Digitālās enerģijas krīze: mākslīgā intelekta 945 TWh rēķins
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.
Oglekļa bumba, ko rada apmācība
Viena liela valodas modeļa apmācība rada oglekļa pēdas nospiedumu, kura dēļ naftas pārstrādes rūpnīca nosarktu. Un atšķirībā no rūpnīcām, kas vismaz ražo kaut ko taustāmu, ko var ieliet automašīnā, šīs emisijas rada... nu, modeli, kas varētu pārliecinoši maldīties par sēņu receptēm.
GPT-3, modelis, kas aizsāka pašreizējo AI uzplaukumu, apmācības laikā izdalīja 552 tonnas CO2. Tas ir līdzvērtīgi 123 ar benzīnu darbināmiem vieglajiem automobiļiem, kas brauktu vienu gadu. Par vienu modeli. Vienu apmācības reizi. Un tas ir tikai tiešais enerģijas patēriņš, neskaitot iemiesoto oglekli GPU ražošanā vai datu centra būvniecībā.
Lūk, patiesi trakā daļa: GPT-3 mūsdienu standartiem tiek uzskatīts par mazu. Mūsdienu modeļi ir par vairākām kārtām lielāki. Modeļa ar 100 triljoniem parametru apmācība patērē aptuveni 9 miljonus eiro GPU skaitļošanas laika. Pie Eiropas enerģijas cenām un oglekļa intensitātes tas ir tūkstošiem tonnu CO2 ekvivalenta. Par vienu modeli. Un veiksmīga ieviešana parasti prasa desmitiem vai simtiem apmācības reizu, jo pirmie septiņpadsmit mēģinājumi rada modeli, kas domā, ka Beļģija ir siera veids.
Pētnieciskie raksti taurē par iespaidīgajiem veiktspējas rādītājiem. Oglekļa pēdas nospiedums? Tas tiek aprakts zemsvītras piezīmē, ja vispār tiek pieminēts. Tas ir AI ekvivalents lielīšanās ar jaunās automašīnas paātrinājumu, rūpīgi nepieminot, ka tā patērē 2 litrus uz kilometru.
Secinājumu reizināšanas efekts
Lūk, ko vairums cilvēku palaiž garām, un tā ir daļa, kam patiesībā ir nozīme: apmācība ir vienreizējas izmaksas. Secinājumi, modeļa izmantošana atbilžu sniegšanai, notiek nepārtraukti. Mūžīgi. Tādā mērogā, ka apmācības emisijas izskatās niecīgas.
Katrs ChatGPT vaicājums patērē elektrību. Katra AI attēlu ģenerēšana dedzina vatus. Katrs ieteikums, katrs tulkojums, katra balss asistenta atbilde. Miljoniem pieprasījumu sekundē, 24 stundas diennaktī, 365 dienas gadā. Un atšķirībā no apmācības, kas notiek koncentrētos uzplūdos, secinājumi ir izkliedēti pa tūkstošiem datu centru visā pasaulē, padarot tos gandrīz neiespējamus izsekot.
Pētījumi rāda, ka secinājumu emisijas bieži vien par vairākām kārtām pārsniedz apmācības emisijas, īpaši plaši izvietotiem modeļiem. Apmācība var izmaksāt 500 tonnas CO2. Secinājumi modeļa dzīves laikā? Iespējams, 50 000 tonnu. Varbūt vairāk. Neviens neskaita, un tieši tā ir problēma.
Tehnoloģiju uzņēmumi ziņo par apmācības emisijām, kad to prasa ES regulas. Secinājumu emisijas? Tās ir "darbības pieskaitāmās izmaksas", ērti apraktas vispārējā datu centru statistikā kopā ar e-pasta serveriem un kaķu video. ES AI akts pieprasa vispārējas nozīmes AI modeļu enerģijas patēriņa atklāšanu, bet izpilde ir nevienmērīga, un brīvprātīga atklāšana paliek tieši tāda: brīvprātīga.
Jaudas blīvuma krīze, kas lauž fizikas likumus
Tradicionālie datu centri patērēja aptuveni 36 kilovatus uz vienu statīvu. Pārvaldāmi. Parastā gaisa dzesēšana strādāja nevainojami. Tos varēja būvēt jebkur, kur bija pienācīgs tīkla savienojums un saprātīgas elektrības cenas. Infrastruktūra bija vienkārša.
Tad parādījās mākslīgais intelekts, un fizika sadusmojās.
Mūsdienu mākslīgā intelekta statīvi sasniedz 50 kilovatus. Vismodernākās iekārtas sasniedz 100 kilovatus. Dažas eksperimentālas konfigurācijas stumjas uz 250 kilovatiem uz vienu statīvu. Tas ir enerģijas patēriņš, ko saražo 100 vidēji Eiropas mājsaimniecības, koncentrēts dažos kvadrātmetros serveru statīva. Jaudas blīvums tuvojas raķešu dzinēja līmenim.
Problēma nav tikai kopējā jauda. Problēma ir blīvums. Iespiežot tik daudz enerģijas tik mazā telpā, fizika kļūst par ienaidnieku. Siltumam kaut kur ir jāpaliek, un gaisa dzesēšana fiziski to nespēj apstrādāt. Termiskā slodze ir pārāk liela. Ir nepieciešama šķidruma dzesēšana. Tiešā mikroshēmu dzesēšana. Iegremdēšanas dzesēšana. Sarežģītas termiskās pārvaldības sistēmas, kas maksā vairāk nekā paši serveri un kuru darbināšanai nepieciešamas atsevišķas inženiertehniskās komandas.
Datu centri tiek pārbūvēti nevis skaitļošanas efektivitātes dēļ, bet tikai tāpēc, lai novērstu termisko sabrukumu. Mēs būvējam infrastruktūru, lai apstrādātu atkritumsiltumu no matemātiskām operācijām, kurām principā nevajadzētu radīt tik daudz siltuma. Tas ir kā labākas izplūdes sistēmas projektēšana degošai automašīnai, tā vietā, lai jautātu, kāpēc automašīna deg.
Mikroshēma, kas aprija tīklu
Uz brīdi pievērsīsimies aparatūrai, jo atsevišķu mikroshēmu enerģijas patēriņš stāsta savu stāstu par pieaugošo trakumu.
Agrīnās AI paātrinātājshēmas patērēja aptuveni 400 vatus. Jau daudz, bet ar parasto gaisa dzesēšanu vēl savaldāmi. Tad 700 vatu. Tad 1000 vatu. NVIDIA jaunākā Blackwell arhitektūra sasniedz 1200 vatus uz mikroshēmu, un dažās konfigurācijās skaitļi ir vēl lielāki. Jau tagad tiek apspriesti nākotnes dizaini, kas sasniegtu 1400 vatus.
Padomājiet par to. 1200 vatu. Uz vienu mikroshēmu. Viena mikroshēma patērē vairāk enerģijas nekā lielākā daļa sadzīves ierīču. Un liela modeļa apmācībai ir vajadzīgi tūkstošiem šādu mikroshēmu, kas nepārtraukti strādā nedēļām vai mēnešiem.
Matemātika ir nežēlīga: 1000 mikroshēmu × 1200 vatu = 1,2 megavati. Vienam apmācības klasterim. Viena modeļa apmācībai. Un visā pasaulē ir simtiem šādu klasteru, un katru ceturksni tiek pieslēgti jauni. Vien FLAP-D tirgi (Frankfurte, Londona, Amsterdama, Parīze, Dublina) veido vairāk nekā 60% no Eiropas datu centru jaudas, un enerģijas pieprasījums prognozēts pieaugam no 96 TWh 2024. gadā līdz 168 TWh 2030. gadā.
Tas nav ilgtspējīgi. Pat ne tuvu. Mēs dedzinām elektrību tādā tempā, kas pirms desmit gadiem šķistu izdomājums, un nozares sarunās galvenais jautājums ir, vai elektrotīkls spēs sekot līdzi, nevis vai mums to vispār vajadzētu darīt.
Eiropas zaļais murgs un neiespējamā izvēle
Eiropai tas rada neiespējamu konfliktu, kas vairs nav tikai teorētisks. Tas notiek tepat tagad, tīkla plānošanas sanāksmēs un regulatoru uzklausīšanās visā kontinentā.
Eiropas zaļais kurss paredz līdz 2050. gadam padarīt Eiropu klimatneitrālu. Ogļskābās gāzes emisijām līdz 2030. gadam jāsamazinās vismaz par 55%, salīdzinot ar 1990. gada līmeni. Energoefektivitātei jāuzlabojas visās nozarēs. Atjaunojamajai enerģijai jāaizstāj fosilais kurināmais. Tie ir juridiski saistoši mērķi saskaņā ar Eiropas Klimata aktu.
Tikmēr AI enerģijas patēriņš pieaug par 44% gadā. 2024. gadā Eiropas datu centri patērēja 96 TWh, kas ir 3,1% no kopējā elektroenerģijas pieprasījuma. Taču sadalījums ir ārkārtīgi nevienmērīgs. Īrijā tas ir 22% no valsts elektroenerģijas. Nīderlandē 7%. Vācijā 4%. Datu centri Amsterdamā, Londonā un Frankfurtē 2023. gadā patērēja 33% līdz 42% no šo pilsētu elektroenerģijas.
Šīs divas trajektorijas ir matemātiski nesavienojamas. Eiropa var sasniegt savus klimata mērķus, vai arī tā var būvēt AI infrastruktūru, izmantojot pašreizējās pieejas. Ne abus. Skaitļi nesanāk.
Daži apgalvo, ka atjaunojamā enerģija to atrisina. "Vienkārši darbiniet datu centrus ar saules un vēja enerģiju." Skaista ideja. Pilnīgi nepraktiska. Eiropa 2024. gadā uzstādīja 65,5 GW jaunas saules enerģijas jaudas un 16,4 GW jaunas vēja enerģijas. Atjaunojamā enerģija sasniedza 47% no elektroenerģijas ražošanas. Taču 945 TWh jauna datu centru pieprasījuma līdz 2030. gadam prasītu atjaunojamās enerģijas jaudu, kas līdzvērtīga tūkstošiem papildu vēja parku un miljoniem papildu saules paneļu. Jau vien zemes izmantošana būtu astronomiska. Dānija ar 88,4% atjaunojamās elektroenerģijas (galvenokārt vēja) bieži tiek minēta kā paraugs. Taču Dānijas kopējais elektroenerģijas patēriņš ir tikai daļa no prognozētā AI datu centru pieprasījuma.
Pat ja tas būtu tehniski iespējams, alternatīvo izmaksu apjoms ir satriecošs. Katra megavatstunda, kas tiek novirzīta AI apmācībai, ir megavatstunda, kas nav pieejama transporta elektrifikācijai, māju apkurei vai rūpniecības darbināšanai. Tas ir tiešs kompromiss, un mēs izvēlamies sadedzināt atjaunojamo enerģiju, apmācot modeļus, kas pēc sešiem mēnešiem var būt novecojuši, nevis apkurināt mājas visu ziemu.
Ūdens krīze, kuru neviens neseko
Enerģija nav vienīgais resurss, ko AI patērē. Ūdens kļūst par kritisku krīzi, īpaši reģionos, kuri jau saskaras ar ūdens trūkumu.
Datu centri izmanto milzīgus ūdens daudzumus iztvaikošanas dzesēšanai, uz kuru paļaujas lielākā daļa lielo objektu, jo tā ir efektīvāka par slēgta cikla sistēmām. Iztvaikošanas dzesēšana burtiski iztvaicē ūdeni, lai izkliedētu siltumu. Ūdens ir pazudis. Netiek atgriezts sistēmā. Iztvaikojis atmosfērā. Uz neatgriešanos izņemts no vietējiem ūdens resursiem.
2024. gada pētījumā tika konstatēts, ka GPT-3 apmācība Microsoft vismodernākajos ASV datu centros patērēja aptuveni 700 000 litru saldūdens. Ar to pietiktu, lai saražotu 370 BMW automašīnas vai 320 Tesla elektriskos transportlīdzekļus. Par vienu apmācības reizi. Vienam modelim. Un tas ir tikai tiešais ūdens patēriņš objektā, neskaitot ūdeni, kas izmantots elektroenerģijas ražošanā.
Pilns dzīves cikla ūdens nospiedums, ieskaitot elektroenerģijas ražošanu ārpus objekta, sasniedz 5,4 miljonus litru. Un pastāvīgais patēriņš turpinās: ChatGPT prasa aptuveni 500 mililitrus ūdens par īsu sarunu ar 20 līdz 50 jautājumiem un atbildēm. Reiziniet to ar miljoniem lietotāju, kuri nepārtraukti uzdod jautājumus, un ūdens patēriņš kļūst satriecošs.
Sausuma apdraudētos reģionos tas rada tiešus konfliktus. Datu centri konkurē ar lauksaimniecību un pašvaldību ūdens apgādi. Dažos reģionos AI apmācība burtiski atņem ūdeni kultūraugiem sausuma laikā. Tā nav nākotnes problēma. Tas notiek tagad. Un, AI ieviešanai paplašinoties, tas kļūst arvien sliktāk.
Efektivitātes ilūzija un Dževonsa paradokss
Mākslīgā intelekta nozare ļoti mīl runāt par efektivitātes uzlabojumiem. Katrā konferences atklāšanas runā ir slaids: "Jaunās mikroshēmas ir 10× efektīvākas!" "Labāki algoritmi samazina enerģijas patēriņu par 50%!" "Mūsu datu centrus darbina 100% atjaunojamā enerģija!"
Viss patiesība. Viss tehniski iespaidīgi. Viss pilnīgi nebūtiski attiecībā uz faktisko problēmu.
Jo efektivitātes uzlabojumus uzreiz aprij mēroga pieaugums. Tas ir Dževonsa paradokss darbībā, un ekonomisti par to brīdina kopš 1865. gada, kad Viljams Stenlijs Dževonss novēroja, ka uzlabotā ogļu efektivitāte tvaika dzinējos izraisīja kopējā ogļu patēriņa pieaugumu, nevis samazinājumu.
Microsoft izpilddirektors Satja Nadella burtiski tvītoja "Dževonsa paradokss atkal darbojas!", kad DeepSeek izlaida savu efektīvo un lēto MI modeli. Viņš precīzi saprata, kas notiks: zemākas izmaksas nozīmē lielāku lietojumu, kas noved pie lielāka kopējā patēriņa. Un viņam bija taisnība.
Jā, jaunākas mikroshēmas veic vairāk aprēķinu uz vatu. Bet modeļi kļūst lielāki vēl ātrāk. Jā, labāki algoritmi samazina apmācības laiku. Bet mēs apmācām vairāk modeļu, biežāk, ar vairāk parametriem, jo tagad mēs to varam atļauties. Kopējais enerģijas patēriņš nesamazinās. Tas paātrinās. 10× efektivitātes uzlabojums vienkārši nozīmē, ka mēs varam apmācīt 10× lielāku modeli par tādām pašām enerģijas izmaksām. Tāpēc mēs to darām. Un kopējais patēriņš pieaug.
NVIDIA apgalvo, ka Blackwell ir 100 000× energoefektīvāks secinājumu veikšanai nekā mikroshēmas pirms desmit gadiem. Iespaidīga inženierija. Bet kopējais MI enerģijas patēriņš tajā pašā periodā ir eksplodējis, jo efektivitātes uzlabojumi ļāva izvietot sistēmas mērogā, kas iepriekš bija ekonomiski neiespējams.
Peldošā komata fantāziju patiesās izmaksas
Kāpēc MI patērē tik daudz enerģijas? Atbilde slēpjas matemātikā, un tā ir vienkāršāka, nekā jūs varētu domāt.
Peldošā komata aritmētika, mūsdienu neironu tīklu pamats, ir skaitļošanas ziņā dārga. Katra reizināšana prasa ievērojamu shēmu, ievērojamu silīcija laukumu, ievērojamu jaudu. Un neironu tīkli ir miljardiem un miljardiem peldošā komata darbību, kas atkārtojas miljoniem reižu sekundē.
Vēl ļaunāk, mēs izmantojam ārkārtēju precizitāti tur, kur tā patiešām nav vajadzīga. 32 bitu peldošā komata skaitļi. 16 bitu peldošā komata skaitļi. Pat 8 bitu peldošā komata skaitļi. Visa šī precizitāte, visas šīs skaitļošanas izmaksas, visa šī enerģija, lai pieņemtu lēmumus, kas galu galā ir bināri. Jā vai nē. Kaķis vai suns. Mēstule vai īsta vēstule. Apstiprināt vai noraidīt.
Tas ir kā izmantot superdatoru monētas mešanai. Rezultāts ir ģerbonis vai skaitlis, bet mēs dedzinām megavatus, aprēķinot varbūtības līdz sešpadsmit zīmēm aiz komata. Precizitāte ir matemātiski skaista. Tā ir arī termodinamiski traka.
Tā nav optimizācija. Tā ir izšķērdība, kas maskējas kā nepieciešamība, ko aizstāv inerce "bet mēs vienmēr tā esam darījuši" un iegremdētās izmaksas miljardiem eiro, kas ieguldīti GPU infrastruktūrā, kas īpaši paredzēta peldošā komata darbībām.
Binārā alternatīva, kas patiešām darbojas
Kāds tad ir risinājums? Kā mēs varam veidot MI, nepārvēršot datu centrus par klimata katastrofām?
Uzņēmumā Dweve mēs sākām, apšaubot pamatpieņēmumu. Vai MI patiešām ir vajadzīga peldošā komata aritmētika? Vai tam patiešām ir vajadzīgs tik daudz enerģijas? Vai pastāv cits matemātisks pamats, kas sasniedz tādu pašu inteliģenci ar ievērojami mazākām skaitļošanas izmaksām?
Binārie neironu tīkli sniedz skaidru, empīriski pārbaudītu atbildi: nē, MI nav vajadzīga peldošā komata aritmētika. Pat ne tuvu.
Likvidējot peldošā komata darbības pavisam un izmantojot vienkāršu bināro loģiku, enerģijas patēriņš samazinās par 96%. Ne ar marginālām optimizācijām vai gudru kešošanu. Ar fundamentālu matemātisku pārveidi. Skaitļošanas ietaupījums rodas, aizstājot sarežģītas peldošā komata reizināšanas-uzkrāšanas darbības ar vienkāršām binārām AND un XNOR darbībām, kurām nepieciešams par vairākām kārtām mazāk enerģijas.
Tas 1200 vatu Blackwell paātrinātājs? Aizstāj to ar 50 vatu procesoru, kas veic binārās darbības. Tāda pati inteliģence. Tādas pašas iespējas. 24× mazāk enerģijas. Vai vēl labāk, izvieto to FPGA, kas īpaši optimizētas binārajām darbībām, panākot 136× labāku energoefektivitāti nekā tradicionālās GPU pieejas.
Tas 250 kilovatu serveru skapis, kas patērē tikpat daudz enerģijas cik apkaime? Samazināts līdz 10 kilovatiem. Tas milzīgais datu centrs, kas patērē pilsētas vērtībā elektrības? Samazināts līdz lielas biroja ēkas enerģijas patēriņam. Infrastruktūras prasības sarūk proporcionāli. Nekādas eksotiskas šķidruma dzesēšanas. Nekādu atsevišķu elektroapgādes apakšstaciju. Nekādu tīkla jauninājumu.
Matemātika ir vienkārša: binārās darbības izmanto par vairākām kārtām mazāk enerģijas nekā peldošā komata darbības. Infrastruktūras efektivitāte izriet dabiski. Klimata ietekme samazinās proporcionāli. Un rezultāti? Līdzvērtīga vai labāka precizitāte reālās pasaules uzdevumos, jo binārie neironu tīkli patiešām spēj uztvert strukturālās attiecības, kuras peldošā komata tīkli palaiž garām.
Pāri efektivitātei: cita paradigma Eiropas mākslīgajam intelektam
Binārie neironu tīkli nav tikai efektīvāki. Tie ir principiāli atšķirīga pieeja intelektam, kas dabiski saskan ar Eiropas vērtībām: ilgtspēju, caurskatāmību un tehnoloģisko suverenitāti.
Tā vietā, lai tuvinātu lēmumus ar nepārtrauktu matemātiku un milzīgiem aprēķiniem, tie tieši izmanto diskrēto loģiku. Tā vietā, lai sadedzinātu enerģiju, pārvarot skaitlisko nestabilitāti gradienta nolaišanās procesā, tie balstās uz stabiliem bināriem pamatiem. Tā vietā, lai prasītu dārgus patentētus GPU, kas ražoti ārvalstīs, tie efektīvi darbojas uz standarta CPU un var tikt izvietoti uz Eiropā ražotiem FPGA.
Rezultāts ir mākslīgais intelekts, kas strādā ar fiziku, nevis cīnās pret to. Aprēķini, kuriem nav vajadzīgas ekstravagantas dzesēšanas sistēmas. Infrastruktūra, kurai nav vajadzīga sava elektrostacija. Un, kas Eiropai ir izšķiroši, tehnoloģiska pieeja, kas tevi nesaista ar atkarību no NVIDIA, kas atrodas Kalifornijā, vai citiem neeiropiešu aparatūras piegādātājiem.
Uzņēmumi, piemēram, Vācijas Black Forest Labs, Francijas Mistral AI un Vācijas Aleph Alpha, veido iespaidīgas mākslīgā intelekta spējas, taču tie joprojām ir fundamentāli atkarīgi no tradicionālajām peldošā komata arhitektūrām un GPU piegādes ķēdes. Binārie neironu tīkli piedāvā ceļu uz patiesu Eiropas mākslīgā intelekta suverenitāti, darbojoties uz aparatūras, ko var ražot Eiropā, izmantojot procesus, kas saskan ar Eiropas klimata saistībām.
Šādi Eiropa var iegūt abus: mākslīgā intelekta attīstību un klimata mērķus. Nevis padarot pašreizējo pieeju nedaudz zaļāku, pērkot atjaunojamo enerģiju un oglekļa kompensācijas, bet gan izmantojot matemātiku, kurai jau pašā sākumā nav vajadzīgs planētas mēroga enerģijas patēriņš. Eiropas Mākslīgā intelekta akts to jau atzīst, pieprasot enerģijas patēriņa atklāšanu un veicinot brīvprātīgus rīcības kodeksus vides ilgtspējas jomā. Binārās pieejas pārvērš šos vērienīgos mērķus sasniegtā realitātē.
Izvēle, ko mēs izdarām tieši tagad
Digitālās enerģijas krīze nav neizbēgama. Tā ir izvēle. Izvēle, ko mēs izdarām tieši tagad, katrā GPU pirkuma pasūtījumā, katrā datu centra būvniecības līgumā, katrā modeļa apmācības sesijā.
Tā ir izvēle turpināt lietot peldošā komata aritmētiku, jo tā ir pazīstama, jo rīki jau pastāv, jo visas nozares pārkvalificēšana ir grūta. Izvēle pieņemt eksponenciālu enerģijas pieaugumu, jo ceturkšņa peļņa izskatās labi un riska kapitālisti ir sajūsmā. Izvēle sadedzināt vairāk elektrības viena modeļa apmācībai, nekā pilsēta patērē gadā, tāpēc, ka mēs varam, un tāpēc, ka kāds cits maksās klimata izmaksas.
Bet mēs varētu izvēlēties citādi. Eiropa patiesībā ir unikālā pozīcijā, lai vadītu šo izvēli.
Mēs varētu izvēlēties matemātiku, kas netērē 96% savas enerģijas nevajadzīgai precizitātei. Mēs varētu izvēlēties algoritmus, kas efektīvi darbojas uz standarta aparatūras, nevis prasa specializētus paātrinātājus. Mēs varētu izvēlēties arhitektūras, kas respektē fiziskos un vides ierobežojumus, nevis pieņem bezgalīgu enerģijas pieejamību. Mēs varētu izvēlēties pieejas, kas saskan ar Eiropas Zaļo kursu, nevis to tieši grauj.
Mākslīgā intelekta uzplaukumam nav jākļūst par enerģētikas katastrofu. Binārās neironu tīkli pierāda, ka pastāv cits ceļš. Tāds, kas sniedz inteliģenci bez klimata izmaksām. Tāds, kas strādā atbilstoši atjaunojamās enerģijas ierobežojumiem, nevis tos pārslogo. Tāds, kas efektivitāti uzskata par pamatfunkciju, nevis pēcpārdomu, ko pieminēt ilgtspējas ziņojumos.
Īrijai nav jāizvēlas starp ekonomisko attīstību caur datu centriem un pietiekamu elektroenerģiju mājsaimniecībām. Amsterdamai nav jāievieš moratoriji. Dublinai nav jāskatās, kā datu centri patērē gandrīz pusi pilsētas elektroenerģijas, kamēr iedzīvotāji saskaras ar augošām enerģijas izmaksām.
Eiropas Zaļais kurss un mākslīgā intelekta attīstība nav nesavienojami. Bet tikai tad, ja esam gatavi apšaubīt pamatpieņēmumus un veidot mākslīgo intelektu, kam patiešām ir matemātiska, fiziska un ekonomiska jēga. Pašreizējā trajektorija līdz 2030. gadam noved pie 945 TWh, 3% no globālās elektroenerģijas, tūkstošiem tonnu CO2 uz vienu modeli, miljoniem litru ūdens patēriņa un neiespējamas izvēles starp klimata mērķiem un tehnoloģisko progresu.
Alternatīva pastāv jau šodien. Binārās neironu tīkli, kas darbojas uz standarta CPU un efektīviem FPGA. Aprēķini, kas patērē par 96% mazāk enerģijas. Ilgtspējīgs mākslīgais intelekts, kam nav jāizvēlas starp progresu un planētu. Caurspīdīgi algoritmi, ko eiropieši patiešām var saprast un pārbaudīt, nevis melnās kastes peldošā komata svari, ko kontrolē ārvalstu korporācijas.
Vienīgais jautājums ir, vai mēs to izdarīsim, pirms esam sadedzinājuši tik daudz enerģijas, patērējuši tik daudz ūdens un uzbūvējuši tik neefektīvu infrastruktūru, ka mums vairs nebūs izvēles. Logs aizveras. Bet tas joprojām ir atvērts.
Vēlaties mākslīgo intelektu, kam nav vajadzīga sava spēkstacija? Dweve Core, mūsu diskrētās skaitļošanas sistēma, kas apvieno bināros neironu tīklus, ierobežojumu sistēmas un impulsu skaitļošanu un kas darbina Dweve Loom, nodrošina par 96% mazāku enerģijas patēriņu gan apmācībā, gan secinājumu veikšanā uz standarta aparatūras. Nav patentētu paātrinātāju. Nav eksotiskas dzesēšanas. Nav kompromisu iespēju ziņā. Ilgtspējīga Eiropas mākslīgā intelekta nākotne ir efektīva, caurspīdīga un pieejama jau šodien.