AI pożera moc obliczeniową szybciej, niż powstają centra danych. Branża mówi, że popytu może nie dać się zaspokoić

Sztuczna inteligencja potrzebuje coraz większych modeli, większej liczby procesorów i infrastruktury zdolnej obsługiwać miliardy zapytań użytkowników. Jeszcze kilka lat temu najważniejszym pytaniem było to, czy producenci półprzewodników zdołają dostarczyć wystarczającą liczbę GPU. W 2026 roku problem jest znacznie szerszy. Nawet jeśli procesory są dostępne, trzeba znaleźć budynek, doprowadzić do niego setki megawatów energii, zbudować podstacje, dostarczyć transformatory, stworzyć system chłodzenia i zapewnić połączenie z siecią. Coraz częściej to właśnie infrastruktura energetyczna, a nie sam chip, decyduje o tym, kiedy nowe centrum danych rzeczywiście może rozpocząć pracę.

Skala inwestycji jest ogromna, ale popyt rośnie równie szybko. Firmy technologiczne chcą trenować większe modele, rozwijać agentów AI, generować wideo i obsługiwać coraz większą liczbę użytkowników. Każda z tych rzeczy wymaga obliczeń wykonywanych przez serwery pracujące przez całą dobę. Powstaje więc niezwykła sytuacja: branża technologiczna jest gotowa wydawać dziesiątki miliardów dolarów na nowe klastry AI, ale nie zawsze ma gdzie je podłączyć. Z tego powodu kolejny etap wyścigu o sztuczną inteligencję może zależeć nie tylko od algorytmów i procesorów, ale również od elektrowni, sieci przesyłowych, transformatorów i czasu potrzebnego na uzyskanie pozwoleń.

Dlaczego sztuczna inteligencja potrzebuje tak ogromnej mocy obliczeniowej?

Współczesne modele AI uczą się na olbrzymich zbiorach danych i wykorzystują ogromną liczbę operacji matematycznych. Podczas treningu tysiące lub dziesiątki tysięcy akceleratorów mogą pracować jednocześnie przez wiele tygodni. Każdy kolejny eksperyment wymaga uruchomienia infrastruktury ponownie, a firmy często prowadzą wiele treningów równolegle. Do tego dochodzi etap po uruchomieniu modelu. Kiedy miliony użytkowników wysyłają pytania do chatbota, generują obrazy albo proszą AI o analizę dokumentów, serwery przez cały czas wykonują kolejne obliczenia.

Szczególnie wymagające są modele wykorzystujące długie konteksty, zaawansowane rozumowanie, generowanie wideo oraz systemy agentowe wykonujące wiele kroków przed udzieleniem odpowiedzi. Jedno polecenie użytkownika może uruchomić dziesiątki lub setki operacji modelu, narzędzi i dodatkowych agentów. Dlatego wzrost liczby użytkowników nie przekłada się liniowo na zapotrzebowanie na sprzęt. Jeśli jednocześnie rośnie liczba użytkowników, długość odpowiedzi i ilość obliczeń wykonywanych dla pojedynczego zadania, całkowite zapotrzebowanie może zwiększać się znacznie szybciej.

Czy centra danych naprawdę zużywają coraz więcej energii elektrycznej?

Tak, a prognozy pokazują bardzo szybkie tempo wzrostu. Jeszcze kilka lat temu centra danych były istotnym, ale stosunkowo stabilnym odbiorcą energii. Rozwój generatywnej AI całkowicie zmienił tę sytuację. Nowe obiekty projektuje się niekiedy z zapotrzebowaniem liczonym w setkach megawatów, czyli na poziomie porównywalnym z dużymi zakładami przemysłowymi. Największe kampusy mogą docelowo osiągać skalę przekraczającą jeden gigawat.

Międzynarodowa Agencja Energetyczna przewiduje, że globalne zużycie energii elektrycznej przez centra danych może w ciągu kilku lat niemal się podwoić. Szczególnie szybko rośnie część związana bezpośrednio ze sztuczną inteligencją. Nie oznacza to, że centra danych pochłoną większość światowej energii. W skali globalnej nadal będą odpowiadały za kilka procent zużycia. Problem polega na tym, że są skoncentrowane w określonych regionach. Jeden nowy kampus AI może więc mieć niewielkie znaczenie dla globalnego bilansu, a jednocześnie stanowić ogromne obciążenie dla lokalnej sieci energetycznej.

Dlaczego budowa nowych centrów danych nie nadąża za popytem na AI?

Sama hala może powstać stosunkowo szybko. Znacznie trudniej zbudować całą infrastrukturę znajdującą się wokół niej. Centrum danych potrzebuje przyłącza o ogromnej mocy, własnych systemów bezpieczeństwa energetycznego, transformatorów, generatorów, chłodzenia oraz szybkich połączeń światłowodowych. Jeśli lokalna sieć nie dysponuje wolną mocą, operator musi czekać na jej rozbudowę. Budowa nowej linii przesyłowej czy podstacji może trwać znacznie dłużej niż postawienie samego budynku.

Do tego dochodzą pozwolenia, dostępność gruntów i ogromna liczba projektów realizowanych jednocześnie. Najbardziej atrakcyjne lokalizacje zaczynają przypominać zatłoczone węzły komunikacyjne. Firma może kupić ziemię i zaprojektować centrum danych, ale następnie dowiedzieć się, że na możliwość pełnego podłączenia będzie czekała kilka lat. To właśnie dlatego w branży coraz częściej mówi się nie o braku pieniędzy czy komputerów, lecz o braku "energized land" - działek, na których naprawdę można szybko zapewnić wymaganą moc.

Czy naprawdę można czekać kilka lat na podłączenie centrum danych do sieci?

Tak. W niektórych regionach Stanów Zjednoczonych czas oczekiwania na nowe duże przyłącze może sięgać kilku lat. Problem wynika z ogromnej liczby projektów ubiegających się jednocześnie o dostęp do sieci oraz długiego procesu projektowania i budowania infrastruktury. Operator musi sprawdzić, czy istniejące linie i stacje transformatorowe poradzą sobie z nowym odbiorcą. Jeśli nie, potrzebne są kosztowne modernizacje, które dodatkowo wydłużają harmonogram.

Dla firmy rozwijającej AI siedem lat jest praktycznie całą epoką technologiczną. Model, dla którego zaprojektowano centrum, będzie wtedy prawdopodobnie dawno przestarzały. Dlatego hyperscalerzy próbują omijać problem, budując własne źródła energii, podpisując bezpośrednie kontrakty z producentami prądu albo wybierając lokalizacje, w których dostępne są duże rezerwy mocy. W efekcie decyzja o lokalizacji nowego klastra AI coraz częściej zaczyna przypominać wybór miejsca dla huty lub fabryki chemicznej, a nie tradycyjnej serwerowni.

Dlaczego sama dostępność GPU nie rozwiązuje problemu niedoboru mocy AI?

GPU jest najdroższym i najbardziej widocznym elementem systemu, ale samo urządzenie nie wykona żadnych obliczeń bez całej otaczającej infrastruktury. Dziesiątki tysięcy akceleratorów trzeba zasilić, połączyć szybką siecią i nieustannie chłodzić. Potrzebne są również procesory pomocnicze, pamięć, magazyny danych, przełączniki sieciowe i systemy awaryjne. W dużym klastrze każdy z tych elementów musi działać niemal bez przerwy.

Dlatego ograniczenie może pojawić się w najmniej oczekiwanym miejscu. Firma może mieć zamówione GPU, ale czekać na transformator. Może posiadać budynek, ale nie mieć wystarczającego przyłącza. Może uzyskać moc energetyczną, ale nadal kończyć instalację chłodzenia cieczą. W branży infrastrukturalnej mówi się więc coraz częściej o całym łańcuchu ograniczeń. Tempo rozwoju AI jest wyznaczane przez najwolniejszy element systemu, a nie przez ten, na który przeznaczono najwięcej pieniędzy.

Dlaczego serwery AI potrzebują coraz bardziej zaawansowanego chłodzenia?

Klasyczne serwery przez lata można było stosunkowo łatwo chłodzić przepływem powietrza. W nowych systemach AI moc obliczeniowa upakowana w jednej szafie serwerowej rośnie jednak tak szybko, że tradycyjne metody przestają wystarczać. Współczesne akceleratory mogą pobierać setki watów, a całe systemy z wieloma GPU osiągają bardzo wysoką gęstość energetyczną. Im więcej energii elektrycznej trafia do układów, tym więcej ciepła trzeba później odprowadzić.

Dlatego coraz większą rolę odgrywa chłodzenie cieczą, w którym płyn transportuje ciepło bezpośrednio z komponentów. Rozwiązanie jest skuteczniejsze, ale wymaga zupełnie innej infrastruktury niż klasyczna klimatyzacja serwerowni. Trzeba zbudować obiegi cieczy, wymienniki ciepła i systemy zabezpieczające przed awariami. Starszego centrum danych nie zawsze można po prostu wypełnić najnowszymi serwerami AI. Budynek może mieć odpowiednią powierzchnię, ale nie być przygotowany do obsługi tak ogromnej gęstości mocy i ciepła.

Czy pojedyncza szafa z serwerami AI może pobierać tyle energii co dziesiątki domów?

Tak i właśnie tutaj dobrze widać skalę zmiany technologicznej. Szafa serwerowa zajmuje mniej więcej tyle miejsca co duża lodówka, ale najbardziej zaawansowane konfiguracje AI mogą osiągać niezwykle wysokie zapotrzebowanie na moc. W kolejnych generacjach serwerów wartości te nadal rosną, ponieważ producenci umieszczają coraz większą liczbę akceleratorów w jednym systemie i zwiększają wydajność każdego układu.

To powoduje problemy, których wcześniej centra danych praktycznie nie miały. Kabel, system zasilania czy układ chłodzenia zaprojektowany dla wcześniejszej generacji sprzętu może nie wystarczać kilka lat później. Operatorzy muszą więc projektować obiekty nie na potrzeby dzisiejszych procesorów, ale sprzętu, który może pojawić się dopiero za trzy lub cztery lata. Jeśli źle przewidzą tempo wzrostu, nowy budynek może stać się technologicznie ograniczony jeszcze zanim zostanie w pełni wyposażony.

Czy największym problemem AI może stać się energia zamiast procesorów?

Coraz więcej wskazuje na to, że energia będzie jednym z najważniejszych ograniczeń. Producenci półprzewodników mogą zwiększać liczbę wytwarzanych chipów poprzez budowę kolejnych fabryk, ale proces tworzenia nowych źródeł energii i sieci przesyłowych przebiega według zupełnie innego harmonogramu. Elektrownia, linia wysokiego napięcia czy duża stacja transformatorowa wymagają wieloletniego planowania, konsultacji, pozwoleń i ogromnego kapitału.

Dlatego firmy technologiczne zaczynają traktować energię jako strategiczny zasób podobny do procesorów. Podpisują wieloletnie umowy na dostawy prądu, inwestują w odnawialne źródła, magazyny energii, elektrownie gazowe, a nawet interesują się energetyką jądrową i geotermalną. Jeszcze niedawno działalność technologicznej spółki polegała przede wszystkim na projektowaniu oprogramowania i serwerów. Teraz największe firmy zaczynają uczestniczyć w decyzjach dotyczących budowy infrastruktury energetycznej na skalę wcześniej kojarzoną przede wszystkim z przemysłem ciężkim.

Dlaczego firmy technologiczne interesują się elektrowniami jądrowymi?

Centrum danych potrzebuje energii przez całą dobę. Słońce i wiatr mogą dostarczać ogromne ilości taniej energii, ale ich produkcja zmienia się w czasie. Można częściowo rozwiązać problem poprzez magazyny energii, połączenia sieciowe i uzupełnienie innymi źródłami, jednak duże klastry AI potrzebują również stabilnego zasilania. Właśnie dlatego zainteresowanie branży technologią jądrową gwałtownie wzrosło.

Największe firmy analizują zarówno istniejące elektrownie, jak i przyszłe małe reaktory modułowe. Problemem ponownie jest czas. Budowa klasycznej elektrowni jądrowej trwa znacznie dłużej niż centrum danych, a pierwsze komercyjne projekty nowych typów reaktorów dopiero mają udowodnić swoją ekonomikę. Dlatego atom może być ważnym elementem infrastruktury AI w następnej dekadzie, ale nie rozwiąże całego niedoboru mocy w ciągu dwóch czy trzech lat. W krótszym okresie ogromną rolę nadal będą odgrywać odnawialne źródła, gaz, magazyny energii i rozbudowa sieci.

Czy rozwój AI może prowadzić do budowy nowych elektrowni gazowych?

Tak. To jeden z bardziej kontrowersyjnych efektów obecnego boomu. Gazowe źródła energii można budować szybciej niż duże elektrownie jądrowe, a jednocześnie mogą produkować energię niezależnie od pogody. W regionach, w których centra danych potrzebują natychmiast dużych ilości stabilnej mocy, nowe bloki gazowe stają się więc jednym z rozważanych rozwiązań.

Powstaje jednak konflikt z celami klimatycznymi firm technologicznych. Największe koncerny przez lata deklarowały szybkie przechodzenie na bezemisyjną energię. Gwałtowny wzrost zużycia związany z AI utrudnia realizację tych zobowiązań. Dlatego przedsiębiorstwa próbują łączyć kilka rozwiązań jednocześnie: nowe farmy słoneczne i wiatrowe, magazyny energii, atom, gaz, technologie wychwytywania dwutlenku węgla oraz zwiększanie efektywności samych modeli. Wyścig o AI zaczyna więc wpływać bezpośrednio na strategie energetyczne całych regionów.

Czy centra danych konkurują o energię z mieszkańcami i przemysłem?

W części lokalizacji takie pytanie pojawia się coraz częściej. Centrum danych może zostać zbudowane w regionie, którego sieć energetyczna rozwijała się przez dziesięciolecia zgodnie z przewidywalnym wzrostem zapotrzebowania mieszkańców i przedsiębiorstw. Jeśli nagle pojawia się projekt wymagający kilkuset megawatów, operator sieci musi zdecydować, jakie inwestycje są potrzebne, aby obsłużyć nowego odbiorcę bez pogorszenia bezpieczeństwa dostaw dla pozostałych użytkowników.

Kontrowersje dotyczą również tego, kto powinien płacić za rozbudowę infrastruktury. Jeśli nowa linia przesyłowa powstaje przede wszystkim dla centrum danych, mieszkańcy nie chcą finansować jej poprzez wyższe rachunki. Coraz częściej regulatorzy wymagają więc od dużych operatorów centrów danych większych gwarancji finansowych i bardziej przejrzystych deklaracji zapotrzebowania. AI zaczyna być z tego powodu nie tylko problemem technologicznym, ale również tematem polityki energetycznej.

Czym jest "ghost demand" i dlaczego może zawyżać skalę niedoboru energii dla AI?

Nie wszystkie projekty zgłaszane operatorom sieci rzeczywiście powstaną. Developer może zabezpieczać kilka potencjalnych lokalizacji jednocześnie albo składać wnioski o przyłączenie, zanim zapewni pełne finansowanie. W efekcie operatorzy energetyczni widzą ogromne kolejki projektów, z których część nigdy nie zostanie zrealizowana. Zjawisko zaczęto określać mianem "ghost demand", czyli widmowego popytu.

W USA deklarowane zapotrzebowanie projektów centrów danych w kolejkach przyłączeniowych urosło do wartości wielokrotnie przekraczających obecne zużycie całego sektora. Nie oznacza to, że za kilka lat naprawdę pojawi się kilkaset gigawatów nowych centrów. Regulatorzy zaczynają więc wymagać depozytów, informacji o inwestorach i dowodów finansowania. Po wprowadzeniu takich zasad niektóre prognozy zapotrzebowania znacząco spadają. To ważne zastrzeżenie: niedobór infrastruktury jest realny, ale część najbardziej spektakularnych liczb opisuje projekty, które istnieją przede wszystkim na papierze.

Dlaczego wolne miejsce w istniejących centrach danych staje się tak trudne do znalezienia?

Boom na AI nakłada się na dotychczasowy wzrost chmury obliczeniowej, streamingu, usług internetowych i przechowywania danych. Nowa infrastruktura powstaje w rekordowym tempie, ale duża część jest wynajmowana jeszcze przed zakończeniem budowy. Najwięksi operatorzy potrafią rezerwować całe moduły lub budynki z wielomiesięcznym albo wieloletnim wyprzedzeniem. Dlatego oddanie nowego centrum do użytku nie oznacza automatycznie zwiększenia dostępnej powierzchni dla pozostałych klientów.

Sytuację dobrze pokazuje globalny poziom pustostanów, który w największych rynkach centrów danych spadł w 2026 roku do bardzo niskiego poziomu. W niektórych amerykańskich lokalizacjach dostępność mocy jest praktycznie symboliczna. Problem nie polega więc na tym, że nikt nie buduje nowych obiektów. Wręcz przeciwnie - buduje się ich wyjątkowo dużo. Popyt pochłania jednak nową podaż niemal natychmiast, dlatego użytkownik szukający kilku lub kilkudziesięciu megawatów nadal może mieć ogromny problem ze znalezieniem odpowiedniej lokalizacji.

Czy wszystkie planowane centra danych AI rzeczywiście powstaną?

Nie. Już obecnie analitycy zakładają, że znaczna część projektów zostanie opóźniona, zmniejszona albo całkowicie anulowana. Powodem może być brak przyłącza, wzrost kosztów, ograniczona dostępność sprzętu, problemy z pozwoleniami lub zmiana strategii klienta. Budowa ogromnego centrum danych wymaga miliardów dolarów, dlatego nawet największe firmy będą stale oceniać, czy kolejne inwestycje nadal mają ekonomiczny sens.

To jeden z powodów, dla których przewidywanie przyszłego zużycia energii przez AI jest tak trudne. Możemy policzyć wszystkie zapowiedziane projekty, ale nie wiemy, ile z nich rzeczywiście zostanie zbudowanych. Z drugiej strony modele mogą stać się bardziej efektywne i wymagać mniej energii dla pojedynczego zadania, ale jednocześnie ich niższy koszt może doprowadzić do jeszcze większego wykorzystania. W efekcie postęp technologiczny nie musi automatycznie zmniejszać całkowitego zużycia energii.

Czy bardziej energooszczędne chipy mogą rozwiązać problem zapotrzebowania AI na prąd?

Nowe generacje procesorów wykonują znacznie więcej obliczeń z każdego wata energii. Podobnie rozwija się oprogramowanie. Kwantyzacja modeli, bardziej efektywne architektury, lepsze algorytmy i specjalizowane układy mogą znacząco zmniejszyć koszt pojedynczego zapytania. Teoretycznie powinno to ograniczać zapotrzebowanie na energię. Problem polega na tym, że branża wykorzystuje oszczędności do wykonywania jeszcze większej liczby obliczeń.

Jeśli nowy układ pozwala przeprowadzić zadanie AI dwa razy taniej, firma może zamiast zmniejszyć rachunek uruchomić dwa razy więcej agentów. Podobne zjawisko jest znane w ekonomii jako paradoks Jevonsa: wzrost efektywności wykorzystywania zasobu może prowadzić do zwiększenia jego całkowitego zużycia. W przypadku AI mechanizm jest szczególnie silny, ponieważ istnieje ogromna liczba zastosowań, które stają się opłacalne dopiero wtedy, gdy koszt obliczeń odpowiednio spadnie.

Dlaczego generowanie wideo może jeszcze bardziej zwiększyć zapotrzebowanie na centra danych?

Tekst jest stosunkowo niewielką ilością danych. Obraz wymaga przetwarzania znacznie większej liczby informacji, a wideo składa się z wielu kolejnych klatek, które muszą być ze sobą spójne. Generowanie wysokiej jakości filmu może więc wymagać znacznie większej liczby obliczeń niż stworzenie krótkiej odpowiedzi tekstowej. Jeśli generatory wideo staną się masowym narzędziem wykorzystywanym w reklamie, social mediach i rozrywce, mogą stworzyć kolejną ogromną kategorię zapotrzebowania.

Podobny efekt mogą wywołać agenci AI. Zwykły chatbot odpowiada raz na polecenie. Agent może sam wykonać dziesiątki kolejnych kroków: przeszukać dokumenty, uruchomić kod, analizować rezultaty, poprawiać błędy i wielokrotnie korzystać z modelu. Dla użytkownika końcowego jest to jedno zadanie, ale po stronie centrum danych liczba operacji może być wielokrotnie większa. Dlatego przyszłe zapotrzebowanie na moc zależy nie tylko od liczby osób korzystających z AI, ale również od tego, jak długo modele będą "myślały" nad każdym poleceniem.

Czy Europa również może mieć problem z brakiem mocy dla nowych centrów danych?

Tak. Europejski rynek również doświadcza bardzo wysokiego popytu, szczególnie w tradycyjnych centrach takich jak Frankfurt, Londyn, Amsterdam, Paryż czy Dublin. W części lokalizacji dostępność nowych przyłączy energetycznych jest jednym z podstawowych ograniczeń dalszej ekspansji. Z tego powodu inwestorzy coraz częściej analizują alternatywne miasta i kraje dysponujące większą ilością energii, tańszymi gruntami lub łatwiejszym dostępem do odnawialnych źródeł.

Może to zmienić mapę europejskiej infrastruktury cyfrowej. Centrum danych nie musi już znajdować się wyłącznie w największej metropolii, szczególnie gdy obsługuje trening AI, który jest mniej wrażliwy na opóźnienia sieciowe niż niektóre usługi internetowe. Kraje posiadające stabilną i relatywnie tanią energię mogą więc przyciągać ogromne inwestycje. Jednocześnie lokalne społeczności coraz częściej pytają o wpływ takich obiektów na sieć, ceny energii, zużycie wody i dostępność gruntów.

Czy AI może doprowadzić do wzrostu cen energii dla zwykłych odbiorców?

Nie ma jednej odpowiedzi dla całego świata. Wiele zależy od sposobu regulacji rynku, lokalnej sieci i tego, kto finansuje nowe inwestycje energetyczne. Jeżeli ogromny nowy odbiorca pojawia się w regionie, gdzie podaż energii jest ograniczona, może przyczynić się do wzrostu cen hurtowych albo konieczności kosztownej rozbudowy infrastruktury. Jeżeli część tych kosztów zostanie przeniesiona na wszystkich odbiorców, rachunki gospodarstw domowych również mogą wzrosnąć.

Z drugiej strony nowe centra danych mogą finansować elektrownie, magazyny energii i sieci, z których później korzystają również inni odbiorcy. Długoterminowe kontrakty zawierane przez firmy technologiczne mogą ułatwić finansowanie nowych źródeł odnawialnych. Dlatego wpływ AI na ceny energii będzie bardzo różny pomiędzy regionami. Największe znaczenie będzie miała polityka regulatorów i sposób rozdzielania kosztów rozbudowy systemu.

Czy naprawdę może zabraknąć mocy obliczeniowej dla rozwoju AI?

W krótkim okresie może zabraknąć dostępnej mocy w konkretnych lokalizacjach, nawet jeśli globalnie powstaje coraz więcej infrastruktury. Firma może być gotowa zapłacić za tysiące procesorów, ale nie znaleźć centrum danych dysponującego odpowiednim przyłączem. To właśnie dlatego dostęp do gotowych megawatów staje się obecnie jednym z najcenniejszych zasobów branży technologicznej.

Nie oznacza to jednak, że świat dochodzi do absolutnej granicy i nie będzie w stanie budować kolejnych systemów AI. Ogromne inwestycje już płyną do energetyki, produkcji transformatorów, chłodzenia, półprzewodników i centrów danych. Bardziej prawdopodobny scenariusz to okres ciągłego napięcia między popytem a podażą. Nowa infrastruktura będzie powstawała, ale przez kilka kolejnych lat może być zajmowana niemal natychmiast po uruchomieniu.

Czy to właśnie energia zdecyduje, kto wygra globalny wyścig o sztuczną inteligencję?

Algorytmy, dane i najlepsi badacze nadal będą miały ogromne znaczenie, ale do tej listy trzeba już dopisać fizyczną infrastrukturę. Firma posiadająca najlepszy model nie wykorzysta jego potencjału bez wystarczającej liczby procesorów, a milion procesorów jest bezużyteczny bez energii i chłodzenia. Wyścig AI zaczyna więc łączyć świat oprogramowania ze światem energetyki i przemysłu ciężkiego w sposób, którego sektor technologiczny dawno nie doświadczał.

Największą przewagę mogą zdobyć firmy i państwa potrafiące połączyć kilka elementów jednocześnie: dostęp do najnowszych chipów, kapitał na budowę centrów danych, dużą ilość stabilnej energii oraz sieć zdolną szybko dostarczyć ją tam, gdzie jest potrzebna. Jeszcze niedawno rozwój sztucznej inteligencji kojarzył się głównie z kolejnymi generacjami modeli. W 2026 roku coraz wyraźniej widać, że następny przełom może zależeć równie mocno od transformatora, turbiny, chłodzenia i linii wysokiego napięcia. AI staje się technologią cyfrową o wyjątkowo fizycznych wymaganiach.