Czy CPU stanie się nowym Graalem sztucznej inteligencji?

W ciągu ostatnich kilku lat rewolucja sztucznej inteligencji zaczęła być opowiadana w bardzo prostej narracji inwestycyjnej. W centrum tej historii znajduje się jeden bohater: GPU. To właśnie procesory graficzne stały się symbolem nowej ery technologii, a ich dostępność zaczęła bezpośrednio decydować o tym, które firmy są w stanie trenować najbardziej zaawansowane modele językowe, a które zostają z tyłu w wyścigu o przyszłość AI.

W efekcie rynek bardzo szybko nauczył się myśleć o sztucznej inteligencji przez pryzmat jednej metryki, czyli mocy obliczeniowej. Więcej GPU oznaczało większe modele, większe modele oznaczały lepsze produkty, a lepsze produkty oznaczały przewagę konkurencyjną.

Z czasem jednak ta narracja zaczęła się komplikować. Okazało się, że sama moc obliczeniowa nie wystarcza, jeśli system nie jest w stanie dostarczyć danych w odpowiednim tempie. Wąskim gardłem przestały być wyłącznie GPU, a coraz częściej stawała się nim pamięć, zarówno ta najbliżej procesora w postaci HBM, jak i klasyczna pamięć serwerowa DRAM oraz cała infrastruktura przechowywania i transferu danych.

To był pierwszy moment, w którym inwestorzy zaczęli dostrzegać, że rewolucja AI nie jest historią jednego komponentu, ale całego łańcucha technologicznego, od krzemu, przez pamięć, aż po sieci i systemy chłodzenia.

I właśnie teraz, kiedy wydawało się, że mapa tej rewolucji zaczyna być już w miarę kompletna, na powierzchni pojawia się kolejna zmiana, która jest znacznie mniej oczywista, ale potencjalnie równie istotna jak poprzednie.

Coraz większą rolę zaczyna odgrywać warstwa, która przez lata była traktowana jako „oczywista infrastruktura”, czyli procesory CPU. W świecie, w którym AI przestaje być pojedynczym zapytaniem do modelu, a zaczyna przypominać złożony system autonomicznych agentów wykonujących wieloetapowe zadania, zmienia się nie tylko skala obliczeń, ale przede wszystkim ich charakter.

W tym momencie pojawia się pytanie, które jeszcze niedawno wydawało się drugorzędne. Czy CPU, dotychczas pełniące rolę koordynatora i cichego partnera GPU, nie zaczyna przypadkiem stawać się jednym z kluczowych komponentów całej architektury sztucznej inteligencji?

I jeśli tak, to czy oznacza to, że wchodzimy właśnie w trzecią falę rewolucji AI po GPU i pamięciach, w której kluczowe nie będzie już sama moc obliczeniowa, tylko to, jak dobrze potrafimy łączyć i sterować całym systemem jako całością? 

ERA GPU

Na początku rewolucji sztucznej inteligencji nie było wielu znaków zapytania co do tego, gdzie powstanie jej technologiczny fundament. Wraz z przełomem w głębokim uczeniu i pojawieniem się coraz większych modeli językowych szybko stało się jasne, że kluczowym ograniczeniem nie jest już sam algorytm, ale skala obliczeń potrzebna do jego trenowania.

W tym momencie na pierwszy plan wysunęły się procesory graficzne. Ich architektura, zaprojektowana pierwotnie do renderowania grafiki i obsługi równoległych operacji na obrazach, okazała się idealnie dopasowana do charakteru obliczeń wymaganych przez sieci neuronowe. Zamiast jednego bardzo szybkiego rdzenia, GPU oferują tysiące prostszych jednostek obliczeniowych, które mogą wykonywać te same operacje równolegle na ogromnej liczbie danych.

To właśnie ta cecha sprawiła, że GPU stało się naturalnym silnikiem rewolucji AI. Trenowanie modeli językowych, zwłaszcza tych opartych na transformerach, sprowadza się w dużej mierze do wykonywania operacji na macierzach, czyli zadań, które można łatwo przetwarzać równolegle. W praktyce oznaczało to, że im więcej mocy GPU można było zgromadzić w jednym systemie, tym większy model można było wytrenować 

W efekcie bardzo szybko ukształtował się nowy standard budowy infrastruktury obliczeniowej. Centra danych zaczęły przypominać klastry wyspecjalizowanych akceleratorów, w których CPU pełniło rolę pomocniczą, odpowiedzialną głównie za przygotowanie danych, zarządzanie procesem i komunikację pomiędzy komponentami systemu. Cała „ciężka matematyka” została przeniesiona na GPU.

Ten model architektury doprowadził do silnej koncentracji wartości w jednym segmencie rynku. Wraz ze wzrostem zapotrzebowania na moce obliczeniowe, to właśnie producenci GPU zaczęli przejmować największą część ekonomicznej wartości rewolucji AI. Powstała sytuacja, w której dostęp do GPU stał się nie tylko przewagą technologiczną, ale również strategicznym ograniczeniem, determinującym tempo rozwoju całych firm i laboratoriów badawczych.

W tym układzie rynek zaczął myśleć o sztucznej inteligencji w bardzo liniowy sposób. Więcej GPU oznaczało więcej mocy obliczeniowej, więcej mocy oznaczało większe modele, a większe modele oznaczały lepsze produkty. Wydawało się, że logika tej rewolucji jest stosunkowo prosta i dobrze zrozumiała.

Dopiero z czasem zaczęły pojawiać się pierwsze sygnały, że ten obraz jest niepełny.

PAMIĘĆ JAKO DRUGA FALA

W miarę jak modele sztucznej inteligencji zaczęły rosnąć z poziomu milionów do miliardów, a następnie setek miliardów parametrów, pojawił się problem, który na początku nie był tak oczywisty jak brak mocy obliczeniowej. Okazało się, że samo zwiększanie liczby GPU nie rozwiązuje wszystkich ograniczeń systemu, jeśli dane nie są w stanie płynąć wystarczająco szybko przez całą architekturę obliczeniową.

W tym momencie na pierwszy plan zaczęła wysuwać się pamięć. Zarówno ta bezpośrednio powiązana z procesorami graficznymi, czyli HBM, jak i klasyczna pamięć serwerowa DRAM oraz cała warstwa przechowywania i przesyłu danych w centrach danych. To właśnie ona zaczęła wyznaczać tempo, w jakim możliwe było trenowanie i uruchamianie coraz większych modeli.

W praktyce oznaczało to, że nawet najbardziej zaawansowane GPU nie były w stanie w pełni wykorzystać swojego potencjału, jeśli nie były odpowiednio „nakarmione” danymi. Wąskim gardłem przestała być więc sama moc obliczeniowa, a stała się nim zdolność systemu do utrzymania ciągłego przepływu informacji pomiędzy pamięcią, siecią i akceleratorami.

To był moment, w którym rewolucja AI zaczęła zmieniać swój charakter z problemu czysto obliczeniowego na problem systemowy. Zamiast jednego dominującego komponentu zaczęliśmy obserwować coraz bardziej złożoną zależność pomiędzy różnymi warstwami infrastruktury.

Pamięć, która wcześniej była traktowana jako element pomocniczy, zaczęła odgrywać rolę strategiczną. Wysokoprzepustowe rozwiązania takie jak HBM stały się jednym z kluczowych elementów umożliwiających skalowanie nowoczesnych modeli, a producenci pamięci zaczęli zajmować coraz ważniejsze miejsce w łańcuchu wartości całej rewolucji AI.

Co istotne, ten etap nie zastąpił GPU, lecz ujawnił jego naturalne ograniczenia. Wraz ze wzrostem skali modeli okazało się, że sama moc obliczeniowa nie ma wartości, jeśli nie jest wspierana przez odpowiednią przepustowość danych. W efekcie rynek zaczął stopniowo dostrzegać, że sztuczna inteligencja nie jest pojedynczym wyścigiem o najmocniejszy procesor, ale złożonym systemem, w którym każdy element infrastruktury może stać się potencjalnym wąskim gardłem.

To właśnie w tym momencie zaczęło się kształtować bardziej kompletne rozumienie AI jako ekosystemu, w którym obok GPU równie istotną rolę odgrywają pamięć, sieci oraz cała infrastruktura odpowiedzialna za przepływ danych.

CPU I NARODZINY AGENTIC AI

Przez długi czas rola procesorów CPU w całej rewolucji sztucznej inteligencji wydawała się stosunkowo stabilna i dobrze zdefiniowana. Były one odpowiedzialne za zarządzanie systemem, przygotowanie danych oraz koordynację pracy akceleratorów GPU, które wykonywały całą ciężką pracę obliczeniową. W tym układzie CPU pełniło rolę cichego operatora infrastruktury, niewidocznego z perspektywy końcowego użytkownika i w dużej mierze niezmiennego w swojej funkcji.

Ten obraz zaczyna się jednak zmieniać wraz z pojawieniem się nowej klasy zastosowań sztucznej inteligencji, określanej coraz częściej jako agentic AI. W przeciwieństwie do klasycznych modeli językowych, które odpowiadają na pojedyncze zapytania, systemy agentowe są projektowane do wykonywania złożonych, wieloetapowych zadań, które wymagają nie tylko generowania odpowiedzi, ale również podejmowania działań w środowisku cyfrowym.

W praktyce oznacza to, że zamiast jednego zapytania i jednej odpowiedzi, mamy do czynienia z całym łańcuchem operacji. Agent może rozpocząć od analizy problemu, następnie podzielić go na mniejsze kroki, wykonać serię zapytań do zewnętrznych systemów, baz danych lub interfejsów API, przetworzyć uzyskane informacje, a dopiero na końcu wygenerować finalny rezultat. Każdy z tych kroków wymaga osobnych operacji systemowych, komunikacji z różnymi źródłami danych oraz ciągłego zarządzania stanem całego procesu.

W tym nowym modelu działania sztucznej inteligencji ciężar obliczeń zaczyna się przesuwać. Sam model językowy uruchamiany na GPU staje się tylko jednym z elementów większego systemu, odpowiedzialnym za generowanie i interpretację języka. Cała reszta, czyli logika sterująca, zarządzanie zadaniami, komunikacja między systemami oraz obsługa zewnętrznych narzędzi, coraz bardziej obciąża procesory CPU. 

To właśnie tutaj pojawia się fundamentalna zmiana perspektywy. Wcześniej CPU było traktowane jako warstwa pomocnicza, której zadaniem było „nie przeszkadzać” GPU w wykonywaniu obliczeń. W świecie agentic AI CPU zaczyna jednak pełnić rolę aktywnego koordynatora, który nie tylko zarządza przepływem danych, ale również uczestniczy w realizacji samego procesu decyzyjnego systemu.

Co istotne, nie jest to zmiana kosmetyczna, ale strukturalna. Każdy agent AI wykonuje nie jeden, lecz wiele kroków obliczeniowych i operacyjnych, co prowadzi do gwałtownego wzrostu liczby operacji wykonywanych poza GPU. W efekcie rośnie znaczenie infrastruktury CPU, która musi obsłużyć równolegle ogromną liczbę zapytań, procesów i interakcji w czasie rzeczywistym.

W tym momencie zaczyna być widoczny pierwszy realny przełom w architekturze systemów AI. Zamiast modelu skoncentrowanego wokół jednego typu obliczeń, zaczynamy obserwować przejście do systemu wielowarstwowego, w którym różne komponenty odpowiadają za różne aspekty operacyjne. GPU odpowiada za obliczenia macierzowe, pamięć za przechowywanie i przepływ danych, natomiast CPU coraz częściej staje się warstwą odpowiedzialną za koordynację całego procesu.

Właśnie ten moment można uznać za początek zmiany, która prowadzi do ponownego przedefiniowania roli procesorów CPU w całym ekosystemie sztucznej inteligencji.

ZMIANA ARCHITEKTURY SYSTEMU AI

Wraz z rosnącą rolą agentic AI zaczyna zmieniać się nie tylko sposób użycia modeli, ale cała architektura systemów sztucznej inteligencji. Dotychczasowy podział, w którym GPU odpowiadało za obliczenia, a CPU pełniło funkcję pomocniczą, staje się coraz mniej adekwatny do rzeczywistego sposobu działania nowoczesnych aplikacji AI.

Zamiast jednego procesu obliczeniowego coraz częściej mamy do czynienia z systemem, który przypomina złożoną sieć współpracujących warstw. Model językowy pozostaje centrum „rozumowania”, jednak wokół niego powstaje rozbudowana infrastruktura odpowiedzialna za pamięć, przepływ danych, komunikację z narzędziami oraz wykonywanie operacji w czasie rzeczywistym.

W takim układzie CPU przestaje być jedynie warstwą techniczną wspierającą GPU, a zaczyna pełnić rolę integratora całego systemu. To właśnie na nim spoczywa coraz większa część zadań związanych z orkiestracją, zarządzaniem stanem oraz obsługą złożonych procesów agentowych.

W efekcie AI przestaje być pojedynczym modelem, a staje się systemem operacyjnym dla inteligentnych procesów, w którym różne typy hardware pełnią wyspecjalizowane, ale wzajemnie zależne role.

EKONOMIA ZMIANY

Najważniejsza zmiana, jaka zachodzi w całej infrastrukturze sztucznej inteligencji, nie dotyczy wyłącznie tego, jak systemy są budowane, ale tego, jak rozkłada się w nich zapotrzebowanie na poszczególne zasoby obliczeniowe. Przez długi czas dominującym punktem odniesienia była relacja CPU do GPU, która w klasycznych klastrach AI była silnie przesunięta w stronę akceleratorów graficznych.

Wraz z rozwojem agentic AI ta proporcja zaczyna się stopniowo zmieniać. Zamiast architektury, w której CPU pełni funkcję marginalną, a GPU dominuje cały system, pojawia się model bardziej zrównoważony, w którym procesory ogólnego przeznaczenia przejmują coraz większą część obciążeń związanych z orkiestracją, obsługą narzędzi oraz przetwarzaniem wieloetapowych zadań.

Ta zmiana ma bezpośrednie konsekwencje ekonomiczne. Wraz ze wzrostem liczby operacji wykonywanych poza GPU rośnie zapotrzebowanie na moc CPU w centrach danych, co przekłada się na konieczność zwiększania liczby rdzeni przypadających na jeden akcelerator. W efekcie infrastruktura AI staje się bardziej zasobożerna nie tylko pod względem GPU, ale również w warstwie procesorów ogólnego przeznaczenia.

Z perspektywy inwestycyjnej oznacza to przesunięcie struktury popytu w całym łańcuchu wartości. Inwestycje kapitałowe, które wcześniej koncentrowały się głównie na akceleratorach graficznych oraz pamięci o wysokiej przepustowości, zaczynają obejmować coraz większą część rynku CPU. To z kolei prowadzi do presji na łańcuch dostaw, wzrostu wykorzystania mocy produkcyjnych oraz stopniowej rewizji oczekiwań dotyczących całego rynku serwerowych procesorów.

W tym kontekście CPU przestaje być postrzegane jako dojrzały i stabilny segment rynku, a zaczyna być traktowane jako jeden z kluczowych komponentów infrastruktury AI, którego znaczenie rośnie wraz ze wzrostem złożoności systemów agentowych.

RYNEK CPU I KLUCZOWI GRACZE

Zmiana roli CPU w architekturze sztucznej inteligencji automatycznie przekłada się na przebudowę całego układu sił w branży półprzewodników. Przez wiele lat rynek serwerowych procesorów był relatywnie stabilny i zdominowany przez jednego gracza, jednak wraz z nadejściem ery agentic AI zaczyna on ponownie przypominać pole intensywnej konkurencji technologicznej.

W centrum tej rywalizacji znajdują się trzy główne siły: AMD, Intel oraz Arm. Każda z nich reprezentuje inny model biznesowy, inną architekturę oraz inne podejście do tego, czym powinien być nowoczesny procesor w erze sztucznej inteligencji.

AMD pozostaje najbardziej bezpośrednim beneficjentem zmiany w segmencie x86. Dzięki procesorom EPYC spółka systematycznie zwiększa swój udział w rynku serwerowym, jednocześnie oferując klientom coraz wyższą efektywność energetyczną oraz konkurencyjną wydajność w przeliczeniu na rdzeń. W kontekście rosnącego zapotrzebowania na CPU w systemach agentowych AMD zyskuje dodatkową przewagę, ponieważ może dostarczać zarówno procesory centralne, jak i akceleratory GPU, budując kompletny stos obliczeniowy dla centrów danych.

Intel z kolei znajduje się w fazie transformacji. Po latach utraty udziałów w rynku serwerowym spółka próbuje odzyskać pozycję dzięki nowym generacjom procesorów Xeon oraz strategii opartej na rozwoju własnych procesów produkcyjnych. W przypadku Intela kluczowe znaczenie ma jednak nie tylko technologia, ale również zdolność do ponownego zdefiniowania swojej roli w ekosystemie AI, który w ostatnich latach w dużej mierze ominął jego wcześniejsze przewagi.

Trzecim filarem jest Arm, który działa na zupełnie innym poziomie łańcucha wartości. Zamiast produkować własne procesory, Arm dostarcza architekturę wykorzystywaną przez hyperscalerów do projektowania własnych układów. W efekcie coraz większa część wzrostu w segmencie CPU nie trafia bezpośrednio do tradycyjnych producentów, lecz do ekosystemu chmurowego, który buduje własne, zoptymalizowane rozwiązania.

To prowadzi do istotnej zmiany strukturalnej. Rynek CPU przestaje być prostym duopolem Intela i AMD, a zaczyna przypominać wielowarstwowy ekosystem, w którym znaczącą rolę odgrywają również tacy gracze jak AWS, Google czy Microsoft, projektujący własne procesory pod konkretne zastosowania w chmurze.

W tym układzie nie istnieje jeden dominujący zwycięzca. Zamiast tego obserwujemy rynek, w którym różne modele biznesowe i architektoniczne współistnieją i konkurują o udział w rosnącym popycie na moc obliczeniową w erze sztucznej inteligencji.

Trzecia fala AI i jej konsekwencje 

Patrząc na całą rewolucję sztucznej inteligencji z perspektywy infrastruktury, można dostrzec wyraźny schemat ewolucji, w którym kolejne warstwy systemu stopniowo przesuwają się z tła do centrum zainteresowania rynku. Najpierw była to moc obliczeniowa GPU, która umożliwiła powstanie nowoczesnych modeli językowych. Następnie na pierwszy plan wysunęła się pamięć, bez której skalowanie tych modeli nie byłoby możliwe. Teraz coraz wyraźniej widać, że kolejnym elementem tego łańcucha wartości stają się procesory CPU.

Ta zmiana nie wynika z mody technologicznej, ale z fundamentalnej ewolucji sposobu działania systemów AI. Przejście od pojedynczych zapytań do modeli językowych w stronę agentic AI oznacza przejście od prostych operacji obliczeniowych do złożonych, wieloetapowych procesów decyzyjnych. W takim środowisku rośnie znaczenie zarządzania zadaniami, komunikacji z zewnętrznymi systemami oraz przetwarzania dużej liczby równoległych operacji.

To właśnie te elementy w coraz większym stopniu obciążają CPU, które przestaje pełnić rolę pomocniczą, a zaczyna stawać się integralnym komponentem działania całego systemu sztucznej inteligencji.

Z perspektywy rynku prowadzi to do istotnej rewizji oczekiwań dotyczących wielkości segmentu serwerowych procesorów. Prognozy wskazujące na wzrost rynku do poziomu przekraczającego 120 miliardów dolarów do 2030 roku, a w bardziej agresywnych scenariuszach nawet 200 miliardów dolarów, sugerują, że CPU przestaje być dojrzałym i stabilnym segmentem technologii, a zaczyna funkcjonować jako osobny cykl wzrostowy napędzany przez AI.

W tym nowym układzie nie ma jednego dominującego zwycięzcy. AMD korzysta na rosnącym popycie w segmencie x86 i umacnia swoją pozycję jako jeden z głównych beneficjentów infrastruktury AI. Intel próbuje wykorzystać moment odnowienia znaczenia CPU do odbudowy swojej pozycji, jednocześnie mierząc się z wyzwaniami technologicznymi i konkurencyjnymi. Arm z kolei przejmuje coraz większą część wzrostu w modelu chmurowym, gdzie hyperscalerzy projektują własne układy dopasowane do specyficznych obciążeń.

Kluczowe nie jest więc wskazanie jednego zwycięzcy, ale zrozumienie, że CPU staje się trzecią, równoległą falą rewolucji AI, obok GPU i pamięci. Falą, która nie zastępuje poprzednich, lecz je uzupełnia, tworząc bardziej kompletny obraz infrastruktury sztucznej inteligencji. 

W takim ujęciu rewolucja AI przestaje być historią jednego przełomu technologicznego, a staje się wieloetapowym procesem redystrybucji wartości w całym łańcuchu półprzewodników. A CPU, przez długi czas traktowane jako element drugoplanowy, zaczyna zajmować w tym systemie miejsce, którego jeszcze niedawno niewielu inwestorów się spodziewało.