a16z uruchamia fundusz Machine Age o wartości 1,1 mld USD dla infrastruktury AI
a16z uruchomiło fundusz Machine Age o wartości 1,1 mld USD, przekształcając nagłówek z Google News w bezpośredni zakład o fizyczne wąskie gardła infrastruktury AI.
Fundusz celuje w chipy, pamięć, sieci, pamięć masową, centra danych, robotykę i domowe urządzenia AI. Ten zakres sprawia, że ogłoszenie ma większe znaczenie niż zamknięcie kolejnego dużego funduszu venture capital.
Andreessen Horowitz zbudowało swoją reputację wokół idei, że oprogramowanie przekształci ugruntowane branże. Nowy fundusz firmy zakłada, że postęp w oprogramowaniu zależy dziś od przebudowy fizycznych systemów, na których ono bazuje.
Ta zmiana tworzy zasadnicze napięcie. Twórcy AI mogą szybko ulepszać modele, ale nie mogą wdrażać nieograniczonej mocy obliczeniowej bez energii elektrycznej, chłodzenia, pamięci, sieci, zdolności produkcyjnych i odpowiednich gruntów.
Nvidia i najwięksi dostawcy chmury już kształtują dostęp do znacznej części tego stosu technologicznego. Machine Age Fund zakłada, że startupy wciąż mogą przejąć wartościowe warstwy między produkcją chipów a gotowymi aplikacjami AI.
Ogłoszenie nie jest zatem prostą rywalizacją między firmami venture capital. To sprawdzian, czy kapitał wysokiego ryzyka może stworzyć trwałe firmy sprzętowe na rynkach zdominowanych przez hyperscalerów i ugruntowanych dostawców.
Czego nie mówi nagłówek z Google News
a16z przeznacza kapitał na ograniczenia otaczające AI, a nie po prostu na kolejną generację modeli.
Andreessen Horowitz ogłosiło fundusz Machine Age 28 sierpnia 2026 roku. Ogłoszenie podpisało pięciu starszych partnerów: Ben Horowitz, Martin Casado, Raghu Raghuram, David Ulevitch i David George.
Według ogłoszenia funduszu firma pozyskała 1,1 mld USD na inwestycje w całym fizycznym stosie AI. Mandat obejmuje zarówno pojedyncze komponenty, jak i kompletne systemy.
To rozróżnienie ma znaczenie. Konwencjonalny fundusz AI mógłby inwestować w twórców modeli, oprogramowanie aplikacyjne lub usługi zbudowane wokół istniejącej infrastruktury chmurowej.
Machine Age Fund zaczyna niżej w stosie technologicznym. Może wspierać projekty półprzewodników, technologie pamięci, sprzęt sieciowy, systemy pamięci masowej, komponenty chłodzenia i infrastrukturę centrów danych.
Może również wspierać robotykę i urządzenia domowe, które wprowadzają AI do fizycznego otoczenia. Kategorie te mają dłuższe cykle rozwoju i bardziej złożone łańcuchy dostaw niż większość produktów programistycznych.
a16z opisuje fundusz jako odpowiedź na rosnącą użyteczność AI i zwiększającą się intensywność obliczeniową. Systemy rozumowania i agenci programistyczni często zużywają więcej zasobów obliczeniowych niż proste zapytania do chatbotów.
Każde dodatkowe obciążenie zwiększa presję na serwery i systemy, które je łączą. Wyższe wykorzystanie wpływa następnie na zapotrzebowanie na energię, zarządzanie temperaturą, dostępność sprzętu i harmonogramy budowy.
Firma twierdzi, że gęstość obliczeniowa wzrosła 28-krotnie między szafą Nvidia H100 a szafą generacji Rubin. Podaje również, że pobór mocy przez szafę wzrósł z około 5–10 kilowatów do 100–250 kilowatów.
a16z oczekuje, że w ciągu trzech lat niektóre szafy zbliżą się do jednego megawata. Są to szacunki firmy, a nie niezależnie zweryfikowane średnie branżowe.
Mimo to szerszy kierunek znajduje potwierdzenie poza a16z. Platforma Rubin firmy Nvidia łączy procesory, sieci i systemy w skali szafy w jedną skoordynowaną architekturę.
Taka konstrukcja odzwierciedla podstawową zmianę inżynieryjną. Zaawansowana infrastruktura AI staje się produktem na poziomie systemu, a nie zbiorem wymiennych serwerów.
Uruchomienie funduszu formalizuje również działalność, którą a16z już rozpoczęło. Firma wymienia Unconventional AI, Nexthop, Volta, Atoms, Heron Power i Mind Robotics wśród swoich ostatnich inwestycji sprzętowych.
Jej historia obejmuje wcześniejsze inwestycje w Skydio, SpaceX, Anduril i Waymo. Transakcje te pokazują doświadczenie w sprzęcie, choć nie gwarantują sukcesu w obszarze infrastruktury AI.
Wydarzenie zmienia sposób, w jaki założyciele mogą przedstawiać firmie swoje projekty. Startup rozwiązujący wąski problem związany z chłodzeniem, zasilaniem lub interkonektami wpisuje się teraz w wyraźnie finansowaną tezę inwestycyjną.
Daje ono również a16z bardziej klarowny przekaz rekrutacyjny. Firma może przedstawiać swoje sieci marketingowe, rekrutacyjne, klienckie i dostawców jako usługi dla założycieli firm sprzętowych.
Taki pakiet łatwiej było stosować wobec spółek programistycznych. Firmy sprzętowe potrzebują innego wsparcia, w tym relacji produkcyjnych, testów kwalifikacyjnych, dostępu do zamówień i cierpliwego finansowania kolejnych rund.
Zobowiązanie na poziomie 1,1 mld USD stwarza przestrzeń do przetestowania tego modelu wsparcia. Nie określa jednak, ile kapitału otrzyma każda spółka.
a16z nie ujawniło publicznie szczegółów dotyczących komandytariuszy funduszu, alokacji według etapów, wielkości czeków, rezerw ani oczekiwanego tempa inwestowania. Te pominięcia są istotne, ponieważ potrzeby finansowe firm sprzętowych znacznie się różnią.
Startup półprzewodnikowy może potrzebować kilku rund, zanim osiągnie znaczące przychody. Firma systemowa może potrzebować zapasów, testów terenowych, certyfikacji klientów i zdolności produkcyjnych przed skalowaniem.
Ogłoszenie funduszu wyznacza kierunek. Konstrukcja portfela pokaże, czy a16z zamierza rozproszyć kapitał między eksperymenty, czy skoncentrować go na mniejszej grupie.
Wąskie gardło AI przeniosło się do fizycznego stosu
Machine Age Fund opiera się na wyraźnym odwróceniu sytuacji: lepsze oprogramowanie tworzy dziś większy popyt na sprzęt, którego nie da się skalować z szybkością oprogramowania.
Przez lata standardowy model venture capital faworyzował produkty o niskich kosztach dystrybucji i szybkim cyklu iteracji. Spółki programistyczne mogły wdrażać aktualizacje bez budowy fabryk czy zabezpieczania przyłączy do sieci energetycznej.
AI komplikuje ten model. Zarówno trenowanie modeli, jak i inferencja wymagają fizycznego sprzętu, przy czym inferencja oznacza pracę obliczeniową wykonywaną, gdy wdrożony model odpowiada na zapytania.
Popularna aplikacja może niemal natychmiast generować nowe zapotrzebowanie na infrastrukturę. Wymagane stacje elektroenergetyczne, transformatory, systemy chłodzenia i budynki centrów danych nie mogą powstawać w tym samym tempie.
Ta nierównowaga tworzy dla a16z okazję inwestycyjną. Jeśli popyt rośnie szybciej, niż mogą reagować ugruntowani dostawcy, startupy mogą zaatakować wyspecjalizowane ograniczenia w całym systemie.
Pamięć jest jednym z przykładów. Procesory AI potrzebują szybkiego dostępu do parametrów modelu i obliczeń pośrednich, dlatego przepustowość pamięci staje się kluczowym ograniczeniem wydajności.
Sieci tworzą kolejne ograniczenie. Duże systemy AI rozdzielają pracę między wiele procesorów, więc wolne lub nieefektywne połączenia mogą prowadzić do niewykorzystania kosztownej mocy obliczeniowej.
Dostarczanie energii i chłodzenie stają się równie ważne wraz ze wzrostem gęstości szaf. Szybszy procesor ma niewielką wartość, gdy obiekt nie może dostarczyć energii ani odprowadzić powstającego ciepła.
Międzynarodowa Agencja Energetyczna podała, że zapotrzebowanie centrów danych na energię elektryczną wzrosło o 17 procent w 2025 roku. Zużycie energii elektrycznej w całej światowej gospodarce wzrosło o 3 procent.
Jej aktualizacja energetyczna z 2026 roku podaje również, że wydatki pięciu dużych firm technologicznych przekroczyły 400 mld USD w 2025 roku. Agencja oczekiwała, że liczba ta wzrośnie o kolejne 75 procent w 2026 roku.
Liczby te obejmują szerszy rynek niż Machine Age Fund. Niemniej pokazują, dlaczego inwestorzy postrzegają infrastrukturę jako pilną kategorię.
IEA oczekuje, że całkowite zużycie energii elektrycznej przez centra danych podwoi się do 2030 roku. Przewiduje też, że zużycie energii w obiektach skupionych na AI potroi się w tym samym okresie.
Wzrost efektywności nie musi zmniejszać całkowitego popytu. Tańsze obliczenia mogą zachęcać do korzystania większą liczbę użytkowników, wspierać większe modele i intensywne obliczeniowo przepływy pracy agentów.
Efekt ten przekształca postęp w oprogramowaniu w popyt na infrastrukturę. Bardziej użyteczny agent programistyczny może generować dodatkowe zapytania, dłuższe sesje i więcej kroków rozumowania.
Takie obciążenie wykracza poza procesory graficzne. Wpływa na pamięć o wysokiej przepustowości, przełączniki, połączenia optyczne, zasilanie awaryjne, sprzęt sieci energetycznej, systemy wodne i pracę budowlaną.
a16z twierdzi, że istniejące łańcuchy dostaw zwykle rozwijają się w tempie od 20 do 30 procent rocznie. Firma podaje, że infrastruktura AI wymaga trzycyfrowego wzrostu, choć twierdzenie to pozostaje jej prognozą.
Ta luka określa mechanizm funduszu. Startupy nie muszą zastępować całego hyperscalera ani producenta półprzewodników.
Mogą skoncentrować się na konkretnym ograniczeniu, które staje się kosztowniejsze wraz ze wzrostem wdrożeń AI. Udane produkty mogą poprawiać efektywność energetyczną, przepływ danych, wykorzystanie sprzętu lub czas wdrożenia.
Nexthop ilustruje to podejście. Firma rozwija systemy sieciowe dla dużych operatorów chmurowych, w tym sprzęt, który może integrować się z różnymi systemami operacyjnymi sieci.
Donoszona runda finansowania o wartości 110 mln USD w 2025 roku pokazała zainteresowanie inwestorów wyspecjalizowanymi sieciami AI. Zademonstrowała również wymagania kapitałowe związane z rozwojem infrastruktury.
Szansa wykracza poza centralne centra danych. Robotyka i domowe urządzenia AI wymagają wydajnego przetwarzania lokalnego, czujników, sterowania i niezawodnych projektów fizycznych.
Systemy te niosą ze sobą inne ograniczenia. Potrzebują akceptowalnego zużycia energii, bezpiecznej pracy, przewidywalnych opóźnień i komponentów zdolnych przetrwać w rzeczywistych warunkach.
Ta szerokość może wzmocnić fundusz, tworząc kilka dróg do zwrotów. Może też osłabić dyscyplinę inwestycyjną, jeśli „Machine Age” stanie się etykietą dla niepowiązanych przedsiębiorstw sprzętowych.
Najmocniejsza interpretacja jest węższa. a16z zakłada, że inteligencja zostanie osadzona w systemach komputerowych i fizycznych, tworząc nowe ograniczenia wszędzie tam, gdzie działa.
Ta teza różni się od prostego przewidywania większej adopcji AI. Wskazuje niedobór infrastruktury jako miejsce, w którym nowe firmy mogą zachować przewagę.
Hyperscalerzy i zasiedziali gracze kontrolują pozycję wyjściową
Głównym przeciwnikiem funduszu jest koncentracja infrastruktury AI w istniejących sieciach chipów, chmury, energii i produkcji.
Startup wchodzący na ten rynek nie trafia na pustą przestrzeń. Nvidia dostarcza dominującą platformę akceleratorów, a największe firmy chmurowe kupują sprzęt na ogromną skalę.
Pamięć pochodzi ze skoncentrowanej bazy dostawców. Zaawansowana produkcja chipów zależy od wyspecjalizowanych producentów, zdolności pakowania, dostawców sprzętu i złożonych międzynarodowych łańcuchów dostaw.
Budowa centrów danych angażuje przedsiębiorstwa użyteczności publicznej, właścicieli nieruchomości, wykonawców, regulatorów i lokalne społeczności. Każdy z uczestników może opóźnić projekt, który w prezentacji dla inwestorów wygląda na prosty.
Ta struktura zmusza a16z do znajdowania okazji, których zasiedziali gracze nie mogą uchwycić wewnętrznie. Startup potrzebuje czegoś więcej niż interesującego komponentu lub atrakcyjnego benchmarku.
Potrzebuje możliwej do obrony pozycji w systemach, które klienci już kupują od ugruntowanych dostawców. Musi także uwzględniać długie cykle kwalifikacyjne i rygorystyczne standardy niezawodności.
Wyzwanie to jest szczególnie widoczne w chipach. Według danych o finansowaniu chipów globalne inwestycje venture w startupy półprzewodnikowe osiągnęły 10,5 mld USD w ramach 415 transakcji w 2024 roku.
Liczba ta wskazuje na znaczącą aktywność, lecz sam kapitał nie eliminuje kosztów produkcji ani ryzyka po stronie klientów. Nabywcy potrzebują pewności, że dostawca pozostanie dostępny przez lata.
Duzi klienci mogą również tworzyć własne układy scalone. Google, Amazon, Microsoft i Meta opracowały własne chipy lub realizowały projekty dostosowane do wewnętrznych obciążeń.
Ta strategia ogranicza część możliwości dla startupów. Tworzy też popyt na narzędzia i komponenty, które pomagają różnym akceleratorom działać w coraz bardziej dostosowywanych systemach.
Sieci, chłodzenie, zarządzanie pamięcią, energoelektronika i obserwowalność mogą zyskiwać na wartości w wielu architekturach układów. Te warstwy mogą oferować lepsze możliwości niż bezpośrednia rywalizacja na rynku akceleratorów.
Ta sama logika dotyczy centrów danych. Hiperskalerzy mogą finansować kampusy, negocjować umowy energetyczne i rezerwować sprzęt z wieloletnim wyprzedzeniem.
Startupy nadal mogą rozwiązywać wąskie gardła, których te firmy nie są w stanie wyeliminować. Przyłącza do sieci, dostępność transformatorów, elastyczność obciążeń i zarządzanie temperaturą pozostają problemami całego systemu.
Machine Age Fund konkuruje więc z koncentracją rynku, a nie z jedną firmą. Spółki z jego portfela muszą wejść do łańcuchów dostaw kontrolowanych przez organizacje dysponujące większym kapitałem i ugruntowanym zaufaniem klientów.
a16z wnosi do tej rywalizacji przydatne atuty. Jego sieć może przedstawiać założycieli klientom, menedżerom, inżynierom i inwestorom z późniejszych rund.
Firma może również wspierać rekrutację i pozycjonowanie publiczne. Te możliwości pomagają firmom infrastrukturalnym wyjaśniać produkty, które trudniej zademonstrować niż oprogramowanie konsumenckie.
Jednak sieć kontaktów nie skróci każdej fizycznej zależności. Proces kwalifikacji dostawcy nadal wymaga testów, dokumentacji, próbek produkcyjnych i wydajności w rzeczywistych obciążeniach.
Harmonogramy funduszy venture capital mogą zderzać się z tą rzeczywistością. Inwestorzy w oprogramowanie często oczekują szybkich dowodów dopasowania produktu do rynku, czyli powtarzalnego popytu klientów na produkt.
Firmy sprzętowe mogą potrzebować lat, aby osiągnąć etap, na którym taki dowód staje się widoczny. Wczesne zainteresowanie klientów może zniknąć po przeglądach technicznych lub zmianach w zakupach.
Koncentracja tworzy drugie ryzyko. Startup może zdobyć jednego hiperskalera, a mimo to uzależnić się od cyklu zakupowego tego klienta.
Zmiana projektu po stronie klienta może wymazać popyt. Wewnętrzny zespół inżynieryjny może też odtworzyć wąską funkcję lub przenieść ją do szerszej platformy.
Założyciele potrzebują produktów rozwiązujących trwałe ograniczenia u różnych klientów. Potrzebują też modeli biznesowych, które przetrwają agresywną politykę zakupową i długie harmonogramy wdrożeń.
W tym miejscu przydatna może okazać się szerokość działania funduszu. a16z może porównywać problemy spółek z obszarów układów, sieci, zasilania i systemów, zamiast traktować każdą inwestycję w izolacji.
Wspólna wiedza może pomóc mu zidentyfikować ograniczenia powtarzające się w całym stosie technologicznym. Może też pomóc założycielom uniknąć projektów, które przenoszą wąskie gardło, zamiast je usuwać.
Główny przeciwnik funduszu pozostaje potężny. Zasiedziali gracze kontrolują standardy, zobowiązania dotyczące dostaw, relacje z klientami i dużą część dostępnych talentów inżynieryjnych.
Duży fundusz daje a16z miejsce w tej rywalizacji. Nie daje jednak spółkom z jego portfela kontroli nad polem gry.
Przewaga kapitałowa wiąże się z zegarem sprzętowym
a16z może finansować ambitne prace inżynieryjne, ale fizyczne produkty wystawiają inwestorów na harmonogramy i koszty, które narracje o oprogramowaniu często ukrywają.
Nagłówek o wartości 1,1 mld dolarów przedstawia kapitał jako rozwiązanie. Na rynkach sprzętowych kapitał jest konieczny, ale może też powiększać błędy wykonawcze.
Startup tworzący oprogramowanie może przepisać główne części produktu po otrzymaniu opinii klientów. Firma sprzętowa mogła już zobowiązać się do oprzyrządowania, dostawców i specyfikacji technicznych.
Późne zmiany mogą opóźnić certyfikację lub produkcję. Mogą też sprawić, że istniejące zapasy staną się bezużyteczne.
Rozwój półprzewodników niesie dodatkowe ryzyko. Prace projektowe, weryfikacja, produkcja wafli, pakowanie i integracja systemowa muszą się zgrać, zanim klienci będą mogli ocenić gotowy produkt.
Dobry wynik benchmarku nie gwarantuje wdrożenia. Klienci biorą również pod uwagę niezawodność, zgodność z oprogramowaniem, wsparcie, dostępność oraz koszt zmiany istniejących systemów.
Infrastruktura centrów danych podlega innym, lecz powiązanym presjom. Sprzęt musi spełniać przepisy bezpieczeństwa, normy budowlane, wymagania przedsiębiorstw użyteczności publicznej i praktyki operacyjne obiektów.
Firmy robotyczne muszą dodatkowo uwzględniać trwałość mechaniczną i bezpieczeństwo ludzi. Domowe urządzenia AI — oczekiwania konsumentów, kwestie prywatności oraz niepewne cykle wymiany.
Te realia wystawiają na próbę główną obietnicę firmy. a16z twierdzi, że jej ugruntowane usługi operacyjne są gotowe wspierać założycieli firm sprzętowych.
Niektóre usługi przenoszą się naturalnie. Rekrutacja, marketing, przedstawianie menedżerom i wsparcie w pozyskiwaniu finansowania pozostają wartościowe niezależnie od typu firmy.
Inne możliwości wymagają głębszej specjalizacji. Założyciel firmy sprzętowej może potrzebować audytów produkcji, negocjacji z dostawcami, planowania serwisu terenowego i pomocy w zarządzaniu ryzykiem gwarancyjnym.
Wskazani partnerzy firmy mają doświadczenie w infrastrukturze i sprzęcie. Raghu Raghuram wcześniej kierował VMware, natomiast Martin Casado od lat inwestuje w infrastrukturę chmurową i sieciową.
Guido Appenzeller wcześniej pracował w organizacji Intel zajmującej się centrami danych. Szerszy zespół obejmuje też inwestorów skupionych na produkcji, technologii obronnej i AI w świecie fizycznym.
To doświadczenie wzmacnia tezę. Nie odpowiada jednak na pytanie, w jaki sposób fundusz będzie oceniać nieznane kategorie obejmujące energię elektryczną, materiały, chłodzenie, robotykę i urządzenia konsumenckie.
Żadne pojedyncze ramy due diligence nie pasują do wszystkich tych obszarów. Komponent zasilający i system robotyczny mają odmienne ryzyka rozwoju, klientów, marże i obowiązki regulacyjne.
Dlatego alokacja funduszu będzie ważniejsza niż język ogłoszenia. Skoncentrowany portfel może zapewnić znaczące rezerwy, ale zwiększa ekspozycję na pojedyncze porażki techniczne.
Szeroki portfel może dywersyfikować ryzyko techniczne. Może jednak pozostawić kapitałochłonne firmy bez wystarczającego wsparcia w kolejnych rundach, gdy dotrą do etapu produkcji.
Wybór etapu inwestycji stanowi kolejne otwarte pytanie. Inwestycje na wczesnym etapie oferują większy udział własnościowy i potencjał technologiczny, ale wymagają cierpliwości przed walidacją komercyjną.
Firmy na późniejszym etapie oferują więcej dowodów. Mogą wymagać większych inwestycji i już mieć wyceny oparte na agresywnych prognozach infrastrukturalnych.
Fundusz pojawia się także w okresie intensywnych wydatków dużych firm technologicznych. To środowisko może wspierać dostawców, lecz może też zawyżać oczekiwania.
Zamówienia infrastrukturalne mogą wydawać się trwałe, ponieważ klienci planują obiekty z wieloletnim wyprzedzeniem. Prognozy nadal mogą się zmienić, gdy zmienią się ekonomika modeli, efektywność lub warunki finansowania.
IEA podkreśla tę niepewność w swojej analizie energetycznej. Szacuje, że około 20 procent planowanych projektów centrów danych jest narażonych na opóźnienia, jeśli ograniczenia sieciowe nie otrzymają odpowiedniej uwagi.
Opóźnione centrum danych wpływa na więcej niż tylko jego dewelopera. Może odroczyć zamówienia na serwery, urządzenia chłodzące, sprzęt sieciowy i wspierające systemy elektryczne.
Startupy z ograniczoną liczbą klientów mogą odczuć te zmiany natychmiast. Przychody mogą przesuwać się między kwartałami, podczas gdy koszty operacyjne nadal trwają.
Poprawa efektywności tworzy kolejną niepewność. Lepsze układy, mniejsze modele lub ulepszone harmonogramowanie mogą zmniejszyć zasoby wymagane do każdego zadania AI.
Łączny popyt może nadal rosnąć, ale mix potrzebnego sprzętu może się zmieniać. Startup zoptymalizowany pod jedną architekturę może stracić znaczenie, zanim osiągnie skalę.
Te obawy nie podważają sensu Machine Age Fund. Określają warunki, w których jego kapitał staje się użyteczny.
Najsilniejsze spółki portfelowe prawdopodobnie będą rozwiązywać ograniczenia utrzymujące się przez kolejne generacje. Powinny dostarczać wartość nawet wtedy, gdy zmieniają się konkretne modele, procesory lub wzorce wdrożeń.
Taką trwałość trudno udowodnić podczas rundy finansowania. Staje się widoczna dzięki odnowieniom umów klientów, wdrożeniom produkcyjnym i powtarzalnym zamówieniom.
Czytelnicy powinni więc oddzielić wielkość funduszu od jego ostatecznego wpływu. Kapitał rozpoczyna eksperyment, a produkcja i adopcja przez klientów przesądzają o wyniku.
Energia i pozwolenia są częścią produktu AI
Fundusz traktuje energię elektryczną i obiekty jako zależności techniczne, ale systemy te obejmują również politykę publiczną, kompromisy środowiskowe i lokalną akceptację.
Dyskusje o infrastrukturze AI często skupiają się na wydajności procesorów. Fizyczna rozbudowa coraz bardziej zależy od czynników, których inżynierowie półprzewodników nie kontrolują.
Centrum danych potrzebuje odpowiedniej lokalizacji, dostępu do sieci przesyłowej, przepustowości sieci, systemów rezerwowych, pozwoleń budowlanych i niezawodnych dostaw sprzętu.
Duże kampusy mogą wymagać setek megawatów. a16z twierdzi, że niektóre projekty zbliżają się do skali gigawatowej, co przypomina zapotrzebowanie dużych zakładów przemysłowych.
IEA prognozuje, że globalne zużycie energii elektrycznej przez centra danych osiągnie blisko 945 terawatogodzin do 2030 roku. Byłoby to ponad dwukrotnie więcej niż oczekiwany poziom w 2024 roku.
W Stanach Zjednoczonych oczekuje się, że centra danych będą odpowiadać za niemal połowę wzrostu zapotrzebowania na energię elektryczną do 2030 roku. Ich wpływ pozostanie skoncentrowany w regionach goszczących duże klastry.
Koncentracja ma znaczenie, ponieważ krajowe sumy energetyczne mogą ukrywać lokalne ograniczenia. Kraj może dysponować wystarczającą roczną produkcją energii, podczas gdy konkretnemu regionowi brakuje przepustowości sieci przesyłowej lub stacji elektroenergetycznych.
Przedsiębiorstwa użyteczności publicznej muszą również utrzymywać niezawodność w okresach szczytowego zapotrzebowania. Proponowany obiekt może więc napotkać opóźnienia, nawet jeśli jego deweloper dysponuje finansowaniem i zobowiązaniami dotyczącymi sprzętu.
Te presje poszerzają rynek inwestycyjny. Startupy mogą pracować nad konwersją energii, zarządzaniem obciążeniami uwzględniającym stan sieci, systemami termicznymi, magazynowaniem energii lub monitorowaniem sprzętu.
Nvidia i kilka firm energetycznych badają elastyczne obiekty AI, które dostosowują zużycie do warunków sieciowych. Ich współpraca dotycząca sieci przedstawia obciążenia obliczeniowe jako potencjalne zasoby sieciowe.
To podejście jest obiecujące, ale pozostaje wymagające operacyjnie. Klienci AI oczekują przewidywalnej usługi, podczas gdy przedsiębiorstwa użyteczności publicznej potrzebują obciążeń reagujących w użytecznych momentach.
Obciążenia różnią się elastycznością. Niektóre zadania treningowe można wstrzymać lub przenieść, podczas gdy usługi inferencji w czasie rzeczywistym mogą wymagać stałej przepustowości i niskich opóźnień.
Produkcja energii za licznikiem oferuje inną ścieżkę. Termin ten opisuje energię elektryczną wytwarzaną w pobliżu obiektu, zamiast dostarczaną w całości przez publiczną sieć.
Takie projekty mogą zmniejszać presję na przyłącza. Rodzą też pytania o źródła paliw, emisje, harmonogramy budowy i wpływ na społeczność.
IEA oczekuje, że odnawialne źródła energii zaspokoją niemal połowę dodatkowego globalnego zapotrzebowania centrów danych na energię elektryczną do 2030 roku. Gaz ziemny i węgiel nadal będą dostarczać znaczącą część.
Ta mieszanka komplikuje twierdzenia, że infrastruktura AI automatycznie wspiera czystszy wzrost. Wynik zależy od lokalizacji, źródeł wytwarzania, efektywności i rozwoju sieci.
Woda może stać się kolejną lokalną kwestią tam, gdzie systemy chłodzenia opierają się na procesach parowania. Hałas, wykorzystanie gruntów, budowa sieci przesyłowych i umowy podatkowe również mogą kształtować reakcje społeczne.
Fundusz venture capital nie może traktować tych kwestii jako peryferyjnych. Wpływają one na harmonogramy projektów, decyzje klientów i rynek docelowy spółek portfelowych.
Założyciele firm sprzętowych muszą rozumieć swoje produkty w ramach tego szerszego systemu. Bardziej efektywny komponent może tworzyć wartość dzięki niższemu zużyciu energii elektrycznej, ograniczonemu chłodzeniu lub szybszemu uzyskiwaniu pozwoleń.
Produkt zwiększający gęstość bez rozwiązania kwestii zasilania i ciepła może jedynie przenieść ograniczenie. Pomiar na poziomie systemu staje się niezbędny.
Ten punkt wyjaśnia, dlaczego Machine Age Fund obejmuje kompletne systemy. Ulepszenia komponentów zapewniają pełną wartość tylko wtedy, gdy otaczający je obiekt może je obsłużyć.
Wprowadza to również ryzyko polityczne i regulacyjne. Polityka energetyczna, cła, ograniczenia handlowe i lokalne zasady dotyczące pozwoleń mogą zmieniać koszty lub blokować wdrożenia.
Łańcuchy dostaw półprzewodników są narażone na podobne ryzyka. Kontrole eksportowe i koncentracja produkcji mogą wpływać na dostęp do rynków, dostępność komponentów oraz decyzje projektowe.
a16z przedstawia fizyczną rozbudowę infrastruktury jako imperatyw narodowy. Takie ujęcie wpisuje fundusz w krajową politykę produkcyjną i infrastrukturalną.
Jednak priorytety narodowe nie eliminują lokalnych sprzeciwów ani konieczności zachowania dyscypliny komercyjnej. Poparcie publiczne może osłabnąć, gdy projekty podnoszą ceny energii elektrycznej lub konkurują o ograniczone zasoby.
Firmy, które odniosą sukces, będą musiały przedstawić wiarygodne odpowiedzi zarówno dotyczące wydajności, jak i wpływu zewnętrznego. Nabywcy coraz częściej potrzebują sprzętu, który jednocześnie spełnia ograniczenia techniczne, finansowe i regulacyjne.
To kolejne odejście od ery oprogramowania. Aplikacja AI może być dystrybuowana globalnie z platformy chmurowej.
Infrastruktura pod nią pozostaje związana z gruntami, fabrykami, usługami komunalnymi i instytucjami publicznymi. Te zależności sprawiają, że ta szansa jest cenna, ale trudna.
Co potwierdziłoby założenia Machine Age Fund
Trzy sygnały pokażą, czy a16z zidentyfikowało trwałe możliwości infrastrukturalne, czy jedynie podążyło za historycznym cyklem wydatków.
Pierwszym sygnałem będzie skład portfela. Początkowe inwestycje powinny ujawnić, czy fundusz koncentruje się na trwałych wąskich gardłach, czy wykorzystuje sprzęt jako szeroką kategorię marketingową.
Układy scalone, sieci, pamięć, zasilanie i chłodzenie rozwiązują zrozumiałe ograniczenia. Zbiór luźno powiązanych urządzeń konsumenckich utrudniłby ocenę tej tezy.
Znaczenie ma również równowaga między komponentami a kompletnymi systemami. Firmy produkujące komponenty mogą sprzedawać na różnych platformach, podczas gdy firmy systemowe mogą kontrolować większą część wartości dla klienta.
Jeśli a16z wesprze technologie działające w kilku generacjach procesorów, argument o trwałości stanie się mocniejszy. Inwestycje powiązane z jedną tymczasową architekturą go osłabią.
Inwestorzy powinni także obserwować wielkość czeków i kolejne zobowiązania finansowe. Firmy kapitałochłonne potrzebują wystarczającego wsparcia, aby przetrwać cykle kwalifikacji i produkcji.
Duża liczba niewielkich inwestycji może zapewnić szeroką ekspozycję bez wystarczającego udziału własnościowego ani rezerw kapitałowych. Skoncentrowana strategia wiązałaby się z większym ryzykiem technicznym i ryzykiem po stronie klientów.
Drugim sygnałem będzie wdrożenie produkcyjne. Ogłoszone partnerstwa i projekty pilotażowe nie potwierdzają powtarzalnego popytu.
Warto szukać sprzętu działającego w środowiskach klientów, po którym następują rozszerzone zamówienia od tych samych nabywców. Powtarzające się zakupy są mocniejszym dowodem niż pojedyncze testy.
Różnorodność klientów również ma znaczenie. Startup obsługujący jednego hyperscalera może zbudować znaczące przychody, ale niesie także ryzyko koncentracji.
Wdrożenie u kilku dostawców chmury, przedsiębiorstw lub producentów sprzętu wskazywałoby na szerszą wartość produktu. Zmniejszyłoby też zależność od architektury jednego klienta.
W przypadku firm półprzewodnikowych, obok wyników benchmarków, znaczenie będą miały wolumen produkcji i kompatybilność oprogramowania. Dla dostawców infrastruktury większą wagę będą miały czas wdrożenia i niezawodność operacyjna.
Inwestycje w robotykę i domową AI będą wymagały innych dowodów. Przydatne sygnały obejmują trwałe działanie, powtarzalne wdrożenia, akceptowalne koszty wsparcia i wyraźne utrzymanie klientów.
Trzecim sygnałem będzie poprawa wąskich gardeł związanych z energią i budową. Fundusz zakłada, że fizyczne ograniczenia stworzą możliwości, lecz poważne opóźnienia mogą także tłumić popyt klientów.
Harmonogramy przyłączeń do sieci, dostawy transformatorów, zgody dla obiektów i kontrakty energetyczne zasługują na szczególną uwagę. Szybsze wdrożenia wspierałyby rosnący rynek produktów spółek portfelowych.
Utrzymujące się opóźnienia przyniosłyby mieszany rezultat. Mogłyby zwiększyć popyt na rozwiązania, jednocześnie opóźniając powstawanie obiektów, które te rozwiązania kupują.
Kierunek wydatków hyperscalerów dostarcza dodatkowego kontekstu. Nagłe ograniczenie wywarłoby presję na dostawców, podczas gdy kontynuacja inwestycji wzmocniłaby rynek w krótkim terminie.
Jednak same łączne wydatki nie mogą potwierdzić zasadności funduszu. Ugruntowani dostawcy mogą przejąć większość wzrostu.
Decydującą miarą jest to, czy startupy zdobędą trwałą pozycję w nowej infrastrukturze. Wymaga to zróżnicowania technologicznego, niezawodnej produkcji i powracających klientów.
Pierwotne ujęcie google news oddaje ogłoszenie, ale nie ten test. Znaczenie funduszu ujawni się poprzez projekty, które są dostarczane, działają i przyciągają dalszy popyt.
Dla deweloperów wynik wpłynie na dostęp do mocy obliczeniowej i koszt działania produktów AI. Lepsze sieci, pamięć i chłodzenie mogą poprawić dostępność nawet bez wydania nowego modelu.
Nabywcy korporacyjni powinni obserwować, czy konkurencja infrastrukturalna tworzy więcej możliwości wdrożeniowych. Powinni też śledzić, czy nowe architektury zwiększają ryzyko integracyjne i ryzyko związane z dostawcami.
Pracownicy wiedzy odczuwają rezultat pośrednio. Szybsza lub tańsza infrastruktura może wspierać dłuższe przepływy pracy agentów, bogatsze urządzenia lokalne i bardziej responsywne usługi AI.
Zespoły oceniające te zmiany potrzebują zdyscyplinowanego sposobu łączenia ogłoszeń z dokumentacją techniczną, dowodami od klientów i wynikami wdrożeń. Osobista baza wiedzy może zachować te dowody poza ulotnym cyklem informacyjnym.
To samo podejście pomaga oddzielić finansowane deklaracje od postępu operacyjnego. Łączenie wiedzy może połączyć raportowanie rynkowe z wewnętrznymi notatkami, wymaganiami produktowymi i ocenami dostawców.
Machine Age Fund zasługuje na uwagę, ponieważ przekształca infrastrukturalną tezę inwestora programistycznego w zaangażowany kapitał. Nie rozstrzyga jednak, czy startupy zdołają pokonać ugruntowanych dostawców i fizyczne ograniczenia czasowe.
Obserwuj pierwsze inwestycje, a następnie śledź ich wdrożenia produkcyjne i odnowienia umów z klientami. Te sygnały pokażą, czy ta historia google news oznaczała trwałą zmianę, czy kosztowny moment entuzjazmu.
