Digitalna energetska kriza: obračun z 945 TWh umetne inteligence
Industrijska savna, ki ji rečemo napredek
Stopite v sodoben podatkovni center za umetno inteligenco v Frankfurtu ali Dublinu in prva misel ne bo "To je prihodnost." Pač pa "Zakaj je tukaj tako hudičevo vroče?" Vročina vas udari, kot bi odprli vrata pečice, valovi toplotne energije se valijo s strežniških omaric, ki so bolj podobne industrijskim pečem kot računalnikom. Hladilni sistem kriči, ventilatorji tulijo na polno, ohlajena voda drvi skozi kilometre cevi, samo da ti stroji ne bi dobesedno stalili.
Vsak čip za pospeševanje umetne inteligence porabi 1.200 vatov. Za primerjavo: to je več energije, kot je porabi grelec, ki januarja greje stanovanje vaše nizozemske babice. In gledate na tisoče takih čipov, stlačenih v omarice, ki porabijo 50, 100, včasih tudi 250 kilovatov vsaka. Ena sama omarica porabi toliko energije kot 100 povprečnih evropskih gospodinjstev. Na prostoru velikosti omare.
To je digitalna energetska kriza, o kateri se na konferencah v spodobni družbi ne govori. Umetna inteligenca ne porablja le elektrike. Požira jo z apetitom črne luknje, mi pa vsi vljudno prikimavamo, kot da je to povsem razumno vedenje za matematiko.
Številke, ob katerih bi morali preklinjati
Pogovorimo se o obsegu, ker so številke resnično zastrašujoče. Leta 2024 so podatkovni centri po vsem svetu porabili približno 415 teravatnih ur električne energije. To je 1,5 % vse svetovne porabe elektrike. Če to prevedemo v evropske okvire: to je bistveno več od celotne letne porabe elektrike v Španiji, ki znaša 248 TWh. Cela Španija. Vsak dom, vsaka tovarna, vsak vlak, vsaka bolnišnica. Podatkovni centri porabijo več.
A tu stvar preneha biti zgolj zaskrbljujoča in postane resnično strašljiva: ta številka naj bi se do leta 2030 več kot podvojila in dosegla 945 TWh. To je 3 % svetovne elektrike. Ne 3 % elektrike za tehnologijo. 3 % vsega. Več kot vsi električni avtomobili, toplotne črpalke in sončne celice skupaj.
In glavni gonilnik je umetna inteligenca. Poraba energije podatkovnih centrov za umetno inteligenco letno raste za 44,7 %. Da bi razumeli, kako eksponentna je ta rast, poglejmo Irsko. Leta 2024 so podatkovni centri porabili 22 % vse irske elektrike, leta 2015 pa le 5 %. To je 531-odstotno povečanje v devetih letih. EirGrid, irski operater elektroenergetskega omrežja, ocenjuje, da bi podatkovni centri do leta 2030 lahko porabili 30 % elektrike v državi. Skoraj tretjina celotnega nacionalnega elektroenergetskega omrežja, samo za treniranje modelov in obdelavo poizvedb umetne inteligence.
Že samo Dublin pove vse. Leta 2023 so podatkovni centri porabili med 33 % in 42 % vse elektrike v Dublinu. Nekatere ocene so še višje. Irska vlada je do leta 2028 uvedla moratorij na gradnjo novih podatkovnih centrov v Dublinu, ker omrežje dobesedno ne zmore več obremenitve. Amsterdam je enako storil leta 2019, moratorij pa je odpravil šele po uvedbi strogih zahtev glede učinkovitosti rabe energije in omejitve 670 MVA do leta 2030. Nizozemska je šla še dlje in uvedla nacionalni moratorij na hiperskalne podatkovne centre, večje od 70 megavatov.
To ni postopna rast. To je eksponentna eksplozija povpraševanja po energiji, ki se dogaja prav zdaj, se vsako četrtletje pospešuje in brezglavo drvi v fizične omejitve infrastrukture.
Ogljična bomba usposabljanja
Usposabljanje enega samega velikega jezikovnega modela pusti ogljični odtis, ob katerem bi zardela tudi rafinerija. A za razliko od rafinerij, ki vsaj proizvedejo nekaj oprijemljivega, kar lahko natočiš v avto, te emisije proizvedejo ... no, model, ki se morda samozavestno blodi o receptih za gobe.
GPT-3, model, ki je sprožil sedanji razcvet umetne inteligence, je med usposabljanjem izpustil 552 metričnih ton CO2. To ustreza 123 osebnim avtomobilom na bencin, ki vozijo eno leto. Za en model. En potek usposabljanja. In to je le neposredna poraba energije, brez upoštevanja vgrajenega ogljika pri izdelavi grafičnih procesorjev ali gradnji podatkovnega centra.
Najbolj noro pri tem pa je: GPT-3 danes velja za majhnega. Sodobni modeli so za več velikostnih redov večji. Usposabljanje modela s 100 bilijoni parametrov porabi približno 9 milijonov evrov računalniškega časa na grafičnih procesorjih. Pri evropskih cenah energije in ogljični intenzivnosti to pomeni tisoče ton ekvivalenta CO2. Na model. In uspešna uvedba običajno zahteva na desetine ali stotine potekov usposabljanja, ker prvih sedemnajst poskusov proizvede model, ki meni, da je Belgija vrsta sira.
Raziskovalni članki trobijo o impresivnih merilih uspešnosti. Ogljični odtis? Ta konča v opombi pod črto, če je sploh omenjen. To je umetnointeligenčni ekvivalent hvalisanja s pospeški novega avtomobila, pri čemer skrbno zamolčiš, da porabi 2 kilometra na liter.
Učinek množenja pri sklepanju
Večina ljudi spregleda nekaj, kar je resnično pomembno: usposabljanje je enkraten strošek. Sklepanje, uporaba modela za odgovarjanje na vprašanja, poteka neprekinjeno. Za vedno. V obsegu, ob katerem so emisije usposabljanja videti majhne.
Vsako poizvedovanje v ChatGPT porablja elektriko. Vsako generiranje slike z umetno inteligenco žge vate. Vsako priporočilo, vsak prevod, vsak odziv glasovnega pomočnika. Milijoni zahtevkov na sekundo, 24 ur na dan, 365 dni na leto. In za razliko od usposabljanja, ki poteka v zgoščenih sunkih, je sklepanje razpršeno po tisočih podatkovnih centrih po vsem svetu, zaradi česar ga je skoraj nemogoče spremljati.
Raziskave kažejo, da emisije sklepanja pogosto za več velikostnih redov presegajo emisije usposabljanja, zlasti pri široko uporabljenih modelih. Usposabljanje lahko stane 500 ton CO2. Sklepanje v življenjski dobi modela? Po možnosti 50.000 ton. Morda še več. Nihče ne šteje, in prav to je problem.
Tehnološka podjetja poročajo o emisijah usposabljanja, kadar to zahtevajo predpisi EU. Emisije sklepanja? To so »operativni stroški«, priročno zakopani v splošne statistike podatkovnih centrov skupaj s poštnimi strežniki in posnetki mačk. Akt EU o umetni inteligenci zahteva razkritje porabe energije za modele umetne inteligence splošnega namena, vendar je izvrševanje neenakomerno in prostovoljno razkritje ostaja natanko to: prostovoljno.
Kriza gostote moči, ki ruši fiziko
Tradicionalni podatkovni centri so nekoč delovali s približno 36 kilovati na regal. Obvladljivo. Običajno zračno hlajenje je povsem zadostovalo. Zgradili ste jih lahko kjer koli z dostojno omrežno povezljivostjo in razumnimi cenami elektrike. Infrastruktura je bila preprosta.
Potem se je zgodila umetna inteligenca in fizika se je razjezila.
Današnji regali za umetno inteligenco dosegajo 50 kilovatov. Najsodobnejše postavitve že segajo do 100 kilovatov. Nekatere eksperimentalne konfiguracije potiskajo 250 kilovatov na regal. To je poraba elektrike 100 povprečnih evropskih gospodinjstev, strnjena na nekaj kvadratnih metrov regala. Gostota moči se približuje gostoti raketnega motorja.
Težava ni samo skupna moč. Težava je gostota. Če strpate toliko energije na tako majhen prostor, vam fizika postane sovražnik. Toplota mora nekam iti, zračno hlajenje pa je fizično ne zmore obvladati. Toplotna obremenitev je previsoka. Potrebujete tekočinsko hlajenje. Hlajenje neposredno na čip. Potopno hlajenje. Kompleksne sisteme za upravljanje toplote, ki stanejo več kot sami strežniki in zahtevajo lastne inženirske ekipe za upravljanje.
Podatkovni centri se preoblikujejo ne zaradi računske učinkovitosti, ampak zgolj zato, da preprečijo toplotni zlom. Gradimo infrastrukturo za odvajanje odpadne toplote iz matematičnih operacij, ki v osnovi sploh ne bi smele proizvajati toliko toplote. To je, kot bi načrtovali boljši izpušni sistem za avto, ki gori, namesto da bi se vprašali, zakaj avto sploh gori.
Čip, ki je požrl omrežje
Za trenutek se osredotočimo na strojno opremo, saj poraba posameznega čipa pripoveduje svojo zgodbo o stopnjujočem se norčevanju.
Zgodnji pospeševalniki umetne inteligence so porabili približno 400 vatov. Že veliko, a obvladljivo s klasičnim hlajenjem. Nato 700 vatov. Nato 1.000 vatov. NVIDIA-ina najnovejša arhitektura Blackwell doseže 1.200 vatov na čip, nekatere konfiguracije pa segajo še višje. Že zdaj se razpravlja o prihodnjih zasnovah, ki bi dosegle 1.400 vatov.
Pomislite na to. 1.200 vatov. Na čip. En sam čip, ki porabi več energije kot večina gospodinjskih aparatov. Za usposabljanje velikega modela pa je potrebnih na tisoče takih čipov, ki neprekinjeno delujejo tedne ali mesece.
Matematika je neusmiljena: 1.000 čipov × 1.200 vatov = 1,2 megavata. Za en grozd za usposabljanje. Za en model. In teh grozdov je po svetu na stotine, vsako četrtletje jih je več. Samo trgi FLAP-D (Frankfurt, London, Amsterdam, Pariz, Dublin) predstavljajo več kot 60 % evropske zmogljivosti podatkovnih centrov, pri čemer naj bi se povpraševanje po energiji do leta 2030 povečalo z 96 TWh v letu 2024 na 168 TWh.
To ni trajnostno. Sploh ni blizu trajnostnemu. Elektriko porabljamo s hitrostjo, ki se je pred desetletjem zdela znanstvena fantastika, pogovori v industriji pa se vrtijo okoli tega, ali bo električno omrežje zmoglo slediti, ne pa ali bi to sploh morali početi.
Evropska zelena mora in nemogoča izbira
Za Evropo to ustvarja nemogoč konflikt, ki ni več teoretičen. Dogaja se zdaj, na sestankih o načrtovanju omrežij in regulativnih obravnavah po vsej celini.
Evropski zeleni dogovor želi Evropo do leta 2050 narediti podnebno nevtralno. Emisije ogljika se morajo do leta 2030 v primerjavi z ravnmi iz leta 1990 zmanjšati za vsaj 55 %. Učinkovitost rabe energije se mora izboljšati v vseh sektorjih. Obnovljiva energija mora nadomestiti fosilna goriva. To so pravno zavezujoči cilji v skladu z evropsko podnebno zakonodajo.
Medtem poraba energije umetne inteligence eksplodira s 44 % letno. Leta 2024 so evropski podatkovni centri porabili 96 TWh, kar predstavlja 3,1 % celotnega povpraševanja po energiji. A porazdelitev je izjemno neenakomerna. Na Irskem je to 22 % nacionalne elektrike. Na Nizozemskem 7 %. V Nemčiji 4 %. Podatkovni centri v Amsterdamu, Londonu in Frankfurtu so leta 2023 porabili od 33 % do 42 % elektrike teh mest.
Ti dve trajektoriji sta matematično nezdružljivi. Evropa lahko doseže svoje podnebne cilje ali pa s trenutnimi pristopi gradi infrastrukturo za umetno inteligenco. Ne oboje. Številke ne štimajo.
Nekateri trdijo, da obnovljiva energija rešuje ta problem. »Samo napajajte podatkovne centre s sončno in vetrno energijo.« Lepa zamisel. Popolnoma nepraktična. Evropa je leta 2024 namestila 65,5 GW novih sončnih zmogljivosti in 16,4 GW novih vetrnih. Obnovljiva energija je dosegla 47 % proizvodnje električne energije. Toda 945 TWh novega povpraševanja podatkovnih centrov do leta 2030 bi zahtevalo izgradnjo obnovljivih zmogljivosti, enakovrednih tisočim dodatnih vetrnih elektrarn in milijonom dodatnih sončnih panelov. Že sama poraba zemljišč bi bila astronomska. Danska z 88,4 % obnovljive električne energije (večinoma vetrne) je pogosto navedena kot zgled. Toda celotna poraba električne energije na Danskem je le delček predvidenega povpraševanja podatkovnih centrov za umetno inteligenco.
Tudi če bi bilo tehnično mogoče, so oportunitetni stroški osupljivi. Vsaka megavatna ura, namenjena usposabljanju umetne inteligence, je megavatna ura, ki ni na voljo za elektrifikacijo prometa, ogrevanje domov ali napajanje industrije. Gre za neposredno menjavo, mi pa se odločamo, da bomo obnovljivo energijo porabili za usposabljanje modelov, ki bodo morda zastareli čez šest mesecev, namesto za ogrevanje domov čez zimo.
Vodna kriza, ki je nihče ne spremlja
Energija ni edini vir, ki ga umetna inteligenca porablja. Voda postaja kritična kriza, zlasti v regijah, ki se že soočajo s pomanjkanjem vode.
Podatkovni centri porabijo ogromne količine vode za izhlapevalno hlajenje, na katerega se zanaša večina velikih objektov, ker je učinkovitejše od zaprtih sistemov. Izhlapevalno hlajenje dobesedno izhlapeva vodo za odvajanje toplote. Voda izgine. Se ne vrne v sistem. Izhlapi v ozračje. Za vedno se odstrani iz lokalnih vodnih virov.
Študija iz leta 2024 je pokazala, da je usposabljanje modela GPT-3 v najsodobnejših ameriških podatkovnih centrih Microsofta porabilo približno 700.000 litrov sladke vode. To je dovolj za proizvodnjo 370 avtomobilov BMW ali 320 električnih vozil Tesla. Za eno usposabljanje. Enega modela. In to je le neposredna poraba vode na kraju samem, brez upoštevanja vode, porabljene pri proizvodnji električne energije.
Celoten vodni odtis v življenjskem ciklu, vključno s proizvodnjo električne energije zunaj kraja, doseže 5,4 milijona litrov. In stalna uporaba se nadaljuje: ChatGPT zahteva približno 500 mililitrov vode za kratek pogovor z 20 do 50 vprašanji in odgovori. Pomnožite to z milijoni uporabnikov, ki nenehno postavljajo vprašanja, in poraba vode postane osupljiva.
V regijah, ki so nagnjene k suši, to ustvarja neposredne konflikte. Podatkovni centri tekmujejo s kmetijstvom in komunalnimi vodnimi viri. V nekaterih regijah usposabljanje umetne inteligence dobesedno jemlje vodo pridelkom med sušami. To ni prihodnji problem. Dogaja se zdaj. In ko se uvajanje umetne inteligence širi, se stanje slabša.
Iluzija učinkovitosti in Jevonsov paradoks
Industrija umetne inteligence naravnost obožuje pogovore o izboljšanju učinkovitosti. Vsaka konferenčna uvodna predstavitev vključuje prosojnico: "Novi čipi so 10× učinkovitejši!" "Boljši algoritmi zmanjšajo porabo energije za 50%!" "Naši podatkovni centri delujejo na 100% obnovljivo energijo!"
Vse drži. Vse je tehnično impresivno. Vse je popolnoma nepomembno za dejanski problem.
Ker izboljšave učinkovitosti takoj požre povečanje obsega. To je Jevonsov paradoks v praksi, o katerem ekonomisti opozarjajo že od leta 1865, ko je William Stanley Jevons opazil, da je izboljšana učinkovitost premoga v parnih strojih povzročila večjo skupno porabo premoga, ne manjše.
Izvršni direktor Microsofta Satya Nadella je dobesedno tvitnil "Jevonsov paradoks spet udarja!", ko je DeepSeek izdal svoj učinkovit in cenovno ugoden model umetne inteligence. Natančno je razumel, kaj se bo zgodilo: nižji stroški pomenijo večjo uporabo, kar vodi v višjo skupno porabo. In imel je prav.
Da, novejši čipi opravijo več izračunov na vat. Toda modeli postajajo večji še hitreje. Da, boljši algoritmi skrajšajo čas treniranja. Toda treniramo več modelov, pogosteje, z več parametri, ker si to zdaj lahko privoščimo. Skupna poraba energije se ne zmanjšuje. Pospešuje se. 10× izboljšanje učinkovitosti pomeni le, da lahko za enake stroške energije treniramo 10× večji model. In to tudi storimo. Skupna poraba pa se poveča.
NVIDIA trdi, da je Blackwell pri sklepanju 100.000× energetsko učinkovitejši od čipov izpred desetletja. Izjemno inženirstvo. Toda skupna poraba energije umetne inteligence se je v istem obdobju eksplozivno povečala, ker so izboljšave učinkovitosti omogočile uvajanje v obsegu, ki je bil prej ekonomsko nemogoč.
Dejanski strošek fantazij o plavajoči vejici
Zakaj umetna inteligenca porabi toliko energije? Odgovor se skriva v matematiki in je preprostejši, kot si morda mislite.
Aritmetika s plavajočo vejico, temelj sodobnih nevronskih mrež, je računsko zahtevna. Vsako množenje zahteva precejšnja vezja, precejšnjo površino silicija, precejšnjo moč. In nevronske mreže so milijarde in milijarde operacij s plavajočo vejico, ponovljenih milijonkrat na sekundo.
Še huje, uporabljamo skrajno natančnost tam, kjer resnično ni potrebna. 32-bitni floati. 16-bitni floati. Celo 8-bitni floati. Vsa ta natančnost, ves ta računski napor, vsa ta energija za odločitve, ki so na koncu binarne. Da ali ne. Mačka ali pes. Vsiljena pošta ali ne. Odobri ali zavrni.
To je kot uporaba superračunalnika za met kovanca. Rezultat je glava ali cifra, mi pa kurimo megavate za izračun verjetnosti na šestnajst decimalnih mest. Natančnost je matematično čudovita. Termodinamično pa je norost.
To ni optimizacija. To je potrata, ki se maskira v nujnost, branjena z vztrajnostjo "ampak tako smo vedno delali" in z nepovratnimi stroški milijard evrov, vloženih v infrastrukturo GPE, posebej zasnovano za operacije s plavajočo vejico.
Binarna alternativa, ki dejansko deluje
Kaj je torej rešitev? Kako zgraditi umetno inteligenco, ne da bi podatkovne centre spremenili v podnebne katastrofe?
Pri Dweve smo začeli z vprašanjem o temeljni predpostavki. Ali umetna inteligenca res potrebuje aritmetiko s plavajočo vejico? Ali res potrebuje toliko energije? Ali obstaja drugačna matematična osnova, ki doseže enako inteligenco z bistveno manj računskega napora?
Binarne nevronske mreže dajejo jasen, empirično preverjen odgovor: ne, umetna inteligenca ne potrebuje aritmetike s plavajočo vejico. Sploh ne.
Z odpravo operacij s plavajočo vejico in uporabo preproste binarne logike se poraba energije zmanjša za 96 %. Ne z marginalnimi optimizacijami ali pametnim predpomnjenjem. S temeljno matematično prenovo. Prihranki pri računanju izhajajo iz zamenjave zapletenih operacij množenja in seštevanja s plavajočo vejico s preprostimi binarnimi operacijami AND in XNOR, ki zahtevajo za več velikostnih redov manj energije.
Tisti pospeševalnik Blackwell z močjo 1.200 vatov? Nadomestite ga s 50-vatnim procesorjem, ki izvaja binarne operacije. Enaka inteligenca. Enake zmogljivosti. 24-krat manj porabe. Ali še bolje, uporabite FPGA, posebej optimizirane za binarne operacije, in dosezite 136-krat boljšo energetsko učinkovitost kot pri tradicionalnih pristopih z grafičnimi procesorji.
Tisti strežniški regal z močjo 250 kilovatov, ki porabi toliko kot cela soseska? Zmanjšan na 10 kilovatov. Tisti ogromen podatkovni center, ki porabi toliko elektrike kot celo mesto? Zmanjšan na porabo velike poslovne stavbe. Infrastrukturne zahteve se sorazmerno zmanjšajo. Brez eksotičnega tekočinskega hlajenja. Brez namenskih elektrotransformatorskih postaj. Brez nadgradenj omrežja.
Matematika je preprosta: binarne operacije porabijo za več velikostnih redov manj energije kot operacije s plavajočo vejico. Infrastrukturne učinkovitosti sledijo naravno. Vpliv na podnebje se sorazmerno zmanjša. In rezultati? Enaka ali boljša natančnost pri nalogah iz resničnega sveta, saj lahko binarne nevronske mreže dejansko zajamejo strukturne povezave, ki jih mreže s plavajočo vejico spregledajo.
Onkraj učinkovitosti: drugačna paradigma za evropsko umetno inteligenco
Binarne nevronske mreže niso le učinkovitejše. Predstavljajo bistveno drugačen pristop k inteligenci, ki se naravno sklada z evropskimi vrednotami trajnostnosti, preglednosti in tehnološke suverenosti.
Namesto da bi odločitve približevale z neprekinjeno matematiko in ogromnimi izračuni, neposredno uporabljajo diskretno logiko. Namesto da bi porabljale energijo za premagovanje numerične nestabilnosti pri gradientnem spustu, gradijo na stabilnih binarnih temeljih. Namesto da bi zahtevale drage lastniške grafične procesorje, proizvedene v tujini, učinkovito delujejo na običajnih procesorjih in jih je mogoče namestiti na FPGA čipe evropske proizvodnje.
Rezultat je umetna inteligenca, ki deluje s fiziko in ne proti njej. Računanje, ki ne zahteva eksotičnih hladilnih sistemov. Infrastruktura, ki ne potrebuje lastne elektrarne. In kar je za Evropo ključno, tehnološki pristop, ki vas ne veže na odvisnost od NVIDIA, s sedežem v Kaliforniji, ali drugih neevropskih proizvajalcev strojne opreme.
Podjetja, kot so nemški Black Forest Labs, francoski Mistral AI in nemški Aleph Alpha, gradijo izjemne zmogljivosti umetne inteligence, vendar so še vedno v osnovi odvisna od tradicionalnih arhitektur s plavajočo vejico in dobavne verige grafičnih procesorjev. Binarne nevronske mreže ponujajo pot do resnične evropske suverenosti na področju umetne inteligence, ki deluje na strojni opremi, izdelani v Evropi, s postopki, skladnimi z evropskimi podnebnimi zavezami.
Evropa ima tako lahko oboje: napredek umetne inteligence in podnebne cilje. Ne tako, da bi trenutni pristop z nakupi obnovljive energije in ogljičnimi kompenzacijami nekoliko ozelenili, temveč z uporabo matematike, ki že v osnovi ne zahteva porabe energije v planetarnem merilu. Evropski akt o umetni inteligenci to že prepoznava, saj zahteva razkritje porabe energije in spodbuja prostovoljne kodekse ravnanja za okoljsko trajnostnost. Binarni pristopi te aspiracijske cilje spreminjajo v doseženo resničnost.
Odločitev, ki jo sprejemamo prav zdaj
Digitalna energetska kriza ni neizogibna. Je odločitev. Odločitev, ki jo sprejemamo prav zdaj, v vsakem naročilu grafičnih procesorjev, v vsaki pogodbi za gradnjo podatkovnega centra, v vsakem zagonu usposabljanja modela.
Je odločitev, da še naprej uporabljamo aritmetiko s plavajočo vejico, ker je znana, ker orodja že obstajajo, ker je preusposabljanje celotne industrije težko. Odločitev, da sprejmemo eksponentno rast porabe energije, ker so četrtletni dobički dobri in ker so tvegani kapitalisti navdušeni. Odločitev, da za usposabljanje enega modela porabimo več elektrike, kot je porabi mesto v enem letu, ker lahko in ker bo stroške za podnebje plačal nekdo drug.
A lahko bi se odločili drugače. Evropa je dejansko v edinstvenem položaju, da vodi to odločitev.
Lahko bi izbrali matematiko, ki ne zapravlja 96 % svoje energije za nepotrebno natančnost. Lahko bi izbrali algoritme, ki učinkovito delujejo na standardni strojni opremi, namesto da zahtevajo specializirane pospeševalnike. Lahko bi izbrali arhitekture, ki spoštujejo fizične in okoljske omejitve, namesto da predpostavljajo neomejeno razpoložljivost energije. Lahko bi izbrali pristope, ki so usklajeni z evropskim zelenim dogovorom, namesto da ga neposredno spodkopavajo.
Razcvet umetne inteligence se ne mora spremeniti v energetsko katastrofo. Binarne nevronske mreže dokazujejo, da obstaja druga pot. Pot, ki zagotavlja inteligenco brez podnebne cene. Pot, ki deluje v skladu z omejitvami obnovljivih virov energije, namesto da jih preobremenjuje. Pot, ki obravnava učinkovitost kot temeljno lastnost, ne kot naknadno misel, omenjeno v poročilih o trajnostnosti.
Irska se ne mora odločati med gospodarskim razvojem prek podatkovnih centrov in zadostno količino elektrike za gospodinjstva. Amsterdam ne mora uvajati moratorijev. Dublin ne mora gledati, kako podatkovni centri porabijo skoraj polovico mestne elektrike, medtem ko se prebivalci soočajo z naraščajočimi stroški energije.
Evropski zeleni dogovor in napredek umetne inteligence nista nezdružljiva. A le, če smo pripravljeni dvomiti o temeljnih predpostavkah in zgraditi umetno inteligenco, ki je dejansko matematično, fizično in ekonomsko smiselna. Trenutna usmeritev vodi do 945 TWh do leta 2030, 3 % svetovne elektrike, na tisoče ton CO2 na model, milijone litrov porabe vode in nemogoče izbire med podnebnimi cilji in tehnološkim napredkom.
Alternativa obstaja že danes. Binarne nevronske mreže, ki delujejo na standardnih procesorjih in učinkovitih FPGA-jih. Računanje, ki porabi 96 % manj energije. Trajnostna umetna inteligenca, ki ne zahteva izbire med napredkom in planetom. Transparentni algoritmi, ki jih Evropejci dejansko lahko razumejo in preverijo, ne črne škatle plavajočih vrednosti, ki jih nadzorujejo tuja podjetja.
Edino vprašanje je, ali jo bomo izkoristili, preden bomo porabili toliko energije, porabili toliko vode in zgradili toliko neučinkovite infrastrukture, da ne bomo imeli več izbire. Okno se zapira. A še vedno je odprto.
Želite umetno inteligenco, ki ne potrebuje lastne elektrarne? Dweve Core, naš okvir za diskretno računanje, ki združuje binarne nevronske mreže, sisteme na podlagi omejitev in špično računanje ter poganja Dweve Loom, zagotavlja 96 % nižjo porabo energije tako za učenje kot za sklepanje na standardni strojni opremi. Brez lastniških pospeševalnikov. Brez eksotičnega hlajenja. Brez kompromisov pri zmogljivosti. Prihodnost trajnostne evropske umetne inteligence je učinkovita, transparentna in na voljo že danes.