Jeszcze niedawno wyścig o dominację w sztucznej inteligencji opisywano przede wszystkim jako walkę o procesory. Firmy technologiczne rezerwowały tysiące najnowszych akceleratorów Nvidii, a możliwość zdobycia odpowiedniej liczby GPU decydowała o tym, jak szybko można trenować kolejne modele. Procesory nadal pozostają kluczowym zasobem, ale obok nich pojawiło się drugie ograniczenie, którego nie da się rozwiązać samym większym budżetem: energia elektryczna. Według najnowszych prognoz Międzynarodowej Agencji Energetycznej globalne zużycie energii przez centra danych ma wzrosnąć z około 485 TWh w 2025 roku do około 950 TWh w 2030 roku. Zapotrzebowanie centrów skoncentrowanych na AI ma w tym czasie wzrosnąć około trzykrotnie. Oznacza to, że wybudowanie hali i zakup GPU nie wystarczą, jeśli w danej lokalizacji nie będzie odpowiedniej mocy w sieci.
Właśnie dlatego coraz częściej najważniejszym pytaniem przy planowaniu nowego centrum danych nie jest już „kiedy dostaniemy procesory?”, lecz „kiedy dostaniemy megawaty?”. W energetyce pojawiło się nawet określenie „time to power” - czas potrzebny, aby inwestycja otrzymała rzeczywiste i stabilne zasilanie. Transformator wysokiego napięcia może dziś wymagać wieloletniego oczekiwania, podobnie jak przyłączenie dużego odbiorcy do przeciążonej sieci. Jednocześnie firmy AI zaczynają podpisywać wieloletnie umowy dotyczące energii jądrowej, odnawialnej i gazowej, a lokalizacja centrów danych coraz wyraźniej podąża za miejscami, gdzie można szybko znaleźć kilka gigawatów dostępnej mocy. Najnowsze procesory pozostaną sercem AI, ale prąd może stać się zasobem decydującym o tym, czy te procesory w ogóle będzie można uruchomić.
Dlaczego sztuczna inteligencja zużywa coraz więcej energii elektrycznej?
Wzrost zapotrzebowania na energię wynika przede wszystkim z gwałtownego zwiększania liczby oraz mocy akceleratorów wykorzystywanych do AI. Trening dużych modeli wymaga równoległej pracy tysięcy lub nawet dziesiątek tysięcy układów, które przez długi czas działają z bardzo wysokim obciążeniem. Coraz większym źródłem zużycia staje się jednak również inference, czyli codzienne wykorzystywanie gotowych modeli przez użytkowników. Każde wygenerowanie tekstu, obrazu, filmu czy odpowiedzi agenta AI oznacza pracę serwerów w centrum danych. Im więcej osób i firm korzysta ze sztucznej inteligencji oraz im bardziej złożone stają się modele, tym więcej energii potrzeba nie tylko do ich stworzenia, ale również do późniejszego funkcjonowania. IEA prognozuje, że zużycie energii przez serwery przyspieszane, czyli sprzęt wykorzystywany przede wszystkim przez AI, będzie rosło znacznie szybciej niż przez klasyczne serwery.
Problemem nie jest wyłącznie całkowita liczba kilowatogodzin, lecz także ogromna koncentracja mocy w jednym miejscu. IEA wskazuje, że pomiędzy 2020 a 2025 rokiem gęstość mocy serwerów AI wzrosła około jedenastokrotnie, a do 2027 roku może wzrosnąć jeszcze czterokrotnie. Pojedyncza szafa z najnowocześniejszym sprzętem może wtedy osiągać szczytowe zapotrzebowanie porównywalne z około 65 gospodarstwami domowymi. Setki lub tysiące takich szaf umieszczonych w jednym kampusie oznaczają zapotrzebowanie liczone w setkach megawatów. Do samych procesorów trzeba doliczyć chłodzenie, systemy zasilania, urządzenia sieciowe i infrastrukturę pomocniczą. Dlatego nowoczesne centrum AI coraz bardziej przypomina pod względem zużycia energii duży zakład przemysłowy niż tradycyjną serwerownię.
Czy energia elektryczna może być większym ograniczeniem dla AI niż brak procesorów Nvidia?
W pierwszej fazie boomu generatywnej AI największym problemem rzeczywiście była dostępność procesorów. Najbardziej zaawansowane układy Nvidii były produktem, na który czekały największe firmy technologiczne, a zamówienia planowano z wielomiesięcznym wyprzedzeniem. Rynek półprzewodników zwiększa jednak moce produkcyjne, pojawia się więcej akceleratorów AMD, procesorów własnych Google, Amazona i innych firm, a producenci infrastruktury intensywnie rozbudowują łańcuch dostaw. Z energią sytuacja jest trudniejsza, ponieważ elektrowni, linii przesyłowej czy dużej stacji transformatorowej nie można zwiększyć z miesiąca na miesiąc. Centrum danych może zostać wybudowane w dwa lub trzy lata, ale rozwój infrastruktury energetycznej często trwa znacznie dłużej.
Nie oznacza to, że procesory przestaną mieć znaczenie. Najnowszy GPU może wykonywać więcej operacji na każdą zużytą kilowatogodzinę, a więc poprawa efektywności sprzętu jest jednym z najważniejszych sposobów ograniczania kosztów energii. Problem polega na tym, że poprawa efektywności często prowadzi jednocześnie do zwiększania skali. Jeśli nowa generacja układów pozwala uruchomić większy model lub obsłużyć dziesięć razy więcej zapytań, oszczędność na pojedynczej operacji nie musi oznaczać spadku całkowitego zużycia. Dlatego dostępność chipów i energii należy traktować jako dwa powiązane ograniczenia. Procesor decyduje o tym, ile obliczeń można wykonać z jednego megawata, ale to liczba dostępnych megawatów określa, ile takich procesorów można fizycznie uruchomić w konkretnej lokalizacji.
Dlaczego firmy AI zaczynają wybierać lokalizacje centrów danych na podstawie dostępności prądu?
Najlepszym przykładem zmiany priorytetów są najnowsze projekty ogłaszane przez największe firmy technologiczne. Anthropic podpisał we wrześniu 2026 roku pierwszą umowę dotyczącą centrum danych w Australii. Kampus ma docelowo dysponować mocą aż 2,16 GW i powstanie około 250 kilometrów od Brisbane. Jednym z powodów wyboru Australii jest duży potencjał energetyczny kraju, w tym możliwość wykorzystania odnawialnych źródeł. Skala inwestycji pokazuje, że mówimy już o obiektach wymagających mocy odpowiadającej dużym elektrowniom, a nie klasycznym centrom danych zużywającym kilkadziesiąt megawatów.
Podobnie wygląda sytuacja w Europie. Google zapowiedział inwestycję 13 mld euro w infrastrukturę AI w Finlandii i zawarł umowę pozwalającą kupować przez 22 lata nawet połowę produkcji energii z elektrowni jądrowej Loviisa. Finlandia przyciąga centra danych nie tylko chłodnym klimatem, ale przede wszystkim dostępem do relatywnie niskoemisyjnej energii, rozwiniętej sieci i przewidywalnych warunków inwestycyjnych. Jednocześnie skala projektu wywołała już w kraju debatę o tym, czy centra danych nie zaczną konkurować o energię z przemysłem i gospodarstwami domowymi. Takie dyskusje mogą pojawiać się coraz częściej, ponieważ lokalizacja centrum AI zaczyna wpływać nie tylko na gospodarkę cyfrową, ale również na cały lokalny system energetyczny.
Dlaczego przyłączenie centrum danych do sieci może trwać dłużej niż jego budowa?
Centrum danych można wybudować stosunkowo szybko, korzystając z prefabrykowanych modułów, gotowych systemów chłodzenia oraz powtarzalnych projektów. Sieć energetyczna działa jednak według zupełnie innego harmonogramu. Duży odbiorca wymagający kilkuset megawatów może potrzebować nowej stacji elektroenergetycznej, transformatorów, linii wysokiego napięcia i zwiększenia mocy elektrowni. Każdy z tych elementów wymaga planowania, pozwoleń i specjalistycznego sprzętu. W Stanach Zjednoczonych czas dostawy niektórych dużych transformatorów przekroczył już 160 tygodni, podczas gdy jeszcze kilka lat temu można było otrzymać podobne urządzenia w około rok. Wydłużają się również terminy dostaw wyłączników wysokiego napięcia oraz rozdzielnic.
To sprawia, że deweloperzy zaczynają rezerwować elementy infrastruktury kilka lat przed faktycznym uruchomieniem projektu. Niektóre przedsiębiorstwa energetyczne planują zakupy transformatorów nawet pięć lat do przodu, a inwestorzy w centra danych próbują zabezpieczać dostawy, zanim projekt uzyska wszystkie pozostałe zgody. W praktyce można więc posiadać działkę, finansowanie, projekt budynku i zamówione GPU, a mimo to nie być w stanie rozpocząć działalności z powodu braku transformatora lub wolnej mocy w lokalnej sieci. Właśnie stąd rosnące znaczenie „time to power”. Dla operatora centrum danych energia dostępna za dwa lata może być znacznie bardziej wartościowa niż tańsza energia dostępna dopiero za sześć lat, ponieważ każda zwłoka oznacza niewykorzystane procesory i utracone przychody.
Czy elektrownie jądrowe staną się jednym z głównych źródeł energii dla sztucznej inteligencji?
Energetyka jądrowa ma kilka cech szczególnie atrakcyjnych dla centrów danych. Reaktory mogą produkować dużą ilość energii przez całą dobę, niezależnie od pogody, a jednocześnie charakteryzują się niską emisją CO2 podczas eksploatacji. Dla centrum danych pracującego 24 godziny na dobę stabilność jest niezwykle istotna. Dlatego firmy technologiczne coraz częściej zawierają umowy z operatorami elektrowni atomowych i interesują się małymi reaktorami modułowymi. Google sięga po energię z fińskiej Loviisy, a rosnący popyt ze strony centrów danych jest jednym z argumentów stojących za próbami przyspieszenia rozwoju nowych reaktorów w Stanach Zjednoczonych. Amerykański regulator pracuje nad zmianami, które mają skrócić proces zatwierdzania nowych projektów, w tym mikroreaktorów.
Atom nie rozwiąże jednak problemu najbliższych kilku lat. Budowa dużych reaktorów wymaga ogromnego kapitału i długiego procesu inwestycyjnego, natomiast większość nowych technologii SMR nie osiągnęła jeszcze masowej skali komercyjnej. IEA zakłada, że pierwsze małe reaktory zaczną mieć zauważalny udział w zasilaniu centrów danych dopiero około 2030 roku. W krótszym terminie wzrost zapotrzebowania będzie więc pokrywany przede wszystkim przez źródła odnawialne, gaz ziemny, istniejące elektrownie jądrowe oraz magazyny energii. Oznacza to, że firmy AI będą prawdopodobnie korzystać z bardzo zróżnicowanego miksu energetycznego, a nie z jednego idealnego źródła prądu.
Czy tania energia może zdecydować, które kraje wygrają globalny wyścig AI?
W erze internetu firmy technologiczne mogły świadczyć globalne usługi z relatywnie niewielkiej liczby dużych centrów danych. W erze AI ilość potrzebnej mocy jest tak duża, że geografia energetyczna zaczyna wpływać na geografię technologiczną. Kraje posiadające dużo taniej energii, sprawne sieci przesyłowe i możliwość szybkiego budowania nowych źródeł mogą przyciągać inwestycje warte dziesiątki miliardów dolarów. Państwa z drogą energią i wieloletnimi kolejkami do sieci mogą natomiast posiadać świetnych programistów i dostęp do najnowszych procesorów, ale mieć trudności z budową infrastruktury potrzebnej do ich wykorzystania na dużą skalę. Reuters wskazuje, że energia elektryczna staje się jednym z najważniejszych zasobów nowego wyścigu przemysłowego.
Szczególnie interesująca jest sytuacja Europy. Kontynent posiada wiele źródeł odnawialnych, energetykę jądrową oraz silne zaplecze technologiczne, ale jednocześnie zmaga się z wysokimi cenami energii, wolnym procesem rozbudowy sieci i dużymi różnicami pomiędzy poszczególnymi państwami. W rezultacie inwestycje koncentrują się w miejscach takich jak Finlandia czy Szwecja, gdzie energia jest relatywnie tania i niskoemisyjna. Jeśli AI stanie się jednym z najważniejszych sektorów gospodarki, sprawność systemu energetycznego może zacząć mieć dla konkurencyjności państwa podobne znaczenie jak dostęp do fabryk półprzewodników, kapitału czy wysoko wykwalifikowanych specjalistów.
Czy odnawialne źródła energii wystarczą do zasilenia ogromnych centrów danych AI?
Energia słoneczna i wiatrowa są bardzo atrakcyjne dla firm technologicznych ze względu na niskie koszty nowych instalacji i możliwość szybkiej rozbudowy. IEA przewiduje, że źródła odnawialne pokryją około połowy wzrostu zapotrzebowania centrów danych na energię w najbliższych latach. Problemem jest jednak ich zmienność. Centrum AI może potrzebować setek megawatów również nocą albo w okresie bezwietrznej pogody. Dlatego same farmy fotowoltaiczne lub wiatrowe nie wystarczą bez połączenia z siecią, magazynami energii albo stabilnymi elektrowniami mogącymi zwiększyć produkcję wtedy, gdy odnawialne źródła wytwarzają mniej energii.
AI dodatkowo komplikuje działanie systemu energetycznego, ponieważ obciążenie nowoczesnych klastrów może zmieniać się bardzo szybko. Trening modeli i obsługa dużej liczby zapytań powodują skoki poboru mocy, z którymi sieć musi sobie radzić w czasie rzeczywistym. IEA wskazuje dlatego na rosnące znaczenie magazynów energii i bardziej elastycznego zarządzania obciążeniem. W przyszłości centra danych mogą same stać się aktywnymi uczestnikami systemu energetycznego - przesuwać część obliczeń na godziny z większą produkcją energii, ograniczać pobór w szczycie albo przenosić zadania pomiędzy regionami. Nie każdy proces AI wymaga bowiem wykonania dokładnie w tej samej sekundzie. Trening czy zadania wsadowe mogą być bardziej elastyczne niż usługa odpowiadająca użytkownikowi w czasie rzeczywistym.
Czy większa efektywność nowych procesorów rozwiąże problem zużycia energii przez AI?
Każda nowa generacja akceleratorów wykonuje więcej obliczeń przy podobnym lub tylko częściowo zwiększonym zużyciu energii. Ma to ogromne znaczenie ekonomiczne, ponieważ koszt prądu staje się jednym z podstawowych elementów kosztu działania modelu. Producenci rozwijają również pamięci o mniejszym zużyciu energii, szybsze interkonekty, chłodzenie cieczą oraz specjalizowane procesory przeznaczone do konkretnych obciążeń. W teorii oznacza to, że ta sama liczba zapytań AI będzie wymagała coraz mniej energii. IEA stworzyła nawet scenariusz wysokiej efektywności, w którym postęp sprzętowy i programistyczny pozwala ograniczyć zużycie energii przez centra danych o ponad 15 proc. względem scenariusza bazowego.
Historia technologii pokazuje jednak tak zwany efekt odbicia: jeżeli wykonanie określonej operacji staje się tańsze, zaczynamy wykonywać jej znacznie więcej. Tańsze modele mogą zostać wbudowane w wyszukiwarki, systemy biurowe, samochody, roboty, aplikacje medyczne i miliony agentów wykonujących zadania przez wiele godzin. Efektywność pojedynczego zapytania będzie wtedy rosnąć, ale liczba zapytań może zwiększać się jeszcze szybciej. Najnowsze prognozy IEA właśnie dlatego nadal zakładają niemal podwojenie globalnego zużycia energii przez centra danych do 2030 roku mimo szybkiego postępu sprzętu. Lepsze procesory są więc częścią rozwiązania, ale trudno oczekiwać, że same zatrzymają wzrost całkowitego zapotrzebowania.
Czy w przyszłości najważniejszym zasobem AI będą megawaty zamiast GPU?
Najbardziej prawdopodobne jest to, że branża nie zamieni jednego wąskiego gardła na drugie, lecz będzie musiała jednocześnie zarządzać kilkoma ograniczeniami. Najlepszy procesor bez energii jest bezużyteczny, ale sama tania elektrownia nie zapewni przewagi bez zaawansowanych chipów, szybkiej sieci, odpowiedniego chłodzenia i oprogramowania. Zmienia się natomiast hierarchia problemów. Produkcję układów można zwiększać poprzez inwestycje w fabryki półprzewodników i rozwój konkurencyjnych architektur. W systemie energetycznym ograniczeniem są nie tylko elektrownie, ale także transformatory, linie przesyłowe, pozwolenia, lokalna stabilność sieci i czas realizacji. Amerykańskie firmy energetyczne już dziś muszą zamawiać część infrastruktury z kilkuletnim wyprzedzeniem, aby dotrzymać tempa budowy centrów AI.
Właśnie dlatego dostęp do taniej, stabilnej i szybko dostępnej energii może w kolejnych latach stać się przewagą równie ważną jak dostęp do najnowszych procesorów. Według IEA centra danych będą odpowiadały za około połowę wzrostu zapotrzebowania na energię elektryczną w Stanach Zjednoczonych do 2030 roku, a globalne zużycie przez tę branżę może zbliżyć się do 950 TWh rocznie. To skala, przy której sztuczna inteligencja przestaje być wyłącznie problemem producentów chipów i firm technologicznych. Staje się problemem elektrowni, operatorów sieci, producentów transformatorów, regulatorów i całych państw. Wyścig AI nadal będzie rozgrywał się na poziomie modeli i procesorów, ale zwycięzcy mogą coraz częściej znajdować się tam, gdzie uda się zapewnić coś znacznie bardziej podstawowego - odpowiednio dużo prądu, w odpowiednim miejscu i dokładnie wtedy, gdy będzie potrzebny.
