Zdaniem 45% respondentów przeprowadzonego przez IDC badania to nie ataki ransomware, lecz zachowanie kontroli nad infrastrukturą (w tym szyfrowaniem i utrzymaniem suwerenności danych) mogą w 2026 roku stać się największym wyzwaniem dla zapewnienia bezpieczeństwa i prywatności informacji. Potwierdzają to wyniki a...
Osoby, które w ostatnich tygodniach planowały rozbudowę komputera o dodatkową pamięć RAM lub szybszy dysk SSD, mogły przeżyć niemałe zaskoczenie. Ceny komponentów pamięci RAM i dysków wyraźnie poszły w górę, a wszystko wskazuje na to, że nie jest to chwilowa korekta, lecz efekt głębszych zmi...
Jak wynika z opublikowanego przez Fortinet dokumentu „2023 Cloud Security Report”, w chmurze publicznej znajduje się już ponad połowa danych prawie 40% ankietowanych przedsiębiorstw. W ciągu najbliższych 12-18 miesięcy odsetek tych firm zwiększy się do 58%, co spowoduje, że wyzwań związanych z zabezpieczani...
Microsoft Azure to potężna platforma do budowania i uruchamiania aplikacji cloud-native. Jednak, jak potwierdzi każdy doświadczony architekt chmurowy lub inżynier SRE - monitorowanie środowiska Azure może przypominać próbę okiełznania chaosu. Setki metryk, logów i alertów napływających z maszyn wir...
W dobie szybko rozwijających się technologii Smart Home coraz więcej użytkowników poszukuje rozwiązań, które pozwolą na wygodne i centralne zarządzanie inteligentnymi urządzeniami w domu. Połączenie bramki FRITZ!Smart Gateway z głośnikami Amazon Echo i asystentem Alexa to prosty sposób na wprowadze...
Rozwój modeli AI zwiększa ich zdolność do rozwiązywania złożonych problemów i lepszego rozumienia kontekstu, ale może jednocześnie wpływać na zmianę profilu ryzyka związanego z ich wykorzystaniem - wynika z kwietniowej analizy F5 Labs. Dane sugerują, że modele wyposażone w mechanizmy wieloetapowego wniosk...
Jeszcze do niedawna rozwój sztucznej inteligencji kojarzył się przede wszystkim z coraz bardziej rozbudowanymi modelami i coraz wyższymi rachunkami za ich uruchamianie. Dziś sytuacja zaczyna wyglądać inaczej. Ceny dostępu do modeli spadają, a możliwości tańszych wariantów szybko rosną. Jednocześnie firmy budujące infrastrukturę AI nie mogą powiedzieć twego samego spoglądając na zestawienia kosztów inwestycyjnych.
Wręcz przeciwnie. Rosną ceny pamięci, dostępność zaawansowanych układów jest ograniczona, a producenci chipów windują ceny. Najnowsze wyniki Nvidii pokazują, że presja zaczyna być widoczna nawet w marżach największego beneficjenta boomu AI.
Jednym z najważniejszych trendów na rynku AI jest gwałtowny spadek kosztu inferencji, czyli uruchamiania gotowych modeli. Konkurencja między dostawcami modeli, rozwój mniejszych i bardziej wydajnych konstrukcji oraz optymalizacja infrastruktury sprawiają, że wykonanie tej samej operacji może kosztować dziś zdecydowanie mniej niż jeszcze kilkanaście miesięcy temu.
Dobrym przykładem jest Ox Alpha, który pojawił się w sierpniu jako anonimowy model dostępny bezpłatnie w ramach publicznego testu. Model szybko zdobył popularność wśród programistów i użytkowników wykorzystujących AI do zadań wymagających rozumowania i pracy agentowej. Początkowo nie było wiadomo, kto stoi za projektem. Kilka dni później Z.ai potwierdziło, że Ox Alpha jest najnowszą wersją modelu z rodziny GLM.
Przypadek Ox Alpha dobrze pokazuje, jak szybko zmienia się rynek modeli. Użytkownik dostaje coraz więcej możliwości za coraz mniej pieniędzy. Po stronie infrastruktury nie wygląda to już jednak tak korzystnie. Każdy wzrost wykorzystania modeli oznacza przecież dodatkowe zapotrzebowanie na serwery, akceleratory GPU i pamięć.
Boom na AI powoduje ogromny wzrost zapotrzebowania na pamięci wykorzystywane w akceleratorach. Szczególne znaczenie ma HBM - pamięć o bardzo wysokiej przepustowości, niezbędna w nowoczesnych systemach AI.
Skala problemu jest już widoczna w wypowiedziach największych producentów. SK Hynix, jeden z głównych dostawców HBM, zapowiada, że niedobór pamięci może utrzymywać się nawet do 2030 roku. Firma właśnie ogłosiła inwestycję o wartości około 4 mld dolarów w zakład w Indianie, który ma rozpocząć produkcję zaawansowanych układów HBM4E w 2029 roku.
Nie jest to jednak problem wyłącznie pamięci. Samsung podniósł ceny części zaawansowanych usług produkcji kontraktowej chipów nawet o 15%. Dotyczy to m.in. procesów 4, 5 i 8 nm, a przyczyną jest między innymi rosnący popyt na układy przeznaczone dla infrastruktury napędzającej sztuczną inteligencję.
Z punktu widzenia użytkownika wygląda to więc dość dziwnie. Pojedynczy prompt kosztuje coraz mniej, ale infrastruktura potrzebna do obsługi ogromnej liczby takich zapytań wciąż kosztuje bardzo dużo.
Najbardziej wymownym przykładem jest Nvidia. Wyniki opublikowane 26 sierpnia pokazują skalę trwającego boomu. W drugim kwartale fiskalnym 2027 roku Nvidia osiągnęła 96,2 mld dolarów przychodu, o 106% więcej niż rok wcześniej. Segment Data Center wygenerował 89 mld dolarów, notując wzrost o 117%.
Jednocześnie pojawiło się coś, czego inwestorzy jeszcze niedawno nie musieli szczególnie uwzględniać: presja na marże.
Nvidia poinformowała o wyjątkowo wysokich cenach pamięci i przewiduje, że jej marża brutto spadnie z obecnych 75% do około 71-72% w czwartym kwartale fiskalnym 2027 roku. W kolejnym roku fiskalnym ma następnie ustabilizować się w przedziale 72-73%.
Nie ma oczywiście mowy o tym, żeby Nvidia nagle przestała zarabiać na boomie AI. Wyniki spółki są wręcz rekordowe. Widać jednak, że część rosnących kosztów zaczyna zostawać po jej stronie, zamiast w całości trafiać do klientów.
Ponadto Nvidia oczekuje około 70-procentowego wzrostu przychodów w roku fiskalnym 2028. Spółka podkreśla przy tym, że prognoza jest ograniczana przez dostępność infrastruktury - popyt jest większy niż możliwości dostaw.
Droższe komponenty zaczynają przekładać się również na gotowe serwery. Według doniesień dotyczących rynku serwerów część dużych klientów Nvidii została poinformowana o wzrostach cen systemów zawierających najnowsze akceleratory AI. W przypadku niektórych konfiguracji dostawy planowane na początek 2027 roku mają być droższe o ponad 15%. Wzrost jest związany przede wszystkim z kosztami pamięci oraz ograniczeniami podaży.
Oznacza to, że spadek ceny pojedynczego tokena nie przekłada się automatycznie na spadek całkowitego kosztu infrastruktury.
Centrum danych musi przecież nadal kupić akceleratory, pamięci HBM, procesory, urządzenia sieciowe, systemy zasilania i chłodzenia, a następnie zapewnić odpowiednią ilość energii elektrycznej. W przypadku największych instalacji dochodzą jeszcze koszty działek, przyłączy energetycznych i budowy całych obiektów.
To właśnie w tym miejscu pojawia się najważniejsze pytanie natury ekonomicznej.
Jeżeli cena korzystania z modeli będzie nadal spadać, dostawcy AI będą musieli obsługiwać coraz większy wolumen zapytań, aby utrzymać przychody. Jednocześnie każdy wzrost popytu oznacza konieczność uruchomienia kolejnych centrów danych i zakupu większej liczby akceleratorów.
Mechanizm jest dość prosty:
tańsza inferencja → większe wykorzystanie AI → większy popyt na moc obliczeniową → większe zapotrzebowanie na chipy i pamięć → presja na ceny infrastruktury.
I właśnie tutaj zaczyna się problem. Poszczególne firmy uczestniczące w tym łańcuchu mają zupełnie inną pozycję negocjacyjną. Producenci najbardziej deficytowych komponentów mogą podnosić ceny. Dostawcy infrastruktury mogą próbować przenieść koszty na klientów. Dostawcy modeli mogą natomiast obniżać ceny, aby zwiększać skalę wykorzystania swoich usług.
Ostatecznie ktoś musi jednak pokryć rachunek.
Druga kwestia to zwrot z inwestycji. Firmy wydają na AI coraz więcej, ale coraz częściej pojawia się pytanie, kiedy te wydatki zaczną przekładać się na konkretne wyniki finansowe.
Według analizy firmy doradczej Maximand, obejmującej 919 rozmów wynikowych 60 największych amerykańskich firm finansowych z okresu trzech lat, zdecydowana większość spółek mówiła o sztucznej inteligencji, a wiele odnosiło się również do kosztów. Jednak tylko jedna firma dwukrotnie wskazała konkretny, zrealizowany zwrot finansowy - łącznie około 19 mln dolarów.
Nie oznacza to oczywiście, że firmy niczego na AI nie zyskują. Trudniej jednak uzasadnić kolejne miliardy dolarów wydatków samą obietnicą wzrostu produktywności. Inwestorzy chcą w końcu zobaczyć konkretne liczby.
To szczególnie istotne w momencie, gdy wydatki na infrastrukturę osiągają bezprecedensową skalę.
Amazon i Microsoft przeznaczają w 2026 roku po około 200 mld dolarów na inwestycje związane z rozbudową infrastruktury, a konkurencja między największymi dostawcami chmury staje się coraz bardziej kosztownym wyścigiem o moc obliczeniową.
Na razie trudno wskazować koniec boomu na AI. Wyniki Nvidii pokazują wręcz coś zgoła odmiennego - popyt na moc obliczeniową jest nadal ogromny. Zmienia się jednak pytanie, które warto zadawać. Nie chodzi już tylko o to, kto zbuduje największy model, kto kupi najwięcej GPU czy w jakim tempie rosną przychody jego chmury. Coraz ważniejsze będzie to, kto potrafi wykorzystać tę infrastrukturę w sposób ekonomicznie uzasadniony.
Tańsze tokeny mogą przyspieszyć adopcję AI, ale jednocześnie zwiększą popyt na moc obliczeniową. A jeżeli pamięć, akceleratory, energia i infrastruktura centrów danych pozostaną drogie, rachunek za ten wyścig wcale nie musi maleć. I właśnie temu coraz uważniej będą przyglądać się inwestorzy.
Źródło: Marketwatch, Yahoo Finanse, reuters, Nvidia, opracowanie własne
