Wzrost rynku serwerów AI staje przed trudniejszym testem infrastrukturalnym

Bernstein podniósł prognozy dla rynku serwerów wraz z przyspieszeniem wydatków, lecz nagłówek z Google News skrywa konflikt między popytem a infrastrukturą potrzebną do jego zaspokojenia.

Bazowy raport Investing.com opublikowano 20 września 2025 roku. Według niego Bernstein oczekiwał, że globalny rynek serwerów osiągnie w 2026 roku wartość 450 mld dolarów. Dom maklerski powiązał tę prognozę z większymi budżetami Microsoftu, Alphabetu, Amazonu, Mety, Oracle’a oraz nowszych operatorów chmurowych.

Ta optymistyczna prognoza ma obecnie więcej potwierdzeń, lecz stoi też przed trudniejszym sprawdzianem. Popyt na serwery wykroczył poza trenowanie dużych modeli AI. O komponenty, energię elektryczną i możliwości budowlane konkurują inferencja, niestandardowe akceleratory, pamięć masowa, sieci oraz konwencjonalne procesory.

Nvidia pozostaje kluczowa dla rozbudowy infrastruktury dzięki swoim systemom GPU. Google, Amazon, Meta i Microsoft inwestują jednak również w układy scalone specyficzne dla zastosowań, czyli ASICs, zaprojektowane z myślą o węższych obciążeniach. Tworzy to najważniejszą rywalizację na rynku: zobowiązania inwestycyjne kontra fizyczna zdolność przekształcenia ich w działającą moc obliczeniową.

Co faktycznie mówiła prognoza Bernstein z Google News

Prognoza Bernstein nie była jedynie przewidywaniem, że firmy kupią więcej serwerów. Zakładała, że nakłady kapitałowe wesprą wyjątkowo szeroki cykl rozwoju infrastruktury.

W oryginalnym raporcie podano, że konsensusowe szacunki nakładów inwestycyjnych na 2026 rok wzrosły o niemal 20% od lipca 2025 roku. Bernstein oczekiwał, że objęta analizą pula inwestycji będzie rosła w latach 2024–2027 w złożonym tempie rocznym wynoszącym 26%, osiągając około 500 mld dolarów.

Nakłady inwestycyjne, zwykle określane skrótem capex, obejmują aktywa długoterminowe, takie jak budynki, serwery, sprzęt sieciowy i systemy zasilania. Rosnąca prognoza capex oznacza więc więcej niż wyższe zamówienia na układy scalone. Sygnalizuje, że operatorzy oczekują instalacji i wykorzystania znacznie większej mocy obliczeniowej.

Bernstein oszacował też, że powstające i planowane centra danych reprezentowały około 770 mld dolarów łącznych inwestycji. Wśród przywołanych projektów znalazły się rozbudowa Stargate Oracle’a w Teksasie, system Colossus xAI w Tennessee oraz obiekty Amazonu wykorzystujące akceleratory Trainium.

Dom maklerski przełożył ten portfel projektów budowlanych na prognozę globalnego rynku serwerów o wartości 450 mld dolarów w 2026 roku. Oczekiwał, że serwery GPU wysokiej klasy, zdefiniowane w raporcie jako systemy zawierające ekwiwalent ośmiu GPU, wzrosną o około 55% w 2025 roku i o 35% w 2026 roku.

Kolejną konkretną miarę stanowiły dostawy szaf rack. Bernstein modelował wzrost z 30 000 szaf w 2025 roku do 56 000 w 2026 roku, wspierany przez systemy GB200 i GB300 firmy Nvidia. Szafa rack łączy procesory, sieci, dostarczanie zasilania, interfejsy chłodzenia i sprzęt wspierający w jednostkę centrum danych gotową do wdrożenia.

Oryginalna prognoza rynku serwerów podkreślała również niestandardowe akceleratory. Bernstein prognozował, że ASICs będą odpowiadać za niemal 45% dostaw akceleratorów AI opartych na CoWoS w 2026 roku.

CoWoS to zaawansowana metoda pakowania, która łączy procesory z pamięcią o wysokiej przepustowości w ściśle zintegrowanym pakiecie. Jej zdolności produkcyjne mają znaczenie, ponieważ operatorzy chmurowi nie mogą wdrażać akceleratorów bez odpowiedniego pakowania, pamięci, płytek, płyt i zestawów serwerowych.

Bernstein wskazał na ponad 10 mld dolarów nowych zamówień AI dla Broadcomu jako dowód rosnącego popytu na niestandardowe układy. Wyróżnił także Wiwynn i Accton, tajwańskich producentów zaangażowanych w systemy serwerowe i sieciowe dla dużych klientów chmurowych.

Przywołane w raporcie prognozy konsensusowe zakładały wzrost przychodów Wiwynn i Accton odpowiednio o 130% i 111%. Szacunki te odzwierciedlały wartość przepływającą przez łańcuch dostaw, a nie tylko rosnącą liczbę identycznych maszyn.

To rozróżnienie jest ważne przy interpretowaniu nagłówka. Przychody ze sprzedaży serwerów mogą rosnąć, ponieważ dostawcy wysyłają więcej systemów, ponieważ każdy system staje się droższy albo dlatego, że miks produktów przesuwa się w stronę złożonych szaf AI. Prognoza Bernstein na poziomie 450 mld dolarów łączyła wszystkie trzy siły.

Raport zawierał również korzystny sygnał dotyczący podaży. Bernstein stwierdził, że niedobory T-glass, specjalistycznego materiału używanego w zaawansowanych podłożach półprzewodnikowych, wyglądały „lepiej niż sugerowały obawy”. Lepsza wydajność dostawców wydawała się ograniczać jedno bezpośrednie ryzyko dla produkcji systemów Nvidia.

Prognoza nie gwarantowała jednak, że każdy ogłoszony projekt zacznie działać zgodnie z harmonogramem. Uzasadniała wydatki. Realizacja wciąż zależała od układów scalonych, pamięci, sieci, chłodzenia, energii elektrycznej, pozwoleń oraz klientów gotowych wykorzystywać powstałą moc.

Wydatki na infrastrukturę AI wykraczają poza trenowanie na GPU

Najmocniejszym argumentem wspierającym tezę Bernstein jest to, że popyt na AI obejmuje obecnie więcej rodzajów serwerów, a nie tylko najdroższe klastry GPU.

Wczesne inwestycje w generatywną AI koncentrowały się głównie na trenowaniu. Trening wykorzystuje duże zbiory akceleratorów do budowy lub udoskonalania modelu poprzez przetwarzanie obszernych zbiorów danych. To obciążenie stworzyło wyjątkowy popyt na GPU firmy Nvidia i pamięć o wysokiej przepustowości.

Inferencja wygląda inaczej. Uruchamia wytrenowany model, aby odpowiadać na zapytania, generować media, klasyfikować treści lub realizować zautomatyzowane zadania. Wraz ze wzrostem wykorzystania inferencja może wymagać większej i bardziej trwałej zainstalowanej bazy niż okresowe cykle treningowe.

Agenci AI dodają kolejną warstwę. Agent może wywoływać modele, pobierać informacje, korzystać z narzędzi programowych i powtarzać kroki aż do ukończenia zadania. Nawet proste żądanie użytkownika może uruchomić wiele wywołań modelu, wyszukiwań w bazie danych oraz konwencjonalnych operacji obliczeniowych.

Ten wzorzec rozkłada popyt na akceleratory i serwery ogólnego przeznaczenia. CPU przygotowują dane, koordynują żądania, zarządzają pamięcią masową, uwierzytelniają użytkowników i obsługują pracę przed oraz po wykonaniu modelu. Sprzęt sieciowy przenosi informacje między każdym etapem.

TrendForce prognozował w styczniu, że dostawy serwerów AI w 2026 roku wzrosną rok do roku o ponad 28%. Firma oczekiwała, że całkowite globalne dostawy serwerów, w tym systemów konwencjonalnych, wzrosną o 12,8%.

Firma przypisała część tego wzrostu zakupom większej liczby serwerów ogólnego przeznaczenia przez Google i Microsoft na potrzeby ruchu inferencyjnego Gemini i Copilot. Jej prognoza dostaw AI wskazywała również na wymianę maszyn zakupionych podczas ekspansji chmurowej w latach 2019–2021.

Tworzy to szerszy cykl wydatków, niż sugeruje narracja skoncentrowana wyłącznie na GPU. Dostawca chmurowy może zainstalować szafę z akceleratorami, dodać serwery CPU do przygotowywania żądań, rozszerzyć pamięć masową i zmodernizować wewnętrzną sieć. Obiekt musi następnie dostarczyć wystarczającą ilość energii i odprowadzić powstające ciepło.

Prognoza Bernstein z Google News uchwyciła więc istotną zmianę kierunkową. Infrastruktura AI zaczęła przechodzić od skoncentrowanego trenowania modeli do warstwowego systemu produkcyjnego obsługującego codzienne obciążenia.

Skala budżetów chmurowych wspiera tę interpretację. W lutym 2026 roku wytyczne spółek zebrane przez Axios wskazywały, że czołowi hyperscalerzy mogą wydać w ciągu roku około 610 mld dolarów. Ten środkowy szacunek był w przybliżeniu trzykrotnie wyższy niż kwota wydana dwa lata wcześniej.

Hyperscalerzy to duzi operatorzy chmurowi, którzy budują infrastrukturę w wielu regionach i obsługują licznych klientów. Ich decyzje zakupowe wpływają na produkcję półprzewodników, projektowanie sprzętu, rozwój energetyki oraz finanse producentów serwerów.

Szacunek dotyczący wydatków hyperscalerów nie przekłada się idealnie na przychody ze sprzedaży serwerów. Budżety te obejmują budynki, grunty, sieci, systemy energetyczne i inny sprzęt. Pokazują jednak, że sygnał popytowy leżący u podstaw analizy Bernstein nie zniknął.

Wydatki trafiają również do nowszych dostawców infrastruktury. Neochmury specjalizują się w wynajmowaniu przyspieszonej mocy obliczeniowej, często opartej na systemach Nvidia. Mogą szybko zwiększać dostępną pojemność, lecz ich ekonomika zależy od kosztów finansowania, wykorzystania zasobów, dostępności sprzętu i koncentracji klientów.

Duzi operatorzy chmurowi mają inną przewagę. Mogą kierować obciążenia na własne układy i rozkładać inwestycje na istniejące usługi. Google może łączyć Tensor Processing Units z Google Cloud, Gemini, reklamą, wyszukiwarką i zewnętrznymi twórcami modeli.

Amazon może łączyć procesory Trainium i Inferentia z szerszą platformą AWS. Microsoft może optymalizować infrastrukturę pod usługi Azure i Copilot. Meta może wdrażać własne układy krzemowe na potrzeby ogromnych wewnętrznych obciążeń rekomendacyjnych i reklamowych.

Ta różnorodność zwiększa prawdopodobieństwo dalszego wzrostu rynku serwerów. Utrudnia jednak również mierzenie rynku pojedynczą liczbą szaf rack, ponieważ różne architektury pakują moc obliczeniową na różne sposoby.

Niestandardowe układy AI wywierają presję na dominującą pozycję Nvidia

Główna presja konkurencyjna nie dotyczy już tego, czy infrastruktura AI będzie rosła. Dotyczy tego, która architektura przejmie każdego nowego dolara tego wzrostu.

Nvidia ustanowiła domyślną platformę dla przyspieszonej AI dzięki GPU, sieciom, systemom i środowisku oprogramowania CUDA. CUDA udostępnia deweloperom narzędzia i biblioteki do wykonywania pracy obliczeniowej na procesorach Nvidia.

Ta baza oprogramowania sprawia, że Nvidia jest trudna do wyparcia. Konkurencyjny układ potrzebuje akceptowalnej wydajności, niezawodnych dostaw, efektywnego oprogramowania i wystarczającej liczby dostępnych deweloperów. Niższy koszt sprzętu nie zrekompensuje miesięcy prac inżynieryjnych ani słabej niezawodności produkcji.

Firmy chmurowe mają mimo to silne powody, aby rozwijać ASICs. Niestandardowy akcelerator może usunąć funkcje, których dane obciążenie nie potrzebuje. Może też optymalizować przesyłanie pamięci, zużycie energii, formaty numeryczne i połączenia z siecią firmy.

Google realizuje tę strategię za pośrednictwem swoich Tensor Processing Units, które oferuje przez Google Cloud do obciążeń treningowych i inferencyjnych. Amazon ma Trainium do trenowania modeli i Inferentia do inferencji. Meta opracowała własne akceleratory, a Microsoft wprowadził układy dla obciążeń wewnętrznych i chmurowych.

TrendForce początkowo oczekiwał, że serwery AI oparte na ASICs będą stanowić 27,8% dostaw w 2026 roku. Opisał to jako najwyższy udział od 2023 roku i przewidywał, że systemy z niestandardowymi układami będą rosły szybciej niż systemy GPU.

Prognoza przypisywała GPU 69,7% dostaw. Nvidia zachowywała zatem pozycję większościową, nawet gdy niestandardowe architektury zyskiwały na znaczeniu. Istotną zmianą nie było natychmiastowe zastąpienie GPU. Było nią pojawienie się wiarygodnych alternatyw dla obciążeń o dużym wolumenie.

Różnica między szacunkiem Bernstein na poziomie niemal 45% a prognozą TrendForce wynoszącą około 28% zasługuje na uwagę. Bernstein odnosił się konkretnie do dostaw akceleratorów AI opartych na CoWoS, podczas gdy TrendForce omawiał udział w dostawach serwerów AI. Mianowniki te mierzą różne rzeczy.

Liczby akceleratorów, zaawansowanych pakietów i serwerów nie mogą być traktowane jako wymienne. Jeden serwer może zawierać kilka akceleratorów, podczas gdy systemy w skali szafy łączą różną liczbę tac obliczeniowych. Definicje produktów różnią się także między firmami badawczymi.

To jeden z powodów, dla których krótki nagłówek z Google News może zawyżać pewność. „Dostawy serwerów” brzmią jak ustandaryzowana jednostka, lecz rynek obejmuje konwencjonalne maszyny CPU, serwery z ośmioma GPU, platformy w skali szafy i systemy niestandardowe.

Podstawowy kierunek pozostaje niezmienny. ASIC-y odgrywają coraz większą rolę, ponieważ dostawcy chmury chcą dywersyfikacji źródeł dostaw i większej kontroli nad kosztami operacyjnymi. GPU pozostają elastyczną opcją dla nowych modeli, zmieniającego się oprogramowania i klientów wymagających znanej platformy.

Układy projektowane na zamówienie najlepiej sprawdzają się, gdy obciążenia są przewidywalne i wystarczająco duże, by uzasadnić koszty projektowania. Firma chmurowa realizująca miliardy podobnych operacji inferencyjnych może rozłożyć te koszty na znaczące wykorzystanie. Mniejszy nabywca zazwyczaj nie może tego zrobić.

Tworzy to podział ról, a nie sytuację z jednym prostym zwycięzcą. Nvidia może pozostać kluczowa dla treningu modeli z czołówki oraz ogólnych obliczeń przyspieszanych, podczas gdy niestandardowe układy przejmą wybrane obciążenia inferencyjne.

Producenci serwerów muszą odpowiedzieć na oba kierunki. Potrzebują projektów dla architektur szaf Nvidia oraz systemów opartych na układach scalonych należących do dostawców chmury. Wymagania dotyczące sieci, chłodzenia, dostarczania zasilania i walidacji różnią się między klientami.

Presja dotyczy również Intel i AMD. Klastry AI nadal potrzebują procesorów hostujących, kontrolerów pamięci masowej, funkcji bezpieczeństwa i obliczeń ogólnego przeznaczenia. Jednak procesory Grace firmy Nvidia oraz projektowane dla chmury układy Arm mogą przejmować zadania, które wcześniej automatycznie trafiały do systemów x86.

Rynek zatem rośnie, jednocześnie stając się mniej jednolity. Wzrost nie gwarantuje, że każdy dostawca utrzyma swój udział, ceny ani marże.

Prognoza zderza się z realiami podzespołów i zasilania

Popyt nie jest już jedynym poważnym ograniczeniem. Boom serwerowy musi przejść przez łańcuch dostaw i system elektroenergetyczny, które nie mogą rozwijać się w tempie oprogramowania.

Do kwietnia 2026 roku TrendForce zrewidował swoją ogólną prognozę dostaw serwerów. Firma stwierdziła, że wzrost w całym roku pozostanie na poziomie około 13%, wobec wcześniejszych oczekiwań sięgających niemal 20%.

Rewizja nie odzwierciedlała słabego zainteresowania klientów. Dostawcy priorytetowo traktowali komponenty dla bardziej wartościowych systemów AI, przez co konwencjonalne serwery miały dłuższe terminy realizacji. Opóźnienia w dostawach płytek drukowanych i procesorów sięgały niemal roku.

Układy scalone zarządzania energią, czyli PMIC-y, regulują napięcie i rozprowadzają energię elektryczną w systemach elektronicznych. Serwery AI wymagają znacznie większej gęstości mocy, dlatego dostawcy skierowali większą część mocy produkcyjnych na te produkty.

TrendForce oczekiwał, że terminy realizacji PMIC-ów dla serwerów ogólnego przeznaczenia wydłużą się z 21–26 tygodni do 35–40 tygodni. Układy kontrolerów zarządzania płytą główną, które monitorują i administrują serwerami, również mierzyły się z dłuższym czasem oczekiwania.

Oczekiwano, że terminy realizacji BMC wzrosną z 11–16 tygodni do 21–26 tygodni. Ostrzeżenie dotyczące komponentów tej firmy pokazało, jak popyt na AI może podnosić jeden segment, jednocześnie ograniczając inny.

To główne wyzwanie przy interpretacji rosnących prognoz dostaw. Zamówienia mogą rosnąć szybciej niż dostawy. Przychody mogą wzrastać, podczas gdy wzrost liczby jednostek nie spełnia wcześniejszych oczekiwań. Niedobór może też przesunąć produkcję w stronę drogich systemów, zwiększając wartość rynku bez odpowiadającego jej fizycznego wzrostu.

Niestandardowe układy wprowadzają kolejne ryzyko związane z harmonogramem. Meta, Amazon i inni operatorzy muszą zweryfikować nowe procesory, płyty, sieci i oprogramowanie przed dużymi wdrożeniami. TrendForce nieznacznie obniżył oczekiwany udział serwerów ASIC z prawie 28% do około 27%, ponieważ strojenie może opóźniać dostawy.

Platformy Nvidia mają własne wymagania integracyjne. Systemy w skali szafy wymagają chłodzenia cieczą, szybkiej sieci, wyspecjalizowanej dystrybucji zasilania i precyzyjnej instalacji. Dostarczenie pojedynczych procesorów nie oznacza, że operator może od razu obsługiwać klientów.

Energia elektryczna stanowi większe fizyczne ograniczenie. Gartner prognozował, że globalne zużycie energii elektrycznej przez centra danych wzrośnie w 2026 roku o 26%, z 447 terawatogodzin do 565 terawatogodzin.

Według prognozy serwery zoptymalizowane pod AI zużyły około 95 terawatogodzin w 2025 roku. Oczekiwano, że ich zużycie osiągnie 175 terawatogodzin w 2026 roku, co oznacza wzrost o około 84%.

Gartner oczekiwał, że serwery AI zużyją 258 terawatogodzin w 2027 roku. Po raz pierwszy ich zużycie energii elektrycznej przewyższyłoby wtedy zużycie konwencjonalnego sprzętu centrów danych.

Zapotrzebowanie na chłodzenie rośnie wraz z zapotrzebowaniem na moc obliczeniową. Gartner prognozował, że systemy chłodzenia centrów danych zużyją w 2026 roku 195 terawatogodzin, o 22,6% więcej niż rok wcześniej.

Jego prognoza dla centrów danych wskazała dostępność energii jako wiążące ograniczenie. Ukończona szafa serwerowa nie zapewnia żadnej użytecznej pracy, jeśli operator nie ma zasilanego budynku, możliwości chłodzenia ani przyłącza do sieci.

Ograniczenia energetyczne różnią się także w zależności od lokalizacji. Dostawca chmury może mieć wolną moc w jednym regionie, a w innym wieloletnią kolejkę do przedsiębiorstwa energetycznego. Klienci mogą wymagać konkretnej lokalizacji ze względu na opóźnienia, regulacje lub rezydencję danych, co ogranicza wartość zdalnej mocy.

Zużycie wody, modernizacje sieci, lokalny sprzeciw i pozwolenia mogą opóźniać projekty po rozpoczęciu zamówień na sprzęt. Operatorzy coraz częściej analizują wytwarzanie energii na miejscu, umowy dotyczące energetyki jądrowej i długoterminowe kontrakty na energię odnawialną, lecz duże projekty zajmują lata.

Te ograniczenia nie podważają optymistycznej tezy Bernstein. Zmieniają jej harmonogram i rozkład korzyści. Dostawcy z dostępnymi komponentami, zatwierdzonymi projektami i dostępem do zasilanych obiektów mogą przejąć większą wartość.

Ryzyko polega na tym, że zobowiązania finansowe wyprzedzą zdolność możliwą do wdrożenia. Firma chmurowa może ogłosić budżet, zanim przedsiębiorstwo energetyczne zatwierdzi przyłączenie. Producent serwerów może przyjąć zamówienie, zanim zapewni dostawy wszystkich komponentów.

Inwestorzy i nabywcy powinni zatem rozdzielić trzy etapy: ogłoszone nakłady inwestycyjne, dostarczony sprzęt i produktywną moc. Pierwszy mierzy intencję. Drugi mierzy realizację łańcucha dostaw. Trzeci mierzy, czy klienci rzeczywiście mogą uruchamiać obciążenia.

Wyższe dostawy nie gwarantują lepszej ekonomiki

Rynek serwerów AI może szybko rosnąć, przynosząc jednocześnie nierówne zwroty operatorom chmury, producentom i ich klientom.

Systemy AI zawierają kosztowne procesory, pamięć, sprzęt sieciowy i chłodzenie. Wysoki koszt materiałów może generować znaczne przychody dla integratorów serwerów, pozostawiając im jednak ograniczoną marżę brutto.

Producenci mogą akceptować niższe marże procentowe, ponieważ bezwzględny zysk z dużego zamówienia nadal ma znaczenie. Mogą też oczekiwać, że usługi, pamięć masowa, sieć lub przyszłe zamówienia poprawią relację z klientem.

Jednak skoncentrowani nabywcy mają znaczącą siłę negocjacyjną. Microsoft, Amazon, Google, Meta i duże neochmury mogą żądać niestandardowych projektów, agresywnych harmonogramów dostaw i szczegółowej kontroli kosztów.

Ci nabywcy mierzą się z własnym wyzwaniem ekonomicznym. Muszą utrzymywać zainstalowane akceleratory wystarczająco zajęte, aby uzasadnić amortyzację, finansowanie, energię elektryczną i konserwację. Wykorzystanie mierzy, jak duża część dostępnej mocy obliczeniowej wykonuje płatną lub produktywną pracę.

Zatłoczony rynek chmury może obniżać stawki wynajmu, zwłaszcza dla starszych generacji akceleratorów. Nowe produkty Nvidia mogą zmniejszać względną wartość systemów zakupionych zaledwie rok wcześniej. Niestandardowe układy mogą również przekierowywać obciążenia z komercyjnych GPU.

Jakość popytu ma zatem takie samo znaczenie jak jego wielkość. Kontrakty treningowe, konsumenckie usługi AI, subskrypcje dla przedsiębiorstw, poprawa reklam i wewnętrzne narzędzia zwiększające produktywność generują różne profile przychodów.

Pierwotny raport Bernstein powiązał wydatki z pozytywnymi komentarzami dotyczącymi łańcucha dostaw i sprawniejszymi dostawami GB200. Te dowody wspierały tezę o dostawach. Nie wykazały niezależnie długoterminowego zwrotu z każdego projektu centrum danych.

Przedsiębiorstwa również pozostają selektywne. Wiele firm korzysta z hostowanych usług AI zamiast posiadać duże klastry. Mogą zwiększać wykorzystanie modeli bez bezpośredniego zakupu serwerów, pozostawiając koncentrację infrastruktury w rękach kilku dostawców.

Dostawcy ci mogą sobie pozwolić na szeroko zakrojone eksperymenty, lecz akcjonariusze nadal oczekują zwrotów. Jeśli przychody z AI będą rosły wolniej niż amortyzacja i koszty operacyjne, zespoły zarządzające znajdą się pod presją, by ograniczyć przyszłą rozbudowę.

Przeciwny scenariusz wzmocniłby prognozę. Wysokie wykorzystanie, rosnące przychody z AI i spadające koszty inferencji uzasadniałyby dalsze inwestycje. Poprawa efektywności może obniżać koszt zadania, nawet gdy całkowite zużycie energii elektrycznej rośnie.

Efekt ten bywa czasem określany jako popyt odbiciowy. Gdy obliczenia stają się tańsze, deweloperzy wykorzystują je do większej liczby żądań, większej liczby użytkowników lub bardziej złożonego rozumowania. Efektywność może więc zwiększać łączne zużycie infrastruktury zamiast je ograniczać.

Ulepszenia oprogramowania komplikują kalkulację. Mniejsze modele, kwantyzacja, buforowanie i lepsze harmonogramowanie mogą zmniejszać ilość obliczeń przypadającą na żądanie. Kwantyzacja zmniejsza precyzję numeryczną stosowaną przez model, obniżając wymagania dotyczące pamięci i przetwarzania.

Aplikacje mogą jednak przeznaczać te oszczędności na dłuższy kontekst, dodatkowe wywołania modelu lub większe populacje użytkowników. Agent, który kilkakrotnie sprawdza własną pracę, może wykorzystywać więcej inferencji niż odpowiedź konwencjonalnego chatbota.

Dla deweloperów i nabywców korporacyjnych praktyczne konsekwencje są mieszane. Większa infrastruktura może poprawić dostępność i obniżyć część kosztów obliczeniowych. Fragmentacja architektury może utrudniać wybór platform chmurowych, przenośność modeli i osiąganie wydajności.

Obciążenie zoptymalizowane dla jednego niestandardowego akceleratora może nie dać się łatwo przenieść do innego dostawcy. Wspólne środowisko programistyczne Nvidia zmniejsza część tych trudności, co wzmacnia jego wartość strategiczną nawet w miarę rosnącej adopcji ASIC-ów.

Nabywcy powinni oceniać całkowite koszty obciążenia, a nie tylko benchmarki układów. Sieć, przesył danych, pamięć masowa, czas pracy inżynierów, opóźnienia w kolejkach i dostępność energii wpływają na użyteczny rezultat.

Prognoza Bernstein opisuje rosnący rynek, a nie równy podział zysków. Dostawcy deficytowych komponentów mogą zyskać przewagę. Integratorzy mogą odnotować wzrost przychodów szybszy niż wzrost marż. Operatorzy chmury mogą zyskiwać moc, jednocześnie ponosząc większe koszty amortyzacji.

To jest kluczowe odwrócenie zawarte w optymistycznym nagłówku. Więcej dostaw serwerów potwierdza, że inwestycje w AI pozostają aktywne, ale zwiększa również poziom przychodów, jakie muszą generować przyszłe produkty AI.

Co czytelnicy Google News powinni obserwować dalej

Trzy sygnały pokażą, czy prognoza Bernstein oznacza trwałe wdrożenie, czy cykl wydatków wyprzedzający własne ograniczenia.

Pierwszym sygnałem jest dostarczona moc, a nie ogłoszone budżety. Microsoft, Alphabet, Amazon, Meta i Oracle będą nadal raportować nakłady inwestycyjne. Czytelnicy powinni porównywać te sumy z komentarzami zarządów dotyczącymi zasilanej mocy, harmonogramów wdrożeń i dostępności dla klientów.

Rosnący budżet wzmacnia tezę o popycie tylko wtedy, gdy sprzęt staje się użyteczny. Powtarzające się opóźnienia spowodowane przyłączeniami do sieci, instalacjami chłodzenia lub niedoborami komponentów osłabiłyby krótkoterminowe oczekiwania dotyczące dostaw.

Drugim sygnałem jest proporcja między GPU Nvidia a ASIC-ami projektowanymi przez dostawców chmury. Wdrożenia szaf Nvidia pozostają najczytelniejszą miarą szerokiego popytu na akceleratory. Wdrożenia Google TPU, Amazon Trainium, Microsoft Maia i akceleratorów Meta pokazują, czy niestandardowe układy przejmują powtarzalne obciążenia.

Udana zewnętrzna adopcja TPU lub Trainium uczyniłaby z niestandardowych układów coś więcej niż wewnętrzne projekty kontroli kosztów. Opóźnienia walidacji, słabe wsparcie programistyczne lub ograniczone wykorzystanie przez klientów wzmocniłyby domyślną pozycję Nvidia.

Czytelnicy powinni unikać porównywania niekompatybilnych procentów dostaw. Jednostki akceleratorów, serwery i szafy opisują różne warstwy rynku. Najbardziej użyteczne ujawnienia połączą zainstalowany sprzęt z dostępną mocą i rzeczywistym wykorzystaniem obciążeń.

Trzecim sygnałem jest efektywność infrastruktury. Firmy chmurowe muszą wykazać, że przychody z AI, wykorzystanie zasobów lub oszczędności operacyjne rosną wraz z wymaganiami kapitałowymi. Dostawcy serwerów muszą udowodnić, że wyższe przychody z AI przekładają się na trwały zysk, a nie jedynie na wolumen bez zwrotu.

Zużycie energii elektrycznej również należy do tego sygnału. Moc zabezpieczona długoterminowymi umowami ma znaczenie tylko wtedy, gdy źródła wytwarzania i przyłącza do sieci zostaną uruchomione zgodnie z harmonogramem. Krótkoterminowe uzależnienie od ograniczonych regionalnych sieci może spowolnić nawet projekty, które mają już finansowanie.

Ujęcie Google News przedstawia rewizję Bernsteina jako prostą reakcję na rosnące wydatki na AI. Pełniejszy obraz jest bardziej wymagający. Wydatki pozostają wysokie, inferencja zwiększa popyt na serwery, a niestandardowe układy scalone dywersyfikują rynek.

Jednocześnie komponenty, energia elektryczna, chłodzenie i ekonomika decydują o tym, jaka część tego popytu zamienia się w produktywną moc obliczeniową. To te ograniczenia przesądzają, kto skorzysta na ekspansji i kiedy.

Nagłówki dotyczące nakładów inwestycyjnych w następnym kwartale przyciągną uwagę, ale lepsze pytanie ma charakter operacyjny: Ile systemów zainstalowano, podłączono do zasilania i wykorzystano do pracy generującej przychody?

Obserwuj te trzy sygnały, zanim uznasz kolejne podniesienie prognozy za samodzielne potwierdzenie. Jeśli wdrożenia, wykorzystanie zasobów i przychody z AI będą rosły razem, teza Bernsteina zyska na sile. Jeśli budżety będą rosły, podczas gdy harmonogramy będą się opóźniać, a zwroty pozostaną niejasne, boom na serwery nadal będzie realny, lecz jego ekonomika będzie znacznie mniej pewna.