Konsumpcja tokenów AI może wzrosnąć 24-krotnie do 2030 roku, w miarę jak tańsze modele i autonomiczni agenci zwiększają użytkowanie, według Zacha Pandla, szefa badań w zarządzającym aktywami Grayscale. Prognoza, przedstawiona w raporcie firmy „Investing for the Compute Bottleneck”, wskazuje również, że fizyczna infrastruktura potrzebna do uruchamiania tych systemów pozostaje ograniczona. Grayscale argumentuje, że rosnący popyt na moc obliczeniową może wyprzedzać zyski w efektywności, nasilając presję na dostępne centra danych, dostawy energii elektrycznej i procesory GPU.

Tańsze modele AI mogą zwiększyć użytkowanie

Spadające koszty sprawiają, że sztuczna inteligencja staje się bardziej dostępna dla zastosowań i zautomatyzowanych przepływów pracy. Według firmy Anthropic najnowszy model Sonnet kosztuje obecnie nawet o 30% mniej na zadanie, a konkurencja ze strony tańszych modeli open-weight — których parametry są publicznie dostępne dla każdego do pobrania i uruchomienia — wywiera dalszą presję na spadek cen tokenów.

Tokeny mierzą tekst przetwarzany i generowany przez modele AI, a programiści płacą za ich zużycie. W miarę spadku cen firmy mogą znajdować nowe zastosowania AI, które wcześniej były zbyt kosztowne. Raport analizuje, w jaki sposób tańsza inteligencja może wspierać szerszą adopcję.

Agenci AI mogą mnożyć popyt na obliczenia

Niedawno wprowadzone przez OpenAI „dots” to zawsze aktywni agenci zaprojektowani do pracy nad celami użytkowników przez całą dobę. W przeciwieństwie do chatbotów, które odpowiadają na pojedyncze pytania, agenci mogą wykonywać wiele kroków w ramach jednego przepływu pracy. Przygotowanie do spotkania z klientem może na przykład wymagać przejrzenia notatek, analizy zmian w portfelu i opracowania agendy.

Według Grayscale zadania tego rodzaju mogą zużywać od pięciu do 50 razy więcej tokenów niż standardowa interakcja z chatbotem, w zależności od złożoności. W konsekwencji agenci mogą napędzać znaczny wzrost inferencji, czyli obliczeń wymaganych do uruchamiania modeli AI. Goldman Sachs prognozuje, że konsumpcja tokenów może wzrosnąć 24-krotnie do 2030 roku, przypisując ten wzrost w dużej mierze adopcji agentów.

Infrastruktura fizyczna pozostaje wąskim gardłem obliczeniowym

Chociaż modele AIają się coraz bardziej wydajne, całkowity popyt na obliczenia może nadal rosnąć, gdy użytkowanie rośnie szybciej, niż mogą to zrekompensować zyski w efektywności — dynamika przypominająca paradoks Jevonsa, obserwację ekonomiczną z XIX wieku, że większa efektywność może zwiększać, a nie zmniejszać całkowite zużycie zasobu. Zapewnienie niezbędnej infrastruktury wymaga czasu. Dostępność energii, centra danych i procesory GPU pozostają niezbędne do obsługi rosnących obciążeń, a ich ograniczona podaż może ograniczać tempo wzrostu mocy obliczeniowej wraz z adopcją AI.

Grayscale wskazał również na CoreWeave, która niedawno poinformowała o podpisaniu nowych kontraktów po wyższych cenach mocy obliczeniowej, jako na przykład utrzymującej się presji cenowej na infrastrukturę, mimo że koszt pojedynczych zadań AI spada.

Analiza Pandla argumentuje, że tańsze modele i bardziej zdolni agenci mogą zwiększyć użytkowanie na tyle, aby przewyższyć zyski w efektywności. W tym scenariuszu popyt może przynieść korzyści właścicielom deficytowej fizycznej infrastruktury obliczeniowej. Jak rozwinie się równowaga między spadającymi kosztami tokenów a rosnącymi cenami infrastruktury, może stać się widoczne w kolejnych obniżkach cen modeli przez dostawców takich jak Anthropic, w ujawnianiu kontraktów przez operatorów takich jak CoreWeave oraz w rewizjach prognoz popytu, takich jak 24-krotna prognoza Goldman Sachs.