Skaitmeninės energijos krizė: dirbtinio intelekto 945 TWh išbandymas
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.
Anglies bomba treniruotės metu
Treniruojant vieną didelį kalbos modelį susidaro anglies pėdsakas, dėl kurio naftos perdirbimo gamykla paraustų iš gėdos. Ir kitaip nei perdirbimo gamyklos, kurios bent jau pagamina ką nors apčiuopiamo, ką galima įpilti į automobilį, šios emisijos sukuria... na, modelį, kuris gali užtikrintai kliedėti apie grybų receptus.
GPT-3, modelis, nuo kurio prasidėjo dabartinis dirbtinio intelekto bumas, treniruotės metu išmetė 552 metrines tonas CO2. Tai prilygsta 123 benzininiams lengviesiems automobiliams, važiuojantiems vienerius metus. Už vieną modelį. Vieną treniruotės ciklą. Ir tai tik tiesioginis energijos suvartojimas, neskaičiuojant įkūnytos anglies, susidariusios gaminant GPU ar statant duomenų centrą.
Štai kas tikrai beprotiška: GPT-3 šiandienos standartais laikomas mažu. Šiuolaikiniai modeliai yra eilėmis didesni. Treniruojant 100 trilijonų parametrų modelį, GPU skaičiavimo laikas kainuoja maždaug 9 mln. eurų. Esant Europos energijos kainoms ir anglies intensyvumui, tai tūkstančiai tonų CO2 ekvivalento. Už vieną modelį. O sėkmingam diegimui paprastai reikia dešimčių ar šimtų treniruotės ciklų, nes pirmieji septyniolika bandymų sukuria modelį, kuris mano, kad Belgija yra sūrio rūšis.
Moksliniuose straipsniuose trimituojami įspūdingi našumo rodikliai. O anglies pėdsakas? Jis palaidojamas išnašoje, jei apskritai paminimas. Tai dirbtinio intelekto atitikmuo girtis naujo automobilio pagreitėjimu, tyčia neminint, kad jis sunaudoja 2 litrus kilometrui.
Išvadų dauginimo efektas
Štai ko dauguma nepastebi, ir tai yra tikrai svarbi dalis: treniruotė yra vienkartinė išlaida. Išvadų darymas, modelio naudojimas atsakymams į klausimus, veikia nuolat. Amžinai. Tokiu mastu, kad treniruotės emisijos atrodo menkos.
Kiekviena ChatGPT užklausa sunaudoja elektros. Kiekvienas dirbtinio intelekto vaizdo generavimas degina vatus. Kiekviena rekomendacija, kiekvienas vertimas, kiekvienas balso asistento atsakymas. Milijonai užklausų per sekundę, 24 valandas per parą, 365 dienas per metus. Ir kitaip nei treniruotė, kuri vyksta koncentruotais pliūpsniais, išvadų darymas yra paskirstytas tūkstančiuose duomenų centrų visame pasaulyje, todėl jį beveik neįmanoma sekti.
Tyrimai rodo, kad išvadų emisijos dažnai viršija treniruotės emisijas eilėmis, ypač plačiai diegiamų modelių atveju. Treniruotė gali kainuoti 500 tonų CO2. O išvados per visą modelio gyvavimo laiką? Galimai 50 000 tonų. Galbūt daugiau. Niekas neskaičiuoja, ir būtent tai yra problema.
Technologijų įmonės praneša apie treniruotės emisijas, kai to reikalauja ES reglamentai. O išvadų emisijos? Tai „veiklos pridėtinės išlaidos“, patogiai palaidotos bendrojoje duomenų centrų statistikoje šalia el. pašto serverių ir kačių vaizdo įrašų. ES dirbtinio intelekto aktas reikalauja atskleisti bendros paskirties dirbtinio intelekto modelių energijos suvartojimą, tačiau vykdymo užtikrinimas yra nevienodas, o savanoriškas atskleidimas lieka tik savanorišku.
Galios tankio krizė, kuri laužo fiziką
Tradiciniai duomenų centrai anksčiau sunaudodavo apie 36 kilovatus vienam stovui. Įveikiama. Įprastas oro aušinimas puikiai veikė. Juos buvo galima statyti bet kur, kur yra geras tinklo ryšys ir priimtinos elektros kainos. Infrastruktūra buvo paprasta.
Tada atsirado dirbtinis intelektas, ir fizika supyko.
Šiandien dirbtinio intelekto stovai pasiekia 50 kilovatų. Pažangiausi diegimai siekia 100 kilovatų. Kai kurios eksperimentinės konfigūracijos stumiasi iki 250 kilovatų vienam stovui. Tai toks energijos suvartojimas kaip 100 vidutinių Europos namų ūkių, sutelktas kelių kvadratinių metrų serverių stove. Galios tankis artėja prie raketinio variklio tankio.
Problema ne tik bendra galia. Problema yra tankis. Sukrauk tiek energijos į tokią mažą erdvę, ir fizika tampa tavo priešu. Šiluma turi kažkur dingti, o oro aušinimas fiziškai to negali atlaikyti. Šiluminė apkrova per didelė. Reikia skysčio aušinimo. Tiesioginio aušinimo prie lusto. Panardinamojo aušinimo. Sudėtingų šilumos valdymo sistemų, kurios kainuoja daugiau nei patys serveriai ir kurioms valdyti reikia atskirų inžinierių komandų.
Duomenų centrai pertvarkomi ne dėl skaičiavimo efektyvumo, o vien tam, kad būtų išvengta šiluminio išsilydymo. Mes statome infrastruktūrą, skirtą atliekinei šilumai iš matematinių operacijų, kurios iš esmės išvis neturėtų generuoti tiek šilumos, tvarkyti. Tai tarsi projektuoti geresnę išmetimo sistemą degančiam automobiliui, užuot klausus, kodėl automobilis dega.
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
Dirbtinio intelekto pramonė tiesiog dievina kalbėti apie efektyvumo pagerėjimus. Kiekvienoje konferencijos pagrindinėje kalboje yra skaidrė: „Nauji lustai yra 10× efektyvesni!“ „Geresni algoritmai sumažina energijos suvartojimą 50%!“ „Mūsų duomenų centrai naudoja 100% atsinaujinančios energijos!“
Visa tai tiesa. Visa tai techniškai įspūdinga. Ir visa tai visiškai nesusiję su tikrąja problema.
Nes efektyvumo pagerėjimus iškart sugeria masto padidėjimai. Tai Jevonso paradoksas, ir ekonomistai apie jį įspėja nuo 1865 m., kai William Stanley Jevons pastebėjo, kad pagerėjęs anglies efektyvumas garo varikliuose padidino bendrą anglies suvartojimą, o ne jį sumažino.
„Microsoft“ generalinis direktorius Satya Nadella tiesiog parašė „Jevonso paradoksas vėl smogia!“, kai „DeepSeek“ išleido savo efektyvų ir nebrangų DI modelį. Jis tiksliai suprato, kas nutiks: mažesnės sąnaudos reiškia didesnį naudojimą, o tai lemia didesnį bendrą suvartojimą. Ir jis buvo teisus.
Taip, naujesni lustai atlieka daugiau skaičiavimų vienam vatui. Tačiau modeliai didėja dar greičiau. Taip, geresni algoritmai sutrumpina mokymo laiką. Tačiau mes mokome daugiau modelių, dažniau, su daugiau parametrų, nes dabar galime tai sau leisti. Bendras energijos suvartojimas nemažėja. Jis spartėja. 10× efektyvumo pagerėjimas tiesiog reiškia, kad už tą pačią energijos kainą galime išmokyti 10× didesnį modelį. Taigi ir darome. O bendras suvartojimas auga.
„NVIDIA“ teigia, kad „Blackwell“ yra 100 000× efektyvesnis energijos atžvilgiu atliekant išvadas nei lustai prieš dešimtmetį. Įspūdinga inžinerija. Tačiau bendras DI energijos suvartojimas tuo pačiu laikotarpiu sprogo, nes efektyvumo pagerėjimai leido diegti tokiais mastais, kurie anksčiau buvo ekonomiškai neįmanomi.
Tikroji slankiojo kablelio fantazijų kaina
Kodėl DI sunaudoja tiek daug energijos? Atsakymas slypi matematikoje, ir jis paprastesnis, nei galėtumėte pagalvoti.
Slankiojo kablelio aritmetika, šiuolaikinių neuroninių tinklų pagrindas, yra skaičiavimo požiūriu brangi. Kiekvienas dauginimas reikalauja nemažai grandynų, nemažai silicio ploto, nemažai galios. O neuroniniai tinklai yra milijardai ir milijardai slankiojo kablelio operacijų, kartojamų milijonus kartų per sekundę.
Dar blogiau, mes naudojame ypatingą tikslumą ten, kur jo tikrai nereikia. 32 bitų slankiojo kablelio skaičiai. 16 bitų. Net 8 bitų. Visas šis tikslumas, visos šios skaičiavimo sąnaudos, visa ši energija sprendimams, kurie galiausiai yra dvejetainiai. Taip arba ne. Katė arba šuo. Brukalas arba ne. Patvirtinti arba atmesti.
Tai tarsi naudoti superkompiuterį monetos metimui. Rezultatas yra skaičius arba herbas, bet mes deginame megavatus skaičiuodami tikimybes iki šešiolikos skaitmenų po kablelio. Tikslumas matematiškai gražus. Jis taip pat termodinamiškai beprotiškas.
Tai ne optimizavimas. Tai švaistymas, apsimetantis būtinybe, ginamas inercijos „bet mes visada taip darėme“ ir paskendusių milijardų eurų, investuotų į GPU infrastruktūrą, specialiai sukurtą slankiojo kablelio operacijoms.
Dvejetainė alternatyva, kuri tikrai veikia
Taigi koks sprendimas? Kaip sukurti DI nepaverčiant duomenų centrų klimato katastrofomis?
Bendrovėje „Dweve“ pradėjome kvestionuodami pagrindinę prielaidą. Ar DI tikrai reikia slankiojo kablelio aritmetikos? Ar jam tikrai reikia tiek daug energijos? Ar yra kitoks matematinis pagrindas, pasiekiantis tą patį intelektą su žymiai mažesnėmis skaičiavimo sąnaudomis?
Dvejetainiai neuroniniai tinklai pateikia aiškų, empiriškai patikrintą atsakymą: ne, DI nereikia slankiojo kablelio aritmetikos. Net iš tolo ne.
Visiškai atsisakius slankiojo kablelio operacijų ir naudojant paprastą dvejetainę logiką, energijos sąnaudos sumažėja 96%. Ne dėl nežymių optimizacijų ar sumanaus talpyklos naudojimo. Dėl esminio matematinio pertvarkymo. Skaičiavimo sutaupymai atsiranda pakeitus sudėtingas slankiojo kablelio daugybos ir kaupimo operacijas paprastomis dvejetainėmis AND ir XNOR operacijomis, kurioms reikia eilėmis mažiau energijos.
Tas 1200 vatų „Blackwell“ greitintuvas? Pakeiskite jį 50 vatų procesoriumi, vykdančiu dvejetaines operacijas. Toks pat intelektas. Tokios pat galimybės. 24 kartus mažiau energijos. Arba dar geriau, diegti FPGA, specialiai optimizuotose dvejetainėms operacijoms, pasiekiant 136 kartus geresnį energijos vartojimo efektyvumą nei tradiciniai GPU sprendimai.
Tas 250 kilovatų serverių stovas, sunaudojantis tiek energijos kiek visa apylinkė? Sumažėja iki 10 kilovatų. Tas didžiulis duomenų centras, sunaudojantis tiek elektros kiek visas miestas? Sumažėja iki didelio biuro pastato energijos poreikio. Infrastruktūros reikalavimai proporcingai sumažėja. Jokio egzotiško skysčio aušinimo. Jokių specialių elektros pastočių. Jokių tinklo atnaujinimų.
Matematika paprasta: dvejetainės operacijos sunaudoja eilėmis mažiau energijos nei slankiojo kablelio. Infrastruktūros efektyvumas natūraliai išplaukia. Poveikis klimatui proporcingai mažėja. O rezultatai? Lygiavertis arba geresnis tikslumas atliekant realias užduotis, nes dvejetainiai neuroniniai tinklai gali iš tikrųjų užfiksuoti struktūrinius ryšius, kurių slankiojo kablelio tinklai nepastebi.
Beyond Efficiency: A Different Paradigm for European AI
Binary neural networks aren't just more efficient. They represent a fundamentally different approach to intelligence that aligns naturally with European values of sustainability, transparency, and technological sovereignty.
Instead of approximating decisions with continuous mathematics and massive computation, they use discrete logic directly. Instead of burning energy to overcome numerical instability in gradient descent, they build on stable binary foundations. Instead of requiring expensive proprietary GPUs manufactured overseas, they run efficiently on standard CPUs and can be deployed on European-manufactured FPGAs.
The result is AI that works with physics instead of fighting it. Computation that doesn't require exotic cooling systems. Infrastructure that doesn't demand its own power plant. And crucially for Europe, a technological approach that doesn't lock you into dependence on NVIDIA, based in California, or other non-European hardware vendors.
Companies like Germany's Black Forest Labs, France's Mistral AI, and Germany's Aleph Alpha are building impressive AI capabilities, but they're still fundamentally dependent on traditional floating-point architectures and the GPU supply chain. Binary neural networks offer a path to genuine European AI sovereignty, running on hardware that can be manufactured in Europe on processes that align with European climate commitments.
This is how Europe can have both: AI advancement and climate goals. Not by making the current approach slightly greener through renewable energy purchases and carbon offsets, but by using mathematics that doesn't require planetary-scale energy consumption in the first place. The European AI Act already recognizes this, requiring disclosure of energy consumption and encouraging voluntary codes of conduct on environmental sustainability. Binary approaches turn those aspirational goals into achieved reality.
The Choice We're Making Right Now
The digital energy crisis isn't inevitable. It's a choice. A choice we're making right now, in every GPU purchase order, in every data centre construction contract, in every model training run.
It's a choice to keep using floating-point arithmetic because it's familiar, because the tooling exists, because retraining an entire industry is hard. A choice to accept exponential energy growth because quarterly earnings look good and venture capitalists are excited. A choice to burn more electricity training one model than a town uses in a year because we can, and because someone else will pay the climate cost.
But we could choose differently. Europe is actually in a unique position to lead this choice.
Galėtume pasirinkti matematiką, kuri neeikvoja 96 % energijos nereikalingam tikslumui. Galėtume pasirinkti algoritmus, kurie efektyviai veikia standartinėje aparatinėje įrangoje, o ne reikalauja specializuotų greitintuvų. Galėtume pasirinkti architektūras, kurios gerbia fizines ir aplinkos ribas, o ne daro prielaidą, kad energijos yra neribotai. Galėtume pasirinkti metodus, kurie dera su Europos žaliuoju kursu, o ne tiesiogiai jam prieštarauja.
Dirbtinio intelekto bumas neturi virsti energetine katastrofa. Dvejetainiai neuroniniai tinklai įrodo, kad yra ir kitas kelias. Kelias, kuris užtikrina intelektą be klimato sąnaudų. Kelias, kuris veikia laikydamasis atsinaujinančios energijos apribojimų, o ne juos viršydamas. Kelias, kuris efektyvumą laiko pagrindine savybe, o ne paskui paminima punktu tvarumo ataskaitose.
Airijai nereikia rinktis tarp ekonominės plėtros per duomenų centrus ir pakankamo elektros kiekio namams. Amsterdamui nereikia įvesti moratoriumų. Dublinas neturi stebėti, kaip duomenų centrai sunaudoja beveik pusę miesto elektros energijos, o gyventojai susiduria su augančiomis energijos kainomis.
Europos žaliasis kursas ir dirbtinio intelekto pažanga nėra nesuderinami. Tačiau tik tuo atveju, jei esame pasirengę kvestionuoti pagrindines prielaidas ir kurti dirbtinį intelektą, kuris iš tikrųjų turi matematinę, fizikinę ir ekonominę prasmę. Dabartinė trajektorija iki 2030 m. lems 945 TWh, t. y. 3 % visos pasaulio elektros energijos, tūkstančius tonų CO2 vienam modeliui, milijonus litrų vandens suvartojimo ir neįmanomą pasirinkimą tarp klimato tikslų ir technologinės pažangos.
Alternatyva egzistuoja jau šiandien. Dvejetainiai neuroniniai tinklai, veikiantys standartiniuose procesoriuose ir efektyviuose FPGA. Skaičiavimai, kurie sunaudoja 96 % mažiau energijos. Tvarus dirbtinis intelektas, kuriam nereikia rinktis tarp pažangos ir planetos. Skaidrūs algoritmai, kuriuos europiečiai tikrai gali suprasti ir patikrinti, o ne juodosios dėžės slankiojo kablelio svoriai, kuriuos valdo užsienio korporacijos.
Lieka tik klausimas, ar tai padarysime, kol nesudeginome tiek energijos, nesunaudojome tiek vandens ir nepastatėme tiek neefektyvios infrastruktūros, kad nebeturėsime pasirinkimo. Langas užsidaro. Tačiau jis dar atviras.
Norite dirbtinio intelekto, kuriam nereikia nuosavos elektrinės? Dweve Core, mūsų diskrečiųjų skaičiavimų sistema, sujungianti dvejetainius neuroninius tinklus, apribojimais pagrįstas sistemas ir impulsinius skaičiavimus, kurie maitina Dweve Loom, užtikrina 96 % mažesnes energijos sąnaudas tiek mokymui, tiek išvadoms daryti standartinėje aparatinėje įrangoje. Jokių patentuotų greitintuvų. Jokio egzotiško aušinimo. Jokių kompromisų dėl galimybių. Tvaraus Europos dirbtinio intelekto ateitis yra efektyvi, skaidri ir prieinama jau šiandien.