetetlenség erős. A elsüllyedt költségek pszichológiai elköteleződést teremtenek. A változás nehéz, kockázatos és bizonytalan.
De ez még mindig egy ketrec. És az ajtó csukódik.
Minden negyedévben mélyül a GPU-függőség. Minden, CUDA-infrastruktúrába fektetett euró növeli a váltás költségét. A gyorsítók minden új generációja erősíti a bezártságot. Minden kutató, akit kizárólag CUDA-ra képeztek ki, szűkíti a tehetségállományt. Minden évvel kisebb lesz a ketrec, és távolabbi a kijárat. Minden évvel kevesebb mozgásterünk, kevesebb lehetőségünk és nagyobb kockázatunk van.
A bináris neurális hálózatok és a diszkrét számítások kiutat kínálnak. De csak akkor, ha még azelőtt élünk vele, hogy a ketrec bezárulna. Csak akkor, ha addig cselekszünk, amíg az alternatívák lehetségesek. Csak akkor, ha hajlandóak vagyunk megkérdőjelezni azt a feltételezést, hogy a GPU-k elkerülhetetlenek, hogy a lebegőpontos számítás szükséges, hogy a monopólium elfogadható.
A 2012-es szerencsés áttörés betöltötte a szerepét. Megmutatta, hogy a mélytanulás nagy méretekben is működik. Bebizonyította az AI-ban rejlő lehetőségeket, amelyeket senki sem képzelt el. Beindított egy iparágat, amely átalakítja a civilizációt. Alex Krizhevsky, Ilya Sutskever és Geoffrey Hinton hatalmas elismerést érdemel az áttörésükért. Megváltoztatták a világot.
De a szerencsés áttörések nem alapoknak valók. A célszerű hevenyészett megoldások nem infrastruktúrának valók. Az átmeneti kerülőutakból nem válhatnak állandó függőségek. A játékhardver nem arra való, hogy civilizációs méretű AI-t futtasson. Az amerikai monopóliumok nem arra valók, hogy korlátlanul ellenőrizzék az európai technológiai szuverenitást.
Ideje valami jobbat építeni. Valamit, ami nem csapdáz be minket aranyketrecekbe. Valamit, ami valóban megérdemli, hogy a mesterséges intelligencia alapja legyen. Valamit, ami szabványos hardveren működik, tiszteletben tartja az energia korlátokat, lehetővé teszi a valódi innovációt, megőrzi a stratégiai autonómiát, és visszaadja nekünk az irányítást a technológiai jövőnk felett.
A GPU-korszak véget ér, akár elismerjük, akár nem. A fizika és a közgazdaságtan garantálja ezt. Az egyetlen kérdés az, hogy látjuk-e közeledni, és felépítjük-e az alternatívát, vagy egy nap arra ébredünk, hogy rájövünk: nem tudunk elmenekülni, és túl későn döbbenünk rá, hogy akkor kellett volna cselekednünk, amikor még volt rá lehetőségünk.