Jensen Huang, prezes Nvidii, wycenił podczas GTC Berlin fabrykę AI o mocy 1 gigawata na około 50 mld dolarów i przekonywał, że trzy miesiące opóźnienia w jej uruchomieniu oznaczają dla operatora utratę około 10 mld dolarów przychodu. Odpowiedzią Nvidii na ten problem ma być DSX POD, czyli kompletna fabryka AI oparta na systemach Vera Rubin, składana i testowana jeszcze u dostawców i dowożona na miejsce w kontenerach.
- Jensen Huang wycenił podczas GTC Berlin budowę gigawatowej fabryki AI na około 50 mld dolarów i ostrzegł, że kwartał opóźnienia w jej uruchomieniu oznacza dla operatora utratę około 10 mld dolarów przychodu.
- Nvidia zapowiedziała DSX POD – kompletną fabrykę AI opartą na systemach Vera Rubin, składaną i testowaną u dostawców, a następnie dowożoną w kontenerach, co ma skrócić czas od dostawy sprzętu do pierwszych wygenerowanych tokenów z czterech–pięciu miesięcy do około jednego miesiąca; pierwsze fabryki w tej formule mają trafić do klientów na początku 2027 roku.
- Szacowany przychód Nvidii z każdego gigawata mocy obliczeniowej rósł wraz z kolejnymi generacjami platform: z około 18 mld dolarów dla Hoppera, przez około 25 mld dla Grace Blackwell, do około 40 mld dolarów dla Vera Rubin.
Wystąpienie otwierające odbyło się w środę 21 października w berlińskim Tempodromie, w ramach konferencji GTC Berlin (20-22 października). Z perspektywy inwestorów najważniejsze były w nim liczby, które pokazują, jak Nvidia zmienia sposób zarabiania na sztucznej inteligencji. Firma przestaje sprzedawać głównie procesory graficzne i zaczyna sprzedawać całe centra danych.
Skrót wystąpienia opublikowany przez Nvidię: https://www.youtube.com/watch?v=rF1EsryCAwc
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Huang: 50 mld dolarów za gigawat, 40 mld dolarów przychodu rocznie
Według Huanga gigawatowa fabryka AI kosztuje około 50 mld dolarów i może generować około 40 mld dolarów przychodu rocznie. W tej kwocie mieszczą się grunt, przyłącze energetyczne, budynek, sprzęt obliczeniowy, sieć, pamięć masowa, zasilanie i chłodzenie. Z tych samych założeń Huang wyprowadził rachunek opóźnienia. Kwartał przestoju to około 10 mld dolarów przychodu, którego operator nie zobaczy.
„10 mld dolarów przychodu każdego wprawi w nerwowość” / „10 billion worth of revenues will make anybody anxious”, mówił Huang ze sceny.
Prezes Nvidii wskazał, gdzie dziś ucieka czas. Nawet gdy sprzęt dotrze do centrum danych, montaż, okablowanie i testy trwają miesiącami. Przez ten okres drogie serwery stoją bezczynnie. Huang zapowiedział, że przeniesienie tej pracy do łańcucha dostaw skróci czas od dostawy sprzętu do pierwszych wygenerowanych tokenów z czterech-pięciu miesięcy do mniej więcej jednego miesiąca.
„Same świetne chipy nie tworzą świetnej fabryki AI” / „Great chips alone don’t make a great AI factory”, podkreślał.
DSX POD to fabryka AI dowożona w kontenerach
DSX POD to referencyjny projekt kompletnej fabryki AI, który partnerzy Nvidii mają budować, okablowywać i testować u siebie, zanim sprzęt trafi do klienta. Według materiałów pokazanych podczas wystąpienia, które opisał serwis The Next Platform, pojedynczy POD obejmuje:
- siedem chłodzonych cieczą szaf obliczeniowych opartych na systemie Vera Rubin NVL72,
- 17 km okablowania sieciowego Spectrum-X łączącego te szafy,
- chłodzenie suche zamiast tradycyjnego chłodzenia wyparnego,
- zasilanie prądem stałym o napięciu 800 V.
Wśród partnerów pokazano m.in. Schneider Electric, Vertiv, HPE, Lenovo i Dell. Nvidia zapowiedziała, że pierwsze fabryki AI w formule DSX POD trafią do klientów na początku 2027 roku. Firma nie podała konkretnych europejskich lokalizacji ani nazwisk klientów.
Projekt nie rozwiązuje wszystkich problemów inwestorów. Pozwolenia, przyłącze do sieci energetycznej i budowa infrastruktury zasilania na działce nadal pozostają po stronie operatora. Te etapy przy dużych centrach danych często trwają najdłużej.
Sama szafa Vera Rubin NVL72 to już nie tylko procesory graficzne
Vera Rubin NVL72 łączy w jednej szafie 72 procesory graficzne Rubin i 36 procesorów centralnych Vera, uzupełnionych o układy sieciowe i jednostki DPU (procesory do obsługi danych i sieci). Obok niej Nvidia stawia szafę Groq 3 LPX z 256 akceleratorami LPU, czyli układami do szybkiego generowania odpowiedzi modeli językowych. Technologię LPU Nvidia przejęła od startupu Groq za około 20 mld dolarów.
Podział pracy wygląda według dokumentacji Nvidii tak, że procesory graficzne Rubin przetwarzają kontekst zapytania. Akceleratory LPU odpowiadają za tę część generowania tokenów, która jest najbardziej wrażliwa na opóźnienia. Nvidia twierdzi, że zestaw NVL72 z LPX zapewnia do 35 razy wyższą przepustowość wnioskowania na megawat przy modelach z bilionem parametrów. To deklaracja producenta, oznaczona przez samą firmę jako prognozowana wydajność.
Nvidia sprzedaje też osobne szafy z samymi procesorami Vera, przeznaczone do obsługi agentów AI. Według HPCwire jedna taka szafa ma utrzymywać 22 500 równoległych środowisk CPU.
Wypełnij formularz, a my skontaktujemy się z Tobą, aby upewnić się czego potrzebujesz.
Nvidia zarabia na gigawacie coraz więcej
Sprzedaż całych szaf zamiast pojedynczych układów przekłada się bezpośrednio na przychody Nvidii z każdego gigawata mocy obliczeniowej. Podczas sierpniowej konferencji wynikowej kierownictwo firmy podało następujące szacunki:
| Generacja platformy | Szacowany przychód Nvidii na 1 GW mocy |
|---|---|
| Hopper | ok. 18 mld dolarów |
| Grace Blackwell | ok. 25 mld dolarów |
| Vera Rubin | ok. 40 mld dolarów |
Te kwoty opisują potencjalną sprzedaż, nie zamówienia. Nvidia mierzy w nich, jaką część wydatków na gigawatową instalację może przejąć jako dostawca sprzętu i sieci.
Skala biznesu już jest ogromna. W drugim kwartale roku obrachunkowego 2027 (zakończonym w lipcu) Nvidia miała 96,2 mld dolarów przychodu, o 106 proc. więcej niż rok wcześniej. Segment centrów danych przyniósł 89 mld dolarów, czyli o 117 proc. więcej rok do roku. Na trzeci kwartał firma prognozuje około 108 mld dolarów przychodu. Kapitalizacja Nvidii wynosi obecnie około 5,2 bln dolarów.
Liczby Huanga trudno ze sobą zestawić
Z prezentowanych w ostatnich miesiącach liczb kusi prosty rachunek. Gigawat kosztuje 50 mld dolarów, Nvidia chce z niego wziąć 40 mld. Na grunt, budynek, energię i chłodzenie zostawałoby wtedy 10 mld dolarów. Takiego wniosku nie da się jednak uczciwie wyciągnąć. Kwoty padały w różnych wystąpieniach, bez wspólnej definicji zakresu i bez rozbicia kosztów. Podczas tej samej sierpniowej konferencji Huang mówił też, że technologia potrzebna do gigawatowego centrum danych podrożała w ciągu pięciu lat z około 30 do 60 mld dolarów.
Dwie kwoty po 40 mld dolarów również łatwo pomylić. Jedna to szacowany roczny przychód operatora fabryki AI. Druga to potencjalna sprzedaż Nvidii na rzecz tego operatora.
Rachunek „kwartał opóźnienia to 10 mld dolarów straty” jest skuteczny sprzedażowo, bo zamienia zakup sprzętu w wyścig z czasem. Klient, który boi się spóźnić, mniej negocjuje. Nie twierdzę, że Huang przesadza z popytem. Wyniki Nvidii pokazują, że firma nie nadąża z dostawami. Ale 40 mld dolarów rocznego przychodu z gigawata to założenie, nie fakt. Zależy od tego, czy na tokeny generowane przez te fabryki znajdą się płacący klienci, po cenach, które utrzymają się przez lata. Ciekawsza od samych liczb jest dla mnie zmiana roli Nvidii. Firma, która sprzedawała łopaty w gorączce złota, dziś dostarcza całą kopalnię z montażem, chłodzeniem i okablowaniem. To zwiększa jej przychody z każdego gigawata. Jednocześnie uzależnia całą branżę od jednego dostawcy jeszcze mocniej niż dotąd. Pytanie, ile czasu zostało, zanim najwięksi operatorzy chmury i regulatorzy uznają to za problem.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Europa buduje fabryki AI pod presją protestów
Wystąpienie Huanga w dużej części dotyczyło Europy i tego, jak kontynent może zbudować własną gospodarkę AI. Huang przedstawił ją jako pięć warstw: energię, moc obliczeniową, fabryki AI, modele i aplikacje. Nvidia podkreślała, że projekty DSX z chłodzeniem cieczą i suchymi chłodnicami ograniczają zużycie wody i energii.
Kontekst jest napięty. Budowa centrów danych spotyka się w Europie z coraz większym oporem z powodów środowiskowych. Początek wystąpienia w Berlinie przerwali aktywiści protestujący przeciwko niszczeniu środowiska. Huang poprosił ochronę o spokojną reakcję i zapowiedział, że porozmawia z nimi po wystąpieniu.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Polska gigafabryka AI to zupełnie inna skala
Gigawatowe fabryki, o których mówił Huang, są daleko poza zasięgiem obecnych polskich planów. Polska stara się o jedną z czterech gigafabryk AI średniej skali w unijnym programie EuroHPC (wspólnym przedsięwzięciu UE odpowiedzialnym za europejskie superkomputery). Projekt zakłada na start moc odpowiadającą co najmniej 25 tys. układów Nvidia H100 i rozbudowę do minimum 75 tys. Koszt koncepcji Baltic AI GigaFactory szacowano na 12,7 mld zł, czyli około 3 mld euro.
Termin składania ofert w przetargu EuroHPC mija 12 listopada. Budowę i finansowanie mają przejąć prywatne konsorcja. Zainteresowanie potwierdziły polskie firmy Beyond.pl i DL Invest. Rząd zobowiązał się do zakupu części mocy obliczeniowej w latach 2028-2033. Uruchomienie pierwszych gigafabryk planowane jest na 2028 rok.
Ogłoszenia z Berlina mają dla polskiego projektu praktyczne znaczenie. Zwycięskie konsorcjum będzie budowało infrastrukturę na sprzęcie, który w momencie uruchomienia może być już generację dalej niż H100, będące punktem odniesienia w przetargu. Jeśli formuła DSX POD rzeczywiście skróci uruchamianie mocy obliczeniowej do miesiąca, czas budowy będzie w większym stopniu zależał od przyłącza energetycznego i pozwoleń niż od montażu serwerów. W Polsce to właśnie dostęp do mocy w sieci bywa najtrudniejszym elementem takich inwestycji.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym relacji z wystąpienia Jensena Huanga na GTC Berlin z 21.10.2026 opublikowanej przez The Next Platform, dokumentacji technicznej Nvidia Groq 3 LPX oraz analizy The Motley Fool. Dane finansowe Nvidii zweryfikowano z relacjami z konferencji wynikowej za drugi kwartał roku obrachunkowego 2027. Wykorzystano także materiały SiliconANGLE, Investing.com, HPCwire, The Register i Stocktwits. Polski kontekst: XYZ oraz publikacje o przetargu EuroHPC na gigafabryki AI.
Cytaty Jensena Huanga, prezesa Nvidii, zostały zweryfikowane z oryginalnym anglojęzycznym materiałem źródłowym.
Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl.
Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o wdrożeniach DSX POD i europejskich fabrykach AI.
