Show HN：欧洲能否利用现有计算资源训练前沿AI模型？
该研究模型显示，通过整合欧洲现有的公共AI计算资源（如EuroHPC超级计算机和国家AI工厂），欧洲可以在2028年左右训练出前沿级AI模型，而新建千兆瓦数据中心则需到2033年。联邦式低通信训练（DiLoCo风格）是关键技术。
近日，一个名为“euromesh”的开源项目在Hacker News上引发关注。该项目通过建模分析，回答了一个关键问题：欧洲能否利用自身已拥有的公共计算资源，在等待新建千兆瓦数据中心接入电网的漫长过程中，训练出主权前沿AI模型？答案是肯定的，但只是权宜之计。
研究指出，欧洲目前通过EuroHPC超级计算机和国家AI工厂运营着数十艾级浮点运算（exaflops）的公共AI算力。相比之下，新建一个1千兆瓦（GW）的数据中心平均需要7.6年才能接入电网。通过采用低通信量的联邦式训练（如DiLoCo风格），欧洲现有算力有望在2028年左右训练出前沿级模型，而等待新建千兆瓦数据中心则要到2033年。
该项目包含一个三层模型：第一层评估低通信训练的效率（即DiLoCo带来的额外计算成本）；第二层计算各站点投入使用的时机和累计算力的增长；第三层从时间、成本、碳排放和可行性四个维度对每个区域进行评分。最终结果几乎完全由第二层决定：联邦方案的胜出条件是它的站点在千兆瓦数据中心建成之前上线。训练效率的影响是次要的，这一点通过敏感性分析得到了确认。
研究数据来源包括电网接入时间（七个区域，引用AWS“最长七年”及IEA“2至10年”范围）和欧洲公共计算资源清单（EuroHPC旗舰机及19个AI工厂的加速器数量和训练时间）。模型参数附有置信度标签，并公开了所有源代码和测试用例（52项测试全部通过）。
值得一提的是，项目作者坦承了局限性：电网接入时间基于中央估计而非实际观测（欧洲尚未有运营商成功接入1GW点负荷）；EuroHPC机器是共享、分批调度且异构的，实际可用算力取决于政治决策而非硬件事实；前沿规模的分布式训练在超过100亿参数时尚未得到验证。因此，目标是一个可信的前沿级模型，而非保证达到4050亿参数。所有数据和结论截至2026年6月，且不经过同行评审。
该项目展示了欧洲在AI主权方面的另一种可能路径：不依赖巨额资本支出，而是通过联邦化现有资源加速实现。虽然挑战重重，但其开放性和透明度为政策讨论提供了有价值的参考。