Cześć cześć 👋, więc Google $GOOGL rozpoczął sezon wyników wielkich firm technologicznych i dostarczył mniej więcej to, czego oczekiwałem. Brutalne zyski, ale jednocześnie zwiększony capex – nowo 195 do 205 mld dolarów na ten rok, czym rynek po wynikach nieco się przestraszył. Same wyniki świetnie podsumowali już chłopaki, więc ja skupię się na jednej rzeczy. Chmura rosła o 82% do 24,8 mld dolarów, a backlog zakontraktowanych zamówień spuchł do 514 mld dolarów, podczas gdy rok temu było to 106. Kto właściwie napędza ten popyt? Bo wyobrażenie, że chodzi tylko o moc obliczeniową do trenowania AI, jest dziś już trochę nieaktualne.
1. Przesunięcie od trenowania do inferencji, czyli AI działającej 24/7
Trenowanie modelu jest jak pisanie podręcznika. Ogromne jednorazowe obliczenie, które trwa tygodnie lub miesiące. Inferencja to sytuacja, gdy miliony ludzi i systemów bez przerwy przeglądają ten podręcznik i zadają pytania. Każda firma, która zintegrowała AI ze swoimi produktami – od chatbotów obsługi klienta po wyszukiwanie w dokumentach wewnętrznych – potrzebuje układów scalonych działających 24 godziny na dobę. A w miarę dodawania do aplikacji generowania głosu, obrazu i wideo wymagania nie rosną liniowo, ale wykładniczo. Widać to bezpośrednio w liczbach Google. Gemini API przetwarza 22 miliardy tokenów na minutę, podczas gdy kwartał temu było to 16, a prawie 500 klientów chmurowych zużyło w ciągu ostatniego roku ponad bilion tokenów. Do tego moc obliczeniową kupują same laboratoria AI, np. Anthropic zakontraktował u Google nawet milion układów TPU.
2. Tradycyjne korporacje, czyli banki, handel i motoryzacja
Gdy przykładasz kartę w sklepie, w milisekundach w chmurze analizowane są setki parametrów – gdzie jesteś, jakie masz nawyki zakupowe i czy nie chodzi o atak – aby bank mógł zatwierdzić transakcję. Firmy motoryzacyjne rozwijają autonomiczną jazdę, a ich floty testowe codziennie przesyłają petabajty wideo, które trzeba przetworzyć w chmurze i przepuścić przez symulacje. Gracze e-commerce zlecają algorytmom ciągłe przeliczanie cen milionów produktów w zależności od zapasów, konkurencji i pogody. Lokalne serwery po prostu nie wystarczają na takie ilości danych.
3. Farmacja i badania
Opracowanie leku trwało kiedyś 10 do 15 lat, ponieważ symulacje wiązań molekularnych przeprowadzano fizycznie w laboratoriach. Dziś prowadzi się tzw. badania in silico, gdzie komputery w chmurze symulują miliardy kombinacji chemicznych i zwijanie białek w ciągu kilku dni. Wystarczy spojrzeć na AlphaFold od Google DeepMind, za który przyznano Nagrodę Nobla. Dlatego giganci farmaceutyczni i startupy genomiczne są coraz bardziej nienasyconymi klientami chmury.
4. Mnożnik SaaS jako ukryty silnik
Według mnie to najbardziej niedoceniana część. Gdy firma kupuje system księgowy, CRM lub narzędzie graficzne, to oprogramowanie prawie nigdy nie działa na serwerach samego twórcy. Firmy software’owe same są ogromnymi odbiorcami mocy od Google, AWS $AMZN lub Azure $MSFT. Gdy tysiące firm zaczynają używać nowego narzędzia, jego twórca musi natychmiast dokupić ogromną pojemność w tle. Każdy udany produkt SaaS zwielokrotnia zatem popyt na chmurę.
5. Cyberbezpieczeństwo
Bezpieczeństwo przeniosło się z lokalnych programów antywirusowych do chmury. Nowoczesne systemy analizują ruch sieciowy na milionach urządzeń jednocześnie i szukają anomalii w terabajtach logów na sekundę. Bez ciągłej, masywnej mocy to niemożliwe, a wraz z rosnącą liczbą ataków ta pozycja będzie tylko rosła.
Reasumując, popyt na chmurę to nie jeden zakład na trenowanie AI, ale kilka warstw, które wzajemnie się mnożą. Dlatego ten capex, którym przestraszył się rynek, wciąż ma dla mnie sens. Google sam przyznaje, że pojemność nadal nie wystarcza, a firmy podpisują z nim umowy na lata do przodu.
Jak Wy to widzicie? Czy rekordowy capex to uzasadniona inwestycja w wyraźny popyt, czy już przypomina Wam przesadny zakład, że ten wzrost nie zwolni?
