Jensen Huang: współczesne GPU mogą pracować 8 lat lub dłużej

Żywotność układów GPU wykorzystywanych w sztucznej inteligencji może być znacznie dłuższa, niż wcześniej zakładano. Jensen Huang z NVIDIA ocenił podczas GTC Berlin, że obecne systemy obliczeniowe mogą pozostawać produktywne przez 8 lat lub więcej. Podobne wnioski przedstawił Elon Musk, wskazując, że nawet starsze akceleratory mogą zyskiwać na znaczeniu dzięki lepszej efektywności modeli AI.

GPU jako aktywo o dłuższym cyklu życia

Według Jensena Huanga przewagą NVIDIA jest powszechne wykorzystanie jej platform obliczeniowych oraz możliwość stałego rozwijania warstwy programowej. Szef firmy podkreślił, że aktualizacje oprogramowania pozwalają utrzymywać wysoką produktywność sprzętu przez długi czas.

Huang stwierdził, że cykl życia, który wcześniej często oceniano na około cztery lata, w praktyce może wynosić około ośmiu lat, a nawet więcej. Zwrócił też uwagę, że używane zasoby obliczeniowe nadal znajdują nabywców, ponieważ zapotrzebowanie na moc obliczeniową pozostaje wysokie.

Elon Musk: wartość obliczeń na wat może rosnąć

Elon Musk podczas telekonferencji wynikowej SpaceX za trzeci kwartał 2026 roku wskazał, że wraz z rozwojem modeli AI ta sama ilość energii może generować coraz większą wartość użytkową. W jego ocenie oznacza to, że moc obliczeniowa mierzona w przeliczeniu na wat nie musi tracić na wartości wraz z upływem czasu.

Musk podał jako przykład starsze układy H100, które według niego są obecnie wynajmowane drożej niż w momencie, gdy były nowe. Argumentował, że lepsze modele AI zwiększają ilość użytecznej inteligencji możliwej do uzyskania z tej samej infrastruktury.

Gavin Baker o rosnących cenach najmu GPU

Do podobnych obserwacji odniósł się Gavin Baker, inwestor znany z analiz rynku półprzewodników. Podczas wydarzenia poprzedzającego keynote NVIDIA na GTC Berlin stwierdził, że koszt wynajmu godziny pracy GPU gwałtownie wzrósł.

Według Bakera dzieje się tak mimo spadku cen tokenów, ponieważ z jednej godziny pracy układu GPU można uzyskać coraz więcej użytecznych tokenów. W efekcie sama godzina dostępu do GPU staje się dla klientów bardziej wartościowa.

Ekonomia infrastruktury AI

• Jensen Huang podał, że 1 GW mocy obliczeniowej AI kosztuje około 50 mld dolarów.
• Według jego wypowiedzi taka infrastruktura może generować około 40 mld dolarów rocznych przychodów.
• Oznaczałoby to okres zwrotu nieco przekraczający rok.
• Elon Musk wskazał, że moc obliczeniowa AI jest obecnie wyceniana na 30-50 mld dolarów za 1 GW.
• Musk dodał, że krótkoterminowe kontrakty na wynajem mocy obliczeniowej są odnawiane przy wyższych stawkach za wat.

Rynek wtórny podtrzymuje wartość starszych układów

Źródło przypomina również wcześniejsze dane Silicon Data, według których starsze układy NVIDIA A100 i H100 utrzymują wartość rezydualną wyższą, niż sugerowałyby standardowe harmonogramy amortyzacji rozłożone na 3 lub 5 lat.

W przypadku układów B200 wskazano wartość rezydualną na poziomie 158 proc. pierwotnego kosztu. Oznacza to, że według przytoczonych danych GPU mogą być wyceniane powyżej ceny z momentu wprowadzenia na rynek.

Kluczowy wniosek płynący z tych wypowiedzi jest taki, że wycofane z pierwotnego zastosowania GPU nie tracą natychmiast znaczenia. Zamiast tego trafiają na kolejne poziomy rynku wtórnego, gdzie nadal mogą generować wartość ekonomiczną.