Monopol na moc obliczeniową: dlaczego tylko giganci trenują modele graniczne
Jeszcze dekadę temu przełomowy model językowy mógł powstać w laboratorium uniwersyteckim na kilku kartach graficznych. Dziś trening systemu granicznego wymaga dziesiątek tysięcy wyspecjalizowanych chipów, megawatów energii i budżetu liczonego w setkach milionów dolarów. Moc obliczeniowa — nie pomysł, nie dane, nie talent — stała się surowcem decydującym o tym, kto może współtworzyć czoło techniki. A ten surowiec ma niewielu dostawców.
Fosa, która rośnie z każdym rokiem
Analitycy z Epoch AI policzyli, że zamortyzowany koszt sprzętu i energii potrzebnych do treningu najbardziej obciążonych obliczeniowo modeli rośnie od 2016 roku około 2,4-krotnie rok do roku. W ich szacunkach finalny trening GPT-4 kosztował około 40 milionów dolarów, a Gemini Ultra około 30 milionów, przy czym sam zakup sprzętu do klastra GPT-4 wyceniono na rzędu 800 milionów dolarów. Jeśli trend się utrzyma, największe pojedyncze treningi przekroczą miliard dolarów jeszcze przed końcem dekady — a nowsze pomiary sugerują, że koszty od 2020 roku podwajają się nawet co siedem miesięcy.
Dla startupu oznacza to prostą arytmetykę: bez inwestora o portfelu porównywalnym z budżetem państwa średniej wielkości nie ma o czym mówić. Ale pieniądze to dopiero połowa problemu. Druga połowa to dostęp do samych chipów, których produkcja koncentruje się w jednym punkcie globu.
Jeden dostawca na froncie procesorów
Według analiz rynkowych, na które powołują się IDC i TrendForce, NVIDIA kontroluje mniej więcej 80–90 procent rynku akceleratorów AI mierzonego przychodami, a w segmencie treningu u niezależnych sprzedawców udział ten przekracza 90 procent. AMD pozostaje jedynym liczącym się alternatywnym graczem z jednocyfrowym udziałem, a własne chipy projektowane przez Google czy Amazon służą przede wszystkim ich własnym chmurom. Do tego dochodzi fosa programowa: niemal cały ekosystem narzędzi do uczenia maszynowego jest zestrojony z technologią CUDA firmy NVIDIA, więc zmiana dostawcy oznacza przepisanie i przetestowanie całego stosu od nowa.
Efekt dźwigni widać w księgach gigantów. Z dokumentów przytoczonych przez amerykańską Federal Trade Commission wynika, że wydatki kapitałowe Microsoftu w ostatnim kwartale roku obrotowego 2024 sięgnęły 19 miliardów dolarów, z czego prawie wszystko pochłonęła chmura i AI; Amazon wydał 30,5 miliarda w pierwszej połowie 2024 roku, a Alphabet 13 miliardów w samym drugim kwartale.
Regulatorzy zaglądają do umów
Koncentracja ta trafiła pod lupę regulatorów. FTC w styczniu 2025 roku opublikowała raport ze studium trzech sojuszy: Microsoft–OpenAI (inwestycja 13,75 miliarda dolarów), Amazon–Anthropic (8 miliardów) oraz Google–Anthropic (2,55 miliarda). Urzędnicy wskazali, że umowy te wiążą twórców modeli zobowiązaniami wydawania większości środków w chmurze inwestora, dają gigantom prawa do przychodów, informacji technicznych i wpływów zarządczych, a w skrajnym scenariuszu mogą prowadzić do faktycznego przejęcia niezależnych laboratoriów. Jak ujęła to ówczesna przewodnicząca agencji Lina Khan, takie partnerstwa potrafią uzależniać klientów i odbierać startupom kluczowe zasoby.
Równolegle brytyjski Urząd ds. Konsolidacji Rynków i Komisja Europejska wszczęły czynności wyjaśniające wobec tych samych transakcji. Żadna z dotychczasowych decyzji nie rozbiła sojuszy, ale sama liczba postępowań pokazuje, że moc obliczeniowa jest już traktowana jak strategiczny rynek, na którym dominacja jednego gracza szkodzi wszystkim pozostałym.
Co to znaczy dla zwykłych ludzi
Koncentracja ta nie jest abstrakcją giełdową. Gdy kilka firm kontroluje zarówno chipsy, jak i chmury, w ich rękach lądują decyzje o tym, jakie modele powstaną, ile będą kosztować i komu zostaną udostępnione. Mniejsze podmioty zostają z modelem „odkładanym na półkę” — mogą korzystać z cudzych interfejsów, ale nie budować własnej przewagi. Rosną też ceny usług, bo dostawca, który jest jednocześnie właścicielem infrastruktury, dyktuje warunki. Wreszcie ryzyko systemiczne: awaria lub decyzja biznesowa jednego koncernu potrafi w ciągu godzin odbić się na tysiącach aplikacji.
Co można z tym zrobić
Po stronie publicznej najważniejsze są trzy rzeczy: egzekwowanie prawa konkurencji wobec umów chmura–AI, wymóg przenośności danych i modeli między dostawcami oraz wspieranie publicznej i akademickiej infrastruktury obliczeniowej, która daje alternatywę dla komercyjnych chmur. Po stronie indywidualnej — firmy i twórcy mogą ograniczać ryzyko, nie uzależniając całego biznesu od jednego dostawcy, korzystając z mniejszych modeli open source tam, gdzie to wystarcza, i negocjując umowy z klauzulami wyjścia.
Monopol na moc obliczeniową nie powstał przez spisek, lecz przez fizykę i ekonomię skalowania. Ale jego skutki są realne: zawężają pole podmiotów, które kształtują tę technologię. Im później zacznie się z nimi walczyć, tym drożej będzie to kosztować.
