Współzałożyciel Ethereum Vitalik Buterin pojawił się 17 października 2026 r. na X z porównaniem ekonomiki zużycia energii, zestawiając sposób wydawania pieniędzy w wydobyciu Bitcoina i w inferencji AI. Jego główna obserwacja jest prosta: koszty wydobycia Bitcoina dzielą się na sprzęt i energię elektryczną, podczas gdy wydatki na inferencję AI koncentrują się niemal całkowicie w sprzęcie.

Liczby stojące za tym podziałem

Przywoływane w porównaniu szacunki określają koszt wydobycia jednego Bitcoina na około 93 700 USD. Z tej kwoty około 37 600 USD, czyli 40%, przypada na nakłady kapitałowe na moc obliczeniową — koszt początkowy zakupu koparek. Energia elektryczna odpowiada za około 40 600 USD, czyli 43,3%. Inaczej mówiąc, rachunek za sprzęt i rachunek za energię, która go napędza, są niemal wyrównane.

Inferencja AI przedstawia zupełnie inny obraz. Inferencja to etap, na którym wytrenowany model odpowiada na pytania, generuje obrazy lub pisze kod dla użytkowników. Szacowany koszt wynosi tam około 26 260 USD za rok pracy GPU, z czego nakłady kapitałowe na sprzęt obliczeniowy stanowią około 19 900 USD, czyli 76% całości. Energia elektryczna to od 1050 do 1260 USD, czyli zaledwie 4–4,8%. Dla operatora AI rachunek za prąd jest bliższy zaokrągleniu niż tematowi strategicznemu.

Rozbieżność pogłębia się na poziomie obiektów. Budowa i prowadzenie farmy wydobywczej Bitcoina szacowane jest na 700 000 USD do 1 mln USD za megawat, podczas gdy infrastruktura AI kosztuje około 20 mln USD za megawat.

Dlaczego struktura kosztów ma większe znaczenie niż suma

Analiza Buterina koncentruje się na tym, z czego skład się koszty, a nie na tym, który sektor wydaje więcej lub ogółem zużywa więcej energii. Nie próbuje ona zrównywać wydatków bezwzględnych ani całkowitego zużycia energii między tymi dwiema branżami.

Ta struktura określa również, jakimi dźwigniami może posłużyć się każda z branż: górnicy mogą szukać tańszej energii, podczas gdy główne oszczędności operatorów AI płyną z wyciskania większej wydajności ze sprzętu, który już opłacili.

Górnicy Bitcoina pozostają wysoce wrażliwi na bieżące koszty energii, ponieważ elektryczność stanowi tak dużą część kosztów wydobycia każdej monety. Ta wrażliwość od dawna kształtuje lokalizacje operacji wydobywczych, które gravitują ku tanim źródłom energii. Ekonomika operatorów AI zależy natomiast od efektywności i wykorzystania sprzętu — czyli od tego, ile użytecznej pracy wykonuje każdy drogi GPU w trakcie swojego cyklu życia.

Tło: dwie branże goniące tę samą energię

Wydobycie Bitcoina i centra danych AI coraz częściej konkurują o te same zasoby: przyłącza do sieci, tanią energię i przestrzeń fizyczną.

Wydobycie opiera się na systemie proof-of-work, w którym maszyny ścigają się w rozwiązywaniu zagadek, a zwycięzca zdobywa nowo wyemitowane Bitcoiny. Energia elektryczna jest strukturalnym wkładem w ten proces, co pomaga wyjaśnić, dlaczego stanowi tak duży kawałek szacunku kosztów.

Ethereum, sieć współtworzona przez Buterina, porzuciło proof-of-work wiele lat temu, przechodząc na proof-of-stake we wrześniu 2022 r. Gdy wypowiada się na temat energetycznej ekonomiki Bitcoina, mówi jako ktoś, którego własny łańcuch już nie płaci tego rachunku.

Inferencja AI z kolei żyje i umiera dzięki wyspecjalizowanym chipom. Te układy są kosztowne, a centra danych, które je mieszczą, są znacznie droższe w budowie na megawat, jak pokazują szacunki na poziomie obiektów.

Implikacje dla górników i operatorów

Skoro energia elektryczna stanowi ponad 40% kosztów wydobycia monety, górnicy z dostępem do taniej, stabilnej energii mają przewagę strukturalną, a ci narażeni na zmienne rynki energii ponoszą realne ryzyko marżowe.

Niektórzy górnicy mogliby rozważyć przekształcenie swojej infrastruktury pod zastosowania AI, gdzie efektywność kapitałowa może być większa. Szacunki podkreślają jednak skalę takiego zwrotu: farmy wydobywcze kosztują od 700 000 USD do 1 mln USD za megawat, podczas gdy infrastruktura AI to około 20 mln USD za megawat. Górnik zmierzający w stronę AI podejmowałby się radykalnie innego zobowiązania kapitałowego, zamienia ryzyko energetyczne na ryzyko sprzętowe i ryzyko wykorzystania mocy.

Po stronie AI, przy udziale energii wynoszącym około 4–4,8% kosztów inferencji, presja spada na utrzymanie GPU w ciągłym i efektywnym ruchu, ponieważ bezczynny sprzęt generujący 19 900 USD rocznie nakładów kapitałowych to drogi zasób, żeby zostawiać go niewykorzystanym. Dla wszystkich śledzących obie branże cenami energii i wskaźnikami wykorzystania GPU są liczby, które najbezpośredniej wynikają z tego podziału kosztów.