EuroMesh

단 하나의 질문에 대한 근거 기반 모델 및 짧은 보고서:

기가와트(GW)급 데이터 센터가 그리드(grid)에 연결되기까지 수년이 걸리는 동안, 유럽은 이미 보유하고 있는 공공 컴퓨팅 자원을 연합(federating)함으로써 지금 당장 주권적인 프런티어급(frontier-class) AI 모델을 구축할 수 있는가?

모델이 제시하는 답변은 '임시 방편으로서 가능하다'입니다. 유럽은 이미 EuroHPC 슈퍼컴퓨터와 국가별 AI 팩토리(AI Factories)를 통해 수십 엑사플롭(exaflops)의 공공 AI 컴퓨팅 자원을 운영하고 있습니다. 반면, 1 GW 규모의 캠퍼스는 그리드 전력을 공급받기까지 평균 7.6년이 소요됩니다. 통신량이 적은(DiLoCo 스타일) 연합 학습(Federated training)을 활용한다면, 유럽이 이미 보유한 컴퓨팅 자원은 2028년경에 프런티어급 모델을 제공할 수 있으며, 이는 새로운 기가와트급 캠퍼스가 준비되는 2033년경과 대조됩니다.

먼저 읽어보세요

보고서는 paper/compute-at-home.pdf ( paper/compute-at-home.md를 기반으로 작성됨)입니다. 일반 대중을 대상으로 한 짧고 근거 있는 읽을거리입니다. 제목은 "OpenAI나 Anthropic이 필요한가? 유럽은 이미 수십 엑사플롭을 보유하고 있다."입니다.

리포지토리 구성

euromesh/
├── README.md
├── requirements.txt
...

모델 요약

세 가지 계층으로 구성됩니다. 계층 1(Layer 1)은 저통신 학습(low-communication training)의 FLOP당 효율성(DiLoCo 페널티가 얼마나 발생하는지)입니다. 계층 2(Layer 2)는 가용 시간(사이트가 가동되는 시점과 누적 컴퓨팅 자원이 쌓이는 속도)입니다. 계층 3(Layer 3)은 시간, 비용, 탄소, 실행 가능성에 대한 지역별 스코어카드입니다. 핵심 결과는 거의 전적으로 계층 2에 의해 결정됩니다. 즉, 연합 방식의 사이트들이 기가와트급 캠퍼스보다 먼저 온라인 상태가 된다면 연합 방식이 승리한다는 하나의 부등식으로 귀결됩니다. 학습 효율성 페널티는 민감도 토네이도(sensitivity tornado) 분석을 통해 확인된 바와 같이 2차적인 요소입니다.

실행 방법

python3 -m venv .venv
.venv/bin/pip install -r requirements.txt
.venv/bin/python -m model.run          # model/results의 모든 CSV와 paper/figures의 그림들을 재생성합니다
...

실행은 깨끗한 트리 상태에서 재현 가능합니다. 모든 출력을 삭제하고 다시 실행하면 종료 코드 0(exit 0)과 함께 모든 것이 재생성됩니다.

데이터 및 출처

• 그리드 연결 대기 시간 (Grid-connection lead times): paper/grid_queue_dataset.md, 7개 지역, 지역별 1차 자료, AWS의 "최대 7년" 성명과 IEA의 2~10년 범위를 기준으로 하며, 한계점이 명시됨.
• EU 공공 컴퓨팅 자원 (EU public compute): paper/eurohpc_substrate.md, EuroHPC 플래그십 모델 및 19개 AI 팩토리(AI Factories), 가속기 수량 및 학습 시간 계산.
• 모델 파라미터 (Model parameters): model/params/SOURCES.md 및 model/params/SOURCES_hardware_training.md, 신뢰도 태그 포함.

솔직한 주의사항 (Honest caveats)

이 리포지토리(repo)의 목적은 참신함이 아니라 명확성입니다. 본 논지는 그리드 대기 시간(grid-queue lead times)에 근거하고 있으나, 이는 관측된 수치가 아닌 중앙 추정치입니다 (아직 유럽의 어떤 운영사도 1 GW 규모의 단일 부하를 가동하지 않았습니다). 컴퓨팅 자원은 소유하고 있으나, 하나의 통합된 실행을 위해 아직 사용할 수 있는 상태는 아닙니다. EuroHPC 머신들은 공유되고, 배치 스케줄링(batch-scheduled)되며, 이기종(heterogeneous) 환경이므로, 사용 가능한 비율은 하드웨어적 사실이라기보다 정치적 결정의 문제입니다. 프런티어 규모의 분산 학습(distributed training)은 현재 약 10B(100억) 파라미터 이상에서는 검증되지 않았으므로, 목표는 보장된 405B가 아닌 신뢰할 수 있는 프런티어급 모델입니다. 이 모든 내용은 model/RESULTS.md와 보고서의 주의사항(caveats) 섹션에 기재되어 있습니다. 수치와 날짜가 지정된 이벤트는 2026년 6월 기준입니다. 이는 독립적인 모델 및 분석이며, 동료 검토(peer-reviewed)를 거치지 않았습니다.