Twój mózg zużywa 20 watów. Sztuczna inteligencja potrzebuje elektrowni

Ludzki mózg zużywa około 20 watów. Najszybszy superkomputer świata, LineShine z Shenzhen, pobiera 42,2 mln watów. Ta różnica stała się ulubionym argumentem internetu w dyskusjach o zużyciu energii przez AI, ale większość tych twierdzeń jest błędna.

To porównanie jest poprawne. Jednak liczby, które krążą w mediach społecznościowych, pochodzą z jednej pracy naukowej. Najbardziej sensacyjna z nich jest błędnie przypisywana już od trzech lat.

Zużycie energii przez AI: co naprawdę daje 20 watów

Wartość 20 watów opiera się na dziesięcioleciach pomiarów metabolicznych. Mózg stanowi około 2% masy ciała i zużywa około 20% tlenu w spoczynku.

Liczba neuronów nie jest tak pewna, jak się wydaje. Cytowane często 86 mld opiera się na analizie czterech męskich mózgów i w tej chwili jest podważana w czasopiśmie Brain.

Viralowe posty często podają wartość 12 watów zamiast 20. Ta liczba pojawiła się w pracy z 2023 roku w czasopiśmie Frontiers in Artificial Intelligence, ale tam nie została choćby powołana na żadne źródło.

Z tej samej publikacji pochodzi liczba, którą każdy udostępnia. Autorzy oszacowali, iż cyfrowa rekonstrukcja ludzkiego mózgu zużywałaby 2,7 mld watów.

To oszacowanie powstało przez przeskalowanie symulacji 10 mln neuronów do rozmiarów myszy, a potem pomnożono wynik przez tysiąc.

W tej samej pracy można przeczytać, iż ta symulacja działała około 30 000 razy wolniej niż biologia. W mediach społecznościowych ten szczegół pomijają. Wtórne źródła przypisują tę wartość projektowi Blue Brain, który nigdy jej nie opublikował.

Viralowy post na LinkedIn o tym, jak ludzki mózg potrzebuje tylko 12 watów do myślenia. Źródło: Evolving AI

Istnieją też wiarygodne dane z innych źródeł. Epoch AI oszacowało, iż pojedyncze zapytanie do ChatGPT zużyje 0,3 watogodziny na początku 2025 roku. Recenzowane badanie w Joule później podało wartość 0,31.

Dwa niezależne podejścia, które dają tak zbliżone wyniki, to rzadkość. Jednak wynik mocno zależy od obciążenia — modele generujące dłuższe odpowiedzi mogą kosztować kilka razy więcej energii.

Co biologia robi inaczej i co odwzorowały układy scalone

Aktywność kory mózgowej jest rzadka. Średnia częstotliwość wyładowań to poniżej 1 Hz, a energia zależy od zmian, a nie od cykli zegara.

Współczesna AI doszła do podobnych wniosków niezależnie. Kimi K2 aktywuje 32,6 mld z 1,04 bln parametrów na token, czyli około 3,1%.

Ten procent gwałtownie spada. Mixtral wykorzystywał około 28% swoich parametrów w 2023 roku, a DeepSeek-V3 w tej chwili tylko 5,5%.

Biologia liczy też przy niskiej precyzji. Wewnątrz neuronu nic nie osiąga precyzji 32 bitów.

Producenci chipów poszli tą samą drogą. DeepSeek wytrenował model z 671 mld parametrów w precyzji ośmiobitowej. NVIDIA od tamtej pory wytrenowała model z 12 mld parametrów w czterech bitach.

Pobór mocy na skali logarytmicznej – od mózgu do centrum danych / Źródło: BeInCrypto

Trzecia różnica jest największa i najrzadziej kopiowana. Mózgi przechowują pamięć i realizują obliczenia w tym samym fizycznym miejscu.

Cyfrowe maszyny je rozdzielają. Mark Horowitz z Uniwersytetu Stanforda pokazał, ile kosztuje taki podział. Pobranie operandu z pamięci może zużyć kilkaset razy więcej energii niż same obliczenia arytmetyczne.

Czipy inspirowane mózgiem, które nigdy nie dotarły na rynek

Sprzęt tworzony do naśladowania neuronów napotykał na trudności. Żaden układ neuromorficzny ani analogowy nie szkolił ani nie uruchomił czołowego modelu produkcyjnego.

Hala Point od Intela skupia 1,15 mld sztucznych neuronów na 1152 czipach. Pozostaje prototypem badawczym zainstalowanym w Sandia National Laboratories. Mike Davies, dyrektor Intel Neuromorphic Computing Lab, w rozmowie z The Register w 2024 roku powiedział:

“Nie mapujemy żadnego LLM do Hala Point w tym momencie. Nie wiemy, jak to zrobić.”

Obraz komercyjny pozostało słabszy. BrainChip to flagowa spółka giełdowa tego sektora. Zgłosiła 700 000 USD przychodów od klientów wobec 5,3 mln USD kosztów operacyjnych w ostatnim kwartale marca.

Inne firmy całkowicie się zatrzymały. Rain AI chciał pozyskać 150 mln USD, ale mu się to nie udało, więc rozważył sprzedaż w 2025 roku.

Naukowcy opisują tu problem zamkniętego koła. Catherine Schuman, adiunkt inżynierii elektrycznej i informatyki na University of Tennessee, Knoxville, stwierdziła:

“Firmy sprzętowe czekają na przełomową aplikację, ale trudno zrozumieć, jak ją zbudować bez sprzętu do prototypowania.”

Ponad 20 naukowców podpisało w 2025 roku wspólny artykuł w Nature. Stwierdzili, iż dziedzina wciąż nie ma potrzebnego ekosystemu.

Wygrywają zasady biologii. Sprzęt zbudowany, by je odwzorować, nie odniósł sukcesu.

Wszyscy walczą o te same elektrony

Efektywność ma dziś znaczenie, bo prąd stał się największym ograniczeniem. Międzynarodowa Agencja Energii oszacowała zużycie prądu przez centra danych na 485 terawatogodzin w 2025 roku.

Obiekty skupione na AI urosły o 50% tylko w tym roku. Agencja prognozuje, iż potroją się do 2030 roku.

Dostęp do sieci, a nie podaż chipów, decyduje dziś o inwestycjach. Mediana czasu od złożenia wniosku o przyłączenie do startu działalności to ponad pięć lat, według Lawrence Berkeley National Laboratory.

Prezes Microsoft, Satya Nadella, powiedział w listopadzie, iż firma ma procesory, których nie może podłączyć. Problemem są zasilone budynki, nie krzem. Inwestorzy instytucjonalni podnoszą podobne pytania o gotowość sieci.

Górnicy Bitcoin rozwiązywali dokładnie ten problem przez dekadę. Mają działające lokalizacje, podpisane umowy na prąd i prawa do przyłączenia, na które nowi gracze czekają latami.

To zmieniło kopanie w biznes energetyczno-infrastrukturalny. Modernizacja istniejącego obiektu kosztuje ok. 3 mln USD do 4 mln USD za megawat. Budowa od zera to 10 mln USD – 12 mln USD, szacuje VanEck szacuje.

Wartości ogłaszanych umów są ogromne. Notowani publicznie górnicy podpisali kontrakty na AI o wartości ponad 70 mld USD łącznie.

Dostarczona moc pokazuje jednak cichszą stronę. Zgłoszenia za drugi kwartał 2026 pokazują, iż sektor faktycznie zasilił ok. 750 MW.

Core Scientific odpowiada za około 437 z tych megawatów. Kampus Helios od Galaxy dostarczył 133; TeraWulf 102; IREN 50; a Riot 25. Hut 8 ma zakontraktowanych 949 MW, ale nie uruchomił żadnego.

Kontraktowana moc wobec faktycznie uruchomionej / Źródło: BeInCrypto

Zmiana kierunku jest kosztowna. Straty kwartalne górników MARA i CleanSpark osiągnęły 851 mln USD w sierpniu.

Większość mocy kopalni nigdy nie zostanie przekonwertowana. Wstępne dane Cambridge zaprezentowane w lipcu pokazały, iż ok. 10% górników przekazało moc na AI.

Przeszkody są fizyczne. Kopalnie tolerują przerwy, tymczasem najemcy AI wymagają stałego zasilania, gęstego chłodzenia i światłowodów, których zwykle brakuje w odległych lokalizacjach.

Mimo to kierunek zmian jest jasny. Core Scientific dziś zarabia 83% z kolokacji i tylko 13% z kopania.

Inwestorzy już wycenili ten zwrot. Górnicy z podpisanymi najmem handlują po znacznie wyższych wielokrotnościach swojej zasileonej mocy. Tymczasem kolejny zakład na AI coraz częściej oznacza prąd, nie chipy.

Dlaczego efektywność nie rozwiąże problemu zużycia energii przez AI

Wcześniej wzrost efektywności pochłaniał rosnący popyt. Globalna moc obliczeniowa centrów danych wzrosła o 550% w latach 2010–2018, podczas gdy zużycie energii wzrosło tylko o około 6%.

Potem ten schemat się załamał. Zużycie energii przez centra danych w Stanach Zjednoczonych wzrosło z 58 terawatogodzin w 2014 roku do 176 w 2023 roku.

Ewolucja była optymalizowana pod twardym limitem. Czaszka zużywająca 200 watów zabiłaby swojego właściciela, więc efektywność stała się jedyną możliwą odpowiedzią.

Sztuczna inteligencja nigdy nie miała takiego ograniczenia. Musiała się mierzyć jedynie z limitem kapitałowym, a kapitał da się rozciągnąć znacznie bardziej niż dostawy prądu.

To teraz się zmienia. Otwarte pytanie nie dotyczy już tego, czy biologia jest bardziej efektywna. Ważne jest, czym stanie się AI, gdy to moc, a nie pieniądze, zdecyduje, co powstanie.

BeInCrypto Polska - Twój mózg zużywa 20 watów. Sztuczna inteligencja potrzebuje elektrowni