Czy modele open-source zabić zapotrzebowanie na moc obliczeniową? Morgan Stanley prognozuje trzy przyszłości AI

Raport źródłowy: Morgan Stanley Research "Weighing In: Open-Weights Models & 3 States of the World", 3 sierpnia 2026

Opracowanie i redakcja: DaiDai, Frank, MSX MaiTong Research Institute

Kluczowy przegląd

• Modele o otwartych wagach obniżają koszty pojedynczego wywołania i bariery wdrożeniowe, ale niekoniecznie zmniejszają całkowite zapotrzebowanie na moc obliczeniową. W miarę jak AI wchodzi do coraz większej liczby firm, przepływów pracy i urządzeń, wzrost liczby wywołań może przewyższyć poprawę efektywności, wywołując typowy "paradoks Jevonsa";
• Firmy już weszły w erę wielomodelową, modele o otwartych wagach głównie zajmują się programowaniem, przetwarzaniem dokumentów, wywołaniami o wysokiej częstotliwości i zadaniami w określonych dziedzinach, podczas gdy złożone rozumowanie i obciążenia Agentów wciąż bardziej polegają na zaawansowanych modelach zamkniętych;
• Otwarte wagi nie oznaczają, że są darmowe, firmy mogą zaoszczędzić na opłatach licencyjnych za modele lub częściach opłat za API, ale wciąż muszą ponosić koszty GPU, usług w chmurze, lokalnych centrów danych, dostosowywania, talentów, bezpieczeństwa i kosztów operacyjnych;
• Niezależnie od tego, czy dominują modele zamknięte, mieszane czy otwarte, NVIDIA, zasilanie w miejscu i oprogramowanie zabezpieczające są wyraźnymi kierunkami korzyści międzykontekstowych;
• Im bardziej rozpowszechnione są modele o otwartych wagach, tym bardziej łańcuch wartości AI może rozprzestrzeniać się z warstwy modeli podstawowych na rozumowanie, routowanie, orkiestrację, obserwowalność, infrastrukturę lokalną, urządzenia brzegowe i aplikacje wertykalne;

Co pewien czas rynek AI zdaje się przeżywać "panikę efektywności".

Gdy parametry modeli stają się mniejsze, koszty rozumowania maleją, lub firma modelowa osiąga bliską granicę wydajności przy użyciu mniejszej liczby chipów, rynek szybko zaczyna mieć intuicję, że skoro zasoby obliczeniowe potrzebne do wykonania tych samych zadań maleją, czy zapotrzebowanie na GPU, centra danych i energię również osiągnie szczyt?

Pojawienie się nowej generacji modeli o otwartych wagach, takich jak Kimi K3 i DeepSeek V4 Flash, ponownie stawia to pytanie przed rynkiem. Nie tylko próbują one zmniejszyć różnicę w zdolnościach w porównaniu do zaawansowanych modeli zamkniętych, ale również pozwalają firmom na pobieranie, modyfikowanie i samodzielne wdrażanie modeli, rozprzestrzeniając zdolności, które wcześniej były silnie skoncentrowane w kilku amerykańskich laboratoriach modelowych, na szersze stosy technologiczne deweloperów i firm.

Jednak odpowiedź, którą Morgan Stanley przedstawia w najnowszym raporcie, jest dokładnie przeciwna do tej intuicji:

Zwiększenie efektywności modeli niekoniecznie zabić zapotrzebowanie na moc obliczeniową, jest bardziej prawdopodobne, że sprawi, iż AI stanie się wystarczająco tanie, aby wejść w scenariusze, w których wcześniej nie opłacało się używać AI, co ostatecznie podniesie całkowitą liczbę wywołań.

Na tej podstawie, to, co naprawdę wymaga ponownej dyskusji, to gdzie moc obliczeniowa będzie miała miejsce, kto ją dostarczy i które firmy mogą uzyskać przychody z tego rozprzestrzenienia.

1. Tańsze modele, dlaczego mogą wymagać więcej mocy obliczeniowej?

Jednym z najłatwiejszych do wywołania nieporozumień dotyczących modeli o otwartych wagach jest bezpośrednie utożsamienie "spadku kosztów modelu" z "spadkiem zapotrzebowania na infrastrukturę".

Jednak dla większości firm, decyzja o przyjęciu AI nie zależy tylko od tego, ile mocy obliczeniowej potrzebuje model do wykonania jednego zadania, ale od tego, czy korzyści, które generuje, mogą pokryć koszty modelu, inżynierii i infrastruktury.

Obliczenia przytoczone przez Morgan Stanley pokazują, że przeciętne zadanie AI w firmie może generować około 55 dolarów przychodu, podczas gdy bezpośrednie koszty wynoszą około 2-5 dolarów. Nawet biorąc pod uwagę koszty danych, inżynierii, bezpieczeństwa i zarządzania, ten stosunek przychodu do kosztów nadal oznacza, że wiele przepływów pracy w firmach nie zostało jeszcze zautomatyzowanych przez AI.

W tej sytuacji wynikiem spadku cen modeli może być nie zmniejszenie wydatków na AI przez firmy, ale raczej to, że więcej zadań przekroczy próg opłacalności.

W przeszłości firmy mogłyby zlecać AI tylko najważniejsze i najbardziej wartościowe zadania; gdy ceny rozumowania nadal spadają, klasyfikacja zapisów obsługi klienta, przegląd umów, testowanie kodu, opisy produktów, wyszukiwanie w firmie, materiały marketingowe, czyszczenie danych, a nawet wewnętrzne zatwierdzenia mogą zostać włączone do przepływu pracy modeli.

Zasoby obliczeniowe wymagane dla każdego zadania mogą maleć, ale liczba zadań, częstotliwość ich wykonywania i skala użytkowników mogą się równocześnie zwiększać.

To właśnie jest "paradoks Jevonsa", o którym raport wielokrotnie wspomina, gdy efektywność wykorzystania zasobu wzrasta, a jednostkowy koszt maleje, z powodu szybkiego rozszerzenia zakresu zastosowania, całkowite zużycie może w rzeczywistości wzrosnąć.

Na przykład, bardziej oszczędne samochody nie spowodowały automatycznego zniknięcia globalnego zapotrzebowania na ropę; coraz tańsza przepustowość sieci również nie spowodowała spadku ruchu danych. Podobnie, bardziej efektywne modele niekoniecznie zmniejszają użycie GPU, a wręcz mogą sprawić, że AI stanie się wszechobecną podstawową zdolnością w firmach, zamiast ograniczać się do nielicznych zadań o wysokiej wartości.

Obecnie to rozprzestrzenienie już się zaczyna.

Badania przytoczone w raporcie McKinsey pokazują, że 63% respondentów już korzysta z modeli otwartych w swoim stosie technologicznym, ale większość firm nie zrezygnowała całkowicie z modeli zamkniętych, lecz łączy oba podejścia. Modele o otwartych wagach są głównie wykorzystywane do programowania, analizy dokumentów, wywołań o wysokiej częstotliwości i zadań w określonych dziedzinach, podczas gdy zaawansowane modele zamknięte wciąż zajmują się złożonym rozumowaniem, wymaganiami dotyczącymi niezawodności oraz trudniejszymi do standaryzowania pracami.

Od lutego do lipca 2026 roku, amerykańskie firmy co tydzień kierowały przez OpenRouter do chińskich modeli otwartych Token, a ich proporcja przekroczyła 30%. Te dane mogą bardziej dotyczyć deweloperów i startupów, nie mogą bezpośrednio reprezentować wydatków dużych firm, ale przynajmniej pokazują, że modele o otwartych wagach przeszły z koncepcji laboratoryjnej do rzeczywistego środowiska wywołań i wdrożeń.

Oczywiście, modele o otwartych wagach nie oznaczają "darmowych modeli".

Firmy przy samodzielnym hostowaniu mogą nie płacić dostawcom modeli za opłaty API obliczane na podstawie Token, ale wciąż muszą kupować lub wynajmować GPU oraz ponosić koszty centrów danych, usług w chmurze, dostosowywania, zespołów inżynieryjnych, bezpieczeństwa i codziennej obsługi, co oznacza, że korzystając z modeli o otwartych wagach dostarczanych przez dostawców modeli lub platformy chmurowe, firmy mogą wciąż płacić zgodnie z Token lub ilością obliczeń.

Dlatego zmiana otwartych wag nie polega na tym, czy koszty obliczeniowe istnieją, ale na tym, w jaki sposób firmy płacą za koszty obliczeniowe oraz jakie wartości są uzyskiwane od dostawców modeli, platform chmurowych lub własnej infrastruktury firmowej.

Morgan Stanley przytoczył badanie MIT, które oszacowało, że przejście z modeli zamkniętych na otwarte może obniżyć średnie ceny o około 70%, co rocznie oszczędza konsumentom około 25 miliardów dolarów. Jednak raport szczególnie podkreśla, że czas ukończenia tego badania był stosunkowo wczesny, różne modele nie są całkowicie porównywalne, a także nie uwzględniają w pełni ukrytych kosztów związanych z inżynierią, dostosowywaniem i obsługą.

Inne badanie Carnegie Mellon pokazuje, że okres zwrotu z inwestycji w samodzielne wdrożenie modeli otwartych może wydłużyć się z około 3 miesięcy do 6 lat, przy czym modele o mniejszych parametrach, stałych zadaniach i wysokiej częstotliwości wywołań mogą szybciej rozłożyć koszty sprzętu; natomiast duże modele i złożone aplikacje na poziomie przedsiębiorstwa mogą przez długi czas nie udowodnić, że samodzielne wdrożenie jest tańsze niż API z powodu niewystarczającego wykorzystania, częstych aktualizacji i zbyt wysokich kosztów dostosowywania.

Zatem ekonomiczność modeli o otwartych wagach nie ma jednolitej odpowiedzi.

Zależy to od skali modelu, częstotliwości użycia, wykorzystania infrastruktury, zdolności inżynieryjnych firmy oraz tego, czy dane muszą pozostać lokalnie. Im bardziej otwarty model, tym więcej opcji ma firma, ale również więcej technicznych odpowiedzialności.

2. W następnej fazie, gdzie będzie miała miejsce moc obliczeniowa?

Jeśli przyszłość AI będzie zdominowana przez nieliczne modele zamknięte, wtedy trening i rozumowanie będą nadal koncentrować się w dużych platformach chmurowych i super dużych centrach danych.

Jednak jeśli modele o otwartych wagach zyskają szersze zastosowanie, moc obliczeniowa AI nie zniknie, ale rozprzestrzeni się z nielicznych centralnych węzłów do prywatnych chmur, centrów danych przedsiębiorstw, suwerennych centrów danych, serwerów brzegowych i urządzeń osobistych.

Oznacza to, że zmienne, na które rynek powinien zwrócić uwagę, zmienią się z "ile GPU jest potrzebnych" na "gdzie GPU są wdrażane, kto nimi zarządza i jak są wywoływane".

W erze modeli zamkniętych, firmy mogły zlecać większość złożoności firmom modelowym: podłączyć API, płacić zgodnie z Token, a dostawca odpowiadał za aktualizacje modeli, infrastrukturę, bezpieczeństwo i część odpowiedzialności prawnej.

W erze wielomodelowej ta prosta struktura zaczyna być łamana.

Firmy mogą zlecać najtrudniejsze zadania zaawansowanym modelom zamkniętym, a zadania o wysokiej częstotliwości i wrażliwe na koszty modelom o otwartych wagach; wrażliwe dane pozostają lokalnie, a ogólne obciążenia robocze działają w chmurze publicznej; część żądań jest przetwarzana w centrach danych, a część bezpośrednio na komputerach, telefonach komórkowych lub innych urządzeniach brzegowych.

Im więcej modeli, tym bardziej rozproszone wdrożenie, tym bardziej złożony staje się stos technologiczny AI w firmach:

• Po pierwsze, warstwa bramkowa: firmy potrzebują jednolitego wejścia, aby zarządzać różnymi modelami, w tym autoryzacją tożsamości, uprawnieniami do wywołań, ograniczeniami prędkości, rejestrowaniem logów i przełączaniem dostawców w przypadku awarii;
• Po drugie, warstwa routingu: system musi przypisywać każde żądanie do najodpowiedniejszego modelu w zależności od dokładności, opóźnienia, kosztów, wrażliwości danych i trudności zadania;
• Następnie warstwa orkiestracji: złożone przepływy pracy Agentów często wymagają współpracy wielu modeli, baz danych i narzędzi zewnętrznych, a pojedyncze żądanie użytkownika może być rozdzielone na dziesiątki kroków i wywołań;
• Na koniec warstwa obserwowalności i oceny: firmy muszą stale śledzić jakość wyjścia modeli, opóźnienia odpowiedzi, użycie Token, koszty operacyjne, przyczyny awarii i ryzyko bezpieczeństwa.

Dlatego rozprzestrzenienie modeli o otwartych wagach nie tylko przynosi korzyści dostawcom modeli.

Gdy podstawowe modele stają się łatwiejsze do zdobycia, firmy są bardziej skłonne płacić za "jak stabilnie wprowadzić modele do produkcji". Bramki modeli, routowanie zadań, orkiestracja Agentów, zarządzanie danymi, obserwowalność i oprogramowanie zabezpieczające mogą stać się trudniejszymi do skompresowania ogniwami w łańcuchu wartości.

Znaczenie bezpieczeństwa jest szczególnie wyraźne. Gdy modele zamknięte są uruchamiane w centralnych lokalizacjach, część odpowiedzialności za bezpieczeństwo spoczywa na laboratoriach modelowych i platformach chmurowych; natomiast gdy modele otwarte wchodzą do lokalnych firm, prywatnych chmur i urządzeń brzegowych, tożsamość, dane, punkty końcowe, wagi modeli i środowisko uruchomieniowe muszą być chronione niezależnie.

Firmy muszą nie tylko zapobiegać pracownikom wysyłania wrażliwych danych do niewłaściwych modeli, ale także zarządzać, które bazy danych mogą być dostępne dla różnych modeli, jakie narzędzia mogą być wywoływane oraz czy mogą być narażone na ataki, takie jak wstrzykiwanie zapytań, destylacja modeli, manipulacja wagami czy nadużycie uprawnień.

Im bardziej rozproszone są wdrożenia modeli, tym większa powierzchnia ataku; im więcej modeli, tym wyższe koszty zarządzania.

Dlatego prawdziwym skutkiem modeli o otwartych wagach nie jest zniknięcie wartości infrastruktury AI, ale rozprzestrzenienie wartości z pojedynczego modelu podstawowego i warstwy API na cały stos systemowy.

Przyszłe wydatki na AI mogą już nie tylko odzwierciedlać budowę super dużych klastrów treningowych przez nieliczne giganty technologiczne, ale również przejawiać się w zakupie serwerów przez firmy, modernizacji sieci i pamięci, wdrażaniu systemów zabezpieczeń, budowie prywatnych platform AI oraz w konfiguracji silniejszej mocy obliczeniowej na urządzeniach mobilnych i komputerach PC.

Zapotrzebowanie na moc obliczeniową przekształca się z centralizacji w rozproszenie, co nie oznacza zmniejszenia całkowitej ilości, a jedynie, że korzyści nie są już skoncentrowane tylko w laboratoriach modelowych i dużych dostawcach chmurowych.

3. Trzy światy AI: niezależnie od tego, kto wygra, nikt nie może uniknąć mocy obliczeniowej, energii i bezpieczeństwa

Morgan Stanley nie przypisał wyraźnych prawdopodobieństw dla trzech przyszłych scenariuszy, ale przeanalizował, jak może wyglądać podział wartości w łańcuchu dostaw AI w przypadku, gdy zwycięży model zamknięty, współistnienie architektur mieszanych lub model otwarty z wagami.

Pierwszy scenariusz: Model zamknięty nadal kontroluje wiodące zdolności

W tym scenariuszu wydajność, niezawodność i bezpieczeństwo wiodących modeli nadal będą trudne do skopiowania, a nieliczne laboratoria modelowe z dużym kapitałem będą nadal na czołowej pozycji.

Firmy bardziej cenią dokładność, łatwość wdrożenia, odszkodowania za prawa własności intelektualnej i wiarygodność marki, a nie całkowitą kontrolę nad wagami modeli, dlatego są gotowe nadal płacić za zamknięte API i subskrypcje dla firm.

Obciążenia związane z treningiem i wnioskowaniem będą dalej koncentrować się na platformach Hyperscaler, takich jak AWS i Google Cloud, a supergrupy treningowe będą nadal napędzać popyt na GPU, szybkie sieci, komunikację optyczną i niestandardowe ASIC.

Platformy takie jak Google i Amazon, które posiadają infrastrukturę chmurową i zdolności modelowe, będą w korzystniejszej pozycji, a producenci chipów i sieci, tacy jak Broadcom, Arista Networks, Lumentum i Coherent, również mogą skorzystać.

Raport oszacował, że jeśli Google będzie w stanie uruchomić Gemini API na własnej infrastrukturze dzięki wiodącemu modelowi, jego zwrot z inwestycji może wynieść około 45%; nawet jeśli model nie będzie w absolutnie wiodącej pozycji, a jedynie jako dostawca infrastruktury, związany zwrot może wynosić blisko 30%.

To pokazuje, że najważniejszym aktywem w zamkniętym świecie nie jest tylko model sam w sobie, ale także własność mocy obliczeniowej, na której model działa. Kto posiada chipy, centra danych i dostęp do klientów, ten ma większą zdolność do zatrzymywania zysków z wywołań modeli.

Drugi scenariusz: Długoterminowe współistnienie otwartego i zamkniętego

To jest obecnie najbliższy rzeczywistemu stanowi użycia przez firmy scenariusz.

Zamknięte wiodące modele odpowiadają za złożone wnioskowanie, długie procesy agentów i zadania o wysokiej niezawodności, podczas gdy modele z otwartymi wagami i małe modele zajmują się zadaniami o wysokiej częstotliwości, wrażliwymi na koszty, niskim opóźnieniu lub wysoce wyspecjalizowanymi.

Firmy nie wybiorą tylko jednego modelu, ale będą nieustannie przełączać się i kierować w zależności od zadań, co oznacza, że wdrożenia AI będą jednocześnie obecne w chmurze publicznej, prywatnej, lokalnej infrastrukturze i urządzeniach brzegowych.

W tym scenariuszu pojedynczy producent modeli będzie miał trudności z uzyskaniem całkowitej monopolistycznej władzy cenowej, ale cały rynek oprogramowania AI i infrastruktury zyska najszerszy popyt.

• Microsoft, Amazon i Google nadal korzystają z obciążeń chmurowych;
• Firmy zajmujące się infrastrukturą i oprogramowaniem do zarządzania przepływem pracy, takie jak Datadog, Palantir i Appian, mogą skorzystać na potrzebach związanych z orkiestracją modeli, połączeniami danych i obserwowalnością;
• Firmy zajmujące się bezpieczeństwem, takie jak Palo Alto Networks, CrowdStrike, Fortinet, Zscaler, Netskope i Okta, skorzystają na ciągłym rozszerzaniu się powierzchni ataku i granic tożsamości przedsiębiorstw;

Jednocześnie producenci urządzeń sieciowych, tacy jak Cisco i F5, oraz firmy zajmujące się infrastrukturą przedsiębiorstw, takie jak Dell, HPE i NetApp, również mogą uzyskać nowe zapotrzebowanie z lokalnych i hybrydowych wdrożeń.

Największym znaczeniem inwestycyjnym architektury mieszanej jest to, że wydatki na AI nie będą koncentrować się tylko na grupach treningowych, ale będą się rozprzestrzeniać warstwami wzdłuż technologicznego stosu przedsiębiorstwa, a im bardziej intensywna konkurencja na poziomie modeli, tym bardziej przedsiębiorstwa będą potrzebować neutralnego oprogramowania i infrastruktury, aby pomóc im w przełączaniu się między różnymi modelami i środowiskami wdrożeniowymi.

Trzeci scenariusz: Modele z otwartymi wagami stają się mainstreamem

W tym scenariuszu modele z otwartymi wagami stopniowo zbliżają się do wiodących modeli zamkniętych, inteligencja podstawowych modeli staje się powszechnie dostępna, a ceny API znacznie spadają.

Firmy nie są już skłonne płacić zbyt wysokich premii za ogólne zdolności modeli, ale wykorzystują dane prywatne do dostosowywania, inwestując główny budżet w optymalizację wnioskowania, agentów, narzędzia branżowe i wdrożenia aplikacji.

Centra innowacji przesuwają się z wstępnego treningu na trening po i warstwę aplikacji, a infrastruktura AI staje się bardziej rozproszona. Rządy i duże przedsiębiorstwa mogą z powodów związanych z suwerennością danych, prywatnością, opóźnieniem i unikaniem uzależnienia od dostawców, wdrażać więcej modeli w suwerennych chmurach, prywatnych centrach danych i lokalnych środowiskach.

• Microsoft może zdobyć silniejszą pozycję dzięki Azure, GitHub, oprogramowaniu dla przedsiębiorstw i ekosystemowi otwartych modeli;
• Strategiczna wartość dostawców otwartych modeli, takich jak MiniMax, Zhipu/Z.ai, Alibaba i Tencent, wzrasta;
• Producenci lokalnej infrastruktury, tacy jak Dell, HPE i NetApp, firmy zajmujące się urządzeniami końcowymi, takie jak HP i Apple, oraz kanały integracji systemów i dystrybucji IT również zyskają na wyraźnym popycie;

Jednak otwarty świat nie oznacza, że platformy chmurowe tracą na wartości.

Większość firm nadal nie będzie całkowicie budować własnej infrastruktury, a otwarte modele mogą nadal działać na Azure, AWS lub Google Cloud, a rola Hyperscalerów zmieni się z jedynego wejścia do modelu na dostawcę hostingu otwartych modeli, zasobów obliczeniowych, usług danych i platform AI dla przedsiębiorstw.

W związku z tym dostawcy chmur nie stają przed prostym wyborem między wygraną a przegraną, ale przed zmianą struktury zysków; na przykład czynsz za podstawowe modele może spaść, ale przychody z obliczeń, przechowywania, baz danych, bezpieczeństwa i usług dla przedsiębiorstw mogą nadal rosnąć.

Wspólni zwycięzcy w trzech scenariuszach

W macierzy aktywów przedstawionej przez Morgan Stanley najważniejsze nie są firmy unikalne dla każdego scenariusza, ale te, które pojawiają się wielokrotnie w trzech kolumnach.

Po pierwsze, NVIDIA.

Zwycięstwo modelu zamkniętego oznacza, że więcej mocy obliczeniowej koncentruje się w super dużych grupach treningowych i wnioskowych; zwycięstwo modelu z otwartymi wagami oznacza, że węzły wnioskowania rozprzestrzeniają się na przedsiębiorstwa, lokalne i brzegowe środowiska.

Obie ścieżki mogą różnić się pod względem formy chipów, struktury klientów i rozmiaru pojedynczej grupy, ale obie wymagają ciągłego zwiększania mocy obliczeniowej; w końcu otwarte modele obniżają próg użycia modeli, a nie eliminują procesu obliczeniowego.

Po drugie, energia.

Zamknięty świat potrzebuje stabilnej mocy GW do wsparcia super centrów danych, podczas gdy otwarty świat zwiększy zapotrzebowanie na zasilanie dla centrów danych przedsiębiorstw, suwerennych chmur i lokalnych obiektów wnioskowania. Zwiększenie efektywności modeli może zmniejszyć zużycie energii na pojedyncze zadanie, ale może również sprawić, że więcej zadań i urządzeń będzie stale uruchamiać AI.

Bloom Energy, Williams, Liberty Energy i inne firmy zajmujące się energią i infrastrukturą energetyczną są zatem wielokrotnie wymieniane jako beneficjenci.

Po trzecie, oprogramowanie zabezpieczające.

Niezależnie od tego, czy firmy korzystają z modeli zamkniętych, czy otwartych, muszą chronić tożsamość, dane i aplikacje; a gdy wdrożenia rozprzestrzeniają się z nielicznych platform chmurowych na lokalne i brzegowe środowiska, potrzeby w zakresie bezpieczeństwa tylko się skomplikują.

Z tej perspektywy oprogramowanie zabezpieczające może być niedocenianym kierunkiem drugorzędnych korzyści w rozprzestrzenieniu modeli z otwartymi wagami.

Na koniec

Ogólnie rzecz biorąc, to, co otwarte modele z wagami mogą naprawdę zabić, być może nigdy nie było zapotrzebowaniem na moc obliczeniową, ale wyobrażeniem, że warstwa podstawowych modeli może długoterminowo utrzymywać wysokie czynsze.

Gdy zdolności modeli stają się coraz bardziej powszechne, firmy nie będą już płacić tylko za „uzyskanie inteligencji”, ale zainwestują więcej budżetu w to, jak wdrażać inteligencję, łączyć dane, zarządzać przepływem pracy, chronić systemy i pozwalać modelom na ciągłe generowanie zwrotów w rzeczywistym biznesie.

Moc obliczeniowa nie przejdzie po prostu z wzrostu do spadku - może rozprzestrzenić się z nielicznych super grup treningowych do większej liczby węzłów wnioskowania, centrów danych przedsiębiorstw, suwerennych chmur i urządzeń brzegowych; z jednorazowego wyścigu treningowego modeli stopniowo przekształci się w długoterminowe inwestycje w infrastrukturę obejmującą każdy proces roboczy przedsiębiorstwa.

Dlatego największą zmianą, jaką przynoszą modele z otwartymi wagami, nie jest koniec cyklu wydatków AI CapEx, ale to, że ten cykl wchodzi w nowy etap z większą liczbą uczestników, bardziej rozproszonymi wdrożeniami i dłuższym łańcuchem wartości.

Niniejsza treść ma charakter wyłącznie informacyjny i nie stanowi porady finansowej, inwestycyjnej, prawnej ani podatkowej. Wszelkie wydarzenia, nagrody, promocje online lub powiązane informacje, o których tu mowa, nie powinny być traktowane jako rekomendacja, zachęta ani zaproszenie do kupna, sprzedaży, wymiany lub innego rodzaju obrotu aktywami kryptograficznymi. Aktywa kryptograficzne charakteryzują się dużą zmiennością i mogą prowadzić do strat. Dostępność usług, produktów i powiązanych wydarzeń WEEX może się różnić w zależności od regionu. Użytkownik jest odpowiedzialny za upewnienie się, że jego udział jest zgodny z obowiązującymi lokalnymi przepisami i regulacjami.