Show HN：歐洲能否利用現有計算資源訓練前沿AI模型？
該研究模型顯示，透過整合歐洲現有的公共AI計算資源（如EuroHPC超級計算機和國家AI工廠），歐洲可以在2028年左右訓練出前沿級AI模型，而新建千兆瓦資料中心則需到2033年。聯邦式低通訊訓練（DiLoCo風格）是關鍵技術。
近日，一個名為“euromesh”的開源專案在Hacker News上引發關注。該專案透過建模分析，回答了一個關鍵問題：歐洲能否利用自身已擁有的公共計算資源，在等待新建千兆瓦資料中心接入電網的漫長過程中，訓練出主權前沿AI模型？答案是肯定的，但只是權宜之計。
研究指出，歐洲目前透過EuroHPC超級計算機和國家AI工廠運營著數十艾級浮點運算（exaflops）的公共AI算力。相比之下，新建一個1千兆瓦（GW）的資料中心平均需要7.6年才能接入電網。透過採用低通訊量的聯邦式訓練（如DiLoCo風格），歐洲現有算力有望在2028年左右訓練出前沿級模型，而等待新建千兆瓦資料中心則要到2033年。
該專案包含一個三層模型：第一層評估低通訊訓練的效率（即DiLoCo帶來的額外計算成本）；第二層計算各站點投入使用的時機和累計算力的增長；第三層從時間、成本、碳排放和可行性四個維度對每個區域進行評分。最終結果幾乎完全由第二層決定：聯邦方案的勝出條件是它的站點在千兆瓦資料中心建成之前上線。訓練效率的影響是次要的，這一點透過敏感性分析得到了確認。
研究資料來源包括電網接入時間（七個區域，引用AWS“最長七年”及IEA“2至10年”範圍）和歐洲公共計算資源清單（EuroHPC旗艦機及19個AI工廠的加速器數量和訓練時間）。模型引數附有置信度標籤，並公開了所有原始碼和測試用例（52項測試全部透過）。
值得一提的是，專案作者坦承了局限性：電網接入時間基於中央估計而非實際觀測（歐洲尚未有運營商成功接入1GW點負荷）；EuroHPC機器是共享、分批排程且異構的，實際可用算力取決於政治決策而非硬體事實；前沿規模的分散式訓練在超過100億引數時尚未得到驗證。因此，目標是一個可信的前沿級模型，而非保證達到4050億引數。所有資料和結論截至2026年6月，且不經過同行評審。
該專案展示了歐洲在AI主權方面的另一種可能路徑：不依賴鉅額資本支出，而是透過聯邦化現有資源加速實現。雖然挑戰重重，但其開放性和透明度為政策討論提供了有價值的參考。