Jeszcze kilka lat temu my, informatycy, często mówiliśmy o znaczeniu sztucznej inteligencji i o nadchodzącej rewolucji. Gdy na rynek wszedł ChatGPT, czuć było „inteligencję”, ale niejasne pozostawało, jakie mogą być zastosowania tej „zabawki”.
Od tamtego czasu całkowita moc akceleratorów AI zainstalowanych na całym świecie wzrosła ok. stu razy, a dalsze planowane inwestycje zaczęliśmy mierzyć nie liczbą kart, a potrzebną do tego mocą elektryczną. Największe centra obliczeniowe będą już niedługo zużywać 1 gigawat mocy – tyle elektryczności wystarcza do zasilenia prawie miliona domów.
Dzięki takiemu wzrostowi zasobów modele sztucznej inteligencji stały się dużo bardziej sprawne i osiągnęły większe możliwości. W testach inteligencji najnowsze modele językowe osiągają wyniki na poziomie 140 IQ. Jednocześnie po raz pierwszy rozwiązują wcześniej nierozwiązane przez człowieka problemy matematyczne – na przykład problemy Erdősa o numerach 397, 728 i 729.
Od generatywnej AI do ery agentowej
Dzięki temu rozwojowi powoli staje się jasne, jakie zastosowania i znaczenie będą miały rozwiązania sztucznej inteligencji. Poprzednie lata można nazwać erą genAI, czyli generatywnej sztucznej inteligencji, kiedy modele takie jak GPT, Gemini czy Claude zautomatyzowały tworzenie tekstów, a modele takie jak DALL-E, Nano Banana czy Midjourney zrewolucjonizowały tworzenie obrazów.
Te nowatorskie narzędzia z perspektywy ekonomicznej nazywa się tylko mikro-efektywnością – oznacza to skrócenie czasu zadań, ale nadal przy konieczności stałego nadzoru człowieka. Mimo że dzięki tym rozwiązaniom możemy zrobić więcej, praca nadal skaluje się wraz z liczbą dostępnych pracowników-ludzi.
Zeszły rok wyznacza początek agentowej AI. Agent nie jest już tylko narzędziem w naszych rękach, ale substytutem pracownika, któremu możemy zlecić konkretne zadania, a on je wykona. Rzeczywiście jedną z miar skuteczności działania modeli AI jest złożoność zadań, które są one w stanie samodzielnie zrealizować.
Źródła energii warunkiem rozwoju
ChatGPT w 2022 r. był w stanie wykonać zadania, które człowiekowi zajmowały kilkanaście sekund. Jednakże dzisiejsze modele są już w stanie samodzielnie poradzić sobie z pracami, które człowiekowi zajęłyby około godziny.
Długość tych zadań podwaja się co siedem miesięcy, co oznacza, że za ok. dwóch lat AI będzie mogło wykonywać zadania, które człowiekowi zajęłyby cały dzień pracy. W momencie, w którym stworzymy tak pracujących agentów, zwiększy to zdecydowanie liczbę dostępnych „pracowników”.
Oznacza to, że dostępna infrastruktura obliczeniowa przekładać się będzie bezpośrednio na wzrost PKB. W erze agentowej PKB stanie się funkcją dostępnych FLOPS-ów (jednostka mocy obliczeniowej komputerów, ang. floating point operations per second – operacje zmiennoprzecinkowe na sekundę) i Watów (jednostka tempa zużycia lub produkcji energii).
Wchodzimy w okres, gdzie budowa klastrów GPU i stabilnych źródeł energii jest warunkiem sine qua non (łac. niezbędny) rozwoju. Nie będzie już bezpośredniego powiązania wzrostu PKB z przyrostem demograficznym, a nasze polityki rozwoju powinny zostać dostosowane do możliwości, jakie daje ta technologia.
Po co nam suwerenna sztuczna inteligencja
W tym momencie warto sobie uzmysłowić potrzebną do tego skalę i rozmiar zachodzącej rewolucji. Mogą w tym pomóc zeszłoroczne wypowiedzi jednego z liderów OpenAI – Grega Brockmana. Świat agentowy, gdzie każdy ma pracującego dla niego agenta, który nieustannie wykonuje zadania, wymaga ogromnych zasobów.
Szacunki Grega Brockmana mówią o jednym procesorze graficznym (GPU) na każdego mieszkańca, co oznacza: 10 mld procesorów graficznych na świecie, a 40 mln w samej Polsce. To co najmniej tysiąckrotny przyrost mocy obliczeniowych względem stanu obecnego. Innymi słowy, znajdujemy się na samym początku wyścigu o moce obliczeniowe i nadal ma sens walczyć o własne technologie.
Właśnie teraz staje się jasne, dlaczego tak istotny może być rozwój suwerennej AI. Posiadanie własnych zasobów mocy obliczeniowej, a także modeli i algorytmów AI, to warunek konieczny, by nie stać się jedynie cyfrowym konsumentem.
Kluczowe argumenty za budową własnego potencjału:
- Ekonomiczna Autonomia. Opieranie polskiej gospodarki wyłącznie na zewnętrznych modelach czy usługach AI to de facto zgoda na stały odpływ marży i kapitału do globalnych gigantów. Rozwijając własną infrastrukturę, przekształcamy „koszt licencji” w lokalną inwestycję, budując wartość dodaną wewnątrz kraju.
- Bezpieczeństwo Sektorów Strategicznych. Obszary takie jak opieka zdrowotna czy e-administracja operują na najbardziej wrażliwych danych obywateli. Uzależnienie ich od publicznych chmur podlegających obcym jurysdykcjom to ryzyko, którego nie można zaakceptować.
- Odporność Cyfrowa. W świecie, w którym agenci AI stają się „współpracownikami” ludzi, moc obliczeniowa staje się zasobem równie krytycznym co prąd czy gaz. Brak suwerennych zasobów oznacza, że w sytuacji kryzysowej zewnętrzny dostawca może jednym wyłączeniem dostępu sparaliżować efektywność polskiej siły roboczej.
Globalna rywalizacja: USA kontra Chiny
Nasilają się napięcia między państwami o to, kto będzie posiadał suwerenne technologie. Najbardziej jest to widoczne w starciu o prymat w AI między USA a Chinami. Starcie to rozgrywa się na wielu poziomach. Jaskrawą wizualizacją tych napięć jest grudniowa decyzja administracji Trumpa o zniesieniu zakazu eksportu chipów H200 do Chin.
W odpowiedzi władze w Pekinie wydały dyrektywę zakazującą zakupu tych chipów, mimo że firmy chińskie zdążyły już złożyć zamówienia na ponad 2 miliony sztuk. Decyzja ta jest motywowana walką o wsparcie własnego przemysłu produkującego chipy.
Chipy produkowane przez Huawei są wytwarzane w technologii starszej o dwie generacje (Huawei Ascend 910C powstaje w technologii 7nm, podczas gdy H200 w 4nm). Co więcej, pamięć instalowana w chińskich chipach pozwala na wolniejszy transfer, co ma ogromne znaczenie przy obsłudze dużych modeli. Starsza technologia oznacza, że mimo nominalnie podobnej mocy wyrażonej we FLOPS-ach, chipy od Huawei zużywają wielokrotnie więcej energii.
Czy Chiny wygrywają wyścig technologiczny?
Wydawać by się mogło, że Chiny są na przegranej pozycji, ale sytuacja jest bardziej skomplikowana. Jak pokazują analizy Australijskiego Instytutu Polityki Strategicznej (APSI), USA wiedzie prym tylko w dwóch technologiach AI: wytwarzaniu chipów i analizie języka naturalnego. W innych dziedzinach, takich jak wizja komputerowa, generatywna AI, analityka danych czy uczenie maszynowe – prowadzą Chiny.
Ta przewaga wynika z wieloletniej strategii Państwa Środka, która doprowadziła do zmiany układu sił w globalnej nauce. Chiny ok. 10 lat temu prześcignęły Stany Zjednoczone w liczbie publikowanych, wysoko cytowanych opracowań naukowych.
Od 2024 r. potwierdza to także Nature Index. Ta zmiana to efekt realizacji planów pięcioletnich, które kładły nacisk na rozwój badań w sektorze STEM (ang. Science, Technology, Engineering, Mathematics – Nauka, Technologia, Inżynieria, Matematykę) oraz technologiczną samowystarczalność.
Polska potrzebuje suwerennej AI
Warto zastanowić się, gdzie znajduje się Europa i Polska. Czy jesteśmy mentalnie gotowi na nadchodzące zmiany? Niestety, Europa zbyt późno reaguje na zachodzące procesy. Planowane europejskie gigafabryki AI powstaną za rok lub dwa i będą zawierały po kilkadziesiąt tysięcy kart graficznych, podczas gdy w USA już teraz planuje się centra na miliony kart. Widać ogromne opóźnienie w aktywacji środków, co staje się jeszcze bardziej wyraźne przy skali inwestycji krajów takich jak Arabia Saudyjska.
Jeżeli chodzi o Polskę, mamy jeszcze dłuższą drogę do przejścia. Młodzi polscy informatycy od lat odnoszą sukcesy, ale system ich kształcenia się załamuje. Najlepsze uczelnie mierzą się z luką pokoleniową i brakiem wykładowców, co wynika ze spadających nakładów na naukę z budżetu państwa. W przypadku informatyki niskie wynagrodzenia mają efekt destrukcyjny, gdyż przemysł oferuje wielokrotnie wyższe pensje.
Musimy wesprzeć cały ekosystem – od nauki po moce obliczeniowe – aby nie ominęła nas rewolucja AI. Czas przestać myśleć o sztucznej inteligencji jako o jednej z wielu technologii, a zacząć traktować ją jako strategiczny zasób, który wprost przełoży się na wzrost PKB i naszą zamożność.