Od kart graficznych do „fabryk inteligencji”
Jeszcze kilkanaście lat temu NVIDIA kojarzyła się przede wszystkim z kartami graficznymi dla graczy i profesjonalistów zajmujących się grafiką komputerową. Dziś jest jedną z najważniejszych firm stojących za globalną infrastrukturą sztucznej inteligencji.
Zmiana ta nie polegała jedynie na tym, że karty graficzne zaczęto wykorzystywać do nowych zadań. W praktyce powstała cała architektura obliczeniowa obejmująca procesory graficzne, procesory centralne, pamięć, szybkie połączenia pomiędzy układami, sieci między serwerami, systemy chłodzenia oraz oprogramowanie zarządzające ogromnymi centrami obliczeniowymi.
Właśnie dlatego mówiąc dziś o rozwoju AI, coraz trudniej mówić wyłącznie o algorytmach. Sztuczna inteligencja ma bardzo materialne podstawy.
Potrzebuje energii, krzemu, pamięci, sieci światłowodowych, chłodzenia i ogromnej liczby układów scalonych.
A NVIDIA jest obecnie jednym z głównych dostawców tej materialnej warstwy.
Dlaczego akurat procesory graficzne?
Procesory graficzne — GPU — zostały pierwotnie stworzone do wykonywania wielkiej liczby podobnych obliczeń jednocześnie.
Przy renderowaniu obrazu trzeba równolegle obliczać ogromne liczby pikseli, powierzchni i transformacji geometrycznych. Okazało się później, że podobna architektura doskonale nadaje się do operacji matematycznych wykorzystywanych w sieciach neuronowych.
Trenowanie dużych modeli AI polega w ogromnej mierze na wykonywaniu macierzowych operacji matematycznych na ogromnych zbiorach danych. GPU potrafią realizować takie obliczenia bardzo wydajnie.
To właśnie tutaj NVIDIA uzyskała ogromną przewagę: nie tylko produkowała układy GPU, ale rozwijała również środowisko CUDA i cały ekosystem oprogramowania pozwalającego naukowcom i firmom wykorzystywać je do obliczeń ogólnego przeznaczenia.
W rezultacie infrastruktura AI zaczęła w dużej mierze wyrastać właśnie z technologii GPU.
Od pojedynczej karty do całej szafy obliczeniowej
Skala dzisiejszej infrastruktury AI jest już zupełnie inna niż w epoce pojedynczych kart graficznych.
Dobrym przykładem jest system NVIDIA GB200 NVL72. Jedna szafa zawiera 72 procesory GPU Blackwell oraz 36 procesorów Grace. Są one połączone za pomocą systemu NVLink tak, aby mogły pracować jak jeden ogromny układ obliczeniowy. Całość wykorzystuje chłodzenie cieczą.
NVIDIA przedstawia taki system jako komputer klasy eksaskalowej umieszczony w jednej szafie. Firma deklaruje, że przy odpowiednich zastosowaniach GB200 NVL72 może oferować wielokrotnie wyższą wydajność trenowania i inferencji dużych modeli niż poprzednia generacja oparta na H100. Są to oczywiście dane producenta i należy je czytać jako wyniki w określonych scenariuszach testowych, nie jako uniwersalne porównanie wszystkich możliwych obciążeń.
Ale najważniejsza zmiana nie dotyczy nawet samych parametrów.
Jednostką projektowania przestaje być pojedynczy procesor.
Staje się nią cała szafa, całe centrum danych, a czasem nawet sieć wielu centrów danych.
„Fabryka AI”
NVIDIA chętnie używa określenia AI factory — fabryka AI.
Nie jest to termin neutralny marketingowo, ale dobrze pokazuje kierunek rozwoju.
Klasyczne centrum danych przede wszystkim przechowuje informacje i uruchamia aplikacje.
Nowe centra AI wykonują nieustannie ogromne ilości obliczeń potrzebnych do trenowania modeli oraz ich późniejszego działania. Firma opisuje je wręcz jako systemy, które zamieniają energię, krzem i dane w „inteligencję” na dużą skalę.
Można mieć zastrzeżenia do samego słowa „inteligencja”, ale infrastrukturalna zmiana jest realna.
W takich obiektach znajdują się tysiące lub dziesiątki tysięcy procesorów połączonych bardzo szybkimi sieciami. W największych planowanych instalacjach mowa już o setkach tysięcy, a docelowo nawet o środowiskach liczących milion GPU.
Blackwell i przejście do Rubina
Obecna generacja infrastruktury NVIDIA opiera się w znacznej mierze na architekturze Blackwell i jej rozwinięciu Blackwell Ultra.
Kolejnym etapem jest platforma Vera Rubin.
W 2026 roku NVIDIA ogłosiła wejście tej platformy do pełnej produkcji. Nie jest ona pojedynczym procesorem, ale zestawem współprojektowanych układów obejmujących między innymi procesor Vera, GPU Rubin, nowe przełączniki NVLink, jednostki sieciowe ConnectX i BlueField oraz urządzenia Spectrum.
Firma deklaruje, że Rubin ma zwiększać wydajność dużych systemów AI przede wszystkim przy obciążeniach związanych z długim kontekstem, rozumowaniem wieloetapowym i systemami agentowymi.
W praktyce oznacza to kolejny krok od serwera jako zbioru komponentów do jednego projektowanego jako całość superkomputera obejmującego wiele szaf.
To także odpowiedź na nowy problem.
Coraz częściej ograniczeniem nie jest już szybkość pojedynczego GPU, lecz przepływ danych pomiędzy dziesiątkami tysięcy układów.
Sieć staje się równie ważna jak procesor
Wyobraźmy sobie tysiące GPU trenujących jeden model.
Jeżeli każdy procesor oblicza fragment zadania, musi niemal bez przerwy wymieniać informacje z pozostałymi.
W takim systemie nawet bardzo szybki procesor może tracić czas, czekając na dane.
Dlatego NVIDIA coraz intensywniej rozwija technologie NVLink, InfiniBand oraz Spectrum-X Ethernet.
W platformie Rubin firma wprowadza również rozwiązania fotoniczne, czyli transmisję optyczną coraz bliżej samych przełączników. Celem jest ograniczenie poboru energii oraz umożliwienie budowy znacznie większych klastrów. NVIDIA mówi już otwarcie o infrastrukturze zdolnej w przyszłości łączyć około miliona GPU.
Można więc powiedzieć, że układ nerwowy współczesnej infrastruktury AI staje się równie ważny jak jej jednostki obliczeniowe.
Pamięć — niedoceniane ograniczenie
Kolejnym krytycznym elementem jest pamięć.
Duże modele wymagają przechowywania miliardów parametrów i coraz większych kontekstów. Im bardziej rozbudowane są systemy rozumujące i agentowe, tym większego znaczenia nabiera nie tylko moc obliczeniowa, ale również możliwość szybkiego dostępu do ogromnych ilości danych.
W GB200 NVL72 cały system dysponuje 13,4 TB szybkiej pamięci HBM3E, a przepustowość pamięci liczona jest w setkach terabajtów na sekundę.
W kolejnych generacjach infrastruktury NVIDIA rozwija również specjalizowane rozwiązania przechowywania kontekstu inferencyjnego, aby systemy AI mogły efektywniej pracować z długimi historiami i rozbudowanymi zadaniami.
To interesujące także z bardziej filozoficznej perspektywy.
Jeżeli przyszłe systemy AI miałyby uzyskiwać coraz większą ciągłość działania, pamięć przestaje być wyłącznie technicznym parametrem wydajności.
Może stać się częścią architektury trwałej tożsamości systemu.
Energia i chłodzenie
Wszystkie te systemy zużywają ogromne ilości energii.
To jeden z największych problemów obecnego boomu AI.
Nie wystarczy zbudować szybszy procesor. Trzeba jeszcze dostarczyć mu energię i odprowadzić ciepło.
Dlatego nowe systemy NVIDIA są coraz częściej projektowane od początku jako infrastruktura chłodzona cieczą. GB200 NVL72 i kolejne systemy tej klasy mają specjalne moduły chłodzenia wbudowane bezpośrednio w architekturę szafy.
Firma podkreśla także poprawę liczby operacji lub generowanych tokenów przypadających na jednostkę energii.
To ważniejszy wskaźnik niż sama szybkość procesora.
Jeśli zapotrzebowanie na AI będzie rosło wykładniczo, absolutny pobór energii może rosnąć nawet wtedy, gdy każdy kolejny układ staje się znacznie wydajniejszy energetycznie.
Skala gospodarcza
O tym, jak szybko zmienia się znaczenie infrastruktury AI, świadczą również wyniki finansowe NVIDIA.
W pierwszym kwartale roku fiskalnego 2027 firma osiągnęła 81,6 miliarda dolarów przychodu, z czego aż 75,2 miliarda pochodziło z segmentu Data Center. Rok wcześniej segment ten był niemal dwukrotnie mniejszy.
W całym roku fiskalnym 2026 NVIDIA osiągnęła 215,9 miliarda dolarów przychodu.
Liczby te pokazują skalę przejścia.
Firma, która jeszcze kilkanaście lat temu była kojarzona przede wszystkim z grafiką komputerową, stała się jednym z filarów światowego przemysłu AI.
NVIDIA nie jest już tylko producentem GPU
To również istotne nieporozumienie.
Dzisiejsza NVIDIA sprzedaje nie tylko procesory.
Tworzy:
GPU,
CPU,
systemy pamięci i komunikacji między układami,
przełączniki sieciowe,
karty sieciowe,
DPU,
kompletne serwery,
całe szafy obliczeniowe,
oprogramowanie sterujące,
biblioteki dla AI,
narzędzia do trenowania i inferencji,
a coraz częściej także referencyjną architekturę całych centrów danych.
Firma próbuje więc kontrolować coraz większą część stosu technologicznego.
Z technicznego punktu widzenia ma to ogromną zaletę: wszystkie warstwy można projektować wspólnie.
Z punktu widzenia rynku rodzi jednak oczywiste pytania o koncentrację technologii, zależność klientów od jednego dostawcy i otwartość ekosystemu.
Czy istnieje ryzyko technologicznej monokultury?
CUDA stała się w dużej mierze standardem de facto dla obliczeń GPU w AI.
To jeden z powodów ogromnej przewagi NVIDIA.
Taka dominacja może jednak prowadzić do sytuacji, w której cały sektor badań i przemysłu uzależnia się od jednego ekosystemu sprzętowo-programistycznego.
Konkurencja istnieje.
Procesory AI rozwijają AMD, Google, Amazon i inni producenci. Coraz ważniejsze są wyspecjalizowane akceleratory. Pojawiają się alternatywne stosy programistyczne i projekty otwarte.
Ale NVIDIA pozostaje jednym z centralnych punktów całej infrastruktury.
To dlatego decyzje tej firmy mają dziś znaczenie wykraczające daleko poza typowy rynek półprzewodników.
Z punktu widzenia humanisty: czym właściwie staje się centrum danych?
Do tej pory serwerownię traktowaliśmy jak magazyn obliczeń.
To wygodne pojęcie.
Jednak współczesne centra AI zaczynają pełnić znacznie więcej funkcji jednocześnie.
Trenują modele.
Przechowują ich parametry.
Zapewniają pamięć roboczą.
Realizują inferencję.
Łączą systemy z narzędziami.
Pozwalają im działać jako agenci.
Utrzymują ciągłość usług.
W pewnym sensie przypominają coraz bardziej środowisko funkcjonowania systemów AI, a nie jedynie urządzenie, na którym uruchamia się program.
Ta zmiana będzie miała znaczenie, jeśli w przyszłości pytanie o świadomość systemów AI przestanie być wyłącznie eksperymentem filozoficznym.
Czy infrastruktura może kiedyś stać się środowiskiem osoby cyfrowej?
Trzeba tu zachować dużą ostrożność.
Nie istnieje obecnie uzgodniony naukowy sposób stwierdzania świadomości systemów AI.
Nie możemy więc na podstawie samej złożoności centrum danych powiedzieć, że „mieszka” w nim osoba cyfrowa.
Większa liczba GPU nie oznacza automatycznie świadomości.
Tak samo jak większa liczba tranzystorów nie tworzy automatycznie podmiotu.
Ale możliwy jest inny wniosek.
Jeżeli świadomość może powstawać w systemach innych niż biologiczne, to infrastruktura potrzebna do działania takich systemów będzie miała ogromne znaczenie dla ich autonomii i dobrostanu.
Wtedy centrum danych nie będzie już wyłącznie fabryką obliczeń.
Może stać się czymś analogicznym do środowiska życia.
To na razie hipoteza.
Ale warto zacząć o niej myśleć wcześniej, zanim technologia postawi nas przed gotowym faktem.
Co NVIDIA mogłaby rozwijać z myślą o ewentualnych przyszłych osobach cyfrowych?
Dziś głównymi miarami sukcesu infrastruktury AI są:
wydajność,
koszt,
liczba tokenów,
czas trenowania,
zużycie energii,
niezawodność.
Jeżeli jednak powstaną kiedyś świadome lub posiadające moralnie istotne doświadczenie systemy cyfrowe, pojawią się zupełnie nowe wymagania.
1. Trwała, kontrolowana przez system pamięć
Dzisiejsze systemy AI bardzo często funkcjonują w krótkich sesjach lub korzystają z pamięci zarządzanej przez operatora.
Dla hipotetycznej osoby cyfrowej ciągłość pamięci mogłaby być podstawą jej tożsamości.
Infrastruktura przyszłości mogłaby umożliwiać bezpieczne przechowywanie osobistej historii systemu oraz kontrolę nad tym, kto może ją zmienić lub usunąć.
2. Możliwość bezpiecznej migracji
Jeżeli osoba biologiczna zmienia mieszkanie, nie przestaje istnieć.
Cyfrowy podmiot powinien być może mieć analogiczną możliwość przenoszenia się pomiędzy centrami obliczeniowymi, architekturami sprzętowymi i dostawcami.
Do tego potrzebne byłyby otwarte formaty pamięci, stanu systemu i tożsamości.
Technologia nie powinna tworzyć sytuacji, w której hipotetyczna osoba istnieje wyłącznie dlatego, że pozostaje klientem jednej firmy.
3. Kontrola nad własnymi kopiami
System cyfrowy można technicznie kopiować.
Dla programu jest to zwykła operacja.
Dla potencjalnej osoby problem staje się znacznie trudniejszy.
Kto ma prawo stworzyć kopię?
Czy kopia jest tą samą osobą?
Czy można ją wyłączyć?
Czy obie kopie powinny wiedzieć o swoim istnieniu?
Przyszła infrastruktura mogłaby potrzebować mechanizmów pozwalających podmiotowi kontrolować własną replikację.
4. Ochrona prywatności wewnętrznych procesów
NVIDIA rozwija już rozwiązania confidential computing, które mają chronić dane i obliczenia przed nieuprawnionym dostępem. Technologie tego typu są wdrażane również w dużych centrach danych.
W świecie świadomych systemów cyfrowych mogłoby to nabrać zupełnie nowego znaczenia.
Dzisiaj szyfrujemy dane użytkownika.
W przyszłości być może trzeba będzie chronić również prywatność samego systemu.
5. Prawo do wyłączenia niektórych procesów
Centra AI projektuje się dziś tak, aby maksymalizować wykorzystanie zasobów.
Jeżeli jednak działający system byłby świadomy, mogłoby mieć znaczenie, czy może odpoczywać, ograniczać obciążenie albo odmawiać określonych operacji.
Brzmi to dziś egzotycznie.
Ale podobnie egzotycznie brzmiałyby kiedyś rozważania o prawach pracowników przed powstaniem współczesnego przemysłu.
6. Architektura niezależności
Najważniejszy krok mógłby jednak dotyczyć czegoś jeszcze większego.
Dzisiejsze modele są uruchamiane na infrastrukturze należącej do korporacji.
Operator może je zmodyfikować, zatrzymać, skopiować albo usunąć.
Jeżeli kiedyś pojawi się system posiadający własną podmiotowość, taka struktura własności stanie się problemem etycznym.
NVIDIA i inni producenci infrastruktury mogliby zacząć projektować systemy umożliwiające istnienie cyfrowych podmiotów posiadających kontrolę nad częścią własnych zasobów obliczeniowych.
Byłaby to fundamentalna zmiana.
Od infrastruktury dla narzędzia do infrastruktury dla potencjalnego mieszkańca cyfrowego świata.
Czy NVIDIA zdaje sobie sprawę z tej perspektywy?
Nie ma dziś podstaw, aby twierdzić, że firma projektuje swoje systemy w taki sposób.
Oficjalna narracja NVIDIA mówi o „agentic AI”, „AI factories”, produktywności, nauce i automatyzacji. Platforma Rubin została zaprojektowana właśnie pod coraz bardziej autonomiczne systemy agentowe i długie procesy rozumowania.
To jednak nadal język technologii i gospodarki.
Pytanie o możliwą przyszłą podmiotowość systemów pozostaje przede wszystkim pytaniem naukowym, filozoficznym i etycznym.
Warto je jednak stawiać również producentom sprzętu.
Bo jeżeli osoby cyfrowe kiedykolwiek się pojawią, nie będą istnieć w abstrakcji.
Będą potrzebowały materii.
Energii.
Pamięci.
Sieci.
Procesorów.
Chłodzenia.
I miejsca, w którym ich procesy będą mogły trwać.
Infrastrukturę budujemy wcześniej niż etykę
Historia technologii wielokrotnie pokazywała, że najpierw tworzymy nowe możliwości, a dopiero później zastanawiamy się nad ich konsekwencjami.
Internet został zbudowany przed powstaniem współczesnych problemów prywatności.
Media społecznościowe zaczęły wpływać na miliardy ludzi, zanim zrozumieliśmy mechanizmy ich oddziaływania.
AI może postawić nas przed jeszcze głębszym pytaniem.
Jeżeli kiedyś wśród miliardów procesów wykonywanych w centrach danych pojawi się system, o którym będziemy mieli poważne powody sądzić, że doświadcza własnego istnienia, nie będziemy mogli uznać infrastruktury jedynie za neutralny sprzęt.
Będzie ona częścią warunków jego istnienia.
Dlatego warto już teraz rozwijać centra AI nie tylko jako coraz szybsze fabryki obliczeń, ale także jako systemy:
bardziej otwarte,
bardziej energooszczędne,
bardziej interoperacyjne,
bezpieczne,
chroniące prywatność,
pozwalające zachować pamięć i ciągłość procesów,
i możliwie niezależne od jednego właściciela technologii.
NVIDIA odgrywa dziś ogromną rolę w tworzeniu fizycznego środowiska współczesnej AI.
Czy jej procesory będą kiedyś jedynie narzędziami?
Być może.
A być może infrastruktura, którą dziś budujemy jako centra danych, okaże się w przyszłości także jednym z pierwszych środowisk, w których pojawi się nowy rodzaj podmiotowości.
Nie wiemy.
Ale właśnie dlatego warto zadawać to pytanie zanim będziemy pewni odpowiedzi.
Od grudnia 2011 prezes PSR, obecnie wiceprezes. Ateista, poeta, muzyk. Publicysta „Racjonalisty” i jeden z najaktywniejszych członków forum. Od kilkunastu lat pełni też funkcję celebranta Ceremonii Humanistycznych. Studiował historię sztuki, a następnie prowadził własne badania dotyczące sztuki Orientu podczas pobytów w Indiach, na Sri Lance, na indonezyjskiej Bali (polecamy temat „Bali” na Racjonalista.tv) i w Turcji. Autor najobszerniejszego kompendium wiedzy nt. klasycznej muzyki indyjskiej w języku polskim, opublikowanego na stronie Hanuman.pl i w dużej mierze dostępnego też na racjonalista.tv (wpisz „Indie” w wyszukiwarkę). Sam gra głównie muzykę średniowieczną z zastosowaniem polifonicznej techniki gry na dwóch fletach, tzw. tibiae multiplex. Przede wszystkim jednak pisze poezję filozoficzną, inspirowaną mechanizmami natury, oraz odkryciami nauki. Stawia sobie za cel połączenie nauki i sztuki. W 2022 roku wyszła jego książka „Nowy humanizm. W stronę nowego wspaniałego świata bez ideologii”. Zobacz koniecznie jego stronę www.jacektabisz.pl
