Rozvoj umělé inteligence bude stát na fyzické infrastruktuře: čipech, datových centrech, chlazení a elektřině.
Shutterstock.com
Goldman Sachs rozebírá účet za AI: rozhodne životnost čipů, cena datacenter a elektřina
Umělá inteligence působí nehmotně. Uživatel napíše otázku, model odpoví a vše se odehraje v několika vteřinách někde „v cloudu“. Jenže za tímto dojmem lehkosti stojí jeden z největších investičních cyklů současnosti: čipy za desítky tisíc dolarů, obří datová centra, kilometrové kabeláže, kapalné chlazení, nové energetické zdroje a infrastruktura, jejíž spotřeba elektřiny se může blížit potřebám menších států.
šéfredaktor
Goldman Sachs Global Institute v nové analýze upozorňuje, že debata o nákladech na AI infrastrukturu se často vede příliš jednoduše. Trh se ptá hlavně na jednu věc: vyplatí se biliony dolarů, které technologické firmy, hyperscaleři, investoři a dodavatelé energií do AI nalévají? Jinými slovy: bude poptávka po AI dost velká, aby kapitálové výdaje dávaly smysl?
Podle Goldman Sachs je ale stejně důležitá druhá strana rovnice. Nejde jen o to, zda bude po AI službách dostatečná poptávka. Jde i o to, kolik bude samotná fyzická infrastruktura stát. A toto číslo není pevné. Může se dramaticky měnit podle několika technických a ekonomických předpokladů.
Základní scénář Goldman Sachs počítá s tím, že mezi lety 2026 a 2031 může kumulativní investice do AI infrastruktury dosáhnout zhruba 7,6 bilionu dolarů. Roční kapitálové výdaje by podle modelu měly vzrůst z přibližně 765 miliard dolarů v roce 2026 až na 1,6 bilionu dolarů v roce 2031.
To nejsou malé peníze ani ve světě velkých technologických firem. Jde o částky, které mohou přepsat dodavatelské řetězce, energetiku, trh datových center i hodnotu firem napříč celým AI ekosystémem.
Nejdůležitější otázka: jak dlouho vydrží AI čipy
Největší proměnnou celé rovnice je životnost AI čipů. Právě akcelerátory, tedy GPU, ASIC a další specializované procesory, jsou srdcem AI infrastruktury. A zároveň patří k nejdražším a nejrychleji zastarávajícím součástem celého systému.
Datové centrum nebo energetická infrastruktura se obvykle staví na desítky let. Budovy mohou sloužit 15 až 20 let, energetická zařízení ještě déle. AI čipy ale ekonomicky stárnou mnohem rychleji. Nejen kvůli fyzickému opotřebení, ale hlavně kvůli technologickému tempu.
Každá nová generace čipů přináší skokový nárůst výkonu a efektivity. Pokud se nový hardware vyplatí provozně i ekonomicky výrazně víc než starý, může být starší generace fakticky zastaralá dřív, než skončí její účetní odpisy.
Právě to je pro investory zásadní. Pokud AI čipy vydrží ekonomicky šest nebo sedm let, potřebný objem nových investic bude nižší. Pokud se budou muset obměňovat po třech nebo čtyřech letech, mohou celkové náklady vyskočit o stovky miliard dolarů.
Goldman Sachs proto upozorňuje, že životnost křemíku je nejvlivnější parametr celé AI investiční debaty. Ne proto, že by šlo o technický detail, ale proto, že určuje rytmus opakovaných nákupů nejdražší části infrastruktury.
Zároveň ale nejde o jednoduchý příběh rychlého zastarávání. Starší čipy mohou dál dávat smysl pro méně náročné úlohy: některé typy inference, edge computing, nasazení na rozvíjejících se trzích nebo generování syntetických dat. Pokud vznikne vícevrstvý trh, kde nejnovější modely běží na špičkových čipech a méně náročné úlohy na starších generacích, může to ekonomickou životnost hardwaru prodloužit.
Datová centra jsou stále dražší
Druhou zásadní proměnnou jsou náklady na datová centra. AI nevytváří jen poptávku po dalších serverovnách. Vytváří poptávku po úplně jiném typu infrastruktury.
Starší cloudová datová centra byla stavěna pro relativně univerzální výpočetní úlohy. AI datová centra ale pracují s mnohem vyšší hustotou výkonu, extrémní spotřebou energie, náročným chlazením, vysokorychlostním propojováním a složitější systémovou integrací. Čipy, paměti, síťová infrastruktura, chlazení a napájení se už neřeší odděleně, ale jako jeden propojený systém.
To zvyšuje cenu. Goldman Sachs uvádí, že tradiční hyperscale cloudová centra mohla stát zhruba 10 milionů dolarů na megawatt kapacity. U nové generace AI datových center se v tržních debatách stále častěji mluví o 15 až 20 milionech dolarů na megawatt.
Rozdíl několika milionů dolarů na megawatt může vypadat jako technická změna. V měřítku stovek a tisíců megawattů se ale rychle mění v obrovské sumy. Čím vyšší jsou požadavky na hustotu, redundanci, chlazení a napájení, tím větší je riziko, že se celkový účet za AI infrastrukturu posune výrazně výš.
Problém navíc není jen cena. Je tu i riziko technologického zastarávání samotných budov. Datová centra byla historicky dlouhodobá aktiva. Jenže pokud se požadavky na chlazení, napájení nebo rozložení racků mění během několika let, může se stát, že centrum navržené před dvěma lety už nebude plně připravené na další generaci čipů.
To je nepříjemná novinka pro developery datových center i jejich investory. Dlouhá životnost aktiva byla dříve výhodou. V době rychlého vývoje AI architektury se z ní může stát riziko.
NVIDIA, ASIC a otázka, jestli levnější compute sníží účet
Třetí klíčová otázka se týká čipové architektury. Dnes AI výpočetní infrastrukturu do značné míry symbolizují GPU od NVIDIE. Jenže vedle nich rostou také vlastní čipy velkých technologických firem a specializované ASIC, tedy čipy navržené pro konkrétní typ úloh.
Na první pohled by levnější a efektivnější alternativní čipy měly celkové náklady snížit. Goldman Sachs ale upozorňuje, že to záleží na elasticitě poptávky po výpočetním výkonu.
Pokud firmy potřebují pevně daný objem výpočtů, pak levnější čipy znamenají nižší celkové investice. Jestliže ale levnější compute povede k tomu, že firmy začnou trénovat větší modely, spouštět delší výpočty, nasazovat AI do více služeb a vytvářet nové aplikace, celkové výdaje nemusí klesnout. Změní se spíše to, kdo na nich vydělá.
V takovém scénáři se část hodnoty přesune od dominantních dodavatelů univerzálních akcelerátorů k hyperscalerům, výrobcům vlastního křemíku, systémovým integrátorům nebo koncovým uživatelům. Celkový objem investic do infrastruktury ale může zůstat podobný.
To je důležitý rozdíl. Debata o tom, zda GPU nahradí ASIC, nemusí být primárně debatou o tom, zda se utratí méně peněz. Může to být debata o tom, kdo si v AI ekonomice ponechá marže.
Úzká hrdla mohou z investičního příběhu udělat problém důvěry
Čtvrtou proměnnou jsou zpoždění a úzká hrdla. AI infrastruktura nevzniká jen nákupem čipů. Potřebuje povolení, pozemky, připojení k síti, transformátory, rozvaděče, turbíny, chlazení, specializované pracovníky a dostatek elektřiny.
Pokud tyto prvky chybí, kapitál může být přislíbený, ale výpočetní kapacita nepřibývá stejným tempem. Goldman Sachs tomu říká elongace výstavby: prodlužování mezery mezi investičním rozhodnutím a skutečně spuštěnou kapacitou.
V základním scénáři jde hlavně o problém načasování. Projekty se protahují, kapitál je vázán déle, návratnost přichází později a investoři musí snášet větší nejistotu. Celkový objem infrastruktury se ale nakonec postaví.
Horší scénář nastane, pokud se zpoždění stanou tak rozsáhlá, že začnou měnit náladu investorů. Když se projekty zadrhávají, pozornost se rychle přesune zpět k otázce poptávky: budou výnosy z AI služeb opravdu dost rychlé a velké, aby ospravedlnily kapitál, který leží roky ve výstavbě?
V takové chvíli se z technického problému stává problém důvěry. A ten může investice skutečně zpomalit nebo osekat.
Ne všechny módní debaty mění celkový účet
Zajímavé je, že Goldman Sachs relativizuje některá témata, která v debatě o AI často dominují. Například poměr mezi trénováním modelů a inferencí, růst paměti na čip nebo otázka, zda bude energie brána ze sítě, nebo vyráběna přímo u datového centra, jsou podle analýzy důležité, ale nemusejí zásadně měnit celkový objem investic.
Rozhodují spíše o tom, kdo vydělá, jak rychle se investice vrátí a kde vzniknou marže.
Přechod od tréninku k inferenci například zlepšuje ekonomiku využití infrastruktury. Inference znamená, že výpočetní kapacita už není jen vynakládána na vývoj modelů, ale začíná vydělávat v reálném provozu. To zlepšuje návratnost, ale nemusí to samo o sobě znamenat menší fyzickou infrastrukturu.
Podobné je to s napájením. Vlastní zdroje elektřiny u datových center mohou být dražší a méně efektivní než síťová řešení. V celkovém účtu za AI infrastrukturu ale podle Goldman Sachs zůstává energie menší položkou než čipy, datová centra a podpůrné systémy. Dopad na energetický sektor může být obrovský, ale na celkový objem AI kapitálových výdajů nemusí být rozhodující.
AI investice nejsou jedno číslo
Nejdůležitější sdělení analýzy je jednoduché: biliony dolarů do AI infrastruktury nejsou jedno pevné číslo. Jsou to podmíněné odhady, které stojí na několika předpokladech.
Pokud čipy vydrží déle, účet může být nižší. Pokud budou zastarávat rychleji, účet poroste. Pokud budou datová centra dražší a složitější, investice se nafouknou. Pokud levnější čipy jen otevřou další poptávku po výpočtech, celkové výdaje se nemusí zmenšit. Pokud se úzká hrdla v energetice, povolování a dodavatelském řetězci stanou trvalým problémem, může se změnit celý investiční příběh.
To je klíčové pro investory i technologické firmy. Nestačí věřit, že AI bude důležitá. Je potřeba vědět, na jakých předpokladech stojí plánované investice a jak citlivé jsou na změnu technologie, cen, životnosti zařízení nebo dostupnosti elektřiny.
Co se bude dít dál
V příštích letech se bude rozhodovat na několika frontách.
První bude tempo obměny čipů. Trh bude sledovat, zda nejnovější generace akcelerátorů skutečně ekonomicky vytlačí starší hardware, nebo zda se starší GPU udrží v provozu déle díky méně náročným úlohám. Právě tady se může rozhodnout o stovkách miliard dolarů budoucích investic.
Druhou frontou budou datová centra. Investoři budou řešit, zda současné stavby nebudou během několika let technologicky přechodné. Čím rychleji porostou požadavky na hustotu výkonu, chlazení a napájení, tím víc poroste riziko, že nově postavené kapacity zestárnou dřív, než se čekalo.
Třetí frontou bude energetika. AI datová centra budou potřebovat stabilní a rychle dostupný výkon. To může zvýhodnit regiony s levnou elektřinou, rychlým povolováním a schopností připojovat velké odběratele. Naopak místa s přetíženou sítí nebo pomalou administrativou mohou ztrácet.
Čtvrtou frontou bude struktura samotného AI trhu. Pokud se AI monetizace bude zlepšovat a nové služby budou rychle vytvářet tržby, kapitálový cyklus se může dál živit sám. Pokud ale výnosy zaostanou za investicemi, začne se stejná čísla číst mnohem nervózněji.
Biliony jako sázka na další poptávku
Na AI investicích je zajímavá jejich kruhová logika. Čím víc se postaví infrastruktury, tím levnější a dostupnější může být výpočetní výkon. A čím levnější bude compute, tím víc nových aplikací může vzniknout.
Historie technologií ukazuje, že levnější kapacita často nevede k přebytku, ale k novým způsobům využití, které předtím nedávaly ekonomicky smysl. Jinými slovy: úspěch dnešní AI výstavby může vytvořit zítřejší poptávku, kvůli které bude současná infrastruktura znovu nedostatečná.
To je optimistický scénář. Pesimistický zní jinak: technologické firmy utratí biliony, úzká hrdla projekty zdrží, monetizace nebude dost rychlá a část trhu začne pochybovat, zda se celé AI budování nerozběhlo příliš daleko před skutečnou poptávkou.
Goldman Sachs nedává jednoduchou odpověď, který scénář vyhraje. Nabízí spíš mapu toho, co sledovat. Životnost čipů, cenu datových center, mix architektur a úzká hrdla ve výstavbě.
Umělá inteligence se často popisuje jako digitální revoluce. Její nejbližší budoucnost ale bude velmi fyzická. Rozhodne se v továrnách na čipy, na stavbách datových center, v rozvodnách, na stavbách nových energetických zdrojů a v dodavatelských řetězcích, které mají dodat vše od transformátorů po chladicí systémy.
AI možná změní svět softwarem. Nejdřív ale musí někdo postavit její železobetonové, měděné a křemíkové základy.
Zdroj: Analýza Tracking Trillions: The Assumptions Shaping the Scale of the AI Build-Out
