Artykuł · Technologia
Boom na AI w liczbach
Od 2010 moc obliczeniowa używana do trenowania znaczących modeli AI podwaja się co 5,7 miesiące — ×4,3 rocznie, według trendu dopasowanego do modeli z danych Epoch AI (liczba modeli: 481). Microsoft, Alphabet, Amazon, Meta i Oracle wydały $691 mld na rzeczowe aktywa trwałe w czterech kwartałach do wrześniu 2026, czyli 4,5 raza więcej niż w czterech kwartałach przed premierą ChatGPT. Przychody NVIDIA w roku obrotowym 2026 wyniosły $216 mld, czyli 8,01 raza więcej niż w roku obrotowym 2023.
×4,3 rocznie od 2010, trend dopasowany do znaczących modeli (liczba: 481); przed 2010: co 20,5 miesiące
GPT-6 Astra, OpenAI, wrz 2026
1 w 2019; łącznie 326 z oszacowaniem
Microsoft, Alphabet, Amazon, Meta i Oracle; $154 mld w czterech kwartałach do wrześniu 2022
rok obrotowy 2023: $27 mld; zysk netto $120 mld, czyli 56% przychodów
Moc obliczeniowa treningu podwaja się co 5,7 miesiące
Każdy punkt to jeden z 543 znaczących modeli AI, dla których Epoch AI ma oszacowanie mocy obliczeniowej treningu: liczby operacji zmiennoprzecinkowych (FLOP) — dodawań i mnożeń — włożonych w jego wytrenowanie. Zakres sięga od Theseus, mechaniczna mysz Claude'a Shannona rozwiązująca labirynty, z roku 1950, wytrenowanego z użyciem 40 FLOP, do największego dotąd modelu, GPT-6 Astra firmy OpenAI (wrz 2026), z 9,4×10²⁶ FLOP.
Skala jest logarytmiczna, więc prosta oznacza stały wzrost wykładniczy. Linia najmniejszych kwadratów dla modeli opublikowanych od 2010 (liczba: 481) rośnie ×4,3 rocznie: moc obliczeniowa treningu podwajała się co 5,7 miesiące, a dziesięć lat wzdłuż tej linii to wzrost: 2,15 mln razy. Dla modeli sprzed 2010 (liczba: 62) wzrost wynosił ×1,5 rocznie, czyli podwojenie co 20,5 miesiące. Modele graniczne — pięć największych pod względem mocy obliczeniowej w chwili premiery — podwajały się co 5,4 miesiące od 2010 (liczba modeli: 72).
Te liczby są szacunkami. Epoch ocenia 59% z nich jako pewne (błąd do 3 razy w górę lub w dół), 28% jako prawdopodobne (do 10 razy) i 12% jako spekulatywne (do około 31 razy); spekulatywne oznaczono pustymi kropkami. Bez nich trend od 2010 to podwojenie co 5,6 miesiące.
Trendy w tabeli
| Modele | Liczba | Czas podwojenia | Wzrost rocznie | R² |
|---|---|---|---|---|
| Znaczące modele sprzed 2010 | 62 | 20,5 miesiące | ×1,5 | 0,69 |
| Znaczące modele od 2010 | 481 | 5,7 miesiące | ×4,3 | 0,66 |
| Modele graniczne od 2010 | 72 | 5,4 miesiące | ×4,6 | 0,97 |
| Modele językowe od 2010 | 302 | 4,9 miesiące | ×5,5 | 0,68 |
| Od 2010, bez spekulatywnych oszacowań | 422 | 5,6 miesiące | ×4,4 | 0,67 |
Metoda najmniejszych kwadratów dla log₂ mocy obliczeniowej treningu względem daty publikacji w latach; czas podwojenia = 12 ÷ nachylenie (w miesiącach), wzrost rocznie = 2^nachylenie. R² to udział rozrzutu logarytmu mocy obliczeniowej wyjaśniany przez prostą.
Największy model każdego roku
Od 2010 rekord mocy obliczeniowej padł 24 razy. Największy model roku 2010, RNN LM, wytrenowano z użyciem 5,4×10¹⁶ FLOP; GPT-6 Astra zużył 17,4 mld razy więcej.
Epoch AI szacuje też koszt mocy obliczeniowej treningu dla części modeli (liczba: 178), w dolarach z 2023 r. Najwyższe oszacowanie to $388 mln, dla Grok 4 (xAI, 2025); powyżej $100 mln: 3 modele. Największy pobór mocy w danych, około 233 megawatów, miał zestaw 100 000 układów, na którym wytrenowano GPT-6 Astra — według szacunków Epoch.
| Rok | Model i twórca | Moc obliczeniowa treningu, FLOP | × rok wcześniej | Koszt obliczeń, dolary z 2023 r. |
|---|---|---|---|---|
| 2010 | RNN LMJohns Hopkins University · Stany Zjednoczone | 5,4×1016spekulatywne | — | — |
| 2011 | CNN Committee (MNIST)IDSIA · Szwajcaria | 5,2×1016prawdopodobne | ×0,96 | — |
| 2012 | Unsupervised High-level Feature LearnerGoogle · Stany Zjednoczone | 6,0×1017prawdopodobne | ×11,5 | $16 |
| 2013 | DistBelief NNLMGoogle · Stany Zjednoczone | 2,6×1018prawdopodobne | ×4,35 | $3,26 tys. |
| 2014 | SNM-skipGoogle · Stany Zjednoczone | 3,0×1020spekulatywne | ×114 | — |
| 2015 | AlphaGo FanDeepMind · Wielka Brytania | 3,8×1020prawdopodobne | ×1,28 | $4,83 tys. |
| 2016 | GNMTGoogle · Stany Zjednoczone | 6,6×1021prawdopodobne | ×17,4 | $201 tys. |
| 2017 | JFTGoogle Research, Carnegie Mellon University (CMU) · Stany Zjednoczone | 8,4×1020pewne | ×0,13 | $17,9 tys. |
| 2018 | ResNeXt-101 32x48dFacebook · Stany Zjednoczone | 8,7×1021pewne | ×10,4 | $134 tys. |
| 2019 | AlphaStarDeepMind · Wielka Brytania | 1,1×1023pewne | ×12,3 | $131 tys. |
| 2020 | GPT-3 175B (davinci)OpenAI · Stany Zjednoczone | 3,1×1023pewne | ×2,91 | $2,12 mln |
| 2021 | FLAN 137BGoogle Research · Stany Zjednoczone | 2,0×1024pewne | ×6,52 | — |
| 2022 | Minerva (540B)Google · Stany Zjednoczone | 2,7×1024pewne | ×1,34 | — |
| 2023 | Gemini 1.0 UltraGoogle DeepMind · Stany Zjednoczone | 5,0×1025spekulatywne | ×18,2 | $30,7 mln |
| 2024 | Llama 3.1-405BMeta AI · Stany Zjednoczone | 3,8×1025pewne | ×0,76 | $52,9 mln |
| 2025 | Grok 4xAI · Stany Zjednoczone | 5,0×1026spekulatywne | ×13,2 | $388 mln |
| 2026dotychczas | GPT-6 AstraOpenAI · Stany Zjednoczone | 9,4×1026prawdopodobne | ×1,88 | — |
Znaczący model o największej mocy obliczeniowej treningu opublikowany w danym roku; × rok wcześniej porównuje go z największym modelem poprzedniego roku. Pod mocą obliczeniową: na ile pewne jest oszacowanie Epoch AI. Koszt: oszacowanie Epoch AI, jeśli je ma.
Klub 10²³ FLOP
Epoch AI prowadzi listę modeli wielkoskalowych: wytrenowanych z użyciem ponad 10²³ FLOP, czyli stałego progu, którego używają niektóre regulacje dotyczące AI. Dla 326 z nich ma oszacowanie mocy obliczeniowej. Pierwszym był AlphaStar w 2019; w 2025 granicę przekroczyło: 104 modele, a w 2024: 101.
Pierwszymi modelami powyżej wyższych progów były: Wu Dao 2.0: ponad 10²⁴ (2021), GPT-4: ponad 10²⁵ (2023) i Grok 3: ponad 10²⁶ (2025). Modele powyżej 10²⁵ FLOP opublikowane w 2025: 9. Spośród wszystkich modeli z klubu w tym roku (104) z otwartymi wagami, które każdy może pobrać i uruchomić, wydano: 90; wyłącznie przez API lub usługę hostowaną: 10; nie wydano: 4.
Rok 2026 się nie skończył: do 10 listopadzie 2026 lista zawiera 27 modeli z oszacowaniem. Epoch dodaje nowe modele w ciągu tygodni, a oszacowania mocy obliczeniowej później, więc najnowsze miesiące uzupełniają się z czasem. Lista zawiera też modele wielkoskalowe bez oszacowania mocy obliczeniowej: 208 modeli; nie są tu liczone.
Kwadraty w tabeli
| Rok | Ponad 10²³ | Ponad 10²⁴ | Ponad 10²⁵ | Ponad 10²⁶ | Bez oszacowania |
|---|---|---|---|---|---|
| 2019 | 1 | 0 | 0 | 0 | 0 |
| 2020 | 2 | 0 | 0 | 0 | 0 |
| 2021 | 10 | 3 | 0 | 0 | 0 |
| 2022 | 23 | 3 | 0 | 0 | 8 |
| 2023 | 58 | 17 | 3 | 0 | 63 |
| 2024 | 101 | 39 | 6 | 0 | 66 |
| 2025 | 104 | 71 | 9 | 3 | 61 |
| 2026dotychczas | 27 | 25 | 7 | 1 | 10 |
Modele z oszacowaniem mocy obliczeniowej, według roku publikacji; model powyżej 10²⁵ FLOP liczy się też jako powyżej 10²⁴ i 10²³. Bez oszacowania: na liście wielkoskalowej Epoch, ale bez wartości mocy obliczeniowej.
Kto je buduje
Organizacje ze Stanów Zjednoczonych pracowały nad 135 z 326 modeli powyżej 10²³ FLOP, a organizacje z Chin nad 139; dalej plasują się Korea Południowa (17), Francja (10) i Zjednoczone Emiraty Arabskie (8). Model zbudowany przez kilka organizacji liczy się raz dla każdego z ich krajów.
Najwięcej pochodziło od Alibaba (36), Meta AI (24) i Nvidia (20). Grupy podano tak jak w danych, więc te należące do Google są liczone osobno: Google, Google DeepMind, Google Research, DeepMind i Google Brain.
Modele z oszacowaniem mocy obliczeniowej; model liczy się raz dla każdego kraju i każdej organizacji, które wymienia. Organizacje tak, jak nazywa je Epoch AI.
Firmy, a nie uczelnie
Podział 109 znaczących modeli opublikowanych w 2025: wyłącznie firmy — 92%, firmy wspólnie z uczelniami — 5%, same uczelnie — 2%. W latach 2010–2014 same firmy opracowały 19% z nich.
Pieniądze: nakłady inwestycyjne Big Tech
Trenowanie i uruchamianie modeli AI wymaga centrów danych pełnych układów, a firmy budujące największe z nich wykazują rachunek jako nakłady inwestycyjne: gotówkę wydaną na rzeczowe aktywa trwałe. Microsoft, Alphabet, Amazon, Meta i Oracle wydały razem $691 mld w czterech kwartałach do wrześniu 2026, czyli 4,5 raza więcej niż $154 mld w czterech kwartałach do wrześniu 2022 — ostatnim kwartale przed premierą ChatGPT 30 listopadzie 2022. To $1,89 mld dziennie, czyli $21 900 na sekundę.
W stosunku do ich wielkości wydatki pochłonęły 36% przychodów pięciu spółek w ostatnich czterech kwartałach wobec 13% wcześniej oraz 95% gotówki z działalności operacyjnej wobec 54%. Najwięcej wydała spółka Amazon: $215 mld.
Sprawozdania nie mówią, jaka część tych kwot trafiła na AI. Nakłady inwestycyjne obejmują też biura i inne budynki — w Amazonie także magazyny i sieć dostaw — a każda spółka podaje je według własnych definicji.
Zmiana względem czterech kwartałów do wrześniu 2022. Słupki: nakłady inwestycyjne według kwartałów od 2015, każda spółka w swojej skali. Ponad 100% operacyjnych przepływów pieniężnych: wydano więcej, niż przyniosła działalność operacyjna. Karty prowadzą do stron spółek.
Nakłady inwestycyjne według lat kalendarzowych
| Rok | Microsoft | Alphabet | Amazon | Meta | Oracle | Razem |
|---|---|---|---|---|---|---|
| 2015 | $6,55 mld | $9,93 mld | $4,59 mld | $2,52 mld | $1,61 mld | $25,2 mld |
| 2016 | $9,11 mld | $10,2 mld | $6,74 mld | $4,49 mld | $1,6 mld | $32,2 mld |
| 2017 | $8,7 mld | $13,2 mld | $12 mld | $6,73 mld | $2,04 mld | $42,6 mld |
| 2018 | $14,2 mld | $25,1 mld | $13,4 mld | $13,9 mld | $1,47 mld | $68,2 mld |
| 2019 | $13,5 mld | $23,5 mld | $16,9 mld | $15,1 mld | $1,59 mld | $70,6 mld |
| 2020 | $17,6 mld | $22,3 mld | $40,1 mld | $15,2 mld | $1,83 mld | $97 mld |
| 2021 | $23,2 mld | $24,6 mld | $61,1 mld | $18,7 mld | $3,12 mld | $131 mld |
| 2022 | $24,8 mld | $31,5 mld | $63,6 mld | $31,2 mld | $6,68 mld | $158 mld |
| 2023 | $35,2 mld | $32,3 mld | $52,7 mld | $27 mld | $6,93 mld | $154 mld |
| 2024 | $55,6 mld | $52,5 mld | $83 mld | $37,3 mld | $10,7 mld | $239 mld |
| 2025 | $83,1 mld | $91,4 mld | $132 mld | $69,7 mld | $35,5 mld | $412 mld |
| 2026Kwartały: 3 | $106 mld | $132 mld | $176 mld | $83,1 mld | $63,6 mld | $560 mld |
NVIDIA: sprzedaż łopat
Epoch AI rejestruje sprzęt treningowy znaczących modeli opublikowanych od 2020 (liczba: 278): na układach NVIDIA wytrenowano 204 z nich (73%), a na procesorach TPU Google 68 (24%).
Rok obrotowy NVIDIA kończy się pod koniec stycznia: rok obrotowy 2026 trwał do 25 styczniu 2026. Przychody w tym roku wyniosły $216 mld, czyli 8,01 raza więcej niż w roku obrotowym 2023 ($27 mld), zakończonym po premierze ChatGPT (odstęp: 2 miesiące). Zysk netto wzrósł z $4,37 mld (16% przychodów) do $120 mld (56%).
Ostatni kwartał w sprawozdaniach, Q2 FY2027 (do 26 lipcu 2026), przyniósł przychody $96,2 mld i zysk netto $59,7 mld; po odliczeniu kosztu sprzedanych produktów zostało 75% przychodów (marża brutto). Cztery kwartały do 26 lipcu 2026 dają łącznie $303 mld przychodów i $193 mld zysku netto — w tym tempie zysk netto równy całym przychodom NVIDIA z roku obrotowego 2016 ($5,01 mld) powstawał co 9,5 dni.
Dane SEC użyte tutaj podają łączne przychody NVIDIA, a nie ich podział na rynki, więc wykres pokazuje sumę. Wartość rynkowa akcji NVIDIA w rękach publicznych — akcji w wolnym obrocie (free float), podana na okładce raportu rocznego, a nie kapitalizacja rynkowa — wynosiła $434 mld na koniec lipcu 2022 i $4,0 bln na koniec lipcu 2025.
| Rok obrotowy | Przychody | Zmiana | Marża brutto | Zysk netto | Marża netto |
|---|---|---|---|---|---|
| Rok obrotowy 2016zakończony 31 styczniu 2016 | $5,01 mld | +7% | 56,1% | $614 mln | 12,3% |
| Rok obrotowy 2017zakończony 29 styczniu 2017 | $6,91 mld | +38% | 58,8% | $1,67 mld | 24,1% |
| Rok obrotowy 2018zakończony 28 styczniu 2018 | $9,71 mld | +41% | 59,9% | $3,05 mld | 31,4% |
| Rok obrotowy 2019zakończony 27 styczniu 2019 | $11,7 mld | +21% | 61,2% | $4,14 mld | 35,3% |
| Rok obrotowy 2020zakończony 26 styczniu 2020 | $10,9 mld | −7% | 62,0% | $2,8 mld | 25,6% |
| Rok obrotowy 2021zakończony 31 styczniu 2021 | $16,7 mld | +53% | 62,3% | $4,33 mld | 26,0% |
| Rok obrotowy 2022zakończony 30 styczniu 2022 | $26,9 mld | +61% | 64,9% | $9,75 mld | 36,2% |
| Rok obrotowy 2023zakończony 29 styczniu 2023 | $27 mld | +0% | 56,9% | $4,37 mld | 16,2% |
| Rok obrotowy 2024zakończony 28 styczniu 2024 | $60,9 mld | +126% | 72,7% | $29,8 mld | 48,8% |
| Rok obrotowy 2025zakończony 26 styczniu 2025 | $130 mld | +114% | 75,0% | $72,9 mld | 55,8% |
| Rok obrotowy 2026zakończony 25 styczniu 2026 | $216 mld | +65% | 71,1% | $120 mld | 55,6% |
| Ostatnie cztery kwartałydo 26 lipcu 2026 | $303 mld | 74,7% | $193 mld | 63,7% |
Pytania, które zadają ludzie
Jak szybko rośnie AI?
Jedną z miar, które Epoch AI śledzi dla każdego znaczącego modelu, jest moc obliczeniowa treningu. Od 2010 podwaja się ona co 5,7 miesiące — ×4,3 rocznie, według trendu metodą najmniejszych kwadratów dla modeli (liczba: 481). Przed 2010 podwajała się co 20,5 miesiące.
Czym jest FLOP w AI?
Operacja zmiennoprzecinkowa: jedno dodawanie lub mnożenie liczb dziesiętnych. Moc obliczeniowa treningu to suma operacji wykonanych podczas trenowania modelu: GPT-6 Astra wymagał około 9,4×10²⁶ FLOP według szacunków Epoch AI, a Theseus z 1950 — 40.
Ile kosztuje wytrenowanie modelu AI?
Epoch AI szacuje koszt mocy obliczeniowej treningu dla znaczących modeli (liczba: 178), w dolarach z 2023 r. Najwyższy wynosi $388 mln, dla Grok 4 (2025); mediana oszacowań dla modeli opublikowanych w 2025 (liczba oszacowań: 7) wynosi $44,6 mln. Kwoty obejmują wyłącznie moc obliczeniową.
Ile firmy technologiczne wydają na centra danych dla AI?
Sprawozdania podają nakłady inwestycyjne łącznie, a nie część przeznaczoną na AI. Microsoft, Alphabet, Amazon, Meta i Oracle wydały $691 mld w czterech kwartałach do wrześniu 2026, wobec $154 mld w czterech kwartałach do wrześniu 2022; najwięcej wydała spółka Amazon ($215 mld).
Ile pieniędzy zarabia NVIDIA?
W roku obrotowym 2026, do 25 styczniu 2026, przychody wyniosły $216 mld, a zysk netto $120 mld. W czterech kwartałach do 26 lipcu 2026: przychody $303 mld, zysk netto $193 mld.
Zgłębij temat
Jak obliczane są liczby
- Modele AI: Epoch AI, „Data on AI models”. Opublikowano online na epoch.ai. Pobrano z https://epoch.ai/data/ai-models [zasób online]. Dostęp: 15 listopadzie 2026. Licencja CC BY 4.0: można swobodnie używać, rozpowszechniać i powielać z podaniem autorstwa Epoch AI. Wykresy, trendy i liczności na tej stronie obliczył BigCapital.
- Moc obliczeniowa treningu: operacje zmiennoprzecinkowe użyte do wytrenowania modelu, według danych twórcy lub szacunków Epoch AI na podstawie sprzętu i czasu treningu albo rozmiaru modelu i danych treningowych. Pewność, zakresy 90% według Epoch: pewne — błąd do 3 razy, prawdopodobne — do 10, spekulatywne — do około 31.
- Trendy: zwykła metoda najmniejszych kwadratów dla log₂ (mocy obliczeniowej treningu) względem daty publikacji w latach, dla znaczących modeli z oszacowaniem; czas podwojenia = 12 ÷ nachylenie (w miesiącach), wzrost rocznie = 2^nachylenie. „Od 2010”: opublikowane od 1 stycznia 2010. Rekord: więcej mocy obliczeniowej niż każdy wcześniejszy znaczący model.
- Znaczące modele: lista Epoch obejmująca modele, które przesunęły granice stanu wiedzy, były często cytowane, ważne historycznie lub szeroko używane; modele graniczne należały do pięciu największych pod względem mocy obliczeniowej treningu w chwili premiery. Modele wielkoskalowe: lista Epoch modeli powyżej 10²³ FLOP, liczonych według roku publikacji i raz dla każdego wymienionego kraju i organizacji.
- Dane spółek: SEC EDGAR, dane spółek w formacie XBRL ze sprawozdań 10-K i 10-Q (domena publiczna).
- Nakłady inwestycyjne: płatności za nabycie rzeczowych aktywów trwałych w rachunku przepływów pieniężnych, według znacznika XBRL używanego przez każdą spółkę; kwartał niewykazany osobno to dane narastające od początku roku minus dane narastające za poprzedni okres. Przychody, zysk netto, zysk brutto i operacyjne przepływy pieniężne zgodnie ze sprawozdaniami. Amazon, Q2 2017: brak w danych XBRL, więc to rok obrotowy minus pozostałe trzy kwartały.
- Lata obrotowe tak, jak nazywają je spółki: rok obrotowy 2026 NVIDIA zakończył się 25 styczniu 2026. Wykres nakładów inwestycyjnych używa kwartałów kalendarzowych.
- Dane z przeszłości to historia, a nie prognoza. Nic tutaj nie jest poradą inwestycyjną.
Wykorzystaj ten artykuł
Tekst i wykresy można swobodnie publikować ponownie, tłumaczyć i adaptować na licencji CC BY 4.0: podaj BigCapital.org z linkiem do tej strony. Dane od innych dostawców zachowują własną licencję (zobacz źródła poniżej). Jak podać autora
Źródło: BigCapital.org — „Boom na AI w liczbach”, https://bigcapital.org/pl/articles/ai-boom/