Żyjemy w epoce zdominowanej przez jedną, potężną narrację: wykładniczy wzrost możliwości sztucznej inteligencji, napędzany przez niemal nieograniczoną moc obliczeniową. To „gorzka lekcja” płynąca z ostatniej dekady – im więcej mocy obliczeniowej, tym inteligentniejsza staje się AI. Ta prosta zasada stała się fundamentem prognoz, strategii inwestycyjnych i publicznej debaty, sugerując niemal nieuniknioną, gwałtowną trajektorię rozwoju w kierunku superinteligencji.

Jednak ta prosta ekstrapolacja ignoruje fundamentalną siłę, która zaczyna działać jak niewidzialny hamulec. To nie jest bariera technologiczna ani algorytmiczna. To twarde prawa fizyki i ekonomii, które zaczynają wystawiać rachunek. Analiza przepływów inwestycyjnych i logistyki budowy infrastruktury AI ujawnia głęboko niedocenianą dynamikę: im większą skalę mocy obliczeniowej chcemy osiągnąć, tym dramatyczniej wydłuża się czas potrzebny na jej wdrożenie. To ciche spowolnienie ma potencjał, by całkowicie zmienić harmonogram rewolucji AI.

Mit „YOLO Scaleup”: dlaczego nie można po prostu zainwestować bilionów?

Logika „gorzkiej lekcji” podpowiada, że najprostszą drogą do przełomu jest rzucenie na stół astronomicznych pieniędzy na moc obliczeniową. Modele ekonomiczne, oderwane od rzeczywistości, mogą nawet sugerować, że optymalne jest zainwestowanie dziś 25 bilionów dolarów w AI.

Praktyka jest jednak inna. Takie masowe inwestycje są skrajnie mało prawdopodobne z dwóch powodów:

1. Głęboka niepewność zwrotu: Koszty są gigantyczne i pewne – druga faza klastra xAI Colossus wymagała prawie 10 miliardów dolarów na sam sprzęt. Zwroty z tej inwestycji są jednak głęboko niepewne. Przeszacowanie korzyści przy inwestycji rzędu bilionów dolarów byłoby katastrofalnym błędem. Historia, jak próba zebrania przez Sama Altmana 7 bilionów dolarów, pokazuje, że inwestorzy reagują na takie kwoty z niedowierzaniem.

2. Racjałność inwestycyjna: Zamiast jednej, gigantycznej inwestycji, racjonalni inwestorzy preferują podejście stopniowe. Dzielą skalowanie na mniejsze, np. 10-krotne przyrosty, i po każdym etapie oceniają zwroty, decydując, czy kontynuować. Ten iteracyjny proces z natury spowalnia tempo wzrostu.

Niewidzialny hamulec: rosnące czasy realizacji

Nawet przy nieograniczonym kapitale, na drodze do większej mocy obliczeniowej pojawia się drugi, znacznie potężniejszy hamulec: czas realizacji (lead time). To okres od zaplanowania projektu do wdrożenia gotowego modelu lub infrastruktury. Analiza pokazuje, że ten czas rośnie w sposób systematyczny wraz ze skalą inwestycji, tworząc potężną pętlę sprzężenia zwrotnego, która spowalnia postęp.

Każdy kolejny rząd wielkości mocy obliczeniowej wymaga pokonania nowych, bardziej czasochłonnych barier fizycznych i logistycznych.

Ogólna zasada, która wyłania się z tych danych, jest uderzająca: każdy dodatkowy 10-krotny wzrost skali mocy obliczeniowej wydłuża czas realizacji o około rok. Te opóźnienia kumulują się, drastycznie zmieniając prognozy.

Skutki dla postępu AI: co oznacza to spowolnienie?

Konsekwencje tej dynamiki są ogromne. Ponieważ moc obliczeniowa jest tak silnie skorelowana z możliwościami modeli, jej wolniejszy wzrost bezpośrednio przełoży się na wolniejszy postęp w samej sztucznej inteligencji.

• Mniej eksperymentów: Dłuższe cykle inwestycyjne i wdrożeniowe oznaczają, że laboratoria AI będą mogły przeprowadzać mniej eksperymentów na dużą skalę. To z kolei utrudni odkrywanie nowych, przełomowych ulepszeń algorytmicznych.

• Koniec wykładniczego wzrostu: Trend skalowania mocy obliczeniowej do treningu, który w ostatnich latach rósł w tempie 5x rocznie, w pewnym momencie będzie musiał gwałtownie wyhamować.

• Przesunięcie horyzontów czasowych: Zgodnie z modelem przedstawionym w badaniu, prosta ekstrapolacja obecnych trendów sugerowałaby pojawienie się klastra o wartości biliona dolarów około roku 2030. Po uwzględnieniu rosnących czasów realizacji, ten horyzont przesuwa się na rok 2035.

Czy spowolnienie jest nieuniknione? potencjalne przyspieszenia

Istnieją czynniki, które mogą złagodzić opisane spowolnienie, choć prawdopodobnie nie wyeliminują go całkowicie.

• Wola polityczna: Program na skalę „Projektu Manhattan dla AI”, wsparty ogromnymi funduszami publicznymi i uproszczonymi procedurami, mógłby skrócić niektóre terminy, jak pokazała błyskawiczna budowa klastra Colossus.

• Lepsze benchmarki: Jeśli powstaną testy, które będą lepiej przewidywać realny zwrot ekonomiczny z modeli AI, inwestorzy mogą być skłonni do podejmowania większego ryzyka na wcześniejszym etapie.

• Automatyzacja samej budowy: W bardziej odległej przyszłości, rozwój robotyki i AI może przyspieszyć procesy takie jak budowa centrów danych czy projektowanie fabryk, skracając czasy realizacji.

Mimo tych możliwości, ogólny wniosek pozostaje ten sam. Wchodzimy w erę, w której fizyczne i ekonomiczne ograniczenia realnego świata zaczynają doganiać cyfrową rewolucję. Wykładnicza krzywa wzrostu mocy obliczeniowej zacznie się spłaszczać, a wraz z nią – prawdopodobnie – tempo postępu w dziedzinie sztucznej inteligencji.

FAQ – Najczęściej zadawane pytania

1. Czy to oznacza, że rewolucja AI została odwołana?
   Nie, ale jej harmonogram może ulec znacznemu wydłużeniu. Zamiast gwałtownego, wykładniczego skoku, możemy być świadkami bardziej stopniowego, liniowego postępu, ograniczonego przez tempo budowy fizycznej infrastruktury.

2. Czy ulepszenia algorytmiczne nie mogą zrekompensować braku mocy obliczeniowej?
   Mogą, ale tylko do pewnego stopnia. Historia ostatnich lat pokazuje, że największe przełomy (jak architektura Transformer) wymagały ogromnej mocy obliczeniowej do ich odkrycia i walidacji poprzez eksperymenty. Wolniejszy wzrost mocy obliczeniowej oznacza mniej „losów na loterii” w poszukiwaniu kolejnego wielkiego odkrycia algorytmicznego.

3. Kto najbardziej zyskuje, a kto traci na tym spowolnieniu?
   Na spowolnieniu mogą zyskać obecni liderzy (jak OpenAI, Google, Anthropic), ponieważ bariery wejścia dla nowych graczy, wymagające gigantycznych, wieloletnich inwestycji, stają się jeszcze wyższe. Tracą potencjalni nowi konkurenci oraz, w szerszej perspektywie, cała gospodarka, która będzie musiała dłużej czekać na korzyści płynące z bardziej zaawansowanej AI.

4. Jaki jest obecnie największy pojedynczy hamulec dla skalowania mocy obliczeniowej?
   Na obecnym etapie (inwestycje rzędu kilkudziesięciu miliardów dolarów) kluczowymi wąskimi gardłami stają się dwa powiązane czynniki: dostępność energii (konieczność budowy nowych elektrowni) oraz zdolności produkcyjne fabryk chipów (konieczność ich modernizacji lub budowy od zera).

5. Czy ten model dotyczy tylko rozwoju AGI, czy również węższych zastosowań AI?
   Model dotyczy przede wszystkim rozwoju modeli na froncie badawczym (frontier AI models), które przesuwają granice możliwości i dążą w kierunku AGI. Węższe, bardziej wyspecjalizowane zastosowania AI, które nie wymagają najpotężniejszych klastrów obliczeniowych, będą rozwijać się niezależnie, korzystając z już dostępnej mocy.