Biały Dom: Mamy 74% globalnej mocy obliczeniowej. Co czeka świat AI? Raport z USA

Sztuczna inteligencja elektryzuje wyobraźnię nie tylko inwestorów, ale ludzi z wielu zakątków świata. Co na temat tej przełomowej technologii sądzi Biały Dom. Oto swobodne tłumaczenie kluczowego raportu, który ukazał się 21 stycznia na oficjalnej stronie rządowej USA. W jego stworzenie zaangażowany był zespół ludzi, którego zadaniem było podsumować i wyszczególnić wszystko, co istotne i związane ze sztuczną inteligencją.

Wprowadzenie

Przez wieki większość gospodarek świata rosła w podobnie wolnym tempie. Jednak „Wielka Dywergencja” nastąpiła wraz z Rewolucją Przemysłową, powodując przyspieszenie rozwoju przemysłowego w stosunku do reszty świata. Sztuczna inteligencja (SI) jest potencjalnie technologią przełomową, która jest często porównywana do Rewolucji Przemysłowej.

Jednak obserwujemy wyraźnych liderów w inwestycjach, wydajności i przyjmowaniu SI w różnych krajach. Administracja Trumpa kładzie podwaliny pod dominację Ameryki w dziedzinie SI poprzez przyspieszanie innowacji, rozwój infrastruktury i deregulację, jednocześnie ustanawiając globalną przewagę poprzez eksport technologii. Jeśli rewolucja SI będzie tak transformacyjna jak Rewolucja Przemysłowa, czy powinniśmy oczekiwać drugiej Wielkiej Dywergencji? Oczywiście, przyszły wpływ SI jest niepewny, więc w tym dokumencie koncentrujemy się na danych empirycznych, które można zobaczyć i zmierzyć dzisiaj.

Rozpoczynamy od analizy potencjału wzrostu gospodarczego napędzanego przez SI (Sekcja 2), a następnie omawiamy szacunki wpływu SI zarówno na PKB, jak i rynek pracy. Uznając, że te wpływy są niepewne i wymagają stałego monitorowania, w Sekcji 3 przedstawiamy metryki śledzenia przełomowego tempa inwestycji, wydajności i przyjmowania SI.

Następnie omawiamy, jak różne kraje radzą sobie w tych metrykach (Sekcja 4). Niezwykła szybkość zmian nie może być przeceniana; wiele z tych wskaźników podwaja się co kilka miesięcy i stale rośnie. Oznacza to, że przyszłość będzie prawdopodobnie bardzo różna od teraźniejszej SI. Kończymy przeglądem działań, które podejmuje prezydent Trump, aby zapewnić, że Ameryka będzie liderem w SI (Sekcja 5). Jak powiedział Prezydent: „Ameryka jest krajem, który rozpoczął wyścig AI. A jako Prezydent Stanów Zjednoczonych, jestem tu, aby ogłosić, że Ameryka go wygra.”

Prognozy na przyszłość

Ostatnie 25 lat przyniosły wielką konwergencję, ponieważ najbogatsze państwa świata rosły wolniej niż wiele krajów rozwijających się. Jednak pojawienie się generatywnej sztucznej inteligencji opartej na dużych modelach językowych (LLM) rozpocznie nową falę głębokiej transformacji gospodarczej w Stanach Zjednoczonych, obiecując znaczący wzrost produktywności i rozwoju. W miarę jak technologie SI stają się bardziej zintegrowane z miejscem pracy, ekonomiści ponownie analizują długoterminowe projekcje Produktu Krajowego Brutto (PKB).

Jednak ten okres innowacji nie jest wolny od komplikacji. W tym raporcie koncentrujemy się na analizie długoterminowych trendów strukturalnych, ponieważ nie każda inwestycja związana z SI będzie opłacalna, a krótkoterminowe ryzyko zawsze zawiera potencjał znacznej zmienności.

2.1 Tło całej sztucznej inteligencji

W ciągu ostatnich kilku lat nastąpił gwałtowny wzrost zarówno możliwości, jak i żargonu w dziedzinie AI, dlatego zaczynamy od przeglądu kilku kluczowych terminów w tej dziedzinie. Sztuczna inteligencja może odnosić się do bardzo różnorodnych systemów komputerowych, od grających w szachy komputerów po generatywne AI, takie jak ChatGPT.

W historii AI większość systemów była zdolna do podejmowania decyzji w oparciu o stosunkowo niewielki zestaw opcji. Ostatni wzrost zainteresowania AI zbiegł się z pojawieniem się „generatywnej” AI, tak zwanej, ponieważ jest w stanie „generować” tekst, obrazy lub dźwięk.

„Duże modele językowe” to generatywna AI, która potrafi tworzyć tekst. Są one „duże” ze względu na miliardy parametrów, a „językowe” dlatego, że są trenowane na ogromnej ilości danych w języku naturalnym. Agenci AI są podzbiorem generatywnej AI, którzy wykraczają poza samo tworzenie treści i mogą wykonywać działania w celu realizacji celów.

Jednym z frameworków rozumienia inteligencji AI jest spojrzenie na nią w dwóch wymiarach: (1) jej zdolność do wykonywania różnych zadań: od pisania esejów, przez rozpoznawanie obiektów na obrazach, po pisanie kodu komputerowego, rozwiązywanie problemów matematycznych i (2) jak zdolności AI w danym zadaniu porównują się do inteligencji ludzkiej.

Dzisiejsze systemy sztucznej inteligencji mają „wyspecjalizowaną” (lub „wąską”) inteligencję, ponieważ, choć mogą być wyjątkowe w konkretnym zadaniu (nikt nie może mnożyć tak szybko jak kalkulator), AI nie jest w stanie wykonywać wszystkich zadań w ramach człowieka. Ludzie są w stanie wykonywać bardzo różnorodne zadania. Dlatego mówimy, że ludzie mają „ogólną” inteligencję, podczas gdy obecne AI (w tym ChatGPT i agenci AI) mają „wyspecjalizowaną” inteligencję.

Sztuczna inteligencja ogólna (AGI) byłaby hipotetyczną AI zdolną do wykonywania wszystkich zadań intelektualnych, które potrafią ludzie, ale dokładna definicja AGI jest przedmiotem dyskusji, a niektóre definicje wymagają jedynie, aby AGI wykonywała „wiele, ale nie wszystkie” ludzkie zadania. Sztuczna superinteligencja (ASI), czasami nazywana „superinteligencją”, to każda inteligencja przewyższająca zdolności ludzi.

Granica między AGI a superinteligencją jest w dużej mierze kwestią konwencji, ale pojęcia „AGI” i „wyspecjalizowana AI” opisują ogólność zadań, które AI może wykonywać, podczas gdy „superinteligencja” opisuje zdolności AI w tych zadaniach. Jednak sama „marginalna” AGI jest już superinteligentna, jeśli może wykonywać wszystkie zadania ludzkie, ale na prędkościach komputerów. Warto jednak zauważyć, że OpenAI, Anthropic, xAI, Meta i Google próbują tworzyć sztuczną inteligencję ogólną lub superinteligencję.

To prowadzi nas do ważnego zastrzeżenia dotyczącego analizy w raporcie: ograniczeń ekonomicznej analizy sztucznej inteligencji. Jak zauważa Hanson (2001), sztuczna inteligencja, która byłaby w stanie wykonywać wszystkie zadania ludzkie, prowadziłaby do absolutnie wybuchowego wzrostu i do bardzo innego świata, niż ten obecny. W związku z tym implikacje AGI (zarówno ekonomiczne, jak i inne) są istotnym tematem wymagającym dalszych badań, ale zazwyczaj wykraczają poza zakres naszej aktualnej analizy, która koncentruje się na „wąskiej” lub „wyspecjalizowanej” SI.

2.2 Wpływ AI na PKB

Ekonomiści często uważają, że produktywność gospodarki pochodzi z trzech czynników: ilości pracy, ilości kapitału i całkowitej produktywności czynników (TFP). TFP jest miarą efektywności gospodarki i postępu technologicznego. Wzrost TFP wskazuje, że gospodarka produkuje więcej dóbr i usług przy tej samej ilości pracy i kapitału lub przy tej samej ilości zasobów wytwarza więcej przy niższym nakładzie. Poprawa ta jest kluczowym czynnikiem długoterminowego wzrostu gospodarczego i wyższych standardów życia. Dla bogatych krajów, takich jak Stany Zjednoczone, gdzie zasoby kapitałowe są już bardzo wysokie, wzrost gospodarczy pochodzi głównie ze zwiększania całkowitej produktywności czynników.

Zyski produktywności z TFP ostatecznie przekładają się na wyższy ogólny poziom produkcji gospodarczej lub PKB. Jednak efekt nowej technologii występuje z opóźnieniem, gdy przedsiębiorstwa muszą ją skutecznie wdrożyć i dostosować swoje operacje. Większość zysków produktywności w latach 90. wynikała z inwestycji technologicznych, które miały miejsce w latach 70. i 80.

Podobne inwestycje technologiczne, które miały miejsce podczas Wielkiego Kryzysu, przyniosły korzyści w latach 50. i 60. W związku z tym, chociaż TFP jest ważnym wskaźnikiem, nie jest wiodącym wskaźnikiem wpływu SI na gospodarkę USA. Zamiast tego wydatki na R&D wciąż rosnące w USA są wczesnym wskaźnikiem postępu technologicznego. Na przykład inwestycje w R&D poprzedzają innowacje, zanim zostaną szeroko przyjęte i będą miały efekt makroekonomiczny.

Różne niedawne badania próbowały oszacować wpływ SI na poziom PKB. Badania te dały szeroki zakres oszacowań: SI mogłaby zwiększyć PKB od 1% do ponad 45%. Zakres ten odzwierciedla dużą niepewność związaną z cechami ekonomicznymi SI. Warto zauważyć, że tylko w pierwszej połowie 2025 roku inwestycje związane z AI zwiększyły PKB w zannualizowanej stopie o 1,3 procenta, nawiązując do skali inwestycji kolejowych podczas Rewolucji Przemysłowej i wykluczając kilka najniższych szacunków.

Szacunki średniego zakresu dotyczące efektów AI na PKB obejmują te pochodzące od różnych firm, takich jak Oxford Economics (wzrost o 1,3 do 4 procent po 8 latach), McKinsey (1,4 procent) oraz Goldman Sachs (wzrost o 7 procent po 10 latach). Wysokie szacunki obejmują te od PricewaterhouseCoopers (do 15 procent po 10 latach) oraz akademicki dokument roboczy BIS autorstwa Aldasoro et al. (20 do 45 procent po 10 latach), które zakładają, że wszystkie sektory gospodarki.

Dla porównania, badanie ITIF z 2010 roku wskazało, że rewolucja IT zwiększyła PKB USA o około 14 procent Te szacunki wszystkie zakładają, że AI może częściowo, ale nie całkowicie, zastąpić ludzką pracę. W przypadku 45 procentowego wzrostu rocznie, AI staje się substytutem dla pracy, a wzrost gospodarczy wzrasta wykładniczo.

2.3 Międzynarodowy wzrost gospodarczy

Nawet przed erą AI różne kraje mogły znajdować się na różnych ścieżkach wzrostu, przy czym Stany Zjednoczone wykazywały przyspieszający wzrost potencjalnego PKB, podczas gdy wzrost w Europie i Chinach spowalniał.¹⁴ W przypadku Europy w porównaniu ze Stanami Zjednoczonymi jest to w dużej mierze spowodowane czynnikami strukturalnymi, takimi jak silniejszy wzrost wydajności w USA (zwłaszcza w ostatnich latach, spowalniający do poziomu bardziej podobnego do rynków wschodzących).¹⁴ W przypadku Chin, po dekadach szybkiego wzrostu, wzrost jest teraz na poziomie znacznie bardziej porównywalnym do innych rynków wschodzących.

Podobnie jak w przypadku Chin, wzrost napędzany AI może być szczególnie ważny dla Europy. Chociaż wzrost Chin jest jedną z często powtarzanych historii geopolitycznych XXI wieku, inną, mniej omawianą, choć być może nie mniej ważną, jest upadek Europy. UE spadła z 27 procent światowego PKB w 1980 r. do zaledwie 14 procent w 2025 r.

Nie jest to tylko dlatego, że kraje wschodzące mają wysokie stopy wzrostu, ale także dlatego, że Niemcy i wiele innych krajów UE mają stopę wzrostu niższą niż inne zaawansowane gospodarki. Ten trend kontynuuje się w AI, gdzie UE pozostaje w tyle za USA i Chinami pod względem różnych wskaźników AI.

PAX Silica

Na przykład skumulowane prywatne inwestycje w AI w USA przekroczyły 470 miliardów dolarów w latach 2013–2024, w porównaniu z około 50 miliardami dolarów we wszystkich krajach UE łącznie.⁴¹Uznając kluczową rolę, jaką AI może odegrać w przyszłym wzroście, Stany Zjednoczone i wielu naszych sojuszników połączyli siły w ramach „Pax Silica” – amerykańskiego międzynarodowego partnerstwa w zakresie łańcuchów dostaw AI.

Członkowie Pax Silica obejmują zakres od głównych upstreamowych producentów sprzętu półprzewodnikowego, takich jak Japonia, po downstreamowych inwestorów w centra danych, takich jak Katar. Ta zróżnicowana grupa jest zjednoczona przez perspektywiczne spojrzenie na AI i technologię. Zatem nie jest zaskakujące, że członkowie Pax Silica rosną ponad dwa razy szybciej niż ich konkurenci, ze średnią realną stopą wzrostu PKB na poziomie 2,5 procent między wydaniem ChatGPT w IV kwartale 2022 r. a najnowszymi danymi w III kwartale 2025 r., w porównaniu z 1,1 procent średnio dla krajów G7.

2.4 Wpływ AI na pracę i paradoks Jevonsa.

Aktualne dowody przedstawiają mieszany obraz efektów zatrudnienia związanych z AI. Brynjolfsson i in. (2025) pokazują, że zatrudnienie spada wśród pracowników na wczesnym etapie kariery w zawodach narażonych na AI, takich jak kodowanie komputerowe i obsługa klienta. Inne badania nie znalazły korelacji między ekspozycją na AI a obecnymi stopami bezrobocia.

Jeszcze inne stwierdziły, że chociaż zatrudnienie spadło w sektorach, w których AI może bezpośrednio zastąpić ludzką pracę, ekspozycja na AI faktycznie zwiększa zatrudnienie w sektorach zależnych od zadań możliwych do wykonania przez AI.

Niezależnie od obecnego wpływu AI, ogólne bezrobocie wynosi obecnie zaledwie 4,4 procent w grudniu 2025 r. W krótkim okresie, jeśli AI zwiększa efektywność pracy, to zmniejsza ilość pracy potrzebnej do wytworzenia danej ilości produkcji, potencjalnie zmniejszając zatrudnienie. Ale historyczny precedens sugeruje, że zyski efektywności często mogą zwiększać (zamiast zmniejszać) całkowite wykorzystanie tego zasobu – zjawisko znane jako paradoks Jevonsa.

Paradoks Jevonsa występuje, jeśli postęp technologiczny zmniejsza ilość zasobu (takiego jak praca) potrzebnego do konkretnego zastosowania. To faktycznie powoduje ogólny wzrost wykorzystania tego zasobu, ponieważ adopcja spełnia trzy warunki: po pierwsze, AI musi znacząco zwiększyć produktywność pracowników. Po drugie oszczędność kosztów musi przełożyć się na niższe ceny.

Wrescie po trzecie, niższe ceny muszą zwiększyć popyt konsumencki szybciej niż zyski z efektywności zmniejszają potrzeby pracy na jednostkę.Chociaż te warunki mogą wydawać się surowe, paradoks Jevonsa zaobserwowano w wielu różnych dziedzinach. Jevons po raz pierwszy opisał ten paradoks w 1865 roku, gdy zwiększanie efektywności węgla w silnikach żelaznych faktycznie zwiększyło popyt na węgiel, żelazo i inne zasoby.

W rolnictwie wzrost efektywności nawadniania może zwiększyć zużycie wody.Udoskonalenia w efektywnym energetycznie oświetleniu zwiększyły zarówno liczbę żarówek, na które jest popyt, jak i ilość energii elektrycznej zużywanej na oświetlenie. Paradoks Jevonsa występuje nawet w tematach pozornie niezwiązanych z produkcją: zwiększenie pojemności dróg zwiększy liczbę kierowców na drodze.

A specjalnie w kontekście AI i miejsc pracy, podobna sytuacja może mieć miejsce w przypadku radiologów – zawodu, który kiedyś przewidywano zastąpić przez AI, a który teraz odnotowuje historycznie wysokie wskaźniki zatrudnienia. W dłuższej perspektywie kluczową kwestią jest porównanie i skontrastowanie AI z wcześniejszymi technologiami przełomowymi.

Historyczne analogie sugerują, że takie (energia parowa, elektryczność, komputery, internet itp.) ostatecznie prowadzą do większego zatrudnienia i wyższych zarobków. Zatem AI mogłaby być wyjątkiem, jeśli technologia ta albo rozwinie agencję (dzięki czemu będzie mogła pracować tak niezależnie jak ludzie), albo jeśli dramatycznie zwiększy produktywność pracowników bez generowania nowego popytu na pracę.

Ogólny precedens przeszłych zmian technologicznych polega na tym, że tworzą one różnorodność nowych dziedzin. W 1860 roku 43 procent zatrudnienia w USA było w rolnictwie, w porównaniu z 1,2 procenta w 2015 roku. W tym czasie powstała ogromna gama nowych zawodów, z których wiele opiera się na nowej technologii. Aktualni pracownicy zajmują stanowiska stworzone od 1940 roku, począwszy od „technika turbin wiatrowych” po „dewelopera oprogramowania”, „chemika ds. tekstyliów” i „doradcę ds. zdrowia psychicznego”.

3. Kluczowe wskaźniki do śledzenia

Jednym z najważniejszych aspektów, na których należy się skupić, aby zrozumieć AI, jest tempo postępu i zmian. Ilość mocy obliczeniowej przeznaczonej na szkolenie modeli AI niemal podwaja się co sześć miesięcy, a prognozy na każdy rok wskazują na wzrost szybszy niż ten obserwowany w fazach szybkiego rozwoju Google, Amazona czy Microsoftu.

Ponieważ wiele z tych wskaźników podwaja się co kilka miesięcy i wzrasta wielokrotnie każdego roku, oznacza to, że zmiany wywołane przez AI mogą być bardzo szybkie.Podobnie jak analitycy rynkowi monitorują liczbę rozpoczętych budów domów czy produkcję przemysłową, aby przewidzieć szerszy stan gospodarki, tak specyficzny zestaw wskaźników może ujawnić rosnący wpływ AI na gospodarkę USA.

Wpływ AI przejawia się w zmianach całkowitej produktywności czynników produkcji, dlatego podkreślamy ten wskaźnik jako pierwszy. Ale ponieważ całkowita produktywność czynników produkcji jest torowana przez rozszerzającą się skalę inwestycji związanych z AI, przyspieszające możliwości AI oraz rosnącą adopcję AI.

Te wskaźniki, które śledzą rozszerzającą się skalę inwestycji związanych z AI, przyspieszające możliwości AI oraz rosnącą adopcję AI, wspólnie służą jako barometry ekonomiczne dla gospodarki AI. Lepsze możliwości przy niższych kosztach stymulują użycie AI, co odzwierciedla się w przychodach firm AI.Zaczynamy od omówienia tych wskaźników w Stanach Zjednoczonych, a następnie przechodzimy do analizy międzykrajowej.

3.1. Całkowita produktywność czynników produkcji

AI jest tak ważna dla wzrostu, ponieważ ma potencjalny wpływ na całkowitą produktywność czynników produkcji. Ale poprzednie rewolucje technologiczne miały skomplikowaną relację z produktywnością. Komputery kiedyś były istotne tylko dla małej części gospodarki, ale teraz mieszczą się w kieszeni. W 1987 roku ekonomista Robert Solow żartobliwie zauważył: „Epokę komputerów widać wszędzie, tylko nie w statystykach produktywności”.

Brak wpływu komputerów wynikał z opóźnienia czasowego, niezdolności do pomiaru ich rzeczywistych korzyści, a w przypadku AI, choć wpływ na całkowitą produktywność czynników produkcji może być kluczowym pytaniem, musimy polegać również na innych wskaźnikach.

3.2 Inwestycje

Wszystkie inwestycje w ekosystem AI były masowe, zarówno w same modele, jak i w otaczającą infrastrukturę. Modele AI wykazują przewidywalną tendencję do wzrostu wydajności modelu w miarę, jak deweloperzy zwiększają liczbę parametrów w modelu, rozmiar zbioru danych treningowych oraz ilość mocy obliczeniowej używanej do trenowania modelu.

Znane jako „prawa skalowania”, te empiryczne relacje umożliwiły deweloperom modeli zwiększanie wydajności ich modeli AI nie tylko poprzez poleganie na fundamentalnych przełomach naukowych, ale po prostu poprzez rzucanie większej ilości zasobów na problem. Podobne empiryczne relacje obserwuje się w innych dziedzinach, takich jak prawo Moore’a, w którym liczba tranzystorów na układzie scalonym podwaja się co dwa lata.

Ponieważ prawa skalowania nie są prawami natury, ale obserwowanymi empirycznymi relacjami, mogłyby kiedyś się skończyć. Ale one charakteryzowały obecną erę głębokiego uczenia, gdzie ilość obliczeń wydanych na trenowanie modeli komputerowych zwiększyła się o więcej niż 1 miliard razy od 2012 roku.

Od 2018 do 2024 roku koszty energii i amortyzowanego sprzętu do trenowania (budowania) modelu AI rosły w średnim tempie 2,4x rocznie, podczas gdy koszty obliczeń w chmurze rosły w średnim tempie 2,5x rocznie. W wyniku prawie dekady rocznie podwajających się kosztów, Grok 4, model AI opublikowany w lipcu 2025 roku, kosztował około 490 milionów dolarów do wytrenowania.

Trwałe inwestycje w szkolenie modeli pomimo rosnących kosztów wskazują na zaangażowanie w rozwijanie bardziej zdolnych i złożonych systemów AI.

Infrastruktura AI

Poza samymi inwestycjami w szkolenie modeli, inwestycje w centra danych i powiązany sprzęt gwałtownie wzrosły w 2024 roku. Rosnąca penetracja technologii AI, inwestycje w sprzęt do przetwarzania informacji i oprogramowanie w USA wyróżniły się tempem 28 procent w pierwszej połowie 2025 roku, w porównaniu z 5-procentowym rocznym wzrostem w 2024 roku. Inaczej mówiąc, w II kwartale 2025 roku ta inwestycja wynosiła już ponad 126 miliardów dolarów, stanowiąc jedną czwartą wszystkich inwestycji w USA. Fakt, że już duża kategoria rośnie w bardzo wysokim tempie, nie napędzana przez konsumpcję ani nie zrównoważone wydatki rządowe.

3.3 Wydajność

Ciągłe inwestycje w AI zwiększyły wydajność modeli AI, zarówno pod względem ich zdolności do rozwiązywania różnych zadań, długości zadań, które mogą z powodzeniem wykonywać, jak i zmniejszania kosztów na „token” wyprodukowany przez model AI. Rozważamy dwa mierniki wydajności: wyniki benchmarków i koszt na token.

Benchmarki to zestawy znormalizowanych zadań zaprojektowanych do oceny specyficznych zdolności AI, takich jak rozumowanie, kodowanie czy zrozumienie języka. W miarę jak duże modele językowe (LLM) stają się coraz potężniejsze, osiągają one wyniki bliskie doskonałości w starszych benchmarkach – zjawisko znane jako „nasycenie benchmarku”. Na przykład w latach 2023–2024 wydajność AI w benchmarku kodowania komputerowego SWE-bench wzrosła z 4 procent do 72 procent.

Podobne zjawiska wystąpiły w benchmarkach dotyczących odpowiedzi na pytania na poziomie studiów podyplomowych, zaawansowanej matematyki oraz różnorodnych innych przedmiotów akademickich.Jednakże, chociaż pionierskie AI są znacznie lepsze od ludzi w wielu egzaminach i zadaniach, najlepsze obecne agenty AI często mają trudności z łączeniem dłuższych sekwencji działań.

W rezultacie obecnie nie są one w stanie samodzielnie realizować istotnych projektów i nie mogą w pełni zastąpić nawet nisko wykwalifikowanej pracy opartej na komputerze, takiej jak zdalny asystent wykonawczy. Ale to oznacza, że długość zadań, które modele AI mogą ukończyć, jest pomocną perspektywą do zrozumienia zdolności AI. Długość zadań, które AI są w stanie z powodzeniem ukończyć, również rośnie, podwajając się co 7 miesięcy w ciągu ostatnich 6 lat. Oznacza to, że AI staje się coraz lepsze w zarządzaniu większymi i większymi projektami samodzielnie, a tym samym w wykonywaniu coraz bardziej skomplikowanych zadań.

Spadające koszty na token

„Token” to podstawowa jednostka wejścia do LLM. Na przykład pojedyncze słowo lub liczba. Zmniejszenie kosztów na token czyni AI bardziej przystępnym cenowo. Może to nastąpić z powodu bardziej efektywnych modeli, oprogramowania lub lepszego sprzętu. W zależności od modelu ceny spadają co najmniej 9-krotnie rocznie, a nawet do 500-krotnie rocznie.

Adopcja i użycie

W wyniku ulepszonych możliwości AI i spadających kosztów użycie AI rozprzestrzeniło się w całej gospodarce. Jest to śledzone poprzez przychody czołowych firm AI, użycie AI w miejscu pracy oraz udział amerykańskich firm wykorzystujących AI w produkcji towarów i usług.

Przychody

Firmy AI odnotowały szybki, ale nie bezprecedensowy wzrost, jednak ich przyszły wzrost mógłby przewyższyć wszystkie historyczne przykłady. Startupy często doświadczają eksplozywnego wzrostu, a OpenAI, Anthropic i Google DeepMind miały ponad 3-krotny roczny wzrost przychodów w drugiej połowie 2024 roku (patrz Rysunek 5).

To jest znacznie szybsze niż średnia rynkowa: spółki S&P 500 miały mieszaną stopę wzrostu zysków rok do roku na poziomie 10,3 procent w ostatnim kwartale 2024 roku. Ale wzrost spółek AI jak dotąd jest porównywalny z tym u topowych tech unicornów jak Google i Uber podczas ich początkowych faz wysokiego wzrostu., chociaż imponujące (Amazon miał tylko dwa lata takiego poziomu wzrostu przychodów), nie jest to bezprecedensowe.

Jednak to, co może być bezprecedensowe, to przyszły wzrost firm AI. Na przykład, pomimo sceptycyzmu, OpenAI twierdziło, że mniej więcej podwoi swoje przychody w każdym roku w okresie 2025–2028. Aby zrozumieć to twierdzenie, przydatne jest porównanie tempa wzrostu z tymi obserwowanymi w poprzednich dużych technologicznych jednorożcach.

Użycie AI przez organizacje wzrosło z 55% w 2023 roku do 78 procent w 2024 roku. W szczególności użycie AI w produkcji towarów i usług wzrosło z mniej niż 4 procent firm w 2023 roku do około 10 procent firm we wrześniu 2025 roku.

Udział przedsiębiorstw z płatnymi subskrypcjami na AI wzrósł w jeszcze szybszym tempie, z 7 procent firm w styczniu 2023 r. do 45 procent obecnie. Podobna historia ma miejsce w przypadku pracowników w USA, z których około 40 procent teraz używa generatywnej AI w pracy.

Udział przedsiębiorstw posiadających płatne subskrypcje na AI wzrósł w jeszcze szybszym tempie, z 7 procent firm w styczniu 2023 r. do 45 procent obecnie. Podobna historia ma miejsce w przypadku pracowników w USA, z których około 40 procent obecnie używa generatywnej AI w pracy.

3.4.3 Minerały krytyczne

Wiele minerałów stanowi kluczowe elementy łańcucha dostaw AI. Krzem jest głównym budulcem większości układów półprzewodnikowych, podczas gdy gal i german to dwa inne kluczowe składniki. Międzynarodowa Agencja Energii szacuje, że do 2030 r. same centra danych mogłyby wymagać ponad 10 procent dzisiejszej światowej podaży galu.

Istnieje wiele sposobów na rankingowanie krajów w zakresie AI, przy czym wiele grup rozwija własne wskaźniki. Używając perspektywy inwestycji, wydajności i adopcji AI, porównujemy kraje, aby określić, który prowadzi w AI. Odkrywamy, że ogólnie Stany Zjednoczone zajmują pierwsze miejsce w większości metryk, z Chinami na drugim miejscu i UE na trzecim.

Inwestycje

Śledzenie ogólnych inwestycji w AI jest trudne, ponieważ są one rozłożone na różne firmy w całym łańcuchu dostaw AI, od układów scalonych po centra danych po laboratoria AI, oraz na różne źródła publiczne i prywatne. Patrząc na całkowite wydatki na badania i rozwój (R&D) w 2022 roku, wydatki Izraela na R&D stanowiły 5 procent jego PKB, co jest wyższym udziałem niż w jakimkolwiek innym kraju.

W 2022 roku zaraz za Izraelem uplasowały się Korea Południowa (4,9 procent), Stany Zjednoczone (3,4 procent) i Japonia (3,3 procent). Dla porównania, Chiny wydały 2,4 procent, a UE 2,1 procent.Inwestycje korporacyjne. Amerykańskie firmy prywatne wiodą prym w badaniach i rozwoju AI.

Stany Zjednoczone miały 50 miliardów dolarów prywatnych inwestycji w AI w 2024 roku, w porównaniu z zaledwie 5 miliardami dolarów prywatnych inwestycji w zajmujących drugie miejsce Chinach, a Wielka Brytania, Francja i Kanada dopełniają pierwszą piątkę.

Niespodziewanie zatem Stany Zjednoczone mają około 75 procent zgłoszonego finansowania venture w startupach generatywnej AI. Prywatne inwestycje w AI według kraju. Większość amerykańskich korporacyjnych inwestycji w AI w firmach prywatnych nie jest jedynym rodzajem inwestycji. Inne kraje mają znaczące nadrobienia, z różnorodnymi specjalnymi inwestycjami w AI ze strony rządów lub funduszy suwerennych.

Oprócz oczekiwanych graczy, takich jak UE i Chiny, kilka krajów Bliskiego Wschodu inwestuje intensywnie w AI. Chiny mają dużą ilość wydatków sektora publicznego, z szacowanymi 56 miliardami dolarów w 2025 roku. Wyróżniają się też Zjednoczone Emiraty Arabskie, gdzie nowa firma AI, Human, z funduszem venture o wartości 10 miliardów dolarów.

Wsparcie dla OpenAI

Podobnie Zjednoczone Emiraty Arabskie wspierają OpenAI, Nvidia i inne amerykańskie firmy w budowie różnorodnych centrów danych w ramach tej inicjatywy. Lista wydatków na AI obejmuje bezpośrednie inwestycje rządowe i fundusze suwerenne, ale nie obejmuje wielu innych tradycyjnych źródeł finansowania, takich jak rządowe finansowanie ogólnych badań i rozwoju. Te godne uwagi zapowiedzi dotyczą inwestycji na przyszłość. Ta lista zapowiedzi dotyczących AI nie jest wyczerpująca.

Tempo inwestycji w AI mogłoby wyglądać bardzo inaczej poza Stanami Zjednoczonymi, zwłaszcza w krajach rozwijających się. Na przykład, gdy te kraje tworzyły krajowe sieci telefoniczne, wiele z nich przeskoczyło linie stacjonarne i przeszło bezpośrednio na telefony komórkowe. Podobne zjawisko mogłoby wystąpić w krajach rozwijających się podczas budowania ich infrastruktury AI: mogłyby one napotkać problemy z niezawodnością elektryczną, a główna platforma interakcji mogłaby być smartfonami.

Biorąc pod uwagę duże inwestycje w AI w Stanach Zjednoczonych, nie jest zaskakujące, że USA przewodzą z 154 systemami AI o rozmiarze mniej więcej równym GPT-3, co stanowi około połowę światowej sumy 351 w 2024 roku. Jednak ze względu na szybkie tempo postępu w AI, różnica w wydajności między najlepszymi modelami w każdym kraju jest stosunkowo mała.

Według raportu Microsoftu: Tylko siedem krajów: USA, Chiny, Francja, Korea Południowa, Wielka Brytania, Kanada i Izrael – plasuje się wśród 200 najlepszych modeli, a odległość między granicą (USA) a ostatnim z nich (Izrael) wynosi teraz zaledwie 11 miesięcy.

W wyniku dużych inwestycji, według stanu na maj 2025 roku, Stany Zjednoczone posiadają około 74 procent światowej mocy obliczeniowej dla AI. Wiele zagranicznego sprzętu AI zostało pierwotnie wyprodukowane przez amerykańskie firmy. Na przykład, prawie wszystkie chińskie modele AI są trenowane na amerykańskim sprzęcie.

Kto poza tym korzysta?

Użycie jest bardziej szeroko rozłożone, z Izraelem i Singapurem wykazującymi najwyższe użycie per capita modelu Claude AI. OpenAI pokazuje podobne trendy, z USA reprezentującymi tylko 19 procent ruchu ChatGPT.

Ogólnie rzecz biorąc, gospodarki średniego dochodu mają nieproporcjonalnie wysokie użycie generatywnej AI w stosunku do wielkości ich gospodarki, a w sumie mają nieproporcjonalne użycie wynoszące 50 procent globalnego użycia AI w 2024 roku, podczas gdy gospodarki niskiego dochodu stanowiły mniej niż 1 procent.

Częściowo z powodu braku elektryczności. Ogólnie rzecz biorąc, adopcja AI jest silnie skorelowana z PKB, z znacznie wyższym przyjęciem w krajach rozwiniętych w porównaniu do krajów rozwijających się. Kluczowe czynniki napędzające tę rozbieżność to różny dostęp do „budulców” AI, w tym elektryczności, centrów danych, dostępu do internetu, języka i umiejętności cyfrowych.

Rewolucja Trumpa

Administracja Trumpa realizuje szereg polityk mających na celu poprawę pozycji Ameryki w każdym z tych wskaźników (inwestycje, wydajność, adopcja), przy czym wiele polityk poprawia kilka jednocześnie. Deregulacja zmniejsza koszty budowy infrastruktury centrów danych, zachęcając do inwestycji w AI. Ustawa One Big Beautiful Bill Act ułatwia Amerykanom inwestowanie, a umowy handlowe przyciągają zagraniczne inwestycje.

Wszystkie one prowadzą do wydajności AI niezbędnej do dominacji amerykańskiej AI, podczas gdy amerykańska dominacja energetyczna zapewnia elektryczność, aby sprostać rosnącemu zapotrzebowaniu ze strony AI.

Ustawa One Big Beautiful Bill Act przywróciła i rozszerzyła pełne, natychmiastowe odliczanie dla kwalifikowanych inwestycji oraz przedłużyła proinwestycyjne przepisy biznesowe, przesuwając poopodatkowe stopy progowe na korzyść budowania teraz. Federalna stawka podatku dochodowego od osób prawnych pozostaje na poziomie 21 procent.

Ustawa zachowuje i udoskonala szereg międzynarodowo zorientowanych przepisów i zainwestowała ponad miliard dolarów w różne inicjatywy AI. Analiza CEA przewiduje, że OBBB zwiększy wzrost PKB o więcej niż 1 procent rocznie w ciągu czterech lat po jej uchwaleniu i podniesie realne płace o 4000 do 7200 dolarów na pracownika.

Szczególnie istotne dla boomu AI, ustawa One Big Beautiful Bill przywraca 100-procentową premię amortyzacyjną dla infrastruktury IT i sprzętu centrów danych. CEA szacuje, że w sumie OBBB doprowadzi do 7-10 procentowego wzrostu inwestycji, zachęcając do budowy centrów danych, infrastruktury energetycznej i produkcji chipów.

Umowy handlowe

W ramach umów handlowych i innych porozumień prezydent Trump zabezpieczył biliony dolarów zobowiązań inwestycyjnych z krajów zagranicznych. Unia Europejska, w ramach swojej umowy handlowej, specjalnie zobowiązała się do zakupu 40 miliardów dolarów amerykańskich chipów AI, a Zjednoczone Emiraty Arabskie specjalnie wymieniły AI jako jeden z kluczowych sektorów, na który skierowana zostanie ich inwestycja w USA o wartości 1,4 biliona dolarów.

Polityka AI administracji Trumpa jest zarysowana w jej Planie Działania AI 2025 i kilku powiązanych rozporządzeniach wykonawczych. Polityka koncentruje się na osiągnięciu amerykańskiej międzynarodowej dominacji w AI poprzez szybką budowę centrów danych, umożliwianie i przyspieszanie innowacji oraz podtrzymywanie wolności słowa w modelach AI. By osiągnąć te cele, plan działania zarysowuje konkretne kroki. Na przykład, w sprawie szybkiej budowy centrów danych, plan zaleca ustanowienie nowych kategorycznych wyłączeń pod NEPA dla centrów danych aby przyspieszyć proces uzyskiwania pozwoleń.

Aby umożliwić i przyspieszyć innowacje, plan zaleca bezpośrednie inwestycje w technologię AI przez różne agencje federalne, wraz z utworzeniem Centrów Doskonałości AI, w których badacze i startupy są zachęcani do szybkiego wdrażania i testowania narzędzi AI w kontekstach zobowiązanych do otwartego udostępniania danych i wyników.

W kwestii podtrzymywania wolności słowa, plan zaleca aktualizację wytycznych dotyczących zamówień federalnych, aby nakazać, że rząd zawiera umowy tylko z deweloperami AI, którzy zapewniają, że ich systemy są obiektywne i wolne od narzuconego z góry ideologicznego uprzedzenia.

Deregulacja

Nadmierna regulacja szkodzi aktywności gospodarczej poprzez zwiększanie kosztów, tłumienie konkurencji i innowacji, podnoszenie cen dla konsumentów. Może to zmniejszyć wzrost, aktywność startupów i tworzenie miejsc pracy, a także zwiększyć wskaźnik ubóstwa, z nieproporcjonalnym wpływem na małe przedsiębiorstwa.

23 lipca prezydent Trump podpisał rozporządzenie wykonawcze w celu przyspieszenia uzyskiwania pozwoleń dla centrów danych, a także ich bazowej infrastruktury energetycznej i produkcyjnej. Następnie, 11 grudnia, prezydent Trump podpisał rozporządzenie wykonawcze w celu zmniejszenia barier na poziomie stanowym.

Jak wcześniej badano w CEA, wysiłki deregulacyjne administracji Trumpa mają na celu złagodzenie tych problemów i dostarczenie korzyści sektorowi AI wraz z innymi sektorami w całej gospodarce. CEA szacuje, że te wysiłki deregulacyjne są w stanie zapewnić znaczące zyski w zakresie produktywności, które przekładają się na dodatkowe 0,3 do 0,8 punktu procentowego wzrostu PKB każdego roku przez dwie dekady – skumulowany wzrost o około 6 do 17 procent do 2045 roku.

Szczegóły planu: Adopcja i użycie i dminacja energetyczna

Prezydent Trump uczynił dominację energetyczną jednym z priorytetów swojej administracji. Administracja już podjęła ważne działania w celu stymulowania krajowej produkcji i obniżenia kosztów poprzez wznowienie federalnego leasingu na rozwój energii, wydawanie nowych pozwoleń na terminale eksportowe skroplonego gazu ziemnego oraz wspieranie zaawansowanego rozwoju jądrowego, wśród innych.

Nie licząc deregulacji, CEA szacuje, że polityki wspierające amerykańską dominację energetyczną mogłyby podnieść PKB USA o co najmniej 0,3 procent do 1,2 procent do 2035 roku, bez uwzględnienia synergii z AI. Nawet bardziej niż tradycyjne centra danych, generatywne centra danych AI są szczególnie żądne energii elektrycznej, a centra danych AI prognozuje się na wzrost z 4 procent popytu na energię elektryczną w USA w 2023 roku do 7 do 12 procent do 2028 roku.

Aby pomieścić ten wzrost, Plan Działania AI obejmuje konkretne działania polityczne dotyczące rozbudowy sieci energetycznej. W szczególności zaleca eksplorację technologii zarządzania siecią i modernizacje linii energetycznych w celu optymalizacji i stabilizacji istniejącej sieci, w tandemie z priorytetyzowaniem budowy i połączenia nowych elektrowni wykorzystujących różne źródła energii do sieci. Do kwietnia 2025 roku Departament Energii już zidentyfikował 16 potencjalnych miejsc z infrastrukturą energetyczną, które pozycjonują je do szybkiej budowy centrów danych.

Wnioski i podsumowanie

Rewolucja AI, z jej porównaniami do tzw. XIX wiecznej rewolucji przemysłowej, przedstawia głęboki punkt zwrotny dla gospodarki światowej z potencjałem do znaczącego wzrostu PKB krajów, które ją przyjmują. Jesteśmy świadkami jasnych liderów w inwestycjach w AI, wydajności i wskaźnikach adopcji w różnych krajach. Stany Zjednoczone, jak zademonstrowano w tej tzw. Inicjatywa AI i powiązanych rozporządzeniach wykonawczyc administracji Trumpa, USA realizują strategię skupioną na przyspieszonych innowacjach, rozwoju infrastruktury i deregulacji w celu położenia podwalin pod amerykańską dominację w AI.