Dyrektor generalny Coinbase, Brian Armstrong, zakłada, że kolejnym wąskim gardłem dla sztucznej inteligencji nie będzie to, jak inteligentne staną się modele, ale ile energii i fizycznego sprzętu będzie dostępne do ich uruchomienia. W serii wypowiedzi w tym tygodniu Armstrong argumentował, że to infrastruktura energetyczna i obliczeniowa, a nie ulepszenia algorytmów, zadecyduje o tym, jak daleko może rozwinąć się AI. Przy finansowaniu venture capital dla AI sięgającym 242 miliardów dolarów tylko w pierwszym kwartale 2026 roku, twierdzi on, że prawdziwe ograniczenie już daje o sobie znać w zakresie rozbudowy centrów danych.
Dokąd zmierzają koszty
Armstrong przewiduje, że w ciągu 12–18 miesięcy około 80% obciążeń AI przejdzie na modele, które są nawet o 99% tańsze niż dzisiejsze systemy graniczne. Pozostałe 20% będzie nadal korzystać z najlepszych modeli do zadań o wysokim ryzyku, takich jak badania naukowe. Porównał ten podział do elektroniki użytkowej: większość osób kupujących MacBooka lub komputer do gier rezygnuje z najwyższych specyfikacji. Jego zdaniem ta sama logika będzie dotyczyć AI – większość zadań będzie wykonywana na tańszych, wystarczająco dobrych modelach.
Coinbase już wdraża ten pomysł w życie. Firma kieruje zapytania do najbardziej opłacalnego dostępnego modelu, co pozwoliło jej utrzymać wydatki na AI na mniej więcej stałym poziomie, mimo wykładniczego wzrostu użycia tokenów. Otwarte alternatywy, takie jak DeepSeek V4, który działa prawie tak samo dobrze jak najlepsze zastrzeżone systemy przy koszcie około jednej trzydziestej, czynią tę strategię wykonalną.
Budżety przedsiębiorstw są już napięte
Inwestor Tommy Shaughnessy wskazał na Ubera jako studium przypadku tego, jak szybko wydatki przedsiębiorstw na AI mogą przekroczyć prognozy. Według Shaughnessy'ego Uber wykorzystał cały swój budżet na AI na 2026 rok do początku kwietnia – niecałe cztery miesiące od początku roku. Tego rodzaju przekroczenia kosztów, jak argumentuje Armstrong, skłonią firmy do poszukiwania tańszych alternatyw, zamiast gonić za najbardziej zaawansowanym modelem.
W miarę spadku kosztów na token, wąskie gardło przesuwa się w górę łańcucha. Prawdziwą barierą staje się energia i krzem potrzebne do uruchomienia dowolnego modelu na dużą skalę. Armstrong opisuje popyt na inteligencję generowaną przez AI jako niemający praktycznej górnej granicy. Ale fizyczna infrastruktura do dostarczania tej inteligencji już zaczyna się zacinać.
Dlaczego Armstrong sprzeciwia się surowszym regulacjom AI
Armstrong wyraził również sprzeciw wobec zaostrzania regulacji dotyczących AI. Twierdzi, że ograniczenia polityczne nie powinny kształtować trajektorii technologii, gdy głównym praktycznym wyzwaniem jest już brak elektrowni i centrów danych. Nadmierna regulacja – sugeruje – mogłaby spowolnić rozbudowę tej infrastruktury w czasie, gdy jest najbardziej potrzebna.
Pojemność centrów danych nie nadąża
Globalna pojemność centrów danych już teraz nie nadąża za popytem. Nawet gdy w pierwszym kwartale 2026 roku pieniądze venture capital napływały do startupów AI, fizyczne tempo budowy nie nadążyło. Główny argument Armstronga łączy to wszystko w całość: rzeczywistym ograniczeniem AI nie jest jakość modeli ani nawet koszt, ale surowa energia i infrastruktura obliczeniowa potrzebna do obsługi bilionów zapytań.
Pozostaje pytanie, jak szybko ta infrastruktura może się rozbudować – i czy przedsiębiorstwa użyteczności publicznej, regulatorzy oraz producenci chipów są w stanie dotrzymać kroku branży, która nie wykazuje oznak spowolnienia.
