BigCapital beta

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.

Zaktualizowano o dane: lis 20269 min czytania

Moc obliczeniowa treningu podwaja się co
5,7 miesiące

×4,3 rocznie od 2010, trend dopasowany do znaczących modeli (liczba: 481); przed 2010: co 20,5 miesiące

Największy proces treningowy w danych, FLOP
9,4×1026

GPT-6 Astra, OpenAI, wrz 2026

Modele powyżej 10²³ FLOP opublikowane w 2025
104

1 w 2019; łącznie 326 z oszacowaniem

Nakłady inwestycyjne Big Tech, cztery kwartały do wrześniu 2026
$691 mld

Microsoft, Alphabet, Amazon, Meta i Oracle; $154 mld w czterech kwartałach do wrześniu 2022

Przychody NVIDIA, rok obrotowy 2026
$216 mld

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.

Model graniczny (pięć największych pod względem mocy obliczeniowej w chwili premiery)Inny znaczący modelOszacowanie spekulatywneTrend przed 2010Trend od 2010
Znaczące modele z oszacowaniem mocy obliczeniowej treningu, według daty publikacji. Skala logarytmiczna. Linie: trendy metodą najmniejszych kwadratów przed 2010 i od 2010. Podpisane: rekordy mocy obliczeniowej, każdy co najmniej 10 razy większy od poprzednio podpisanego. Dane: Epoch AI, „Data on AI models” (CC BY 4.0); trendy i liczności obliczył BigCapital
Trendy w tabeli
ModeleLiczbaCzas podwojeniaWzrost rocznieR²
Znaczące modele sprzed 20106220,5 miesiące×1,50,69
Znaczące modele od 20104815,7 miesiące×4,30,66
Modele graniczne od 2010725,4 miesiące×4,60,97
Modele językowe od 20103024,9 miesiące×5,50,68
Od 2010, bez spekulatywnych oszacowań4225,6 miesiące×4,40,67

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.

RokModel i twórcaMoc obliczeniowa treningu, FLOP× rok wcześniejKoszt obliczeń, dolary z 2023 r.
2010RNN LMJohns Hopkins University · Stany Zjednoczone5,4×1016spekulatywne——
2011CNN Committee (MNIST)IDSIA · Szwajcaria5,2×1016prawdopodobne×0,96—
2012Unsupervised High-level Feature LearnerGoogle · Stany Zjednoczone6,0×1017prawdopodobne×11,5$16
2013DistBelief NNLMGoogle · Stany Zjednoczone2,6×1018prawdopodobne×4,35$3,26 tys.
2014SNM-skipGoogle · Stany Zjednoczone3,0×1020spekulatywne×114—
2015AlphaGo FanDeepMind · Wielka Brytania3,8×1020prawdopodobne×1,28$4,83 tys.
2016GNMTGoogle · Stany Zjednoczone6,6×1021prawdopodobne×17,4$201 tys.
2017JFTGoogle Research, Carnegie Mellon University (CMU) · Stany Zjednoczone8,4×1020pewne×0,13$17,9 tys.
2018ResNeXt-101 32x48dFacebook · Stany Zjednoczone8,7×1021pewne×10,4$134 tys.
2019AlphaStarDeepMind · Wielka Brytania1,1×1023pewne×12,3$131 tys.
2020GPT-3 175B (davinci)OpenAI · Stany Zjednoczone3,1×1023pewne×2,91$2,12 mln
2021FLAN 137BGoogle Research · Stany Zjednoczone2,0×1024pewne×6,52—
2022Minerva (540B)Google · Stany Zjednoczone2,7×1024pewne×1,34—
2023Gemini 1.0 UltraGoogle DeepMind · Stany Zjednoczone5,0×1025spekulatywne×18,2$30,7 mln
2024Llama 3.1-405BMeta AI · Stany Zjednoczone3,8×1025pewne×0,76$52,9 mln
2025Grok 4xAI · Stany Zjednoczone5,0×1026spekulatywne×13,2$388 mln
2026dotychczasGPT-6 AstraOpenAI · Stany Zjednoczone9,4×1026prawdopodobne×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.

od 10²³ do 10²⁴od 10²⁴ do 10²⁵od 10²⁵ do 10²⁶ponad 10²⁶
Jeden kwadrat to jeden model, który Epoch AI uznaje za wytrenowany z użyciem ponad 10²³ FLOP i dla którego ma oszacowanie mocy obliczeniowej, w roku publikacji; największy na dole każdej kolumny. 2026: do 10 listopadzie 2026. Dane: Epoch AI, „Data on AI models” (CC BY 4.0); trendy i liczności obliczył BigCapital
Kwadraty w tabeli
RokPonad 10²³Ponad 10²⁴Ponad 10²⁵Ponad 10²⁶Bez oszacowania
201910000
202020000
2021103000
2022233008
202358173063
2024101396066
2025104719361
2026dotychczas27257110

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 powyżej 10²³ FLOP według kraju
  1. Chiny139
  2. Stany Zjednoczone135
  3. Korea Południowa17
  4. Francja10
  5. Zjednoczone Emiraty Arabskie8
  6. Wielka Brytania5
  7. Niemcy4
  8. Hongkong3
  9. Rosja3
  10. Finlandia2
Modele powyżej 10²³ FLOP według organizacji
  1. Alibaba36
  2. Meta AI24
  3. Nvidia20
  4. DeepSeek17
  5. OpenAI11
  6. Google10
  7. IBM10
  8. Tsinghua University10
  9. ByteDance8
  10. Z.ai (Zhipu AI)8
  11. 01.AI7
  12. Ant Group6

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.

FirmyFirmy z uczelniamiUczelnieInne lub nieznane
Wszystkie znaczące modele (z oszacowaniem mocy obliczeniowej lub bez) według roku publikacji i twórców, zgodnie z klasyfikacją organizacji przez Epoch AI. Inne: rządy, zespoły badawcze, bez kategorii. 2026: do 10 listopadzie 2026. Dane: Epoch AI, „Data on AI models” (CC BY 4.0); trendy i liczności obliczył BigCapital

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.

MicrosoftAlphabetAmazonMetaOracle
Nakłady inwestycyjne według kwartałów kalendarzowych, na podstawie rachunków przepływów pieniężnych. Kwartały Oracle kończą się w lutym, maju, sierpniu i listopadzie i są przypisane do kwartału kalendarzowego, w którym się kończą. Zacieniowane: cztery kwartały do wrześniu 2022 i do wrześniu 2026. Źródło: SEC EDGAR (sprawozdania spółek)

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
RokMicrosoftAlphabetAmazonMetaOracleRazem
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.

PrzychodyZysk netto
Przychody i zysk netto według kwartałów obrotowych, zgodnie ze sprawozdaniami; lata obrotowe tak, jak nazywa je NVIDIA (rok obrotowy 2026 zakończył się 25 styczniu 2026). Linia przerywana: premiera ChatGPT, 30 listopadzie 2022. Źródło: SEC EDGAR (sprawozdania spółek)
Rok obrotowyPrzychodyZmianaMarża bruttoZysk nettoMarża netto
Rok obrotowy 2016zakończony 31 styczniu 2016$5,01 mld+7%56,1%$614 mln12,3%
Rok obrotowy 2017zakończony 29 styczniu 2017$6,91 mld+38%58,8%$1,67 mld24,1%
Rok obrotowy 2018zakończony 28 styczniu 2018$9,71 mld+41%59,9%$3,05 mld31,4%
Rok obrotowy 2019zakończony 27 styczniu 2019$11,7 mld+21%61,2%$4,14 mld35,3%
Rok obrotowy 2020zakończony 26 styczniu 2020$10,9 mld−7%62,0%$2,8 mld25,6%
Rok obrotowy 2021zakończony 31 styczniu 2021$16,7 mld+53%62,3%$4,33 mld26,0%
Rok obrotowy 2022zakończony 30 styczniu 2022$26,9 mld+61%64,9%$9,75 mld36,2%
Rok obrotowy 2023zakończony 29 styczniu 2023$27 mld+0%56,9%$4,37 mld16,2%
Rok obrotowy 2024zakończony 28 styczniu 2024$60,9 mld+126%72,7%$29,8 mld48,8%
Rok obrotowy 2025zakończony 26 styczniu 2025$130 mld+114%75,0%$72,9 mld55,8%
Rok obrotowy 2026zakończony 25 styczniu 2026$216 mld+65%71,1%$120 mld55,6%
Ostatnie cztery kwartałydo 26 lipcu 2026$303 mld74,7%$193 mld63,7%

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/

Język

EnglishBahasa IndonesiaDeutschEspañolFrançaisItalianoNederlandsPolskiPortuguêsTürkçeРусскийУкраїнська日本語한국어简体中文