Mózg 20 W, superkomputer 42,2 mln W. AI naciska na sieć

Ludzki mózg zużywa około 20 watów energii, podczas gdy superkomputer LineShine w Shenzhen pobiera 42,2 mln watów. Różnica ta pojawia się w debacie o energetyce AI, ale sam kontrast to tylko jeden ze wskaźników wymagań systemów cyfrowych.

Wartość 20 W wynika z długoletnich pomiarów metabolizmu: mózg stanowi około 2% masy ciała i zużywa około 20% tlenu w spoczynku. Liczba neuronów w ludzkim mózgu jest przedmiotem badań i dyskusji; powszechnie cytowane liczby opierają się na ograniczonych próbkach. Szacunki mocy potrzebnej do cyfrowej rekonstrukcji mózgu — często podawane w miliardach watów — wywodzą się ze skalowania eksperymentalnych symulacji, które w niektórych przypadkach działały znacznie wolniej niż biologia.

Dane pomiarowe energetyki modeli językowych pokazują inne skale zużycia. Dwa niezależne oszacowania umieszczały energię na jedno zapytanie do systemów podobnych do ChatGPT na około 0,3 watogodziny na początku 2025 roku. Wartość ta zależy od obciążenia i długości generowanych odpowiedzi; dłuższe i bardziej złożone zapytania mogą wymagać wielokrotnie więcej energii.

Różnice między mózgiem a maszynami wynikają z kilku czynników technicznych. Aktywność kory mózgowej jest rzadka — średnia częstotliwość wyładowań jest poniżej 1 Hz — i operuje przy niskiej precyzji sygnałów. W modelach AI część parametrów pozostaje nieaktywna dla pojedynczego tokenu: przykłady to wykorzystanie około 3,1% parametrów w jednym modelu, około 28% w innych systemach i około 5,5% w nowszych architekturach. Producenci obniżają też precyzję reprezentacji liczb: treningi prowadzone były z użyciem ośmiu, czterech, a nawet czterobitowej precyzji, co zmniejsza zapotrzebowanie pamięci i energii.

Kolejnym czynnikiem jest rozdzielenie pamięci i obliczeń w komputerach cyfrowych. Badania wykazały, że przesłanie danych z pamięci może kosztować wielokrotnie więcej energii niż same operacje arytmetyczne. Projekty układów neuromorficznych miały na celu zbliżenie architektury maszyn do mózgu, jednak rozwiązania tego typu pozostają w większości prototypami badawczymi i nie obsługują dużych modeli językowych produkcyjnych. Hala Point, prototyp Intela z 1,15 mld sztucznych neuronów na 1 152 czipach, funkcjonuje jako instalacja badawcza. Mike Davies (dyrektor Intel Neuromorphic Computing Lab, 2024) przyznał: „Nie mapujemy żadnego LLM do Hala Point w tym momencie. Nie wiemy, jak to zrobić.” Catherine Schuman z University of Tennessee, Knoxville, wskazała: „Firmy sprzętowe czekają na przełomową aplikację, ale trudno zrozumieć, jak ją zbudować bez sprzętu do prototypowania.”

Presja na infrastrukturę energetyczną jest widoczna w danych dotyczących zużycia i dostępności mocy. Międzynarodowa Agencja Energii oszacowała zużycie prądu przez centra danych na 485 terawatogodzin w 2025 roku, a obiekty skoncentrowane na AI odnotowały wzrost mocy o 50% w pierwszym roku obserwacji. Agencja prognozuje możliwość potrojenia zapotrzebowania do 2030 roku. Badania wskazują, że mediana czasu od zgłoszenia wniosku o przyłączenie do uruchomienia działalności przekracza pięć lat, co utrudnia szybkie uruchamianie dużych instalacji.

Część sektora energetycznego i operatorów centrów obliczeniowych zawarła umowy na dostawy mocy pod AI o łącznej wartości ponad 70 mld USD. Realnie dostarczona moc była mniejsza: w drugim kwartale 2026 roku sektor zasilił około 750 MW, z czego około 437 MW przypada na jednego operatora. Koszty modernizacji istniejących obiektów pod obciążenia AI szacowane są na 3–4 mln USD za megawat, a budowa nowego centrum od zera na 10–12 mln USD za megawat.

Historia wzrostu efektywności pokazuje zmiany w dynamice sektora. Między 2010 a 2018 rokiem moc obliczeniowa centrów danych wzrosła o około 550%, przy niewielkim wzroście zużycia energii. Jednak od 2014 do 2023 roku zużycie energii przez centra danych w USA wzrosło z 58 do 176 terawatogodzin. W miarę jak dostęp do elektryczności, chłodzenia i przyłączy sieciowych staje się ograniczony, inwestycje w duże systemy obliczeniowe napotykają na ograniczenia infrastrukturalne.