Nenasytná AI si žádá vlastní elektrárny. A pojedou na plyn
Hrubá spotřeba energie pro trénink a provoz velkých modelů naráží na fyzikální limity. Velcí hráči teď zvažují stavbu dedikovaných plynových elektráren, aby nakrmili svá datacentra. Tohle není jen o škálování, je to zásadní architektonický posun.
AI není jen software, je to hlavně fyzika. Surová výpočetní hustota moderních akcelerátorů, jako je architektura Blackwell od NVIDIE, mění datacentra v energetické bestie. Jeden jediný rack si dnes může říct o desítky kilowatt. Celý kampus? Stovky megawattů.
To je spotřeba menšího města, vtěsnaná do jedné budovy. A poptávka roste exponenciálně, ne lineárně. Jsme daleko za hranicí toho, co lze jednoduše připojit do stávající rozvodné sítě.
Problém není jen inference, která představuje konstantní zátěž. Skutečným žroutem je trénink. Proces učení modelu o velikosti GPT-4 a jeho nástupců vyžaduje gigawatthodiny. Nejde o jednorázovou akci, ale o nepřetržitý cyklus re-trénování, ladění a experimentů.
Stávající elektrické sítě na takovou masivní a vysoce lokalizovanou zátěž nebyly nikdy projektovány. Jejich modernizace by trvala roky, ne-li dekády. Technologické firmy tolik času nemají.
Proto přichází na stůl plyn. Proč zrovna ten? Jeho výstavba je v porovnání s jadernými reaktory rychlá. Nabízí stabilní a předvídatelný výkon, což je pravý opak intermitentních obnovitelných zdrojů. Pro datacentrum je stabilita napájení absolutní, nekompromisní prioritou.
Jakýkoliv výpadek nebo jen zakolísání v síti znamená znehodnocení výpočetních úloh v hodnotě milionů. Každý cyklus GPU se počítá. Plyn nabízí jistotu baseload energie, kterou solární panely a vítr bez masivních baterií dát nemohou.
Z pohledu systémového architekta je to ale noční můra. Najednou je cena za inferenci a latence vašeho modelu přímo závislá na globální ceně komodity a geopolitické situaci. To je nová, extrémně nepříjemná proměnná v rovnici.
Navíc se tím vytváří nebezpečně těsné spojení. Problém v elektrárně už neznamená jen přepnutí na záložní zdroj, ale potenciální kolaps celého výpočetního klastru. Redundance se v takovém modelu řeší řádově hůř a dráž než při napojení na diverzifikovanou národní síť.
Celá situace brutálně odhaluje, že software a algoritmy dávno předběhly fyzickou infrastrukturu. Jsme v bodě, kdy další pokrok v AI není limitován matematikou, ale čistou, tvrdou fyzikou a dodávkou kilowatthodin. Sázka na plyn je technicky pochopitelný, ale zároveň zoufalý pokus, jak si koupit čas.