A Morgan Stanley szerint a nyílt súlyú mesterségesintelligencia-modellek terjedése nem feltétlenül csökkenti a számítási kapacitás iránti keresletet. Éppen ellenkezőleg: az olcsóbb AI több vállalati feladatot, hosszabb automatizált munkafolyamatokat és nagyobb energiafogyasztást hozhat. A folyamat a kriptobányászati szektort is átalakíthatja, mivel a megfelelő áramellátással és adatközponti infrastruktúrával rendelkező bányászvállalatok egyre értékesebb szereplővé válhatnak az AI-versenyben.

Morgan Stanley: az olcsóbb AI nem jelent kisebb keresletet

A Morgan Stanley 2026. augusztus 3-án ismertetett kutatási jelentése szerint a nyílt súlyú, vagyis angolul open-weight AI-modellek fejlődése felgyorsíthatja a mesterséges intelligencia vállalati bevezetését. Ez pedig ellensúlyozhatja azt a hatást, amelyet a modellek javuló energia- és költséghatékonyságától várnak a befektetők.

A bank elemzése arra az egyre fontosabb kérdésre keresi a választ, hogy az olcsóbban futtatható AI-modellek végül kevesebb vagy több adatközponti kapacitást igényelnek-e.

Első pillantásra logikusnak tűnhet, hogy egy hatékonyabb modell ugyanannak a feladatnak az elvégzéséhez kevesebb grafikus processzort, memóriát és villamos energiát használ. Egy ilyen változás valóban csökkentheti egyetlen lekérdezés vagy egyetlen generált token költségét.

A Morgan Stanley szerint azonban nem az egy feladatra jutó fogyasztás a döntő, hanem a feladatok teljes száma. Ha az AI használata olcsóbbá válik, a vállalatok sokkal több folyamatba építhetik be, több alkalmazott számára tehetik elérhetővé, és olyan problémák megoldására is használhatják, amelyeknél korábban nem érte volna meg az AI költsége.

A bank ezt a jelenséget a Jevons-paradoxonnal magyarázza: egy erőforrás hatékonyabb felhasználása nem minden esetben csökkenti annak összesített fogyasztását. Az alacsonyabb egységköltség ugyanis új keresletet teremt, amely akár többszörösen is ellensúlyozhatja a hatékonyság javulását.

Az AI esetében ez azt jelentheti, hogy egy olcsóbb modell ugyan kevesebb számítást igényel egyetlen válasz előállításához, de közben:

• több vállalat kezdi el használni;
• több alkalmazott kap hozzáférést;
• több dokumentumot, képet, videót és programkódot dolgoznak fel;
• hosszabb, több lépésből álló AI-ügynökök jelennek meg;
• egy üzleti feladaton belül többször hívják meg a modellt;
• az AI nemcsak válaszol, hanem adatokat keres, ellenőriz, újratervez és végrehajt.

A végső eredmény így nem feltétlenül kisebb, hanem akár sokkal nagyobb összesített számítási és energiaigény lehet.

Mit jelent pontosan az open-weight AI?

Az open-weight kifejezés magyarul leginkább „nyílt súlyú modellként” fordítható. A modell súlyai azok a matematikai paraméterek, amelyek a tanítás során alakulnak ki, és amelyek meghatározzák, hogy a rendszer milyen választ ad egy bemenetre.

A NIST meghatározása szerint a modellsúly egy olyan numerikus paraméter, amely részt vesz a modell kimenetének meghatározásában. Egy nagy nyelvi modell több milliárd vagy akár több száz milliárd ilyen paraméterből állhat.

Amikor egy modell open-weight, a fejlesztő hozzáférhetővé teszi ezeket a súlyokat. Egy vállalat így letöltheti a modellt, saját szerverén futtathatja, saját adataival finomhangolhatja, vagy egy szűkebb üzleti feladatra optimalizálhatja.

Fontos azonban, hogy a nyílt súlyú modell nem automatikusan azonos a valódi nyílt forráskódú AI-val.

Az Open Source Initiative szerint önmagában a súlyok közzététele nem elegendő a teljes nyílt forráskódúsághoz. Ehhez megfelelő hozzáférésre lehet szükség a tanítási eljárással, a kapcsolódó kóddal, az adatokra vonatkozó információkkal és a modell módosítását, felhasználását, illetve megosztását biztosító jogokkal kapcsolatban is.

Ez a megkülönböztetés azért fontos, mert egy modell súlyai lehetnek letölthetők úgy is, hogy a licenc:

• korlátozza a kereskedelmi felhasználást;
• kizár bizonyos iparágakat;
• meghatározott felhasználószám felett külön engedélyt ír elő;
• tiltja egyes származtatott modellek terjesztését;
• nem biztosít teljes átláthatóságot a tanítási adatokkal kapcsolatban.

Egy vállalatnak ezért nemcsak azt kell ellenőriznie, hogy technikailag le tudja-e tölteni a modellt, hanem azt is, hogy jogilag és üzletileg milyen feltételekkel használhatja.

A Jevons-paradoxon az AI-piacon

A Jevons-paradoxon klasszikus gazdasági példája szerint egy energiahatékonyabb technológia nem feltétlenül csökkenti az energiafogyasztást. Amennyiben az új technológia olcsóbbá és szélesebb körben használhatóvá teszi az adott szolgáltatást, a kereslet gyorsabban nőhet, mint amennyivel az egységenkénti fogyasztás csökken.

Az AI esetében érdemes egy egyszerű példát elképzelni.

Tegyük fel, hogy egy vállalat számára egy összetett dokumentumelemzés AI-val korábban 10 dollárba került. Emiatt naponta csak 100 különösen fontos dokumentumot dolgozott fel, ami összesen 1000 dolláros napi költséget jelentett.

Később a modellek hatékonyabbá válnak, és ugyanaz a feldolgozás már csak 1 dollárba kerül. A vállalat azonban ekkor nem feltétlenül marad napi 100 dokumentumnál. Mivel az AI használata olcsó lett, elkezdhet napi 5000 dokumentumot feldolgozni.

Az egységköltség 90 százalékkal csökkent, a teljes napi kiadás mégis 1000 dollárról 5000 dollárra emelkedett. A vállalat azért költ többet, mert a technológia több helyen vált gazdaságosan alkalmazhatóvá.

A Morgan Stanley számításai szerint egy átlagos AI-feladat megközelítőleg 55 dollár értéket teremthet, miközben annak költsége körülbelül 2–5 dollár lehet. Amennyiben ez a becslés helytálló, jelentős tér marad az AI használatának bővítésére: még az alacsonyabb értékű feladatokat is gazdaságossá teheti a modellek további árcsökkenése.

Ez természetesen nem jelenti azt, hogy minden AI-projekt automatikusan nyereséges. Az 55 dolláros érték egy átlagos becslés, a tényleges megtérülés pedig jelentősen függhet:

• a feladat pontossági követelményeitől;
• az emberi ellenőrzés költségétől;
• a hibás válaszok üzleti következményeitől;
• az integrációhoz szükséges fejlesztéstől;
• az adatminőségtől;
• a modell kihasználtságától;
• a biztonsági és szabályozási követelményektől.

A fő üzenet nem az, hogy minden AI-feladat biztosan nagy hasznot termel, hanem az, hogy a feladat által létrehozható érték sok esetben jelenleg is jelentősen meghaladja a modell közvetlen futtatási költségét.

A vállalatok már most több modellt használnak egyszerre

A vállalati AI-piac valószínűleg nem egyetlen modell vagy szolgáltató kizárólagos uralmáról fog szólni. A cégek egyre gyakrabban kombinálják a zárt, felhőalapú modelleket a letölthető vagy saját infrastruktúrán működtetett rendszerekkel.

A McKinsey 2025-ben közzétett felmérése szerint a válaszadó szervezetek 63 százaléka használt valamilyen nyílt AI-modellt. A technológiai vállalatok körében ez az arány 72 százalék volt. A kutatás azt is megállapította, hogy az AI-t stratégiailag fontosnak tekintő vállalatok több mint 40 százalékkal nagyobb valószínűséggel használtak nyílt modelleket és eszközöket.

Ez nem feltétlenül jelenti a zárt rendszerek lecserélését. Sok esetben inkább egyfajta modellportfólió alakul ki.

Egy pénzügyi vállalat például használhat:

• nagy teljesítményű zárt modellt összetett jogi vagy stratégiai elemzéshez;
• kisebb saját modellt belső dokumentumok osztályozásához;
• külön kódgeneráló modellt a fejlesztői csapat számára;
• helyben futó modellt érzékeny ügyféladatok feldolgozásához;
• olcsó, nagy volumenű modellt rutinszerű ügyfélszolgálati kérdésekhez.

A különböző modellek között egy úgynevezett modellrouter választhat. Ez egy olyan szoftveres réteg, amely a feladat bonyolultsága, ára, biztonsági besorolása és válaszidő-igénye alapján dönti el, melyik modellt kell meghívni.

Egy egyszerű jelszó-visszaállítási kérdést nem szükséges a világ legdrágább és legnagyobb modelljére küldeni. Egy bonyolult vállalatfelvásárlási szerződés értelmezésénél viszont indokolt lehet a magasabb költségű, jobb következtetési képességű rendszer használata.

Ez a hibrid modellpiac növelheti az infrastruktúra összetettségét. A vállalatoknak nemcsak számítási kapacitásra, hanem jogosultságkezelésre, naplózásra, modellmegfigyelésre, biztonságra és költségoptimalizálásra is szükségük lesz.

A letölthető modell sem ingyenes

A nyílt súlyú modellek egyik legfontosabb előnye, hogy a felhasználó általában nem fizet minden egyes token után közvetlen díjat a modell készítőjének.

Ez azonban nem jelenti azt, hogy a modell futtatása ingyenes.

A saját üzemeltetés költségei között szerepelhet:

• a GPU-k vagy más gyorsítók beszerzése;
• a szerverek és hálózati eszközök ára;
• a villamosenergia-fogyasztás;
• a hűtés;
• az adatközpont vagy szerverterem;
• a felhőben bérelt infrastruktúra;
• a mérnöki és üzemeltetői csapat;
• a biztonsági frissítések;
• a modell megfigyelése;
• az adatok előkészítése;
• az ismételt finomhangolás;
• a mentési és helyreállítási rendszer;
• a kihasználatlan hardver költsége.

Különösen fontos a kihasználtság. Egy saját GPU-szerver akkor lehet gazdaságos, ha rendszeresen dolgozik. Amennyiben a vállalat csak időnként futtat néhány ezer lekérdezést, könnyen előfordulhat, hogy egy külső API olcsóbb megoldást jelent.

A felhőalapú API egyik előnye, hogy a felhasználó jellemzően a tényleges használat alapján fizet. A saját infrastruktúránál viszont akkor is felmerülnek a hardver, az áram és az üzemeltetés költségei, ha a szerver kihasználatlan.

Ez hasonló ahhoz a döntéshez, amellyel egy vállalat a járműflottájánál szembesül. Kevés és rendszertelen használat mellett az autóbérlés lehet kedvezőbb, folyamatos és nagy volumenű használatnál viszont a saját flotta válhat gazdaságossá.

Akár 70 százalékkal is csökkenhet az AI költsége

Az MIT Sloan által 2026 januárjában ismertetett kutatás szerint a nyílt modellek optimálisabb használata több mint 70 százalékkal csökkenthetné az AI-rendszerek átlagos kiadásait. A kutatók becslése alapján ez évente körülbelül 25 milliárd dollár megtakarítást jelenthetne a globális AI-gazdaság szereplőinek.

A vizsgálat szerint a nyílt modellek a megjelenésük idején átlagosan a zárt modellek teljesítményének mintegy 90 százalékát érhetik el, miközben az inferencia, vagyis a már betanított modell futtatása lényegesen olcsóbb lehet.

Az inferencia nem azonos a modell tanításával.

A tanítás során a rendszer hatalmas adatmennyiségből alakítja ki a paramétereit. Ez rendkívül nagy és koncentrált számítási feladat lehet.

Az inferencia ezzel szemben az a folyamat, amikor a már elkészült modell egy felhasználói kérdésre választ ad, dokumentumot elemez, képet generál vagy egy AI-ügynök következő lépéséről dönt.

A nyílt modellek terjedése elsősorban az inferencia helyszínét és üzleti modelljét alakíthatja át. A számítás nem kizárólag néhány nagy szolgáltató adatközpontjában történhet, hanem megoszolhat:

• nyilvános felhők;
• vállalati adatközpontok;
• bérelt szervertermek;
• szuverén felhők;
• helyszíni klaszterek;
• munkaállomások;
• peremhálózati eszközök között.

A számítás tehát decentralizálódhat anélkül, hogy az összesített mennyisége csökkenne.

Mikor éri meg saját AI-modellt futtatni?

A saját infrastruktúra megtérülése erősen függ a modell méretétől.

A Morgan Stanley által idézett Carnegie Mellon-kutatás szerint a 30 milliárdnál kevesebb paraméterrel rendelkező modellek esetében a saját üzemeltetés megtérülési ideje bizonyos helyzetekben legfeljebb néhány hónap lehet. A 200 milliárd és egymilliárd milliárd, vagyis egybillió paraméter közötti rendszereknél azonban a megtérülés akár hat évig is eltarthat.

Ezeket a számokat nem szabad általános szabályként kezelni. A tényleges eredmény függ a hardver árától, a modell tömörítésétől, az alkalmazott pontosságtól, a lekérdezések hosszától, a kihasználtságtól és az alternatív API árazásától.

A paraméterszám önmagában sem mutatja meg pontosan egy modell erőforrásigényét. Egy mixture-of-experts, vagyis szakértőkeverékes modell például nagyon sok teljes paraméterrel rendelkezhet, miközben egy adott token feldolgozásakor csak a paraméterek egy részét aktiválja.

A döntésnél ezért legalább négy kérdést érdemes megvizsgálni:

Mekkora a folyamatos lekérdezési volumen?
Minél nagyobb és kiszámíthatóbb a használat, annál könnyebb magas kihasználtságot elérni a saját hardveren.

Mennyire érzékenyek az adatok?
Egészségügyi, pénzügyi, állami vagy üzleti titkot tartalmazó adatoknál a saját környezet önmagában is komoly értéket képviselhet.

Milyen gyorsan avul el a hardver és a modell?
Egy hatéves megtérülési idő különösen kockázatos egy olyan iparágban, ahol néhány hónap alatt is jelentősen változhatnak a modellek és a chipek.

Mennyibe kerül az üzemeltetési szakértelem?
A modell letöltése önmagában nem jelent kész vállalati rendszert. Biztonsági, adatkezelési, megfigyelési és integrációs feladatokra továbbra is szükség van.

Három forgatókönyv alakíthatja az AI-infrastruktúrát

A Morgan Stanley három lehetséges piaci szerkezetet vázolt fel.

1. A zárt modellek megtartják a teljesítményelőnyüket

Ebben a forgatókönyvben a legösszetettebb AI-rendszereket továbbra is a nagy technológiai vállalatok és a tőkeerős AI-laboratóriumok fejlesztik.

A tanítás és a legnagyobb inferenciafeladatok néhány hiperskálázó szolgáltatónál koncentrálódnának. A hiperskálázó olyan nagy felhő- és adatközponti vállalat, amely hatalmas infrastruktúrát képes gyorsan bővíteni.

Ez a forgatókönyv tartós keresletet jelenthet:

• a legfejlettebb AI-chipek;
• a nagy sebességű memória;
• az optikai hálózatok;
• az adatközponti hűtés;
• a több száz megawattos vagy gigawattos energiaellátás iránt.

Ebben a világban a méretgazdaságosság és a tőkeellátottság lenne a legfontosabb versenyelőny.

2. Hibrid modellpiac jön létre

A második és valószínűleg legkiegyensúlyozottabb forgatókönyvben a zárt és nyílt súlyú modellek párhuzamosan működnek.

A legösszetettebb következtetési feladatokat a nagy zárt modellek végeznék, míg a nagy volumenű, ismétlődő vagy egy adott iparágra szabott feladatokat kisebb nyílt modellek kezelnék.

Ez a szerkezet növelné a modellirányítási és integrációs rendszerek iránti keresletet. A vállalatoknak folyamatosan el kellene dönteniük, melyik feladatot melyik modellre érdemes küldeni.

A hibrid piac nem feltétlenül csökkentené a nagy felhőszolgáltatók bevételeit sem. A vállalatok sok nyílt modellt továbbra is egy nyilvános felhőben bérelt GPU-kon futtathatnak.

3. A nyílt modellek elérik a csúcsteljesítményt

A harmadik forgatókönyv szerint a nyílt súlyú modellek teljesítménye megközelítheti vagy elérheti a legjobb zárt rendszerekét.

Ebben az esetben a vállalatoknak kevesebb okuk lenne arra, hogy minden feladatot egy külső API-n keresztül futtassanak. Az inferencia nagyobb része kerülhetne magán-adatközpontokba, szuverén felhőkbe, vállalati szerverekre és peremhálózati eszközökre.

A Morgan Stanley szerint ebből az infrastruktúra decentralizációjának kitett vállalatok, például a Dell Technologies, a Hewlett Packard Enterprise és a NetApp is profitálhatnának.

Ebben a forgatókönyvben nem feltétlenül az AI-modellek tulajdonosai lennének a legnagyobb nyertesek. A kereslet egy része áttevődhetne a hardverre, az adattárolásra, a vállalati hálózatokra, a biztonsági megoldásokra és az energiaellátásra.

Rekordméretű lehet az AI áramigénye

A Morgan Stanley álláspontja azért különösen fontos, mert az AI-infrastruktúra energiafogyasztása már most is gyorsan növekszik.

A Nemzetközi Energiaügynökség szerint az adatközpontok globális villamosenergia-igénye 2025-ben 17 százalékkal emelkedett, miközben az AI-központú adatközpontok fogyasztása 50 százalékkal nőtt. Összehasonlításként a globális villamosenergia-kereslet ugyanebben az évben körülbelül 3 százalékkal bővült.

Az IEA alapforgatókönyve szerint az adatközpontok éves áramfogyasztása 2030-ra körülbelül 945 terawattórára emelkedhet. Ez több mint kétszerese a 2024-es szintnek, és megközelítőleg a jelenlegi japán villamosenergia-fogyasztással azonos nagyságrendet képviselhet. Az adatközpontok ezzel a világ teljes villamosenergia-fogyasztásának valamivel kevesebb mint 3 százalékát adhatják.

A globális arány önmagában megtévesztő lehet. Az adatközpontok nem egyenletesen oszlanak el a világban. Egy-egy régióban, ahol sok létesítmény koncentrálódik, az új AI-kapacitás komoly hálózati szűk keresztmetszeteket okozhat.

Az AI-infrastruktúra fejlesztésének egyik legfontosabb korlátja ezért már nem kizárólag a chipek elérhetősége. Legalább ilyen lényeges lett:

• a hálózati csatlakozás;
• az új erőművi kapacitás;
• a transzformátorok és kapcsolóberendezések;
• a hűtővíz;
• a tartalék energiaellátás;
• az engedélyezési folyamat;
• a megfelelő telephely.

A Morgan Stanley 2026 júliusában körülbelül 870 milliárd dollárra becsülte az adott év teljes AI-tőkeberuházását, beleértve az új típusú felhőszolgáltatókat is. A bank szerint az AI-verseny egyre kevésbé csak arról szól, hogy ki tudja elkészíteni a legjobb modellt; legalább ilyen fontossá vált, hogy ki ellenőrzi a skálázáshoz szükséges infrastruktúrát, ellátási láncot és energiarendszereket.

Miért fontos mindez a kriptopiac számára?

A mesterséges intelligencia és a kriptovaluta-szektor közötti egyik legerősebb kapcsolat jelenleg nem a blokkláncon létrehozott AI-tokenekben, hanem az adatközpontokban és az energiapiacon található.

A bitcoinbányászok jelentős része már rendelkezik olyan eszközökkel, amelyek értékesek lehetnek az AI-infrastruktúra fejlesztői számára:

• nagy mennyiségű lekötött villamosenergia-kapacitás;
• kiépített hálózati csatlakozás;
• adatközponti telephely;
• hűtési infrastruktúra;
• engedélyek;
• optikai hálózati kapcsolatok;
• energiapiaci és adatközpont-üzemeltetési tapasztalat.

Az új adatközpontok fejlesztésénél gyakran éppen az áramellátás és a hálózati csatlakozás megszerzése jelenti a legnagyobb akadályt. Egy olyan kriptobányász, amely már rendelkezik több száz megawattos csatlakozással, ezért stratégiailag értékesebb lehet, mint amit kizárólag a jelenlegi bitcoin-termelése indokolna.

Ezt a folyamatot jól mutatja az AMD és a korábban elsősorban bitcoinbányászként ismert Core Scientific 2026. július 28-án bejelentett megállapodása. A megállapodás akár 2,5 gigawattnyi adatközponti kapacitásra is kiterjedhet, és az első, 500 megawattos AI-kapacitás a tervek szerint 2027-ben válhat elérhetővé.

A projekt nagyságrendje azt jelzi, hogy a kriptobányászati vállalatok AI-átalakulása már nem pusztán kísérleti melléküzletág.

A kriptobányászok számára az AI– és nagy teljesítményű számítástechnikai szerződések vonzó tulajdonsága lehet a hosszabb időtávú, kiszámíthatóbb bevétel. A bitcoinbányászat jövedelmezőségét ezzel szemben a bitcoin árfolyama, a globális számítási nehézség, a tranzakciós díjak, az energiaár és a hálózati hashráta együttesen befolyásolja.

Egy bitcoinbánya nem válik automatikusan AI-adatközponttá

A piaci optimizmus mellett fontos megérteni, hogy a bitcoinbányászati infrastruktúra nem minden esetben alkalmas mesterséges intelligencia futtatására.

A bitcoinbányászat erre a célra fejlesztett ASIC-gépeket használ. Ezek rendkívül hatékonyak a Bitcoin SHA-256 algoritmusának számításában, de általános AI-feladatokra gyakorlatilag nem használhatók.

Az AI-adatközpontokhoz külön GPU-kra vagy más gyorsítókra van szükség. Emellett jelentősen eltérhetnek az üzemeltetési követelmények is.

Egy bitcoinbánya bizonyos piaci helyzetekben rövid időre lekapcsolható. Ha az áram ára túl magas, vagy az elektromos hálózat túlterhelt, a bányász számára gazdaságos lehet a termelés csökkentése. Egy 2026-os, a texasi piacot vizsgáló kutatás szerint a bányászati fogyasztás valóban reagál az áramárakra, de a reakció erőssége a bányászat várható bevételét jelző hashprice szintjétől is függ.

Egy vállalati AI-ügyfél ezzel szemben gyakran szigorú rendelkezésre állást, alacsony hálózati késleltetést, tartalék áramellátást és folyamatos szolgáltatást vár el.

Az AI-átalakításhoz ezért szükség lehet:

• új épületekre;
• nagyobb teljesítménysűrűségű elektromos rendszerre;
• folyadékhűtésre;
• tartalék generátorokra és akkumulátorokra;
• gyors optikai hálózatra;
• fejlettebb fizikai biztonságra;
• redundáns adatkapcsolatra;
• jelentős új beruházásra.

A Galaxy Research szerint az AI-adatközponti átalakulásra leginkább azok a bányászati telephelyek lehetnek alkalmasak, amelyek az áram mellett megfelelő területtel, hűtési lehetőséggel, optikai kapcsolattal, szakképzett munkaerővel és a hosszú átfutási idejű infrastruktúra-elemekkel is rendelkeznek.

Ezért két azonos megawattkapacitással rendelkező bányászvállalat között óriási értékkülönbség lehet. Nemcsak a rendelkezésre álló áram mennyisége számít, hanem annak minősége, ára, megbízhatósága és földrajzi elhelyezkedése is.

Hogyan változhat a kriptobányászok értékelése?

A bitcoinbányászati vállalatokat hagyományosan olyan mutatók alapján értékelik, mint:

• a működő hashráta;
• a bányászott bitcoin mennyisége;
• az egy bitcoinra jutó energiaköltség;
• a géppark hatékonysága;
• a vállalat bitcoinállománya;
• a finanszírozási helyzet;
• a tervezett kapacitásbővítés.

Az AI-átalakulás miatt azonban új értékelési szempontok jelenhetnek meg:

• hány megawatt alkalmas valóban AI-terhelésre;
• mikor válik elérhetővé a kapacitás;
• rendelkezésre áll-e megfelelő optikai hálózat;
• ki finanszírozza az átalakítást;
• van-e hitelképes, hosszú távú bérlő;
• mekkora a szerződéses bevétel;
• milyen beruházási kötelezettség marad a bányásznál;
• mekkora a projekt kivitelezési és engedélyezési kockázata.

Egy AI-megállapodás bejelentése ezért önmagában még nem bizonyítja, hogy jelentős részvényesi érték keletkezik.

Különbséget kell tenni:

1. egy előzetes szándéknyilatkozat;
2. egy kisebb kísérleti projekt;
3. egy aláírt, finanszírozott szerződés;
4. egy építés alatt álló adatközpont;
5. egy már működő, bevételt termelő AI-létesítmény között.

A részvénypiac gyakran már a korai bejelentéseket is gyorsan beárazza, miközben a tényleges bevétel csak évekkel később jelenhet meg.

Kik lehetnek az open-weight AI nyertesei?

A Morgan Stanley elemzése alapján az AI-modellek olcsóbbá válása nem feltétlenül minden technológiai vállalat számára pozitív.

A legnagyobb nyertesek azok lehetnek, amelyek olyan erőforrást birtokolnak, amelyet az AI-használat növekedése mellett nehéz gyorsan bővíteni.

Ide tartozhat:

Energiaellátás:
A nagy teljesítményű, megbízható és megfelelő időpontban elérhető áramkapacitás önálló stratégiai eszközzé válhat.

Adatközponti ingatlan:
Az engedélyezett, hálózatra csatlakoztatható és optikai infrastruktúrával rendelkező területek értéke növekedhet.

Hálózati technológia:
A modellek tanításához és az elosztott inferenciához nagy sebességű adatátvitelre van szükség.

Adattárolás:
A vállalati AI egyre több dokumentumot, naplót, vektort és modellváltozatot tárolhat.

Hűtés és elektromos berendezések:
A nagy teljesítménysűrűségű GPU-klaszterek kiszolgálása speciális infrastruktúrát igényel.

Kriptobányászati telephelyek:
A megfelelő adottságú bányászok meglévő áramkapacitása lerövidítheti az AI-adatközpontok fejlesztési idejét.

Ugyanakkor az AI-modellek szolgáltatói erős árversennyel szembesülhetnek. Ha a nyílt modellek teljesítménye közel kerül a zárt rendszerekéhez, a tokenenkénti árak és a modelleken elérhető haszonkulcsok csökkenhetnek.

Ez egy olyan piacot eredményezhet, amelyben a modellek egy része fokozatosan árucikké válik, miközben az infrastruktúra-szűk keresztmetszetek tulajdonosai nagyobb alkupozícióhoz jutnak.

A legfontosabb kockázatok

A Morgan Stanley növekvő keresletről szóló forgatókönyve meggyőző, de nem tekinthető biztos előrejelzésnek.

Az AI-beruházások megtérülése kérdéses maradhat

A használat növekedése nem jelenti automatikusan azt, hogy minden adatközpont megfelelő hozamot termel. A vállalatok túl sok kapacitást is építhetnek, miközben az AI-szolgáltatások árai gyorsabban csökkennek a vártnál.

A hatékonyság felülmúlhatja a kereslet növekedését

A Jevons-paradoxon nem természeti törvény. Előfordulhat, hogy az új modellek, chipek és tömörítési technológiák olyan gyorsan javulnak, hogy az összesített energiaigény a növekvő használat mellett is mérséklődik egy korábbi előrejelzéshez képest.

Helyi hálózati korlátok lassíthatják a fejlesztéseket

A globális áramtermelés elméletileg elegendő lehet, egy adott adatközpont azonban csak ott épülhet meg, ahol időben hozzáfér a szükséges hálózati kapacitáshoz.

Társadalmi és szabályozási ellenállás jelenhet meg

A lakossági áramárak, a vízfelhasználás, a zaj, a kibocsátás és a földhasználat miatt az adatközpontok engedélyezése politikai kérdéssé válhat.

Nem minden kriptobányász képes AI-ra váltani

A kedvezőtlen helyszín, a gyenge optikai kapcsolat, az elégtelen hűtés vagy a finanszírozási problémák miatt sok bányásztelep továbbra is kizárólag kriptobányászatra lehet alkalmas.

A nagy beruházás növelheti a pénzügyi kockázatot

Az AI-adatközpontok fejlesztése több milliárd dolláros tőkét, jelentős hitelfelvételt és hosszú kivitelezési időt igényelhet. Egy késés vagy ügyfélvesztés komoly veszteséget okozhat.

Mit érdemes figyelnie egy megfontolt befektetőnek?

Az AI és a kriptobányászat összekapcsolódása miatt nem elegendő pusztán a megawattkapacitást vagy egy bejelentett szerződés névleges értékét vizsgálni.

A legfontosabb kérdés az, hogy a vállalat milyen feltételekkel tudja bevétellé alakítani az infrastruktúráját.

Érdemes figyelni:

A szerződéses partner hitelképességét.
Egy nagy, stabil technológiai vállalat hosszú távú szerződése lényegesen értékesebb lehet, mint egy erősen finanszírozásfüggő AI-startup ígérete.

A beruházások finanszírozását.
Fontos, hogy a szükséges GPU-kat, épületeket és hűtést a bányász, az ügyfél vagy egy külső finanszírozó fizeti-e.

A kapacitás átadásának időpontját.
Egy 2029-re ígért gigawatt jóval bizonytalanabb, mint egy 2027-ben üzembe álló, már finanszírozott létesítmény.

A bevétel és a hozam kapcsolatát.
A nagy szerződéses bevétel nem feltétlenül jelent magas profitot, ha az adatközpont kiépítése rendkívül költséges.

A bitcoinbányászati alaptevékenységet.
Az AI-átalakulás nem teszi irrelevánssá a meglévő bányászati hatékonyságot, adósságot vagy bitcoinállományt.

A részvények hígulását.
A bányászvállalatok gyakran új részvények kibocsátásával finanszírozzák a növekedést. Egy sikeres projekt is teremthet gyenge egy részvényre jutó eredményt, ha közben jelentősen nő a részvények száma.

Összegzés

A Morgan Stanley elemzésének legfontosabb üzenete az, hogy a hatékonyabb AI nem feltétlenül jelent kisebb infrastruktúra-piacot.

Az olcsóbb modellek új alkalmazásokat tehetnek gazdaságossá. A vállalatok több feladatot automatizálhatnak, több AI-ügynököt indíthatnak, és egyre több modellt futtathatnak saját infrastruktúrán. Az egy feladatra jutó számítás csökkenhet, miközben a feladatok száma ennél lényegesen gyorsabban emelkedik.

A nyílt súlyú modellek elsősorban azt változtathatják meg, hogy hol történik a számítás. A felhőszolgáltatók mellett egyre nagyobb szerepet kaphatnak a vállalati adatközpontok, a szuverén felhők, a helyszíni szerverek és a peremhálózati rendszerek.

A kriptopiac szempontjából ez az energia- és adatközponti eszközök újraértékelését hozhatja. A bitcoinbányászok egy része már nem kizárólag kriptovalutát termelő vállalatként, hanem potenciális digitálisinfrastruktúra-szolgáltatóként is értékelhető.

A lehetőség azonban nem kockázatmentes. Egy bányásztelep AI-adatközponttá alakítása műszakilag, pénzügyileg és működésileg is összetett folyamat. A befektetőknek ezért a hangzatos gigawatt-bejelentések helyett a finanszírozott kapacitást, a hosszú távú ügyfeleket, a várható megtérülést és a megvalósítási kockázatot érdemes vizsgálniuk.

Az AI-verseny következő szakaszában nem biztos, hogy kizárólag a legjobb modell tulajdonosa lesz a legnagyobb nyertes. Hasonlóan értékessé válhat az is, aki biztosítani tudja a számításhoz szükséges áramot, földterületet, hálózatot, hűtést és adatközponti infrastruktúrát.

Gyakori kérdések

Mi az a nyílt súlyú AI-modell?

Olyan mesterségesintelligencia-modell, amelynek betanított matematikai paraméterei, vagyis súlyai hozzáférhetők. A felhasználó a licenc feltételeitől függően letöltheti, saját infrastruktúrán futtathatja vagy finomhangolhatja a modellt.

A nyílt súlyú modell mindig nyílt forráskódú?

Nem. A súlyok elérhetősége önmagában nem garantálja a teljes tanítási kód, az adatokra vonatkozó információk vagy a korlátozás nélküli felhasználási és módosítási jogok hozzáférhetőségét.

Mi az inferencia?

Az inferencia a már betanított AI-modell futtatása. Ilyenkor a rendszer egy kérdésre válaszol, szöveget elemez, képet készít vagy egy másik feladatot végez. Nem azonos a modell eredeti betanításával.

Miért nőhet az áramfogyasztás, ha az AI hatékonyabb lesz?

Mert az alacsonyabb feladatonkénti költség sokkal több felhasználást tehet gazdaságossá. Ha a lekérdezések és az automatizált lépések száma gyorsabban nő, mint amennyivel az egy lekérdezésre jutó fogyasztás csökken, az összesített áramigény emelkedik.

Minden vállalatnak érdemes saját AI-szervert építenie?

Nem. Kis vagy rendszertelen használatnál egy külső API olcsóbb és egyszerűbb lehet. A saját infrastruktúra elsősorban nagy, folyamatos terhelésnél, érzékeny adatoknál vagy speciális testreszabási igény esetén lehet indokolt.

Használhatók a bitcoinbányász gépei AI-feladatokra?

Általában nem. A bitcoinbányászathoz használt ASIC-gépeket kizárólag meghatározott hash-számításokra tervezték. AI-feladatokhoz jellemzően GPU-kra vagy más általánosabb gyorsítókra van szükség.

Akkor miért lehetnek értékesek az AI-szektor számára a bitcoinbányászok?

Elsősorban a telephelyeik, hálózati csatlakozásaik, áramkapacitásuk, engedélyeik és adatközpont-üzemeltetési tapasztalatuk miatt. Ezek lerövidíthetik egy új AI-adatközpont fejlesztési idejét.

Biztosan emelkedni fog az AI energiaigénye?

Nem biztosan. Az IEA és több pénzügyi elemző jelentős növekedést vár, de a tényleges fogyasztást a modellek hatékonysága, a kereslet, az árak, az infrastruktúra-korlátok és a szabályozás együttesen határozzák meg. Az előrejelzések forgatókönyvek, nem garantált eredmények.

Az AI-üzletág automatikusan értékesebbé tesz egy kriptobányászati részvényt?

Nem. Az érték attól függ, hogy a projekt finanszírozott-e, van-e megbízható ügyfele, mennyi beruházást igényel, mikor indul el, milyen profitot termel, és mekkora végrehajtási kockázattal jár.

Jogi nyilatkozat

A cikk kizárólag tájékoztatási és oktatási célt szolgál, nem minősül befektetési, pénzügyi, jogi vagy adózási tanácsadásnak, illetve vételi vagy eladási ajánlatnak. A kriptovalutákhoz, kriptobányászati részvényekhez, technológiai vállalatokhoz és AI-infrastruktúra-beruházásokhoz kapcsolódó eszközök árfolyama rendkívül változékony lehet. A múltbeli teljesítmény és a közölt előrejelzések nem garantálják a jövőbeni eredményeket. Befektetési döntés előtt minden olvasónak saját kutatást kell végeznie, mérlegelnie kell pénzügyi helyzetét és kockázatvállalási képességét, valamint szükség esetén engedéllyel rendelkező szakértő tanácsát kell kérnie.