Cyfrowy kryzys energetyczny: rachunek za 945 TWh sztucznej inteligencji
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.
Węglowa bomba treningu
Wytrenowanie jednego dużego modelu językowego pozostawia ślad węglowy, przy którym rafineria ropy mogłaby się zarumienić ze wstydu. I w przeciwieństwie do rafinerii, które produkują przynajmniej coś namacalnego, co można wlać do baku, te emisje dają... cóż, model, który może z pełnym przekonaniem opowiadać bzdury o przepisach na grzyby.
GPT-3, model, który zapoczątkował obecny boom na AI, wyemitował 552 tony metryczne CO2 podczas treningu. To tyle, ile rocznie emituje 123 samochodów osobowych z silnikiem benzynowym. Za jeden model. Jeden przebieg treningowy. I to tylko bezpośrednie zużycie energii, bez uwzględnienia śladu węglowego wbudowanego w produkcję procesorów GPU czy budowę centrum danych.
A teraz najszaleńsza część: GPT-3 według dzisiejszych standardów uchodzi za model mały. Współczesne modele są o rzędy wielkości większe. Wytrenowanie modelu o 100 bilionach parametrów pochłania około 9 milionów euro czasu obliczeniowego na GPU. Przy europejskich cenach energii i jej emisyjności to tysiące ton ekwiwalentu CO2. Na jeden model. A udane wdrożenie zwykle wymaga kilkudziesięciu lub kilkuset przebiegów treningowych, bo pierwsze siedemnaście prób daje model, który uważa, że Belgia to rodzaj sera.
Artykuły naukowe trąbią o imponujących wskaźnikach wydajności. Ślad węglowy? Ląduje w przypisie, o ile w ogóle się o nim wspomina. To odpowiednik chwalenia się przyspieszeniem nowego auta, przy jednoczesnym przemilczaniu, że spala 50 litrów na 100 kilometrów.
Efekt mnożnikowy wnioskowania
Większość ludzi to umyka i właśnie to jest najważniejsze: trening to koszt jednorazowy. Wnioskowanie, czyli używanie modelu do odpowiadania na pytania, działa bez przerwy. Zawsze. W skali, przy której emisje z treningu wyglądają na znikome.
Każde zapytanie do ChatGPT zużywa prąd. Każde wygenerowanie obrazu przez AI pochłania waty. Każda rekomendacja, każde tłumaczenie, każda odpowiedź asystenta głosowego. Miliony zapytań na sekundę, 24 godziny na dobę, 365 dni w roku. I w przeciwieństwie do treningu, który odbywa się w skoncentrowanych seriach, wnioskowanie jest rozproszone po tysiącach centrów danych na całym świecie, co czyni je niemal niemożliwym do śledzenia.
Badania pokazują, że emisje z wnioskowania często przewyższają emisje z treningu o rzędy wielkości, zwłaszcza w przypadku modeli szeroko wdrożonych. Trening może kosztować 500 ton CO2. Wnioskowanie przez cały okres życia modelu? Potencjalnie 50 000 ton. Może więcej. Nikt tego nie liczy i właśnie to jest sedno problemu.
Firmy technologiczne raportują emisje z treningu, gdy wymagają tego przepisy UE. Emisje z wnioskowania? To „koszty operacyjne", wygodnie zakopane w ogólnych statystykach centrów danych obok serwerów pocztowych i filmów z kotami. Akt o sztucznej inteligencji UE wymaga ujawniania zużycia energii przez modele AI ogólnego przeznaczenia, ale egzekwowanie jest nierówne, a dobrowolne ujawnianie pozostaje właśnie tym: dobrowolne.
Kryzys gęstości mocy, który łamie fizykę
Tradycyjne centra danych zużywały około 36 kilowatów na szafę rack. Do opanowania. Konwencjonalne chłodzenie powietrzem w zupełności wystarczało. Można je było budować w dowolnym miejscu z przyzwoitym łączem sieciowym i rozsądnymi cenami energii elektrycznej. Infrastruktura była prosta.
A potem pojawiła się sztuczna inteligencja i fizyka się zdenerwowała.
Dzisiejsze szafy rack dla AI osiągają 50 kilowatów. Najnowocześniejsze wdrożenia sięgają 100 kilowatów. Niektóre konfiguracje eksperymentalne przekraczają 250 kilowatów na szafę. To tyle, ile zużywa 100 przeciętnych europejskich gospodarstw domowych, skoncentrowane na kilku metrach kwadratowych szafy serwerowej. Gęstość mocy zbliża się do tej w silniku rakietowym.
Problemem nie jest tylko całkowita moc. Problemem jest gęstość. Gdy upchniesz tyle energii w tak małej przestrzeni, fizyka staje się twoim wrogiem. Ciepło musi gdzieś uciec, a chłodzenie powietrzem fizycznie sobie z tym nie poradzi. Obciążenie termiczne jest zbyt duże. Potrzebujesz chłodzenia cieczą. Chłodzenia bezpośredniego układów. Chłodzenia zanurzeniowego. Złożonych systemów zarządzania termicznego, które kosztują więcej niż same serwery i wymagają własnych zespołów inżynierskich do obsługi.
Centra danych są projektowane na nowo nie pod kątem wydajności obliczeniowej, ale wyłącznie po to, by zapobiec termicznej katastrofie. Budujemy infrastrukturę do odprowadzania ciepła odpadowego z operacji matematycznych, które w zasadzie nie powinny go wytwarzać w takich ilościach. To jak projektowanie lepszego układu wydechowego dla płonącego samochodu, zamiast zastanawiania się, dlaczego ten samochód się pali.
Czip, który pożarł sieć
Przyjrzyjmy się przez chwilę sprzętowi, bo zużycie energii przez pojedyncze czipy samo w sobie opowiada historię narastającego szaleństwa.
Wczesne akceleratory AI pobierały około 400 watów. To już dużo, ale dawało się to opanować konwencjonalnym chłodzeniem. Potem przyszło 700 watów. Potem 1000 watów. Najnowsza architektura Blackwell firmy NVIDIA osiąga 1200 watów na czip, a niektóre konfiguracje sięgają jeszcze wyżej. Już teraz mówi się o przyszłych konstrukcjach sięgających 1400 watów.
Pomyślcie o tym. 1200 watów. Na jeden czip. Pojedynczy czip zużywający więcej energii niż większość domowych urządzeń. A trenowanie dużej wersji modelu wymaga tysięcy takich czipów pracujących bez przerwy przez tygodnie lub miesiące.
Matematyka jest bezlitosna: 1000 czipów × 1200 watów = 1,2 megawata. Dla jednego klastra treningowego. Dla jednego modelu. A na świecie działają setki takich klastrów, a kolejne powstają co kwartał. Same rynki FLAP-D (Frankfurt, Londyn, Amsterdam, Paryż, Dublin) odpowiadają za ponad 60% europejskiej mocy centrów danych, a zapotrzebowanie na energię ma wzrosnąć z 96 TWh w 2024 r. do 168 TWh do 2030 r.
To nie jest zrównoważone. Nawet blisko tego nie jest. Spalamy energię elektryczną w tempie, które dekadę temu wydawałoby się fikcją, a rozmowa w branży koncentruje się na tym, czy sieć energetyczna nadąży, a nie na tym, czy w ogóle powinniśmy to robić.
Zielony koszmar Europy i niemożliwy wybór
Dla Europy oznacza to niemożliwy do rozwiązania konflikt, który nie jest już tylko teoretyczny. Dzieje się właśnie teraz, na spotkaniach dotyczących planowania sieci i przesłuchaniach regulacyjnych na całym kontynencie.
Europejski Zielony Ład zakłada osiągnięcie neutralności klimatycznej Europy do 2050 r. Emisje dwutlenku węgla muszą spaść o co najmniej 55% do 2030 r. w porównaniu z poziomem z 1990 r. Efektywność energetyczna musi się poprawić we wszystkich sektorach. Energia odnawialna musi zastąpić paliwa kopalne. To prawnie wiążące cele wynikające z europejskiego prawa klimatycznego.
Tymczasem zużycie energii przez AI rośnie w tempie 44% rocznie. W 2024 r. europejskie centra danych zużyły 96 TWh, co stanowi 3,1% całkowitego zapotrzebowania na energię. Ale rozkład jest skrajnie nierównomierny. W Irlandii to 22% krajowej energii elektrycznej. W Holandii 7%. W Niemczech 4%. Centra danych w Amsterdamie, Londynie i Frankfurcie zużyły w 2023 r. od 33% do 42% energii elektrycznej tych miast.
Te dwie trajektorie są matematycznie nie do pogodzenia. Europa może osiągnąć cele klimatyczne albo może budować infrastrukturę AI przy obecnym podejściu. Nie oba naraz. Liczby się nie zgadzają.
Niektórzy twierdzą, że energia odnawialna rozwiązuje ten problem. „Wystarczy zasilić centra danych energią słoneczną i wiatrową”. Pomysł uroczy. Całkowicie niepraktyczny. Europa w 2024 roku zainstalowała 65,5 GW nowych mocy słonecznych i 16,4 GW nowych mocy wiatrowych. Energia odnawialna osiągnęła 47% produkcji energii elektrycznej. Ale zapotrzebowanie na 945 TWh nowych mocy dla centrów danych do 2030 roku wymagałoby budowy odnawialnych źródeł energii odpowiadających tysiącom kolejnych farm wiatrowych i milionom dodatkowych paneli słonecznych. Samo zużycie gruntów byłoby astronomiczne. Dania, z 88,4% energii elektrycznej ze źródeł odnawialnych (głównie wiatru), jest często przywoływana jako wzór. Ale całe zużycie energii elektrycznej w Danii to tylko ułamek prognozowanego zapotrzebowania centrów danych dla AI.
Nawet gdyby było to technicznie możliwe, koszt alternatywny jest oszałamiający. Każda megawatogodzina przeznaczona na trenowanie AI to megawatogodzina, której nie można wykorzystać do elektryfikacji transportu, ogrzewania domów czy zasilania przemysłu. To bezpośredni wybór: spalamy energię odnawialną na trenowanie modeli, które za sześć miesięcy mogą być przestarzałe, zamiast ogrzewać domy przez zimę.
Kryzys wodny, którego nikt nie śledzi
Energia to nie jedyny zasób, który pochłania AI. Woda staje się krytycznym problemem, zwłaszcza w regionach już zmagających się z niedoborem wody.
Centra danych zużywają ogromne ilości wody do chłodzenia wyparnego, na którym polega większość dużych obiektów, ponieważ jest ono bardziej wydajne niż systemy z obiegiem zamkniętym. Chłodzenie wyparne dosłownie odparowuje wodę, aby rozproszyć ciepło. Woda znika. Nie wraca do systemu. Odparowuje do atmosfery. Na stałe znika z lokalnych zasobów wodnych.
Badanie z 2024 roku wykazało, że trenowanie GPT-3 w nowoczesnych centrach danych Microsoftu w USA zużyło około 700 000 litrów wody słodkiej. To wystarczy, aby wyprodukować 370 samochodów BMW lub 320 pojazdów elektrycznych Tesli. Na jeden cykl trenowania. Jednego modelu. I to tylko bezpośrednie zużycie wody na miejscu, bez uwzględnienia wody wykorzystywanej do produkcji energii elektrycznej.
Pełny ślad wodny w całym cyklu życia, w tym produkcja energii elektrycznej poza miejscem działania, sięga 5,4 miliona litrów. A bieżące zużycie trwa nadal: ChatGPT wymaga około 500 mililitrów wody na krótką rozmowę składającą się z 20 do 50 pytań i odpowiedzi. Pomnóż to przez miliony użytkowników zadających pytania bez przerwy, a zużycie wody staje się oszałamiające.
W regionach dotkniętych suszą tworzy to bezpośrednie konflikty. Centra danych konkurują z rolnictwem i miejskimi wodociągami. W niektórych regionach trenowanie AI dosłownie odbiera wodę uprawom podczas suszy. To nie jest problem przyszłości. To dzieje się teraz. A wraz ze skalowaniem wdrożeń AI będzie coraz gorzej.
Iluzja wydajności i paradoks Jevonsa
Branża AI uwielbia mówić o poprawie efektywności. Każda konferencyjna prezentacja zawiera slajd: „Nowe chipy są 10× bardziej wydajne!", „Lepsze algorytmy zmniejszają zużycie energii o 50%!", „Nasze centra danych są zasilane w 100% energią odnawialną!"
Wszystko prawda. Wszystko technicznie imponujące. Wszystko całkowicie nieistotne dla rzeczywistego problemu.
Bo poprawa efektywności jest natychmiast pochłaniana przez wzrost skali. To paradoks Jevonsa w działaniu, a ekonomiści ostrzegają przed nim od 1865 roku, kiedy William Stanley Jevons zauważył, że poprawa wydajności węgla w silnikach parowych doprowadziła do wzrostu całkowitego zużycia węgla, a nie jego spadku.
Dyrektor generalny Microsoftu, Satya Nadella, dosłownie napisał na Twitterze „paradoks Jevonsa znów uderza!", gdy DeepSeek wypuścił swój wydajny i tani model AI. Doskonale rozumiał, co się stanie: niższe koszty oznaczają większe użycie, co prowadzi do wyższego całkowitego zużycia. I miał rację.
Tak, nowsze chipy wykonują więcej obliczeń na wat. Ale modele rosną jeszcze szybciej. Tak, lepsze algorytmy skracają czas treningu. Ale trenujemy więcej modeli, częściej, z większą liczbą parametrów, bo teraz nas na to stać. Całkowite zużycie energii nie spada. Ono przyspiesza. Poprawa efektywności o 10× oznacza po prostu, że możemy wytrenować model 10× większy przy tym samym koszcie energii. Więc to robimy. A całkowite zużycie rośnie.
NVIDIA twierdzi, że Blackwell jest 100 000× bardziej energooszczędny w inferencji niż chipy sprzed dekady. Spektakularna inżynieria. Ale całkowite zużycie energii przez AI eksplodowało w tym samym okresie, bo poprawa efektywności umożliwiła wdrożenia na skalę, która wcześniej była ekonomicznie niemożliwa.
Prawdziwy koszt fantazji o liczbach zmiennoprzecinkowych
Dlaczego AI zużywa tak dużo energii? Odpowiedź leży w matematyce i jest prostsza, niż myślisz.
Arytmetyka zmiennoprzecinkowa, fundament nowoczesnych sieci neuronowych, jest kosztowna obliczeniowo. Każde mnożenie wymaga znaczących układów, znaczącej powierzchni krzemu, znaczącej mocy. A sieci neuronowe to miliardy operacji zmiennoprzecinkowych powtarzanych miliony razy na sekundę.
Co gorsza, używamy ekstremalnej precyzji tam, gdzie naprawdę nie jest potrzebna. 32-bitowe liczby zmiennoprzecinkowe. 16-bitowe. Nawet 8-bitowe. Cała ta precyzja, cały ten narzut obliczeniowy, cała ta energia, żeby podejmować decyzje, które w ostateczności są binarne. Tak lub nie. Kot lub pies. Spam lub nie-spam. Zatwierdź lub odrzuć.
To jak używanie superkomputera do rzutu monetą. Wynik to orzeł lub reszka, a my spalamy megawaty, obliczając prawdopodobieństwa do szesnastego miejsca po przecinku. Ta precyzja jest matematycznie piękna. Jest też termodynamicznie szalona.
To nie jest optymalizacja. To marnotrawstwo udające konieczność, bronione bezwładem „ale zawsze tak robiliśmy" i kosztem utopionym miliardów euro zainwestowanych w infrastrukturę GPU zaprojektowaną specjalnie do operacji zmiennoprzecinkowych.
Binarna alternatywa, która naprawdę działa
Więc jakie jest rozwiązanie? Jak zbudować AI bez zamieniania centrów danych w katastrofy klimatyczne?
W Dweve zaczęliśmy od zakwestionowania fundamentalnego założenia. Czy AI naprawdę potrzebuje arytmetyki zmiennoprzecinkowej? Czy naprawdę potrzebuje aż tyle energii? Czy istnieje inny fundament matematyczny, który osiąga tę samą inteligencję przy znacznie mniejszym narzucie obliczeniowym?
Binarne sieci neuronowe dają jasną, potwierdzoną empirycznie odpowiedź: nie, AI nie potrzebuje arytmetyki zmiennoprzecinkowej. Nawet w najmniejszym stopniu.
Eliminując całkowicie operacje zmiennoprzecinkowe i stosując prostą logikę binarną, zużycie energii spada o 96%. Nie dzięki marginalnym optymalizacjom czy sprytnemu buforowaniu. Dzięki fundamentalnemu przeprojektowaniu matematycznemu. Oszczędności obliczeniowe wynikają z zastąpienia złożonych operacji mnożenia i akumulacji zmiennoprzecinkowej prostymi operacjami binarnymi AND i XNOR, które wymagają o rzędy wielkości mniej energii.
Ten akcelerator Blackwell o mocy 1200 watów? Zastąp go procesorem o mocy 50 watów wykonującym operacje binarne. Ta sama inteligencja. Te same możliwości. 24 razy mniejsze zużycie energii. Albo jeszcze lepiej: wdróż rozwiązanie na układach FPGA zoptymalizowanych pod kątem operacji binarnych, osiągając 136 razy lepszą efektywność energetyczną niż w przypadku tradycyjnych rozwiązań opartych na GPU.
Ta szafa serwerowa o mocy 250 kilowatów, pobierająca tyle energii co całe osiedle? Sprowadzona do 10 kilowatów. To ogromne centrum danych zużywające tyle prądu co całe miasto? Zredukowane do poziomu poboru energii dużego biurowca. Wymagania infrastrukturalne kurczą się proporcjonalnie. Żadnego egzotycznego chłodzenia cieczą. Żadnych dedykowanych stacji transformatorowych. Żadnych modernizacji sieci energetycznej.
Matematyka jest prosta: operacje binarne zużywają o rzędy wielkości mniej energii niż operacje zmiennoprzecinkowe. Efektywność infrastrukturalna wynika z tego w naturalny sposób. Wpływ na klimat spada proporcjonalnie. A wyniki? Porównywalna lub lepsza dokładność w zadaniach rzeczywistych, ponieważ binarne sieci neuronowe potrafią wychwytywać zależności strukturalne, których sieci zmiennoprzecinkowe nie dostrzegają.
Więcej niż wydajność: inny paradygmat dla europejskiej AI
Binarne sieci neuronowe to nie tylko większa wydajność. Reprezentują fundamentalnie inne podejście do inteligencji, które naturalnie wpisuje się w europejskie wartości: zrównoważony rozwój, przejrzystość i suwerenność technologiczną.
Zamiast przybliżać decyzje matematyką ciągłą i ogromną mocą obliczeniową, korzystają bezpośrednio z logiki dyskretnej. Zamiast spalać energię na przezwyciężanie niestabilności numerycznej w spadku gradientowym, opierają się na stabilnych fundamentach binarnych. Zamiast wymagać drogich, zastrzeżonych procesorów GPU produkowanych za granicą, działają wydajnie na standardowych procesorach CPU i mogą być wdrażane na produkowanych w Europie układach FPGA.
Efekt to AI, która współpracuje z fizyką zamiast z nią walczyć. Obliczenia, które nie wymagają egzotycznych systemów chłodzenia. Infrastruktura, która nie potrzebuje własnej elektrowni. I co kluczowe dla Europy: podejście technologiczne, które nie uzależnia od NVIDIA z Kalifornii ani od innych spoza Europy dostawców sprzętu.
Firmy takie jak niemieckie Black Forest Labs, francuskie Mistral AI i niemieckie Aleph Alpha budują imponujące możliwości AI, ale wciąż są zasadniczo zależne od tradycyjnych architektur zmiennoprzecinkowych i łańcucha dostaw GPU. Binarne sieci neuronowe oferują drogę do prawdziwej europejskiej suwerenności AI, działając na sprzęcie, który może być produkowany w Europie w procesach zgodnych z europejskimi zobowiązaniami klimatycznymi.
Tak Europa może mieć jedno i drugie: rozwój AI i cele klimatyczne. Nie przez uczynienie obecnego podejścia nieco bardziej ekologicznym dzięki zakupom energii odnawialnej i kompensacjom emisji, lecz przez zastosowanie matematyki, która od początku nie wymaga zużycia energii na skalę planetarną. Europejski akt o AI już to dostrzega, wymagając ujawniania zużycia energii i zachęcając do dobrowolnych kodeksów postępowania w zakresie zrównoważenia środowiskowego. Podejścia binarne zamieniają te ambitne cele w osiągniętą rzeczywistość.
Wybór, którego dokonujemy właśnie teraz
Cyfrowy kryzys energetyczny nie jest nieunikniony. To wybór. Wybór, którego dokonujemy właśnie teraz, przy każdym zamówieniu GPU, w każdej umowie na budowę centrum danych, przy każdym trenowaniu modelu.
To wybór, by nadal używać arytmetyki zmiennoprzecinkowej, bo jest znajoma, bo narzędzia już istnieją, bo przekwalifikowanie całej branży jest trudne. Wybór, by akceptować wykładniczy wzrost zużycia energii, bo kwartalne wyniki wyglądają dobrze, a inwestorzy venture capital są podekscytowani. Wybór, by spalać więcej prądu na trenowanie jednego modelu, niż miasteczko zużywa w ciągu roku, bo możemy, i bo ktoś inny zapłaci koszt klimatyczny.
Ale moglibyśmy wybrać inaczej. Europa jest właściwie w wyjątkowej pozycji, by przewodzić temu wyborowi.
Możemy wybrać matematykę, która nie marnuje 96% swojej energii na niepotrzebną precyzję. Możemy wybrać algorytmy, które działają wydajnie na standardowym sprzęcie zamiast wymagać specjalistycznych akceleratorów. Możemy wybrać architektury, które szanują fizyczne i środowiskowe ograniczenia zamiast zakładać nieograniczoną dostępność energii. Możemy wybrać podejścia zgodne z Europejskim Zielonym Ładem zamiast wprost go podważać.
Boom na sztuczną inteligencję nie musi stać się katastrofą energetyczną. Sieci binarne dowodzą, że istnieje inna droga. Taka, która zapewnia inteligencję bez kosztów klimatycznych. Taka, która działa w ramach ograniczeń energii odnawialnej zamiast je przekraczać. Taka, która traktuje wydajność jako fundamentalną cechę, a nie dodatek do wspomnienia w raportach zrównoważonego rozwoju.
Irlandia nie musi wybierać między rozwojem gospodarczym dzięki centrom danych a wystarczającą ilością energii elektrycznej dla domów. Amsterdam nie musi wprowadzać moratoriów. Dublin nie musi patrzeć, jak centra danych zużywają blisko połowę energii miasta, podczas gdy mieszkańcy mierzą się z rosnącymi kosztami energii.
Europejski Zielony Ład i rozwój sztucznej inteligencji nie są ze sobą sprzeczne. Ale tylko wtedy, gdy jesteśmy gotowi zakwestionować fundamentalne założenia i zbudować AI, która ma rzeczywiście sens matematyczny, fizyczny i ekonomiczny. Obecna trajektoria prowadzi do 945 TWh do 2030 roku, 3% światowej energii elektrycznej, tysięcy ton CO2 na model, milionów litrów zużycia wody i niemożliwego wyboru między celami klimatycznymi a postępem technologicznym.
Alternatywa istnieje już dziś. Sieci binarne działające na standardowych procesorach i wydajnych układach FPGA. Obliczenia zużywające o 96% mniej energii. Zrównoważona AI, która nie wymaga wyboru między postępem a planetą. Przejrzyste algorytmy, które Europejczycy mogą faktycznie zrozumieć i zweryfikować, a nie czarne skrzynki z wagami zmiennoprzecinkowymi kontrolowane przez zagraniczne korporacje.
Pozostaje tylko pytanie, czy skorzystamy z niej, zanim spalimy tyle energii, zużyjemy tyle wody i zbudujemy tak nieefektywną infrastrukturę, że nie będziemy mieli już wyboru. Okno się zamyka. Ale wciąż jest otwarte.
Chcesz AI, która nie wymaga własnej elektrowni? Dweve Core, nasz framework obliczeń dyskretnych łączący sieci binarne, systemy oparte na ograniczeniach i obliczenia impulsowe, które zasilają Dweve Loom, zapewnia o 96% niższe zużycie energii zarówno podczas treningu, jak i wnioskowania na standardowym sprzęcie. Żadnych zastrzeżonych akceleratorów. Żadnego egzotycznego chłodzenia. Żadnych kompromisów w zakresie możliwości. Przyszłość zrównoważonej europejskiej AI jest wydajna, przejrzysta i dostępna już dziś.