Digitálna energetická kríza: 945 TWh, ktoré AI spotrebuje
Priemyselná sauna, ktorú nazývame pokrokom
Vojdite do moderného dátového centra pre AI vo Frankfurte alebo Dubline a vaša prvá myšlienka nebude „Toto je budúcnosť." Bude to „Prečo je tu tak pekelne horúco?" Teplo vás zasiahne ako pri otvorení dverí rúry, vlny tepelnej energie sa valia zo serverových skríň, ktoré vyzerajú skôr ako priemyselné pece než ako počítače. Chladiaci systém kričí, ventilátory hučia na plný výkon, chladená voda preteká kilometrami potrubia, len aby tieto stroje sa doslova neroztopili.
Každý čip akcelerátora AI spotrebuje 1 200 wattov. Pre predstavu, to je viac energie ako ohrievač, ktorý v januári vykuruje byt vašej holandskej babičky. A pozeráte sa na tisíce takýchto čipov, natlačených v skriniach, ktoré spotrebúvajú 50, 100, niekedy až 250 kilowattov každá. Jediná skriňa odoberá toľko energie ako 100 priemerných európskych domácností. V priestore veľkosti šatníka.
Toto je digitálna energetická kríza, o ktorej sa na konferenciách v slušnej spoločnosti nehovorí. AI nielenže spotrebúva elektrinu. Požiera ju s chuťou čiernej diery a my všetci slušne prikyvujeme, akoby to bolo úplne rozumné správanie pre matematiku.
Čísla, pri ktorých by ste mali nadávať
Poďme sa porozprávať o rozsahu, pretože tie čísla sú naozaj desivé. V roku 2024 dátové centrá na celom svete spotrebovali približne 415 terawatthodín elektriny. To je 1,5 % celosvetovej spotreby elektriny. V európskom kontexte to je podstatne viac ako celý ročný dopyt Španielska po elektrine, ktorý je 248 TWh. Celé Španielsko. Každá domácnosť, každá továreň, každý vlak, každá nemocnica. Dátové centrá spotrebujú viac.
Ale tu to prestáva byť len znepokojujúce a stáva sa to poriadne desivým: predpokladá sa, že toto číslo sa do roku 2030 viac ako zdvojnásobí a dosiahne 945 TWh. To sú 3 % celosvetovej elektriny. Nie 3 % elektriny pre technológie. 3 % všetkého. Viac ako všetky elektromobily, tepelné čerpadlá a solárne panely dohromady.
A hlavným motorom je AI. Spotreba energie dátových centier pre AI rastie o 44,7 % ročne. Aby ste pochopili, aké exponenciálne to je, pozrime sa na Írsko. V roku 2024 dátové centrá spotrebovali 22 % celkovej elektriny v Írsku, oproti iba 5 % v roku 2015. To je nárast o 531 % za deväť rokov. EirGrid, írsky prevádzkovateľ siete, odhaduje, že do roku 2030 by dátové centrá mohli spotrebovať 30 % elektriny v krajine. Takmer tretina energetickej siete celého národa, len na trénovanie modelov a obsluhu AI dopytov.
Samotný Dublin rozpráva príbeh. Dátové centrá v roku 2023 spotrebovali medzi 33 % a 42 % všetkej elektriny v Dubline. Niektoré odhady hovoria o ešte vyšších číslach. Írska vláda uvalila moratórium na výstavbu nových dátových centier v Dubline do roku 2028, pretože sieť jednoducho nezvládne väčšiu záťaž. Amsterdam urobil to isté v roku 2019 a zrušil ho až po zavedení prísnych požiadaviek na efektívnosť využitia energie a stropu 670 MVA do roku 2030. Holandsko zašlo ešte ďalej a uvalilo celoštátne moratórium na hyperscale dátové centrá presahujúce 70 megawattov.
Toto nie je postupný rast. Toto je exponenciálny výbuch dopytu po energii, ktorý sa deje práve teraz, zrýchľuje sa každý štvrťrok a bezhlavo naráža na limity fyzickej infraštruktúry.
Tréningová uhlíková bomba
Tréning jediného veľkého jazykového modelu vytvorí uhlíkovú stopu, pri ktorej by sa začervenala aj ropná rafinéria. A na rozdiel od rafinérií, ktoré aspoň vyprodukujú niečo hmatateľné, čo môžete naliať do auta, tieto emisie vytvoria... no, model, ktorý vám možno s istotou vysvetlí, že huby sa pripravujú podľa receptu na rizoto.
GPT-3, model, ktorý odštartoval súčasný boom umelej inteligencie, počas tréningu vyprodukoval 552 metrických ton CO2. To zodpovedá 123 osobným automobilom na benzín, ktoré jazdia celý rok. Za jeden model. Za jeden tréning. A to je len priama spotreba energie, bez započítania vstavanej uhlíkovej stopy z výroby GPU alebo z výstavby dátového centra.
A teraz tá naozaj šialená časť: GPT-3 sa podľa dnešných meradiel považuje za malý model. Moderné modely sú o niekoľko rádov väčšie. Tréning modelu so 100 biliónmi parametrov spotrebuje približne 9 miliónov eur na výpočtový čas GPU. Pri európskych cenách energie a uhlíkovej intenzite to predstavuje tisíce ton ekvivalentu CO2. Za jeden model. A úspešné nasadenie zvyčajne vyžaduje desiatky až stovky tréningov, pretože prvých sedemnásť pokusov vytvorí model, ktorý si myslí, že Belgicko je druh syra.
Výskumné práce ohlasujú pôsobivé metriky výkonnosti. Uhlíková stopa? Tá sa pochová v poznámke pod čiarou, ak sa vôbec spomenie. Je to ekvivalent AI, keď sa niekto chváli zrýchlením svojho nového auta, ale starostlivo nespomenie, že spotrebuje 2 litre na kilometer.
Efekt násobenia pri inferencii
Tu je to, čo väčšine ľudí uniká, a je to tá naozaj dôležitá časť: tréning je jednorazový náklad. Inferencia, používanie modelu na odpovedanie na otázky, beží nepretržite. Navždy. V rozsahu, pri ktorom tréningové emisie vyzerajú ako maličkosť.
Každý dopyt v ChatGPT spotrebúva elektrinu. Každá generácia obrázkov pomocou AI spaľuje watty. Každé odporúčanie, každý preklad, každá odpoveď hlasového asistenta. Milióny dopytov za sekundu, 24 hodín denne, 365 dní v roku. A na rozdiel od tréningu, ktorý prebieha v sústredených dávkach, je inferencia rozložená do tisícov dátových centier po celom svete, čo ju robí takmer nemožné sledovať.
Výskum ukazuje, že emisie z inferencie často prevyšujú emisie z tréningu o niekoľko rádov, najmä pri široko nasadených modeloch. Tréning môže stáť 500 ton CO2. Inferencia počas životnosti modelu? Potenciálne 50 000 ton. Možno aj viac. Nikto to nepočíta, a to je presne ten problém.
Technologické spoločnosti vykazujú emisie z tréningu, keď to vyžaduje legislatíva EÚ. Emisie z inferencie? To je „prevádzková réžia", pohodlne pochovaná vo všeobecných štatistikách dátových centier spolu s mailovými servermi a videami s mačkami. Akt o umelej inteligencii EÚ vyžaduje zverejňovanie spotreby energie pre modely umelej inteligencie na všeobecné účely, ale vymáhanie je nesystematické a dobrovoľné zverejňovanie zostáva presne tým, čím je: dobrovoľné.
Kríza hustoty výkonu, ktorá láme fyziku
Tradičné dátové centrá kedysi bežali na približne 36 kilowattov na rack. Zvládnuteľné. Bežné vzduchové chladenie fungovalo spoľahlivo. Dalo sa ich postaviť kdekoľvek s dobrým sieťovým pripojením a rozumnými cenami elektriny. Infraštruktúra bola jednoduchá.
Potom prišla AI a fyzika sa nahnevala.
Dnešné AI racky dosahujú 50 kilowattov. Špičkové nasadenia sa dostávajú na 100 kilowattov. Niektoré experimentálne konfigurácie tlačia na 250 kilowattov na rack. To je spotreba 100 priemerných európskych domácností sústredená na niekoľkých štvorcových metroch serverového racku. Hustota výkonu sa blíži k hustote raketového motora.
Problémom nie je len celkový výkon. Je to hustota. Natlačte toľko energie do takého malého priestoru a fyzika sa stane vaším nepriateľom. Teplo sa musí niekam dostať a vzduchové chladenie to fyzicky nezvládne. Tepelná záťaž je príliš vysoká. Potrebujete kvapalinové chladenie. Chladenie priamo na čip. Ponorné chladenie. Komplexné systémy tepelného manažmentu, ktoré stoja viac ako samotné servery a vyžadujú si vlastné inžinierske tímy na prevádzku.
Dátové centrá sa prerábajú nie kvôli efektivite výpočtov, ale len aby sa predišlo tepelnému kolapsu. Budujeme infraštruktúru na zvládanie odpadového tepla z matematických operácií, ktoré by v prvom rade nemali produkovať toľko tepla. Je to ako navrhovať lepší výfukový systém pre auto, ktoré horí, namiesto toho, aby sme sa pýtali, prečo auto horí.
Čip, ktorý zožral sieť
Na chvíľu sa zamerajme na hardvér, pretože spotreba jednotlivých čipov rozpráva vlastný príbeh stupňujúceho sa šialenstva.
Prvé AI akcelerátory spotrebovali okolo 400 wattov. Už to bolo veľa, ale zvládnuteľné bežným chladením. Potom 700 wattov. Potom 1 000 wattov. Najnovšia architektúra Blackwell od NVIDIA dosahuje 1 200 wattov na čip, pričom niektoré konfigurácie idú ešte vyššie. Už teraz sa diskutuje o budúcich návrhoch s výkonom 1 400 wattov.
Zamyslite sa nad tým. 1 200 wattov. Na jeden čip. Jediný čip spotrebúvajúci viac energie ako väčšina domácich spotrebičov. A trénovanie veľkého modelu si vyžaduje tisíce takýchto čipov bežiacich nepretržite týždne či mesiace.
Matematika je neúprosná: 1 000 čipov × 1 200 wattov = 1,2 megawattu. Pre jeden tréningový klaster. Na trénovanie jedného modelu. A po celom svete existujú stovky takýchto klastrov, pričom každý štvrťrok pribúdajú ďalšie. Samotné trhy FLAP-D (Frankfurt, Londýn, Amsterdam, Paríž, Dublin) predstavujú viac ako 60 % kapacity európskych dátových centier, pričom dopyt po energii má podľa prognóz vzrásť z 96 TWh v roku 2024 na 168 TWh do roku 2030.
Toto nie je udržateľné. Nie je to ani zďaleka udržateľné. Spaľujeme elektrinu tempom, ktoré by sa pred desaťročím zdalo fiktívne, a diskusia v odvetví sa sústreďuje na to, či energetická sieť dokáže držať krok, nie na to, či by sme to vôbec mali robiť.
Zelená nočná mora Európy a nemožná voľba
Pre Európu to vytvára neriešiteľný konflikt, ktorý už nie je teoretický. Deje sa to práve teraz, na stretnutiach o plánovaní sietí a na regulačných vypočutiach po celom kontinente.
Európska zelená dohoda má za cieľ dosiahnuť do roku 2050 klimatickú neutralitu Európy. Emisie uhlíka musia do roku 2030 klesnúť aspoň o 55 % v porovnaní s úrovňami z roku 1990. Energetická efektívnosť sa musí zlepšiť vo všetkých odvetviach. Obnoviteľná energia musí nahradiť fosílne palivá. Toto sú právne záväzné ciele podľa európskeho klimatického zákona.
Medzitým spotreba energie AI exploduje tempom 44 % ročne. V roku 2024 európske dátové centrá spotrebovali 96 TWh, čo predstavuje 3,1 % celkového dopytu po energii. Rozloženie je však extrémne nerovnomerné. V Írsku je to 22 % národnej elektriny. V Holandsku 7 %. V Nemecku 4 %. Dátové centrá v Amsterdame, Londýne a Frankfurte spotrebovali v roku 2023 33 % až 42 % elektriny týchto miest.
Tieto dve trajektórie sú matematicky nezlučiteľné. Európa môže dosiahnuť svoje klimatické ciele, alebo môže budovať AI infraštruktúru súčasnými prístupmi. Nie oboje. Čísla nevychádzajú.
Niektorí tvrdia, že problém vyrieši obnoviteľná energia. „Stačí napájať dátové centrá solárnou a veternou energiou.“ Krásna myšlienka. Úplne nepraktická. Európa v roku 2024 inštalovala 65,5 GW nových solárnych kapacít a 16,4 GW nových veterných kapacít. Obnoviteľná energia dosiahla 47 % výroby elektriny. Ale dopyt dátových centier vo výške 945 TWh do roku 2030 by si vyžiadal vybudovanie obnoviteľných kapacít zodpovedajúcich tisícom ďalších veterných fariem a miliónom ďalších solárnych panelov. Už len záber pôdy by bol astronomický. Dánsko, ktoré má 88,4 % elektriny z obnoviteľných zdrojov (najmä z vetra), sa často uvádza ako vzor. No celková spotreba elektriny v Dánsku je len zlomkom projektovaného dopytu dátových centier pre AI.
Aj keby to bolo technicky možné, náklady obetovanej príležitosti sú závratné. Každá megawatthodina idúca na tréning AI je megawatthodina, ktorá nie je k dispozícii na elektrifikáciu dopravy, vykurovanie domov alebo napájanie priemyslu. Je to priama výmena a my sa rozhodujeme spaľovať obnoviteľnú energiu na tréning modelov, ktoré môžu byť o šesť mesiacov zastarané, namiesto vykurovania domov počas zimy.
Vodná kríza, ktorú nikto nesleduje
Energia nie je jediný zdroj, ktorý AI spotrebúva. Voda sa stáva kritickou krízou, najmä v regiónoch, ktoré už čelia nedostatku vody.
Dátové centrá spotrebúvajú obrovské množstvo vody na odparovacie chladenie, na ktoré sa spolieha väčšina veľkých zariadení, pretože je efektívnejšie ako systémy s uzavretým okruhom. Odparovacie chladenie doslova odparuje vodu, aby rozptýlilo teplo. Voda je preč. Nevracia sa späť do systému. Odparila sa do atmosféry. Natrvalo sa odstránila z miestnych vodných zdrojov.
Štúdia z roku 2024 zistila, že tréning GPT-3 v najmodernejších dátových centrách Microsoftu v USA spotreboval približne 700 000 litrov sladkej vody. To stačí na výrobu 370 automobilov BMW alebo 320 elektromobilov Tesla. Na jeden tréning. Jedného modelu. A to je len priama spotreba vody na mieste, bez započítania vody použitej pri výrobe elektriny.
Celková vodná stopa počas životného cyklu vrátane výroby elektriny mimo areálu dosahuje 5,4 milióna litrov. A spotreba pokračuje: ChatGPT vyžaduje približne 500 mililitrov vody na krátku konverzáciu s 20 až 50 otázkami a odpoveďami. Vynásobte to miliónmi používateľov, ktorí neustále kladú otázky, a spotreba vody sa stáva závratnou.
V regiónoch náchylných na sucho to vytvára priame konflikty. Dátové centrá súperia s poľnohospodárstvom a obecnými vodnými zdrojmi. V niektorých regiónoch tréning AI doslova berie vodu plodinám počas sucha. Toto nie je problém budúcnosti. Deje sa to práve teraz. A ako sa nasadzovanie AI rozširuje, situácia sa zhoršuje.
Ilúzia efektívnosti a Jevonsov paradox
Odvetvie umelej inteligencie jednoducho miluje hovoriť o zvyšovaní efektívnosti. Každá kľúčová prednáška na konferencii obsahuje snímku: „Nové čipy sú 10× efektívnejšie!“ „Lepšie algoritmy znižujú spotrebu energie o 50 %!“ „Naše dátové centrá sú napájané 100 % obnoviteľnou energiou!“
Všetko pravda. Všetko technicky pôsobivé. Všetko úplne irelevantné voči skutočnému problému.
Pretože zvýšenie efektívnosti okamžite pohltí nárast rozsahu. Toto je Jevonsov paradox v praxi a ekonómovia naň upozorňujú už od roku 1865, keď William Stanley Jevons zistil, že vyššia efektívnosť spaľovania uhlia v parných strojoch viedla k zvýšeniu celkovej spotreby uhlia, nie k jej zníženiu.
Generálny riaditeľ Microsoftu Satya Nadella doslova tweetoval „Jevonsov paradox opäť útočí!“, keď DeepSeek vydal svoj efektívny a lacný model umelej inteligencie. Presne pochopil, čo sa stane: nižšie náklady znamenajú vyššie využívanie, čo vedie k vyššej celkovej spotrebe. A mal pravdu.
Áno, novšie čipy vykonajú viac výpočtov na watt. Ale modely sú čoraz väčšie ešte rýchlejšie. Áno, lepšie algoritmy skracujú čas tréningu. Ale trénujeme viac modelov, častejšie, s väčším počtom parametrov, pretože si to teraz môžeme dovoliť. Celková spotreba energie neklesá. Zrýchľuje sa. Desatnásobné zvýšenie efektívnosti jednoducho znamená, že za rovnaké náklady na energiu dokážeme natrénovať desaťkrát väčší model. Tak to aj robíme. A celková spotreba rastie.
NVIDIA tvrdí, že Blackwell je pri inferencii 100 000-krát energeticky efektívnejší ako čipy spred desiatich rokov. Úžasné inžinierstvo. Celková spotreba energie umelej inteligencie však v rovnakom období explodovala, pretože zvýšenie efektívnosti umožnilo nasadenie v rozsahoch, ktoré boli predtým ekonomicky nemožné.
Skutočná cena fantázií o pohyblivej rádovej čiarke
Prečo AI spotrebúva toľko energie? Odpoveď sa skrýva v matematike a je jednoduchšia, než si možno myslíte.
Aritmetika s pohyblivou rádovou čiarkou, základ moderných neurónových sietí, je výpočtovo náročná. Každé násobenie si vyžaduje značné obvody, značnú plochu kremíka, značný výkon. A neurónové siete sú miliardy a miliardy operácií s pohyblivou rádovou čiarkou, opakovaných milióny krát za sekundu.
Horšie je, že používame extrémnu presnosť tam, kde ju naozaj nepotrebujeme. 32-bitové čísla s pohyblivou rádovou čiarkou. 16-bitové. Dokonca 8-bitové. Všetka táto presnosť, všetka táto výpočtová réžia, všetka táto energia, len aby sme rozhodovali, ktoré je v konečnom dôsledku binárne. Áno alebo nie. Mačka alebo pes. Spam alebo normálna správa. Schváliť alebo zamietnuť.
Je to ako použiť superpočítač na hod mincou. Výsledok je hlava alebo znak, ale my spaľujeme megawatty na výpočet pravdepodobností na šestnásť desatinných miest. Presnosť je matematicky krásna. Je tiež termodynamicky šialená.
Toto nie je optimalizácia. Toto je plytvanie maskované za nevyhnutnosť, obhajované zotrvačnosťou „ale takto sme to robili vždy“ a utopenými nákladmi miliárd eur investovaných do infraštruktúry GPU navrhnutej špecificky na operácie s pohyblivou rádovou čiarkou.
Binárna alternatíva, ktorá naozaj funguje
Takže aké je riešenie? Ako postavíme AI bez toho, aby sme z dátových centier urobili klimatické katastrofy?
V spoločnosti Dweve sme začali spochybnením základného predpokladu. Naozaj AI potrebuje aritmetiku s pohyblivou rádovou čiarkou? Naozaj potrebuje toľko energie? Existuje iný matematický základ, ktorý dosahuje rovnakú inteligenciu s výrazne nižšou výpočtovou réžiou?
Binárne neurónové siete poskytujú jasnú, empiricky overenú odpoveď: nie, AI nepotrebuje aritmetiku s pohyblivou rádovou čiarkou. Ani zďaleka nie.
Odstránením operácií s pohyblivou rádovou čiarkou a použitím jednoduchej binárnej logiky klesne spotreba energie o 96 %. Nie vďaka okrajovým optimalizáciám alebo šikovnému ukladaniu do vyrovnávacej pamäte. Vďaka zásadnému matematickému prepracovaniu. Úspora výpočtov pochádza z nahradenia zložitých operácií násobenia a akumulácie s pohyblivou rádovou čiarkou jednoduchými binárnymi operáciami AND a XNOR, ktoré vyžadujú o niekoľko rádov menej energie.
Tých 1 200-wattových akcelerátorov Blackwell? Nahraďte ich 50-wattovým procesorom vykonávajúcim binárne operácie. Rovnaká inteligencia. Rovnaké schopnosti. 24× menej energie. Alebo ešte lepšie, nasaďte ich na FPGA špecificky optimalizované pre binárne operácie, čím dosiahnete 136× lepšiu energetickú účinnosť v porovnaní s tradičnými prístupmi GPU.
Tento 250-kilowattový serverový stojan odoberajúci toľko energie ako celá štvrť? Klesne na 10 kilowattov. To obrovské dátové centrum spotrebúvajúce elektrinu ako celé mesto? Zníži sa na odber energie ako veľká kancelárska budova. Požiadavky na infraštruktúru sa proporcionálne znížia. Žiadne exotické kvapalinové chladenie. Žiadne samostatné elektrické stanice. Žiadne modernizácie siete.
Matematika je jednoduchá: binárne operácie spotrebúvajú o niekoľko rádov menej energie ako operácie s pohyblivou rádovou čiarkou. Efektívnosť infraštruktúry z toho prirodzene vyplýva. Vplyv na klímu klesá proporcionálne. A výsledky? Rovnaká alebo lepšia presnosť pri reálnych úlohách, pretože binárne neurónové siete dokážu zachytiť štrukturálne vzťahy, ktoré siete s pohyblivou rádovou čiarkou prehliadajú.
Za hranicami efektívnosti: iná paradigma pre európsku AI
Binárne neurónové siete nie sú len efektívnejšie. Predstavujú zásadne odlišný prístup k inteligencii, ktorý prirodzene zapadá do európskych hodnôt udržateľnosti, transparentnosti a technologickej suverenity.
Namiesto približovania rozhodnutí spojitou matematikou a obrovským výpočtovým výkonom využívajú priamo diskrétnu logiku. Namiesto spaľovania energie na prekonávanie numerickej nestability pri gradientnom zostupe stavajú na stabilných binárnych základoch. Namiesto drahých proprietárnych GPU vyrábaných v zámorí bežia efektívne na bežných procesoroch a možno ich nasadiť na FPGA vyrobené v Európe.
Výsledkom je AI, ktorá spolupracuje s fyzikou, nie bojuje proti nej. Výpočty, ktoré nevyžadujú exotické chladiace systémy. Infraštruktúra, ktorá nepotrebuje vlastnú elektráreň. A čo je pre Európu kľúčové, technologický prístup, ktorý vás neuzamkne do závislosti od NVIDIA so sídlom v Kalifornii ani od iných mimoeurópskych dodávateľov hardvéru.
Spoločnosti ako nemecké Black Forest Labs, francúzske Mistral AI a nemecké Aleph Alpha budujú pôsobivé AI schopnosti, ale stále sú zásadne závislé od tradičných architektúr s pohyblivou rádovou čiarkou a od dodávateľského reťazca GPU. Binárne neurónové siete ponúkajú cestu k skutočnej európskej AI suverenite, bežiacej na hardvéri, ktorý možno vyrábať v Európe, procesmi, ktoré sú v súlade s európskymi klimatickými záväzkami.
Takto môže mať Európa oboje: pokrok v AI aj klimatické ciele. Nie tým, že súčasný prístup mierne ozeleníme nákupom energie z obnoviteľných zdrojov a uhlíkovými kompenzáciami, ale použitím matematiky, ktorá v prvom rade nevyžaduje spotrebu energie v planetárnom meradle. Európsky akt o AI to už uznáva, keď vyžaduje zverejňovanie spotreby energie a podporuje dobrovoľné kódexy správania v oblasti environmentálnej udržateľnosti. Binárne prístupy menia tieto ambiciózne ciele na dosiahnutú realitu.
Voľba, ktorú robíme práve teraz
Kriza digitálnej energie nie je nevyhnutná. Je to voľba. Voľba, ktorú robíme práve teraz, pri každej objednávke GPU, pri každej zmluve na výstavbu dátového centra, pri každom tréningu modelu.
Je to voľba naďalej používať aritmetiku s pohyblivou rádovou čiarkou, pretože je známa, pretože nástroje existujú, pretože preškoliť celé odvetvie je náročné. Voľba prijať exponenciálny rast spotreby energie, pretože štvrťročné výsledky vyzerajú dobre a venture kapitalisti sú nadšení. Voľba spáliť viac elektriny na tréning jedného modelu, než spotrebuje mesto za rok, pretože môžeme, a pretože klimatické náklady zaplatí niekto iný.
Ale mohli by sme sa rozhodnúť inak. Európa je vlastne v jedinečnej pozícii viesť túto voľbu.
Mohli by sme si zvoliť matematiku, ktorá neplytvá 96 % svojej energie na zbytočnú presnosť. Mohli by sme si zvoliť algoritmy, ktoré efektívne pracujú na štandardnom hardvéri namiesto toho, aby vyžadovali špecializované akcelerátory. Mohli by sme si zvoliť architektúry, ktoré rešpektujú fyzické a environmentálne limity namiesto toho, aby predpokladali neobmedzenú dostupnosť energie. Mohli by sme si zvoliť prístupy, ktoré sú v súlade s Európskou zelenou dohodou namiesto toho, aby ju priamo podkopávali.
Rozmach umelej inteligencie sa nemusí stať energetickou katastrofou. Binárne neurónové siete dokazujú, že existuje iná cesta. Cesta, ktorá poskytuje inteligenciu bez nákladov na klímu. Cesta, ktorá pracuje v rámci obmedzení obnoviteľnej energie namiesto toho, aby ich prekonávala. Cesta, ktorá považuje efektívnosť za základnú vlastnosť, nie za dodatočnú poznámku v správach o udržateľnosti.
Írsko si nemusí vybrať medzi ekonomickým rozvojom prostredníctvom dátových centier a dostatkom elektriny pre domácnosti. Amsterdam nemusí zavádzať moratóriá. Dublin nemusí sledovať, ako dátové centrá spotrebúvajú takmer polovicu elektriny mesta, zatiaľ čo obyvatelia čelia rastúcim nákladom na energiu.
Európska zelená dohoda a pokrok v oblasti umelej inteligencie nie sú nezlučiteľné. Ale len vtedy, ak sme ochotní spochybniť základné predpoklady a vybudovať AI, ktorá má skutočne matematický, fyzikálny a ekonomický zmysel. Súčasná trajektória vedie k 945 TWh do roku 2030, čo predstavuje 3 % globálnej elektriny, tisíckam ton CO2 na model, miliónom litrov spotrebovanej vody a nemožnej voľbe medzi klimatickými cieľmi a technologickým pokrokom.
Alternatíva existuje už dnes. Binárne neurónové siete bežiace na štandardných procesoroch a efektívnych FPGA. Výpočty, ktoré spotrebúvajú o 96 % menej energie. Udržateľná AI, ktorá nevyžaduje voľbu medzi pokrokom a planétou. Transparentné algoritmy, ktorým Európania skutočne rozumejú a ktoré môžu overiť, nie čierne skrinky s váhami s pohyblivou rádovou čiarkou ovládané zahraničnými korporáciami.
Jedinou otázkou je, či ju využijeme skôr, než spálime toľko energie, spotrebujeme toľko vody a vybudujeme toľko neefektívnej infraštruktúry, že už nebudeme mať na výber. Okno sa zatvára. Ale stále je otvorené.
Chcete AI, ktorá nevyžaduje vlastnú elektráreň? Dweve Core, náš rámec pre diskrétne výpočty kombinujúci binárne neurónové siete, systémy založené na obmedzeniach a špičkové výpočty, ktorý poháňa Dweve Loom, poskytuje o 96 % nižšiu spotrebu energie pri tréningu aj inferencii na štandardnom hardvéri. Žiadne proprietárne akcelerátory. Žiadne exotické chladenie. Žiadne kompromisy vo výkone. Budúcnosť udržateľnej európskej AI je efektívna, transparentná a dostupná už dnes.