Európska pasca GPU: AI v zajatí
Účet za cloud neskoro v noci
Predstavte si to: prevádzkujete startup v Amsterdame, Berlíne alebo Barcelone. Je neskoro v noci. Váš tím práve nasadil novú funkciu s umelou inteligenciou, ktorú zákazníci naozaj milujú. Všetko funguje. Všetko rastie.
A potom si pozriete účet za cloud.
Vaše náklady na infraštruktúru sa práve strojnásobili. Nie preto, že ste urobili chybu. Nie preto, že vás napadli hackeri. Ale preto, že váš poskytovateľ cloudu sa rozhodol, že ceny GPU pôjdu hore. Opäť. A nemôžete s tým nič urobiť, pretože máte presne jednu možnosť: zaplatiť alebo vypnúť.
Vitajte v infraštruktúrnej pasci, na ktorú vás nikto neupozornil, keď ste začali pracovať s umelou inteligenciou. Pasce, ktorá európske firmy stojí 35 miliárd eur ročne na infraštruktúre pre umelú inteligenciu. Pasce postavenej úplne náhodou na herných čipoch, ktoré nikdy nemali byť základom umelej inteligencie v rozsahu celej civilizácie.
Toto je príbeh o tom, ako sme sa sem dostali. A čo je dôležitejšie, o tom, ako by sme sa odtiaľto konečne mohli dostať.
Náhoda, ktorá sa stala impériom
30. septembra 2012. V spálni v dome svojich rodičov v Toronte spúšťa Alex Krizhevsky posledné tréningové sedenie. Jeho tím SuperVision, ktorý postavil spolu s doktorandmi Ilyom Sutskeverom a školiteľom Geoffreyom Hintonom, sa chystá odovzdať svoj príspevok do súťaže ImageNet.
Urobili niečo nekonvenčné: trénovali hlbokú neurónovú sieť pomocou dvoch grafických kariet NVIDIA GTX 580. Herný hardvér. Taký, aký by ste použili na vykreslenie výbuchov v Call of Duty, na to, aby draci dýchali realistický oheň, na výpočet odrazov vody vo fantasy svetoch.
Je to vlastne hack. Potrebovali väčší výpočtový výkon, než aký dokázali poskytnúť CPU, a tieto herné GPU za 500 eur náhodou fungovali. Nikto si nemyslí, že toto je budúcnosť umelej inteligencie. Je to len to, čo je práve teraz k dispozícii, v tejto chvíli, pre projekt doktoranda.
Ich model AlexNet súťaž ImageNet nielen vyhrá. Zničí všetky predchádzajúce pokusy. Víťazi z predchádzajúcich rokov dosiahli chybovosť 26,2 %. AlexNet dosahuje 15,3 %. To nie je postupný pokrok. To je revolúcia, ktorú vidno aj z vesmíru.
A tak sa úplne náhodou GPU stali základom umelej inteligencie. Herný hardvér sa stal chrbtovou kosťou najdôležitejšej technológie 21. storočia. To, čo všetci považovali za dočasné riešenie, sa stalo trvalou infraštruktúrou.
O trinásť rokov neskôr sa táto náhoda rozrástla do niečoho, čo nikto nepredvídal: ročnej závislosti za 35 miliárd eur. Strategickej zraniteľnosti. Technologickej monokultúry. Zlatej klietky, ktorá uväznila celý globálny ekosystém umelej inteligencie, a Európu najviac zo všetkých.
Prečo herné čipy náhodou fungovali
Buďme si úplne jasní v tom, čo sa tu vlastne stalo. GPU nikdy neboli navrhnuté pre umelú inteligenciu. Boli vyvinuté na vykresľovanie realistickej vody vo videohrách, na to, aby tiene vyzerali vierohodne, na výpočet svetelných efektov v 3D prostrediach pri 60 snímkach za sekundu.
Mali však jednu architektonickú vlastnosť, ktorá sa ukázala byť pre neuronové siete šťastnou náhodou: masívny paralelizmus. Zatiaľ čo CPU môže mať 8 alebo 16 jadier vykonávajúcich zložité operácie sekvenčne, GPU má tisíce jednoduchších jadier, ktoré vykonávajú rovnakú inštrukciu súčasne.
Neuronové siete sú, ako sa ukazuje, z väčšej časti násobenie matíc. Rovnaká matematická operácia opakovaná milióny krát. Trápivo paralelné, ako hovoria počítačoví vedci. Druh problému, pri ktorom môžete rozdeliť prácu medzi tisíce jednoduchých procesorov a dosiahnuť dramatické zrýchlenie.
Bola to zhoda náhod. Ako keby ste zistili, že váš kuchynský mixér je výborný na miešanie farieb. Jasné, funguje to. Je to rýchlejšie ako miešať ručne. Ale nikto to na tento účel nenavrhol. Nikto to pre tento prípad použitia neoptimalizoval. Jednoducho má tie správne vlastnosti.
Tím z Toronta potreboval trénovať väčšie siete. CPU boli neuveriteľne pomalé, trvalo im týždne to, čo GPU zvládli za dni. Rozhliadli sa po alternatívach a našli platformu CUDA od NVIDIA, programovacie prostredie, ktoré umožnilo premeniť grafické karty na všeobecné výpočty.
Nebola optimalizovaná pre neuronové siete. Nebola na to dokonca ani mimoriadne vhodná. Ale bola 10-krát rýchlejšia ako CPU, a keď robíte experimenty v univerzitnom laboratóriu s minimálnym rozpočtom, to je viac než dosť.
„Dostatočne dobré“ sa stalo zlatým štandardom. Dočasné riešenie skamenelo na trvalú infraštruktúru. Hack sa stal priemyslom. A tu je tá skutočne pozoruhodná časť: každý vedel, že je to hack. V roku 2012 výskumníci hovorili o GPU ako o pohodlnej metóde zrýchlenia, o provizóriu, kým nepríde niečo lepšie.
Nikto si nepredstavoval, že v roku 2025 budeme stále používať herný hardvér pre špičkovú AI. Nikto nepredpovedal, že sa to stane úzkym hrdlom obmedzujúcim celý priemysel. A predsa sme tu, trénujeme modely s biliónmi parametrov na hardvéri pôvodne navrhnutom na vykresľovanie blokov v Minecrafte.
Ako NVIDIA vybudovala nedobytný priekop
NVIDIA videlo príležitosť skôr než ktokoľvek iný. Kým akademici považovali GPU len za šikovné zrýchlenie svojich experimentov, NVIDIA budovala impérium s trpezlivosťou a nadhľadom majstrovského stratéga.
CUDA sa vyvinula z jednoduchého programovacieho rámca na komplexný ekosystém. Knižnice pre každú predstaviteľnú operáciu. Optimalizačné nástroje. Profilovacie systémy. Ladiace infraštruktúry. Rozsiahla dokumentácia. Vzdelávacie programy pre vysokoškolských študentov. Developer evangelizmus. Sponzorstvo konferencií. Výskumné granty.
Miliardy investované za viac ako desaťročie do toho, aby CUDA nebola len funkčná, ale nepostrádateľná. Nie len rýchla, ale nenahraditeľná.
Každý veľký AI framework postavil svoje základy na CUDA. PyTorch hovorí s CUDA natívne. TensorFlow kompiluje do CUDA. JAX predpokladá dostupnosť CUDA. Ak chcete trénovať neurónovú sieť konkurenčnou rýchlosťou, píšete kód, ktorý beží na CUDA. Ak chcete optimalizovať výkon, používate knižnice CUDA. Ak chcete nasadzovať vo veľkom, potrebujete hardvér kompatibilný s CUDA.
A CUDA beží len na GPU od NVIDIA. To nie je náhoda. To nie je prehliadnutie. To je stratégia vykonaná s chirurgickou presnosťou počas pätnástich rokov.
Je to jeden z najúspešnejších vendor lock-inov v histórii výpočtovej techniky. Nie dosiahnutý právnymi obmedzeniami alebo protisúťažným správaním, ktoré by regulátori mohli napadnúť, ale neúnavným, trpezlivým budovaním ekosystému. Kým si priemysel uvedomil, čo sa deje, bolo už dávno neskoro. Celý AI stack bol postavený na proprietárnom základe NVIDIA, jedno rozhodnutie za druhým, jedna knižnica za druhou, jedna optimalizácia za druhou.
Dnes NVIDIA ovláda 92 % trhu s AI akcelerátormi. Nie 60 %. Nie 75 %. Deväťdesiatdva percent. Niektorí analytici odhadujú podiel na trhu s tréningom na 98 %. Prečítajte si tie čísla ešte raz. Toto nie je konkurenčný trh. Toto je monopol s technickým figovým listom.
Ročné zovretie za 35 miliárd eur
Poďme si povedať, čo tento monopol v praxi znamená, najmä pre európske spoločnosti, ktoré sa snažia vyvíjať produkty s AI.
Jediný GPU NVIDIA H100 stojí od 23 000 do 37 000 eur. To je za jeden čip. Na trénovanie moderného veľkého jazykového modelu sú potrebné tisíce takýchto GPU, ktoré bežia nepretržite týždne alebo mesiace. Samotné náklady na výpočtový výkon môžu dosiahnuť desiatky miliónov eur. A to je len jeden tréning. Väčšina modelov si vyžaduje desiatky iterácií, kým začnú fungovať prijateľne.
Najnovšia architektúra Blackwell od NVIDIA spotrebuje až 1 200 wattov na čip. To je viac energie ako výkonný prenosný ohrievač. Poskytuje približne 2,5-krát rýchlejšie trénovanie AI v porovnaní s predchádzajúcou generáciou H100. Pôsobivé inžinierstvo, to určite.
Ale tiež stojí viac, vyžaduje infraštruktúru kvapalinového chladenia, ktorú väčšina dátových centier nemá, a nemáte absolútne žiadnu inú možnosť, ako si ju kúpiť, ak chcete zostať konkurencieschopní. Pretože ju kupujú všetci ostatní. Pretože CUDA na nej beží výhradne. Pretože ekosystém neexistuje nikde inde.
Celý systém stojí na jednoduchej realite: ak chcete vyvíjať AI na svetovej úrovni, potrebujete GPU od NVIDIA. A ak sídliš v Európe, si od prvého dňa v štrukturálnej nevýhode.
Americkí poskytovatelia cloudu ako AWS, Microsoft Azure a Google Cloud investujú každý štvrťrok vyše 37 miliárd eur do infraštruktúry GPU. Každý. Jeden. Štvrťrok. Kontrolujú 70 % európskeho cloudového trhu. Európski poskytovatelia držia len 15 % svojho domáceho trhu, oproti 29 % v roku 2017.
Spoločnosti ako SAP a Deutsche Telekom majú v európskom cloude každá len 2 % podiel na trhu. Európski poskytovatelia cloudu ako OVHcloud, Scaleway a Hetzner obsluhujú medzerové trhy a nedokážu sa vyrovnať rozsahu amerických hyperscalerov. Nedokážu získať GPU za konkurencieschopné ceny. Nedokážu ponúknuť rovnaký výkon. Nedokážu konkurovať.
Nie je to tak, že by európskym spoločnostiam chýbal technický talent alebo ambície. Chýba im prístup ku GPU za konkurencieschopné ceny a v potrebnom rozsahu. Nie sú len pozadu v pretekoch. Bežia na úplne inej dráhe, s štrukturálnymi bariérami, ktoré miliardy investícií len ťažko prekonávajú.
AI startupy v Európe čelia nevyhrateľnej hre
Zamyslime sa nad tým, čo sa práve teraz deje európskym AI spoločnostiam, v reálnom čase, ako sa snažia konkurovať.
Mistral AI, najsľubnejší francúzsky AI startup, získal financovanie 468 miliónov eur. To sú skutočné peniaze. To z nich robí jednu z najlepšie kapitalizovaných AI spoločností v Európe. Aj napriek tomuto vojnovému fondu museli na veľtrhu VivaTech 2025 oznámiť partnerstvo so spoločnosťou NVIDIA v oblasti suverénnej AI infraštruktúry, len aby získali prístup ku GPU.
Prečítajte si to ešte raz. Takmer pol miliardy eur vo financovaní a stále museli uzavrieť partnerstvo s NVIDIA, len aby získali čipy. To nie je strategické rozhodnutie. To je nevyhnutnosť zamaskovaná za partnerstvo.
Aleph Alpha, nemecká odpoveď na OpenAI, sa koncom roka 2024 preorientovala z budovania základných modelov na pomoc firmám s nasadzovaním AI. Prečo? Ako priznal zakladateľ Jonas Andrulis, budovanie LLM sa ukázalo ako príliš náročné a nákladné v priestore, kde dominujú technologickí giganti s hlbokými vreckami.
Inými slovami: nedokázali získať prístup ku GPU v rozsahu potrebnom na konkurenciu. Nedokázali sa vyrovnať investíciám do infraštruktúry amerických spoločností. Preto sa preorientovali na obchodný model, ktorý nevyžaduje konkurovať v tréningu základných modelov. To nie je stratégia. To je kapitulácia.
Európske AI spoločnosti dostali desaťkrát menej financií ako ich americké náprotivky. Ale aj keby bolo financovanie rovnaké, úzke miesto GPU by zostalo. NVIDIA uprednostňuje svojich najväčších zákazníkov: amerických poskytovateľov cloudu a technologických gigantov. Európske startupy čakajú v rade na zvyšky a platia prémiové ceny za akúkoľvek pridelenú kapacitu, ktorú dokážu získať.
EÚ reagovala iniciatívou InvestAI, ktorá mobilizuje 200 miliárd eur na investície do AI. Vo februári 2025 spoločnosti Brookfield Infrastructure a Data4 oznámili investície vo výške 19,2 miliardy eur do infraštruktúry AI len vo Francúzsku. V decembri 2024 si EuroHPC JU vybrala sedem konzorcií na zriadenie prvých AI tovární vo Fínsku, Nemecku, Grécku, Taliansku, Luxembursku, Španielsku a Švédsku.
Sú to obrovské investície. Skutočné záväzky. Ale prvé gigatovárne nebudú v prevádzke skôr ako v roku 2027. A všetky, úplne všetky, budú bežať na GPU od NVIDIA. Európa míňa stovky miliárd eur, aby sa zbavila závislosti od amerických cloudových poskytovateľov, a pritom si len prehlbuje závislosť od amerického hardvéru.
Problém vidíte.
Pasca ekosystému: prečo je únik takmer nemožný
Tu je dôvod, prečo je táto uzamknutosť taká zákerná, aj keď ju každý uznáva ako problém, ktorý treba riešiť.
Predstavte si, že ste výskumné laboratórium na Technickej univerzite v Mníchove. Päť rokov používate GPU od NVIDIA. Celý váš kód je optimalizovaný pre CUDA. Vaši výskumníci majú odborné znalosti CUDA. Vaša infraštruktúra predpokladá CUDA. Vaše nasadzovacie potrubia závisia od CUDA. Investovali ste milióny eur a nespočetné roky ľudskej práce do tohto ekosystému.
Teraz vám niekto ponúkne alternatívu. Možno platformu ROCm od AMD. Možno TPU od Googlu. Možno vlastný akcelerátor AI od sľubného európskeho startupu.
Ak chcete prejsť, musíte prepísať celý svoj kód pre novú platformu, čo je proces trvajúci mesiace až roky. Preškoliť tím na nové nástroje, frameworky a techniky optimalizácie. Znovu optimalizovať všetky modely pre rôzne hardvérové architektúry. Zmieriť sa s tým, že 80 % open-source AI knižníc nebude fungovať bez výrazných úprav. Riskovať, že alternatíva nemá dlhodobú perspektívu a podporu dodávateľa. Dúfať, že výkon bude porovnateľný alebo lepší ako doteraz, hoci viete, že pravdepodobne nebude. Modliť sa, aby ste len neprešli z jedného proprietárneho ekosystému do druhého, rovnako uzavretého, ale s menšími zdrojmi.
Náklady na prechod sú astronomické. Riziká sú obrovské. Prínosy sú neisté. Pre väčšinu organizácií je to neriešiteľná rovnica. Lepšie je zostať pri známom zle, aj keď je toto zlo drahé, v cudzích rukách a strategicky rizikové.
Technologickí giganti ako Microsoft, Meta a Google investovali desiatky miliárd do dátových centier založených na CUDA. Táto infraštruktúra nepredstavuje len utopené náklady. Predstavuje základ ich celej AI stratégie. Ich talent je vyškolený na CUDA. Ich kód predpokladá CUDA. Ich nasadzovacie nástroje očakávajú CUDA. Ich konkurenčná výhoda závisí od odborných znalostí CUDA.
Ekonómovia to nazývajú vysoké náklady na zmenu s efektmi siete. Keď technológia dosiahne kritické množstvo, jej nahradenie je takmer nemožné, aj keď existujú lepšie alternatívy. Aj keď by na tom všetci boli lepšie po prechode. Aj keď je súčasné riešenie neoptimálne, drahé a strategicky nebezpečné.
NVIDIA nepostavila len výborný hardvér. Postavila klietku so zlatými mrežami a celý AI priemysel do nej vošiel dobrovoľne, jedno pragmatické rozhodnutie za druhým, pričom si neuvedomoval, že dvere sa za ním zatvárajú.
Inovačný bod zúženia, o ktorom nikto nehovorí
Najhorší dôsledok nie sú náklady ani uzamknutie u dodávateľa. Je to to, čo dominancia GPU robí so samotnou inováciou, so samotným priestorom možností toho, čím by AI mohla byť.
Keď jedna technológia dosiahne takmer úplnú dominanciu na trhu, inovácia sa zameriava na marginálne zlepšovanie tejto technológie, nie na skúmanie zásadne odlišných prístupov. NVIDIA vydáva nové generácie GPU s postupnými vylepšeniami. Výskumníci optimalizujú kód pre architektúry NVIDIA. Vývojári frameworkov pridávajú funkcie CUDA. Všetci bežia rýchlejšie na tom istom bežiacom páse.
Medzitým sú radikálne odlišné prístupy k AI ochudobnené o zdroje, pozornosť a talent. Prečo investovať do neuromorfných výpočtov, keď všetci používajú GPU? Prečo skúmať uvažovanie založené na obmedzeniach, keď neurónové siete fungujú dostatočne dobre? Prečo vyvíjať binárne siete, keď je s pohyblivou rádovou čiarkou zavedený štandard? Prečo sa púšťať do analógových výpočtov, fotonického spracovania alebo akejkoľvek inej alternatívnej architektúry?
Odpoveď je brutálne jednoduchá: nemôžete konkurovať. Ekosystém neexistuje. Nástroje tam nie sú. Infraštruktúra nie je dostupná. Talent sa naučil CUDA a nechce začínať odznova. Investori financujú prístupy založené na GPU, pretože majú overenú trakciu, pretože rozumejú trhu, pretože alternatívy sú príliš rizikové.
Je to sebaposilňujúci cyklus, ktorý s každou iteráciou zužuje priestor možností. Dominancia GPU vytvára výhody ekosystému. Výhody ekosystému priťahujú investície. Investície posilňujú dominanciu GPU. Alternatívne prístupy majú problém vôbec začať, nieto ešte dosiahnuť rozsah potrebný na preukázanie životaschopnosti.
Už neskúmame celý priestor možných AI architektúr. Skúmame oveľa užší priestor toho, čo efektívne beží na GPU od NVIDIA. To je hlboké obmedzenie inovácie, ktoré sa časom znásobuje. Každým rokom je klietka menšia, steny hrubšie, východ vzdialenejší. Každým rokom investujeme viac do optimalizácie nesprávnej veci.
Digitálny kolonializmus: strategická kríza Európy
Pre Európu to nie je len technická nepríjemnosť alebo nešťastná situácia na trhu. Je to strategická kríza s geopolitickými dôsledkami, ktorá na celé generácie určí podobu európskej technologickej suverenity.
10. júna 2025 sedel Anton Carniaux, riaditeľ pre verejné a právne záležitosti spoločnosti Microsoft France, pred francúzskym Senátom na vypočutí o dátovej suverenite. Jeden senátor za druhým ho tlačil na zákernú otázku: môže zaručiť, že údaje francúzskych občanov uložené na serveroch Microsoftu nebudú nikdy bez výslovného francúzskeho súhlasu postúpené americkým orgánom?
Jeho odpoveď, vyslovená jasne a bez vyhýbania sa: Nie, nemôžem to zaručiť.
Podľa amerického zákona CLOUD Act sú americké technologické korporácie povinné vyhovieť žiadostiam americkej vlády o údaje bez ohľadu na to, kde sa tieto údaje fyzicky nachádzajú. Ak je žiadosť správne formulovaná podľa amerického práva, Microsoft má zákonnú povinnosť údaje odovzdať. Európska dátová suverenita je teda podmienená americkou zhovievavosťou. Existuje z vôle americkej politiky, nie ako výsledok európskej kontroly.
Toto svedectvo otriaslo európskymi politickými kruhmi. Situácia s GPU je však štrukturálne identická, len menej viditeľná. NVIDIA podlieha americkým vývozným kontrolám. Obchodný spor, zmena politiky, geopolitická kríza a celá európska infraštruktúra umelej inteligencie by mohla byť obmedzená alebo úplne odstrihnutá. Nie hypoteticky. Naozaj. Jedným podpisom pera vo Washingtone.
Európa má skvelých výskumníkov v oblasti umelej inteligencie. Špičkové univerzity produkujúce najmodernejšie práce. Inovatívne startupy ako Mistral AI a Aleph Alpha. Popredné výskumné inštitúcie ako IDSIA vo Švajčiarsku, Nemecké výskumné centrum pre umelú inteligenciu, INRIA vo Francúzsku. Talentovaní inžinieri budujúci pôsobivé systémy.
Ale všetci stavajú na základoch, ktoré nekontrolujú, používajú hardvér, ktorý nemôžu získať za konkurencieschopné ceny, sú uzamknutí v proprietárnom ekosystéme vlastnenom jedinou americkou korporáciou, podliehajú americkej vývoznej politike a sú zraniteľní voči americkým politickým rozhodnutiam.
To nie je digitálna suverenita. To je digitálny kolonializmus s priateľskou tvárou a vynikajúcim zákazníckym servisom.
Lož o efektívnosti, ktorej sa nikto nechce postaviť
Tu je nepríjemná pravda, ktorá sa vo väčšine diskusií o infraštruktúre umelej inteligencie prehliada: GPU v skutočnosti nie sú pre umelú inteligenciu efektívne. Sú len najmenej neefektívnou možnosťou, na ktorej sme sa usadili, pretože boli dostupné v roku 2012.
Áno, GPU sú pri násobení matíc rýchlejšie ako CPU. Rýchlosť však dosahujú hrubou silou, nie eleganciou alebo optimalizáciou. Spotrebúvajú obrovské množstvo energie. Vyžadujú zložité systémy kvapalinového chladenia. Vyžadujú špecializovanú dátovú centrálnu infraštruktúru. A je to čoraz horšie, nie lepšie.
Moderný NVIDIA Blackwell B200 spotrebuje 1 200 wattov. To je viac energie ako väčšina domácich ohrievačov. Dátové centrá po celej Európe sa prerábajú nie kvôli výpočtovej efektívnosti, ale len kvôli zvládnutiu tepelnej záťaže. Skriňa GB200 NVL72 spotrebuje 120 kilowattov. Jediný rack. Gigawattové továrne na umelú inteligenciu vyžadujú energetickú infraštruktúru zodpovedajúcu malým mestám.
Dopyt dátových centier po elektrine v Európe by mal do roku 2030 dosiahnuť 168 TWh a do roku 2035 236 TWh, čo je trojnásobok úrovne z roku 2024. V Holandsku už dátové centrá spotrebúvajú 7 % národnej elektriny. Vo Frankfurte, Londýne a Amsterdame spotrebúvajú 33 až 42 % všetkej elektriny. Prečítajte si to znova. Tretina až takmer polovica všetkej elektriny vo veľkých európskych mestách ide na dátové centrá.
V Írsku predstavujú dátové centrá viac ako 20 % celkovej národnej spotreby elektriny. Pätina energie celej krajiny ide na to, aby čipy zostali dostatočne chladné na fungovanie. A toto percento každým rokom rastie, keď sa do prevádzky uvádza čoraz viac infraštruktúry umelej inteligencie.
A tu je časť, pri ktorej by sa mal každý zastaviť: väčšina tohto výpočtu je v podstate zbytočná. GPU vykonávajú operace s pohyblivou rádovou čiarkou s extrémnou presnosťou, hoci konečné rozhodnutie je binárne. Vykonávajú masívne maticové násobenia, hoci by stačili jednoduchšie operácie. Spaľujú energiu nie preto, že je to potrebné pre inteligenciu, ale preto, že tak funguje hardvér GPU. Pretože to je jediný spôsob, ako to vieme robiť vo veľkom s nástrojmi, do ktorých sme investovali.
Optimalizovali sme na úplne nesprávnu metriku. Nie na to, čo je najlepší spôsob, ako robiť AI, ale na to, čo je najrýchlejší spôsob, ako to robiť na GPU. To je ako navrhovať lietadlá tým, že vtáky budú mávať krídlami rýchlejšie, namiesto pochopenia základných princípov aerodynamického vztlaku. Funguje to, tak nejako, ale úplne vám uniká pointa.
Binárny prelom: Únik z paradigmy
Aká je teda skutočná cesta von z tejto zlatej klietky? V Dweve sme si položili zásadne inú otázku: čo keby sme GPU vôbec nepotrebovali? Čo keby bol celý prístup s pohyblivou rádovou čiarkou od začiatku nesprávnou cestou?
Neurónové siete vyžadujú GPU, pretože používajú aritmetiku s pohyblivou rádovou čiarkou. Operácie s pohyblivou rádovou čiarkou vyžadujú špecializovaný hardvér na dosiahnutie prijateľného výkonu. Táto architektonická požiadavka vytvára závislosť od GPU. Preto sme uväznení. Toto je reťaz, ktorú musíme pretrhnúť.
Binárne neurónové siete však aritmetiku s pohyblivou rádovou čiarkou úplne eliminujú. Fungujú pomocou jednoduchých logických operácií: AND, OR, XOR, XNOR. Takých operácií, ktoré dokáže efektívne vykonávať každý moderný procesor pomocou natívnych inštrukčných sád, ktoré existujú už desaťročia. Žiadny špecializovaný hardvér. Žiadna závislosť od GPU. Žiadne uzamknutie v CUDA. Žiadny monopól dodávateľa.
Dweve Core implementuje tento prístup s 1 930 hardvérovo optimalizovanými algoritmami pracujúcimi priamo v diskrétnom rozhodovacom priestore. Binárne výpočty, ternárne výpočty, výpočty s nízkym počtom bitov. Framework beží efektívne na štandardných procesoroch a dosahuje výsledky, ktoré by mali byť nemožné:
Štandardné servery Intel Xeon spúšťajú veľké modely pri konkurencieschopných rýchlostiach. Spotreba energie meraná v desiatkach wattov, nie v stovkách či tisíckach. Požiadavky na pamäť znížené o rád. Rýchlosti inferencie, ktoré sa pri mnohých pracovných záťažiach vyrovnajú implementáciám na GPU alebo ich prekonávajú. A všetko to beží na hardvéri, ktorý už existuje v každom dátovom centre, u každého poskytovateľa cloudu, v každom okrajovom zariadení.
Matematika je jednoduchá. Modely FP32 potrebujú 4 bajty na parameter. Binárne modely potrebujú 1 bit na parameter. To je 32-násobné zníženie pamäte už len vďaka kvantizácii. Pridajte vzory riedkej aktivácie a pozeráte sa na modely, ktoré sa zmestia do systémovej pamäte RAM namiesto toho, aby vyžadovali drahú pamäť s vysokou priepustnosťou.
Binárne operácie sa vykonávajú pomocou inštrukcií XNOR a POPCNT. Sú to natívne procesorové inštrukcie, súčasť inštrukčných sád x86-64 a ARM, optimalizované na úrovni kremíka. Sú rýchle. Sú efektívne. Boli tam celý čas. Stačilo prísť na to, ako ich správne používať.
Čo binárne siete skutočne menia
Toto nie je mierne zlepšenie existujúcej paradigmy. Toto je iná paradigma. Dôsledky siahajú oveľa ďalej než len k lepším metrikám výkonu.
Dweve Loom ukazuje, čo sa stáva možným: 456 doménovo špecializovaných systémov fungujúcich ako Mixture of Specialists. Každý doménový špecialista je binárna sieť optimalizovaná pre svoju doménu. Matematika. Veda. Kód. Jazyk. Spoločne dosahujú hĺbku a schopnosti oveľa väčších modelov, pričom využívajú len zlomok zdrojov.
Smerovanie medzi doménovými špecialistami? Binárne operácie. Aktivácia doménových špecialistov? Binárne rozhodnutia. Konečná fúzia výstupov? Binárna logika. Všetko je binárne až do základu, a funguje to, pretože inteligencia sa v konečnom dôsledku prejavuje prostredníctvom diskrétnych rozhodnutí, nie spojitých pravdepodobností počítaných na zbytočnú presnosť.
Toto beží na bežnom serveri. Nie na GPU klastri. Nie na špecializovaných akcelerátoroch. Na serveri, ktorý si kúpite od ktoréhokoľvek predajcu hardvéru, nainštalujete do ktoréhokoľvek dátového centra a nasadíte v ktorejkoľvek krajine. Spotreba energie sa meria v stovkách wattov pre celý systém, nie na čip. Chladenie zabezpečuje bežné vzduchové chladenie, nie kvapalinové systémy, ktorých inštalácia stojí milióny.
Oslobodenie sa: Cesta Európy vpred
Éra GPU trvala oveľa dlhšie, než mala. To, čo začalo ako provizórny hack v izbe doktoranda v roku 2012, sa rozrástlo na závislosť celého odvetvia. To, čo malo byť dočasným riešením, sa stalo trvalou infraštruktúrou. To, čo malo byť nahradené už pred rokmi, skamenelo do monopolu.
Ale trhliny sa ukazujú. Náklady sa stávajú neudržateľnými pre všetkých okrem najväčších technologických gigantov. Strategické riziká sú neprehliadnuteľné pre každú vládu, ktorá dáva pozor. Inovačná úžina škrtí alternatívne prístupy, ktoré by mohli byť lepšie. Environmentálny vplyv sa stáva neúnosným, keďže budujeme elektrárne s výkonom v gigawattoch len na chladenie čipov. Geopolitické zraniteľnosti sú príliš závažné na to, aby ich Európa mohla dlhodobo akceptovať.
Binárne neurónové siete nie sú len optimalizáciou existujúcich prístupov. Predstavujú zásadné prehodnotenie toho, ako by mala AI fungovať. Stelesňujú rozdiel medzi uväznením v ekosystéme NVIDIA a dosiahnutím skutočnej technologickej slobody. Medzi platením GPU dane navždy a úplným oslobodením sa.
Európa nemusí vyhrať preteky v GPU. Európa ich musí urobiť zastaranými. Vybudovať AI systémy, ktoré fungujú na štandardnom hardvéri, ktorý už máme. Vytvoriť technológie, ktoré nezávisia od amerických akcelerátorov podliehajúcich americkým exportným kontrolám. Vyvinúť schopnosti, ktoré nemožno obmedziť rozhodnutiami zahraničnej politiky ani ohroziť zákonmi o prístupe k zahraničným údajom.
V spoločnosti Dweve je celá naša platforma postavená na tomto základe. Core poskytuje rámec binárnych algoritmov. Loom implementuje model inteligencie doménových špecialistov. Nexus orchestrácia multiagentových systémov. Aura spravuje autonómnych agentov. Spindle zabezpečuje správu znalostí. Mesh vytvára decentralizovanú infraštruktúru.
Všetko to beží efektívne na štandardnej európskej infraštruktúre. Na CPU v dátových centrách od Interxion, od Equinix, od OVHcloud. Na edge zariadeniach naprieč kontinentom. Na hardvéri, ktorý kontrolujeme, pomocou matematiky, ktorú nemožno monopolizovať, vytvárajúc hodnotu, ktorá zostáva v Európe.
Žiadna závislosť od GPU. Žiadna strategická zraniteľnosť. Žiadna zlatá klietka.
Voľba, pred ktorou stojíme
Odvetvie umelej inteligencie stojí na križovatke. Jedna cesta pokračuje po trajektórii GPU, pričom akceptuje stále rastúce náklady, klesajúcu suverenitu, zužujúci sa inovačný priestor, rastúci vplyv na životné prostredie a prehlbujúcu sa strategickú zraniteľnosť. Druhá cesta sa úplne oslobodzuje pomocou diskrétnej matematiky, ktorá nevyžaduje špecializované akcelerátory, ktorá beží na hardvéri, ktorý už máme, a ktorá nám vracia kontrolu.
Zlatá klietka vyzerá zvnútra pohodlne. NVIDIA vyrába naozaj vynikajúce produkty. CUDA je pôsobivo optimalizovaná. Ekosystém je vyspelý a komplexný. Výkon je skutočný. Zotrvačnosť je silná. Utopené náklady vytvárajú psychologický záväzok. Zmena je náročná, riskantná a neistá.
Ale stále je to klietka. A dvere sa zatvárajú.
Každý štvrťrok sa závislosť od GPU prehlbuje. Každé euro investované do infraštruktúry CUDA zvyšuje náklady na zmenu. Každá nová generácia akcelerátorov posilňuje uzamknutie. Každý výskumník vyškolený výlučne na CUDA zužuje fond talentov. Každý rok sa klietka zmenšuje a východ je vzdialenejší. Každý rok máme menej priestoru na manévrovanie, menej možností a vyššie riziká.
Binárne neurónové siete a diskrétne výpočty ponúkajú únikovú cestu. Ale len ak ju využijeme skôr, než sa klietka stane neprekonateľnou. Len ak konáme, kým sú alternatívy ešte možné. Len ak sme ochotní spochybniť predpoklad, že GPU sú nevyhnutné, že pohyblivá rádová čiarka je potrebná, že monopol je prijateľný.
Šťastná náhoda roku 2012 splnila svoj účel. Ukázala, že hlboké učenie funguje vo veľkom. Dokázala potenciál umelej inteligencie nad rámec toho, čo si ktokoľvek predstavoval. Naštartovala odvetvie, ktoré transformuje civilizáciu. Alex Krizhevsky, Ilya Sutskever a Geoffrey Hinton si zaslúžia obrovské uznanie za svoj prielom. Zmenili svet.
Ale šťastné náhody nemajú byť základmi. Provizórne hacky nemajú byť infraštruktúrou. Dočasné riešenia sa nemajú stať trvalými závislosťami. Herný hardvér nemá prevádzkovať AI v rozsahu civilizácie. Americké monopoly nemajú donekonečna kontrolovať európsku technologickú suverenitu.
Je čas postaviť niečo lepšie. Niečo, čo nás nezavrie do zlatých klietok. Niečo, čo si naozaj zaslúži byť základom umelej inteligencie. Niečo, čo funguje na štandardnom hardvéri, rešpektuje energetické obmedzenia, umožňuje skutočnú inováciu, zachováva strategickú autonómiu a vracia nám kontrolu nad našou technologickou budúcnosťou.
Éra GPU sa končí, či si to priznáme alebo nie. Fyzika a ekonómia to zaručujú. Jedinou otázkou je, či to uvidíme prichádzať a vybudujeme alternatívu, alebo sa jedného dňa zobudíme a zistíme, že niet úniku, a uvedomíme si, príliš neskoro, že sme mali konať, kým sme ešte mali šancu.