Twój mózg działa na 20 watów. AI potrzebuje elektrowni

Ludzki mózg działa na około 20 watów. Najszybszy superkomputer na świecie, LineShine w Shenzhen, pobiera 42,2 miliona watów. Ta różnica stała się ulubionym argumentem w internecie na temat zużycia energii przez AI, a większość z tego jest błędna.

Porównanie samo w sobie jest uzasadnione. Jednak liczby krążące w mediach społecznościowych pochodzą z jednego artykułu. Najbardziej uderzająca z nich była błędnie przypisywana przez trzy lata.

Chiny po raz pierwszy od 2017 roku zajęły pierwsze miejsce w globalnym rankingu superkomputerów.

LineShine. Shenzhen. 2,198 eksaflopów. 2 kwintyliony obliczeń na sekundę. O 20% szybszy niż amerykański El Capitan.

zbudowany całkowicie na krajowych chińskich procesorach. bez Nvidii. bez amerykańskich chipów. bez kontroli eksportu... https://t.co/Tuuk6svl6l pic.twitter.com/fwFKWN0Mr4
--- IT Guy (@T3chFalcon) 24 czerwca 2026

Zużycie energii przez AI: Co właściwie kupuje 20 watów {#h-ai-energy-use-what-20-watts-actually-buys}

Liczba 20 watów opiera się na dziesięcioleciach pomiarów metabolicznych. Mózg stanowi około 2% masy ciała i około 20% spoczynkowego zużycia tlenu.

Liczba neuronów jest bardziej niepewna, niż się wydaje. Powszechnie cytowane 86 miliardów opiera się na czterech męskich mózgach i obecnie jest kwestionowane w czasopiśmie Brain.

Wirusowe posty często używają 12 watów zamiast 20. Ta liczba pojawia się w artykule z 2023 roku w Frontiers in Artificial Intelligence, podana bez jakiejkolwiek cytacji.

Ten sam artykuł wyprodukował liczbę, którą wszyscy dzielą. Jego autorzy oszacowali, że cyfrowe odtworzenie ludzkiego mózgu wymagałoby 2,7 miliarda watów.

To oszacowanie pochodzi z ekstrapolacji symulacji 10 milionów neuronów do skali myszy, a następnie pomnożenia przez tysiąc.

Artykuł stwierdza również, że symulacja działała około 30 000 razy wolniej niż biologia. Posty w mediach społecznościowych pomijają ten szczegół. Źródła wtórne przypisują tę liczbę Projektowi Blue Brain, który nigdy jej nie opublikował.

Wiarygodne liczby istnieją gdzie indziej. Epoch AI oszacowało typowe zapytanie ChatGPT na 0,3 watta-godziny na początku 2025 roku. Recenzowane badanie w Joule później ustaliło 0,31.

Dwie niezależne metody zgadzające się tak blisko są niezwykłe. Jednak liczba ta zmienia się gwałtownie w zależności od obciążenia, a modele rozumowania, które produkują dłuższe odpowiedzi, mogą kosztować kilka razy więcej.

Co biologia robi inaczej, a co silikon skopiował {#h-what-biology-does-differently-and-what-silicon-copied}

Aktywność korowa jest rzadka. Średnie częstotliwości wystrzałów są poniżej 1 Hz, a energia podąża za zmianą, a nie cyklami zegara.

Nowoczesne AI doszło do tego samego wniosku niezależnie. Kimi K2 aktywuje 32,6 miliarda ze swoich 1,04 biliona parametrów na token, blisko 3,1%.

Ten wskaźnik szybko spada. Mixtral użył około 28% swoich parametrów w 2023 roku, podczas gdy DeepSeek-V3 obecnie używa 5,5%.

Biologia oblicza również przy niskiej precyzji. Nic wewnątrz neuronu nie rozwiązuje się do 32 bitów.

Producenci chipów poszli tą samą drogą. DeepSeek wytrenował model o 671 miliardach parametrów w ośmiobitowej precyzji. NVIDIA od tego czasu wstępnie wytrenowała model o 12 miliardach parametrów w czterobitowej precyzji.

Trzecia różnica jest największa i najmniej skopiowana. Mózgi przechowują pamięć i obliczenia w tym samym fizycznym miejscu.

Maszyny cyfrowe oddzielają je. Mark Horowitz ze Stanfordu pokazał koszt tego podziału. Pobranie operandów z pamięci może zużywać setki razy więcej energii niż same obliczenia arytmetyczne.

Chipy w kształcie mózgu, które nigdy nie nadeszły {#h-the-brain-shaped-chips-that-never-arrived}

Sprzęt zbudowany specjalnie w celu naśladowania neuronów miał trudności. Żaden system neuromorficzny ani analogowy nie wytrenował ani nie uruchomił modelu granicznego w produkcji.

Hala Point Intela zawiera 1,15 miliarda sztucznych neuronów rozłożonych na 1 152 chipach. Pozostaje prototypem badawczym zainstalowanym w Sandia National Laboratories. Mike Davies, dyrektor Neuromorphic Computing Lab w Intelu, powiedział w rozmowie z The Register w 2024 roku:

"Nie mapujemy żadnego LLM na Hala Point w tym czasie. Nie wiemy, jak to zrobić."

Obraz komercyjny jest jeszcze bardziej ograniczony. BrainChip jest flagową spółką giełdową w tym sektorze. W zeszłym kwartale zgłosił 700 000 dolarów przychodów od klientów w porównaniu do 5,3 miliona dolarów odpływu operacyjnego.

Inni całkowicie utknęli w martwym punkcie. Rain AI, które starało się o 150 milionów dolarów i nie udało mu się ich pozyskać, rozważało sprzedaż w 2025 roku.

Badacze w tej dziedzinie opisują problem okrężny. Catherine Schuman, adiunkt inżynierii elektrycznej i informatyki na Uniwersytecie Tennessee w Knoxville, stwierdziła:

"Firmy zajmujące się sprzętem czekają na zabójczą aplikację, ale naprawdę trudno jest zrozumieć, jak zbudować te aplikacje, nie mając sprzętu do prototypowania."

Ponad 20 badaczy podpisało konsensusowy dokument w 2025 roku w Nature. Argumentowano w nim, że dziedzina wciąż brakuje potrzebnego ekosystemu.

Zasady biologii wygrały. Sprzęt zbudowany w celu ich ucieleśnienia nie.

Wszyscy licytują o te same elektrony

Efektywność ma teraz znaczenie, ponieważ energia elektryczna stała się ograniczeniem. Międzynarodowa Agencja Energetyczna oszacowała globalne zużycie centrów danych na 485 terawatogodzin w 2025 roku.

Obiekty skoncentrowane na AI wzrosły o 50% tylko w tym roku. Agencja przewiduje, że potroją się do 2030 roku.

Dostęp do sieci, a nie dostawa chipów, teraz decyduje o budowie. Średni czas od wniosku o połączenie do uruchomienia komercyjnego przekracza pięć lat, według Lawrence Berkeley National Laboratory.

Dyrektor generalny Microsoftu, Satya Nadella, powiedział w listopadzie, że jego firma posiada procesory, których nie może podłączyć. Niedobór dotyczy budynków zasilających, a nie krzemu. Inwestorzy instytucjonalni zadali podobne pytania dotyczące gotowości sieci.

Górnicy Bitcoin spędzili dekadę na rozwiązywaniu dokładnie tego problemu. Posiadają zasilane lokalizacje, podpisane umowy na dostawę energii i prawa do połączeń, na które nowi gracze czekają latami.

Wynik przekształcił wydobycie w biznes energetyczny i infrastrukturalny. Przebudowa działającego miejsca kosztuje około 3-4 miliony dolarów za megawat. Budowa od podstaw wynosi od 10 do 12 milionów dolarów, szacuje VanEck.

Ogłoszone wartości umów są ogromne. Publiczni górnicy podpisali umowy AI o łącznej wartości przekraczającej 70 miliardów dolarów.

Dostarczona moc opowiada cichszą historię. Zgłoszenia z drugiego kwartału 2026 roku pokazują, że w sektorze rzeczywiście zasilono około 750 megawatów.

Core Scientific odpowiada za około 437 z tych megawatów. Kampus Helios Galaxy dostarczył 133; TeraWulf 102; IREN 50; a Riot 25. Hut 8 podpisał umowy na 949 megawatów i nie zasilono żadnego.

Zmiana była kosztowna. Łączne kwartalne straty górników MARA i CleanSpark osiągnęły 851 milionów dolarów w sierpniu.

Większość mocy wydobywczej nigdy nie zostanie przekształcona. Wstępne dane z badania Cambridge przedstawione w lipcu pokazały, że około 10% górników przydzieliło moc do AI.

Przeszkody są fizyczne. Wydobycie toleruje przerwy, podczas gdy najemcy AI wymagają stałej mocy, gęstego chłodzenia i światłowodów, których zdalne lokalizacje rzadko mają.

Mimo to kierunek podróży jest jasny. Core Scientific teraz zarabia 83% swoich przychodów z kolokacji, a tylko 13% z samego wydobycia.

Inwestorzy uwzględnili tę zmianę w wycenach. Górnicy posiadający podpisane umowy najmu handlują po znacznie wyższych mnożnikach swojej zasilanej mocy. Tymczasem kolejna inwestycja w AI coraz bardziej wygląda na energię, a nie chipy.

Dlaczego efektywność nie naprawi zużycia energii przez AI

Zyski efektywności pochłonęły wzrost popytu w przeszłości. Globalne obliczenia centrów danych wzrosły o 550% w latach 2010-2018, podczas gdy zużycie energii wzrosło o około 6%.

Następnie wzór się załamał. Zużycie centrów danych w Stanach Zjednoczonych wzrosło z 58 terawatogodzin w 2014 roku do 176 w 2023 roku.

Ewolucja była optymalizowana pod twardym sufitem. Czaszka pobierająca 200 watów zabiłaby swojego właściciela, więc efektywność stała się jedyną dostępną odpowiedzią.

Sztuczna inteligencja nigdy nie napotkała tego sufitu. Zamiast tego zmierzyła się z sufitem kapitałowym, a kapitał rozciąga się znacznie łatwiej niż energia elektryczna.

To się teraz zmienia. Otwarte pytanie nie brzmi już, czy biologia jest bardziej efektywna. Brzmi ono, co stanie się z AI, gdy to moc, a nie pieniądze, decydują o tym, co zostanie zbudowane.