Может ли Европа получить свой собственный frontier-class AI, не дожидаясь гигаваттных дата-центров, а просто объединив вычислительные мощности, которые у неё уже есть? Ответ модели из нового отчёта — да, но как временное решение.
Европа уже располагает десятками эксафлопс публичных AI-вычислений на суперкомпьютерах EuroHPC и национальных AI Factories. Пока эти мощности простаивают в очереди на обучение, строительство нового кампуса на 1 GW займёт в среднем 7,6 лет — столько времени уходит на подключение к энергосети. Если применить федеративное обучение с низким объёмом коммуникаций (в стиле DiLoCo), то на уже имеющемся оборудовании frontier-модель можно получить примерно к 2028 году. Новый кампус даст результат только к 2033.
Модель анализа построена в три слоя. Первый оценивает потерю эффективности на FLOP при низко-коммуникационном обучении — штраф за использование DiLoCo. Второй слой считает время доступности: когда конкретные площадки получат энергию и как быстро нарастят совокупную вычислительную мощность. Третий — сводка по регионам по времени, стоимости, выбросам и реализуемости. Главный результат диктует именно второй слой: всё сводится к неравенству — федерация выигрывает, если её узлы включатся раньше, чем заработает гигаваттный кампус. Штраф за эффективность обучения — второстепенная величина, это подтверждает анализ чувствительности.
Код и данные открыты и воспроизводимы: Python-скрипт регенерирует все CSV и графики, набор из 52 тестов проходит чисто, PDF-отчёт пересобирается одной командой. Сроки подключения к сети взяты из семи регионов, с опорой на заявление AWS «до семи лет» и диапазон IEA от 2 до 10 лет. Данные по EuroHPC и AI Factories — с подсчётом ускорителей и математикой времени обучения.
Авторы не называют работу новаторской, её ценность — в ясности тезиса. Главное ограничение: сроки подключения — это центральные оценки, а не наблюдаемые величины, потому что ни один европейский оператор ещё не вводил в строй точку нагрузки в 1 GW. Доступные суперкомпьютеры EuroHPC — разделяемые, с пакетным планировщиком и гетерогенные, поэтому доступная для одного скоординированного запуска доля — вопрос политического решения, а не аппаратной реальности. Масштабное распределённое обучение пока не опробовано на моделях существенно больше 10 миллиардов параметров, так что в отчёте речь идёт о credible frontier-class model, а не о гарантированной 405B. Все оговорки — в секции caveats отчёта и в model/RESULTS.md. Данные актуальны на июнь 2026 года. Модель независимая, не рецензированная.