Przez lata założenie dotyczące infrastruktury AI było łatwe do przyjęcia. Poważne zasoby obliczeniowe miały być budowane tam, gdzie chmura hiperskalowana, zagęszczenie deweloperów i kapitał były już skoncentrowane: Kalifornia, Seattle, Londyn i wąski krąg ugruntowanych centrów technologicznych.
Za tą geografią stał praktyczny powód. Szkolenie i wdrażanie AI na dużą skalę wymaga współdziałania centrów danych, zasobów obliczeniowych, przepustowości sieci, energii i zaawansowanej infrastruktury. Analiza OECD wskazuje, że skłoniło to firmy AI do korzystania z usług największych dostawców chmury obliczeniowej. Z czasem ta zależność przekształciła się w koncentrację rynkową. W trzecim kwartale 2025 roku Synergy Research Group oszacowała łączny udział Amazona, Microsoftu i Google'a w globalnych wydatkach na infrastrukturę chmury korporacyjnej na 63 procent.
Ta logika wydaje się dziś mniej trwała. Zasoby obliczeniowe stają się droższe, bardziej energochłonne i trudniej dostępne poza wąską grupą dominujących dostawców. Twórcy zaczynają mierzyć się z pytaniami, które chmura hiperskalowana pozwalała im ignorować. Skąd pochodzi energia? Czy układy scalone mogą być dostarczone do tej jurysdykcji? Czyje prawo stosuje się do danych po ich przemieszczeniu?
Na te pytania odpowiadają dziś różne miejsca – i większość z nich nie leży w Dolinie Krzemowej.
Czego uczy niedobór
Na ugruntowanych rynkach chmurowych domyślną odpowiedzią na rosnące zapotrzebowanie na AI jest zwiększanie pojemności poprzez większe kontrakty chmurowe, gęstszą rozbudowę centrów danych i głębsze uzależnienie od tego samego scentralizowanego stosu.
Ta odpowiedź staje się coraz trudniejsza do skalowania. Centra danych zużyły w 2024 roku około 1,5 procent światowej energii elektrycznej, co sprawia, że energia stała się jednym z punktów nacisku w infrastrukturze AI. Międzynarodowa Agencja Energetyczna przewiduje, że udział ten wzrośnie do nieco poniżej 3 procent do 2030 roku, utrudniając traktowanie zasobów obliczeniowych jako ukrytej warstwy za produktami AI.
W znacznej części krajów rozwijających się ta presja była już punktem wyjścia. Twórcy tam rzadko mieli możliwość traktowania dostępu do zasobów obliczeniowych, energii i dystrybucji jako cudzego problemu – musieli projektować z uwzględnieniem tych ograniczeń. Efektem jest cichszy wzorzec, który nie przyciąga większej uwagi w mediach z Doliny Krzemowej: poważna infrastruktura AI jest teraz budowana w miejscach, gdzie niedobór traktowany jest jako problem projektowy, a nie kwestia drugorzędna.
Jak to wygląda w praktyce
Wzorzec ten jest najbardziej widoczny w czterech regionach.
W Indiach Yotta Data Services prowadzi Shakti Cloud na ponad 16 000 procesorach graficznych NVIDIA H100 i jest na dobrej drodze do mniej więcej podwojenia tej liczby do końca 2025 roku. Ponad połowa zasobów obliczeniowych stojących za misją IndiaAI — rządową inicjatywą budowy rodzimych modeli fundamentalnych — spoczywa na sprzęcie Yotty. W lutym 2026 roku krajowa platforma wielojęzyczna BHASHINI przeniosła się z zagranicznych dostawców hiperskalowanych na Shakti Cloud, uzyskując przy tym wzrost wydajności o około 40 procent. BHASHINI realizuje tłumaczenie w czasie rzeczywistym w 11 językach indyjskich na skalę populacyjną; osoby nią zarządzające zdecydowały, że infrastruktura, nad którą nie mają kontroli, nie jest właściwym miejscem dla tego systemu.
W całej Afryce Cassava Technologies, założona przez zimbabwejskiego przedsiębiorcę Strive'a Masiyiwę, wdraża 12 000 procesorów graficznych NVIDIA w centrach danych w Republice Południowej Afryki, Egipcie, Kenii, Maroku i Nigerii. Cassava jest pierwszym partnerem chmurowym NVIDIA na kontynencie; przed tą rozbudową NVIDIA szacowała, że na całym kontynencie afrykańskim zainstalowanych było około 80 jej procesorów graficznych. Ograniczeniem nie były tylko ceny zasobów obliczeniowych – był to fundamentalny brak zaawansowanych układów krzemowych. Odpowiedzią Cassavy jest panafry kańska sieć działająca na własnym szkielecie światłowodowym, zaprojektowana tak, aby afrykańskie startupy, naukowcy i rządy nie musiały kierować ruchu przez Europę lub Stany Zjednoczone w celu trenowania i wdrażania AI.
W Brazylii rządowy projekt SoberanIA rezerwuje 500 MW dla suwerennej fabryki AI w stanie Piauí, zasilanej w całości energią odnawialną, z firmą Scala Data Centers jako głównym partnerem infrastrukturalnym. Brazylia zobowiązała się do przyciągnięcia nawet 370 miliardów dolarów inwestycji w centra danych w ciągu najbliższej dekady, powiązanych z zachętami podatkowymi programu REDATA dla projektów korzystających w 100 procentach z energii odnawialnej. Około 65 procent danych brazylijskich jest nadal przechowywanych za granicą. Zakład polega na tym, że obfita energia wodna i słoneczna daje Brazylii rodzaj zasobów obliczeniowych, których budowa wymaga większego wysiłku ze strony USA i Chin — czystych z założenia, tanich ze względu na położenie geograficzne.
Zjednoczone Emiraty Arabskie wybierają najkosztowniejszą drogę. Core42, część grupy G42, sprzedaje zdolności wnioskowania na mieszance układów NVIDIA i Qualcomm z Abu Dhabi, a kraj zobowiązał się wspólnie ze Stanami Zjednoczonymi do budowy kampusu AI o powierzchni 10 mil kwadratowych i mocy 5 gigawatów, który powinien być częściowo operacyjny do końca dekady. Emiracka propozycja jest prosta: kraje pragnące suwerennej AI, ale niezdolne do samodzielnego zbudowania podstawowego stosu, mogą wynająć go od przyjaznego rządu. Middle East Institute opisuje to jako celową strategię integracji pionowej — posiadania układów scalonych, energii, centrów danych i relacji zagranicznych jako jednej całości.
Projekty te nie mają wspólnej polityki ani modelu własności. Łączy je wspólne założenie, że dostęp do zasobów obliczeniowych, energia, grunty i dostawa układów scalonych są problemami projektowymi pierwszego rzędu, a nie efektami zewnętrznymi. To założenie rodzi inną infrastrukturę.
Dlaczego wnioskowanie zmienia mapę
Trenowanie dużych modeli nadal faworyzuje gęste klastry, duże budżety kapitałowe i dostęp do zaawansowanych układów scalonych. Ta praca raczej nie opuści wkrótce największych obiektów hiperskalowanych.
Wnioskowanie to inny problem. Modele są używane nieprzerwanie przez klientów, urządzenia, agenty i systemy korporacyjne. McKinsey oczekuje, że wnioskowanie przewyższy trenowanie w centrach danych AI do 2030 roku, odpowiadając za ponad połowę zasobów obliczeniowych AI i około 30 do 40 procent całkowitego zapotrzebowania centrów danych.
Wnioskowanie stawia inne pytania niż trenowanie. Zamiast pytania o to, gdzie można zbudować największy klaster, pytania stają się następujące: gdzie powinny znajdować się zasoby obliczeniowe, jak szybko mogą reagować, jak niezawodnie można kierować obciążeniami roboczymi i czyje prawo reguluje dane w trakcie tego procesu. Te pytania mają geograficzne odpowiedzi, z którymi koncentracja hiperskalowana nie radzi sobie dobrze, zwłaszcza dla miliardów ludzi, którzy nie mieszkają w pobliżu centrum danych w USA lub Europie.
Tkanka obliczeniowa wymagana przez zapotrzebowanie na wnioskowanie jest szersza niż to, co sama chmura hiperskalowana może zapewnić. Rozproszone zdolności procesorów graficznych, regionalne klastry wnioskowania, suwerenne chmury i wyłaniające się neocloud w takich miejscach jak Mumbaj, Nairobi, São Paulo i Abu Dhabi nie są substytutami hiperskali. Są warstwą, której hiperskala nie jest w stanie samodzielnie obsłużyć.
Co to oznacza dla mapy
Stara mapa infrastruktury AI była rysowana wokół miejsc, gdzie pojemność chmurowa była już skoncentrowana. Ta mapa miała sens, gdy zasoby obliczeniowe były traktowane jako tanie i obfite.
Następna mapa będzie wyglądać inaczej. Będzie rysowana wokół miejsc, które nauczyły się budować, gdy zasoby obliczeniowe były kosztowne i strategiczne, i gdzie pytanie o to, kto kontroluje stos, nigdy nie było teoretyczne. Firmy i rządy wykonujące tę pracę nie doganiają Doliny Krzemowej – dotarły do tego problemu jako pierwsze, bo musiały.
—-
Ilman Shazhaev jest założycielem i dyrektorem generalnym Dizzaract, firmy zajmującej się infrastrukturą AI z siedzibą w Abu Dhabi. Jest członkiem panelu ekspertów ONZ/UNODC doradzającego w zakresie zastosowań AI w gospodarkach rozwijających się i jest autorem 46 artykułów naukowych oraz 10 zarejestrowanych patentów na wynalazki.
