Superlineárne úzke hrdlá AI infraštruktúry
"The best way to predict the future is to create it." - Peter Drucker
O AI infraštruktúre sa bežne uvažuje ako o jednom súvislom sektore - denné pohyby jej akcií sú väčšinou zhodné v smere.
Investičné subsektory AI však nerastú rovnako - technologický reťazec spája veľmi rozdielne ekonomické profily. Vedľa seba stoja výrobcovia procesorov, pamäte, sieťových čipov, optických komponentov, laserov, pokročilého packagingu, chladiacich a energetických systémov, elektrickej infraštruktúry, poskytovatelia digitálnych AI služieb a prevádzkovatelia datacentier, pričom každý z týchto hráčov reaguje na rast výpočtového výkonu iným spôsobom.
Pri lineárne škálovanej vrstve znamená dvojnásobný počet AI serverov približne dvojnásobnú spotrebu daného produktu, ktorý firmy poskytujú, pretože jeho množstvo na jeden server zostáva viac-menej konštantné; pri superlineárnej vrstve ale nerastie iba počet systémov - zároveň sa zvyšuje množstvo, výkonnosť alebo hustota produktu potrebného v každom jednotlivom systéme, takže dva a niekedy aj viac zdrojov rastu sa navzájom násobí.
Základný vzťah možno zapísať jednoducho:
Veľkosť trhu subsektora = počet AI systémov × hodnota produktu v jednom systéme
Ak rastie iba počet systémov, výsledkom je približne lineárna expanzia trhu, no ak sa súčasne zväčšuje aj obsah produktu na jeden akcelerátor, server, rack alebo cluster, vzniká superlinearita, pri ktorej sa dvojnásobný počet akcelerátorov a dvojnásobné množstvo pamäte alebo komunikačnej kapacity na akcelerátor nepremietnu do dvojnásobného, ale do približne štvornásobného adresovateľného trhu.
Tento rozdiel je investične zásadný, pretože najvýhodnejšou expozíciou nebude najväčšia dnešná časť AI ekonomiky, ale vrstva, ktorej podiel na celkovej hodnote systému rastie s každou technologickou generáciou a ktorej produkty nefigurujú ako doplnky, ale podmienky ďalšieho škálovania.
Bottleneck sa neodstraňuje, iba sa presúva
Výkon AI systému neurčuje izolovane najvýkonnejší akcelerátor, ale takzvaná priepustnosť celého technologického okruhu, ktorý možno zjednodušene opísať ako sled:
dáta → storage → pamäť → compute → interconnect → energia → odvod tepla
Ak sa jedna z týchto vrstiev zrýchľuje výrazne rýchlejšie než ostatné, systémové obmedzenie nezanikne, iba migruje na nasledujúci článok reťazca; výkonnejšie GPU preto zvyšujú tlak na HBM a pamäťový bandwidth, väčší počet akcelerátorov zvyšuje tlak na scale-up a scale-out fabric, komplexnejšie chipletové systémy zvyšujú náročnosť packagingu, vyššia racková hustota presúva problém do distribúcie energie a kvapalinového chladenia a masová inference spolu s dlhými kontextmi, RAG a agentickými pracovnými tokmi postupne zväčšuje tlak na kapacitu pamäte a trvalých dátových úložísk.
Každé úspešné odstránenie jedného obmedzenia zvyšuje ekonomickú hodnotu riešenia ďalšieho obmedzenia, takže AI infraštruktúru nemožno chápať ako súbor nezávislých produktov, ale skôr ako mechanizmus postupnej migrácie nedostatku, v ktorom sa investičná príležitosť presúva tam, kde už predchádzajúci technologický pokrok narazil na fyzikálnu alebo výrobnú hranicu. Aj samotná éra datacentier alebo "zväčšujúcich sa počítačov" neprišla ako výmysel veľkokapitálu - je výsledok nárazu Moorovho zákona na fyzikálny a výrobný limit zmenšovania tranzistorov po dosiahnutí kritických 2 nanometrov.
1. Interconnect, networking a optika
Moderný AI cluster je distribuovaným výpočtovým systémom, v ktorom tisíce akcelerátorov vykonávajú dátový paralelizmus a musia si v presne načasovaných intervaloch vymieňať informácie, pretože ak komunikácia zaostáva za výkonom procesorov, drahé výpočtové jednotky ostávajú nevyužité.
S rastom clustra sa preto nezvyšuje iba počet akcelerátorov, ale zároveň prenosová rýchlosť každej linky, počet switchovacích stupňov, agregovaný bisection bandwidth a náročnosť signal integrity, keďže vyššie prenosové rýchlosti zhoršujú insertion loss, jitter, crosstalk a chybovosť elektrického signálu a nútia systém používať sofistikovanejšie SerDes, equalizéry, retimery, active electrical cables a aplikované optické rozhrania.
Zjednodušená rovnica superlinearity interconnectu znie:
Trh interconnectu = počet akcelerátorov × počet spojení na akcelerátor × bandwidth jedného spojenia × hodnota elektroniky na spojenie
Všetky štyri premenné môžu rásť naraz, pretože nová generácia clustra obsahuje viac akcelerátorov, každý akcelerátor potrebuje viac alebo výkonnejších spojení a každé spojenie pri prechode zo 400G na 800G, 1,6T a neskôr vyššie prenosové rýchlosti vyžaduje drahšie spracovanie signálu, pokročilejší packaging a prechod z pasívnej na aktívnu meď a optiku.
Z tohto mechanizmu profitujú výrobcovia SerDes, retimerov, AEC, optických DSP, transceiverov, laserov, WDM komponentov, ethernetových a scale-up switchov, co-packaged optics a optical I/O čipletov, pričom jednotlivé firmy zachytávajú odlišnú časť hodnotového reťazca: Credo je exponované na aktívne elektrické káble a vysokorýchlostné dátové rozhrania, Arista na sieťovú architektúru, switching a operačný softvér, Astera na rýchle škálovanie klastrových architektúr pre generatívnu umelú inteligenciu, Marvell na SerDes, optické DSP a custom silicon pre datacentrá.
Sivers Semiconductors predstavuje menšiu a podstatne rizikovejšiu expozíciu na svetelné zdroje budúcej optickej vrstvy, pretože jeho InP lasery a laserové polia majú byť použité v pluggable transceiveroch, external laser source architektúrach, co-packaged optics a optical I/O, kde rastie nielen počet optických spojení, ale aj počet vlnových dĺžok a laserových kanálov na jedno zariadenie; technologická superlinearita tejto vrstvy je preto silná, ale investičná superlinearita Siversu zostáva podmienená tým, či firma dokáže premeniť partnerstvá a design wins na kvalifikovanú veľkoobjemovú výrobu, stabilné marže a pozitívny cash flow bez opakovanej dilúcie.
Interconnect je pravdepodobne najčistejším superlineárnym bottleneckom AI infraštruktúry, pretože systém potrebuje nielen viac spojení, ale každé ďalšie spojenie sa zároveň stáva výkonnejším, komplexnejším a ekonomicky hodnotnejším.
2. HBM a vysokovýkonná pamäť
Akcelerátor môže vykonávať iba tie operácie, ku ktorým dostane dáta, takže jeho teoretický výkon nemá praktickú hodnotu v okamihu, keď výpočtové jednotky čakajú na načítanie parametrov, aktivácií alebo KV cache; práve preto sa s každou generáciou AI čipov nezvyšuje iba aritmetický výkon, ale aj kapacita HBM, počet stackov, šírka rozhrania, pinová rýchlosť a celkový memory bandwidth.
Zjednodušená rovnica superlinearity HBM znie:
Trh HBM = počet akcelerátorov × kapacita HBM na akcelerátor × bandwidth pamäte × hodnota jedného stacku
Počet akcelerátorov rastie, pričom súčasne rastie aj množstvo pamäte na každý akcelerátor a technologická komplexnosť jedného stacku, pretože vyššie vrstvenie dies, širšie rozhrania, pokročilejší base die, TSV prepojenia a náročnejšia integrácia s compute čipom zvyšujú výrobnú hodnotu pamäťového subsystému.
Pamäťová intenzita navyše rastie pri tréningu aj pri inferencii, kde sa s dĺžkou kontextu, počtom súčasných používateľov a počtom generovaných tokenov zväčšuje KV cache - reasoning modely dynamiku zosilňujú, pretože pri jednej odpovedi vykonávajú viac sekvenčných krokov, spotrebujú viac inference-time compute a vytvárajú väčší objem dočasného stavu, ktorý musí byť dostupný s nízkou latenciou.
HBM má náročnú výrobu a vysoké technologické bariéry podľa Rockovho zákona, obmedzený počet kvalifikovaných dodávateľov a úzke prepojenie s roadmapami výrobcov akcelerátorov, vďaka čomu SK hynix, Micron a Samsung získavajú priamu expozíciu na rast obsahu pamäte v jednom AI systéme; investičným problémom však zostáva kapitálový cyklus, pretože štrukturálne superlineárny dopyt môže byť dočasne prekrytý nadmernou výstavbou kapacít, zhoršením cenovej disciplíny alebo technologickým prechodom, pri ktorom sa zmení konkurenčné rozdelenie trhu.
HBM preto spája superlineárny rast fyzického obsahu s cyklickou ekonomikou pamäťového odvetvia, čo z nej robí jeden z najdôležitejších AI bottleneckov, ale nie práve stabilnú investíciu pri akejkoľvek cene v ktorejkoľvek fáze pamäťového cyklu.
3. Pokročilý packaging, testovanie a heterogénna integrácia
Moderný AI akcelerátor je heterogénne integrovaný systém zložený z compute chipletov, HBM stackov, interposerov, substrátov, I/O dies, napájacích vrstiev a tepelných rozhraní, pričom ďalší rast výkonu sa čoraz menej dosahuje jednoduchým zväčšovaním monolitického die a čoraz viac spájaním väčšieho počtu funkčných blokov do jedného package.
Zjednodušená rovnica superlinearity packagingu znie:
Trh advanced packagingu = počet akcelerátorov × počet integrovaných dies × počet prepojení × komplexnosť package
S každou generáciou môže rásť počet compute dies, počet HBM stackov, plocha silicon interposera, počet mikrospojov, počet redistribution layers aj citlivosť celého systému na defekty, pretože chyba v jedinom komponente môže znehodnotiť package pozostávajúci z viacerých drahých čipov; tým rastie význam known-good-die testovania, metrológie, inšpekcie, thermal warpage control a presnej kontroly výťažnosti.
Advanced packaging preto nemusí byť superlineárny podľa samotného počtu vyrobených akcelerátorov, ale je superlineárny podľa hodnoty packagingového obsahu na jeden akcelerátor, keďže nový systém obsahuje viac dies, viac pamäte, viac spojov a vyššiu ekonomickú hodnotu, ktorú treba fyzicky integrovať do jedného spoľahlivého celku.
Profitujú z toho foundry poskytujúce 2.5D a 3D integráciu, CoWoS a podobné platformy, OSAT spoločnosti, výrobcovia advanced substrates, hybrid bondingu, testovacích zariadení a metrologických systémov a zariadení na kontrolu defektov. Investičnou otázkou tu nie je ani tak rast trhu, ale skôr to, ktorá časť reťazca si udrží pricing power a či najvyššie marže nezostanú koncentrované u dominantných fabrík.
Do subsektora spadá najmä TSMC, ASE Technology, Amkor Technology. Líder testovania priepustnosti je KLA.
Pokročilý packaging je menej viditeľný než GPU, hoci sa môže stať hranicou celého výpočtového systému, pretože ďalšia generácia AI nemusí byť limitovaná nedostatkom tranzistorov, ale schopnosťou ekonomicky, termálne a výrobne integrovať stále väčší počet čipov do jedného fungujúceho modulu.
4. Kvapalinové chladenie a vysokohustotná distribúcia energie
Spotreba energie sa na prvý pohľad škáluje lineárne, pretože viac výpočtov znamená viac odobratej elektriny a približne zodpovedajúce množstvo odpadového tepla, no pri datacentrovom chladení nerozhoduje iba celkový energetický odber, ale predovšetkým power density, teda množstvo výkonu koncentrované v jednom racku alebo na jednej ploche.
Zjednodušená rovnica prahovej superlinearity znie:
Trh vysokohustotného chladenia = počet AI rackov × výkon jedného racku × podiel rackov vyžadujúcich kvapalinové chladenie × hodnota chladiaceho systému
Najdôležitejšou premennou je podiel zariadení, ktoré prekročia fyzikálnu a ekonomickú hranicu vzduchového chladenia, pretože po jej prekročení už nestačí zvýšiť prietok vzduchu alebo pridať ďalšiu klimatizačnú jednotku a je potrebné zmeniť celú tepelnú architektúru na direct-to-chip liquid cooling, rear-door heat exchangers, cooling distribution units, kvapalinové okruhy, čerpadlá a výmenníky tepla.
Ide teda o prahovú superlinearitu, pri ktorej dopyt určitý čas nerastie iba spolu s compute, ale skokovo sa mení kvalita požadovaného riešenia; rovnaký mechanizmus sa objavuje v distribúcii energie, kde vyššie rackové výkony vyžadujú výkonnejšie UPS, busways, power shelves, switchgear, transformátory a riadiace systémy schopné zvládať dynamické a prudko sa meniace zaťaženie AI clusterov.
Spoločnosti ako Vertiv alebo Modine preto neprofitujú iba z rastúcej spotreby energie, ale z architektonickej migrácie datacentier na systémy navrhnuté pre vysokú tepelnú hustotu, pričom ich nevýhodou sú nižšie hrubé marže, projektový charakter zákaziek, potreba pracovného kapitálu a väčšia citlivosť na realizáciu výrobných kapacít než pri chip faboch.
Ich výhodou je naopak fyzikálna nevyhnutnosť produktu, pretože problém odvodu tepla nemožno odstrániť softvérovou optimalizáciou v okamihu, keď konkrétny rack premieňa stovky kilowattov elektrickej energie na teplo v priestore, ktorý vzduchové chladenie už nedokáže obslúžiť.
5. CXL a dezagregovaná pamäť
HBM je extrémne rýchla, ale drahá a kapacitne obmedzená. Klasická DDR je lacnejšia, no tradične viazaná na konkrétny procesor alebo server, zatiaľ čo SSD poskytuje rádovo vyššiu kapacitu za cenu vyššej latencie; medzi týmito vrstvami preto vzniká priestor pre zdieľanú a dynamicky prideľovanú pamäť, ktorú môže viac procesorov alebo akcelerátorov využívať podľa aktuálneho zaťaženia.
CXL umožňuje memory expansion, pooling a disaggregation, čím môže znižovať nevyužitú lokálnu DRAM a oddeliť životný cyklus pamäte od životného cyklu konkrétneho servera, takže pamäť sa postupne mení na samostatný infraštruktúrny zdroj podobne, ako sa predtým virtualizoval compute a storage.
Zjednodušená rovnica superlinearity CXL znie:
Trh CXL = počet serverov a akcelerátorov × množstvo zdieľanej pamäte × počet prepojení × hodnota controllerov a switchov
Dlhšie kontexty, rast KV cache, masová inference, RAG, in-memory databázy a agentické systémy zvyšujú potrebu pamäťovej kapacity, ktorá nemusí byť umiestnená v najdrahšej HBM, no stále musí byť dostupná s podstatne nižšou latenciou než tradičný storage; CXL tak môže vytvoriť novú hierarchickú vrstvu medzi lokálnou DRAM a perzistentným NVMe úložiskom.
Technologická logika tejto architektúry je silná, ale investičné rozdelenie hodnoty zostáva neisté, pretože ešte nie je jasné, ako rýchlo ju hyperscaleri nasadia, ktoré topológie a protokoly sa stanú dominantnými a či najvyššie marže zachytia výrobcovia samostatných memory expanders, CXL switchov, retimerov, controllerov alebo integrovaných serverových platforiem.
CXL je ešte len vznikajúci superlineárny bottleneck, pri ktorom je technická potreba zreteľnejšia než budúca ekonomická distribúcia ziskov.
6. NAND, enterprise SSD a aktívne dátové úložiská
HBM uchováva dáta, ktoré akcelerátor práve spracúva, zatiaľ čo enterprise SSD drží podstatne väčší objem informácií, ktorý nemusí byť dostupný pri každom takte, ale musí zostať dostatočne blízko výpočtu, aby sa dal rýchlo načítať a aby ho systém nemusel opakovane generovať, rekonštruovať alebo presúvať z pomalého archívu.
Storage preto nemožno redukovať na pasívne miesto, kam sa po dokončení výpočtu odloží výsledok, pretože sa postupne mení na aktívnu perzistentnú vrstvu pamäťovej hierarchie:
HBM → DRAM → NVMe SSD → vysokokapacitné SSD alebo HDD → archív
Enterprise SSD môže uchovávať tréningové datasety, modelové checkpointy, embeddingy, vektorové databázy, multimodálne korpusy, inference logy, agentické trajektórie, výsledky simulácií, časti KV cache a medzistavy, ktorých opätovný výpočet by bol drahší než ich uloženie; čím viac dát dokáže compute spolu s HBM spracovať, tým väčší objem nového a potenciálne opätovne použiteľného stavu vzniká.
Zjednodušená rovnica superlinearity AI storage znie:
Trh AI storage = počet AI systémov × množstvo aktívnych dát na systém × čas uchovávania × počet kópií × požadovaný I/O výkon
Všetky premenné môžu rásť súčasne, pretože pribúda počet AI systémov, agentické pracovné toky vytvárajú viac medzikrokov než jednoduchá jednorazová inference, multimodálne dáta sú objemnejšie než text, regulačné a bezpečnostné požiadavky predlžujú retenciu a distribuované platformy používajú replikáciu pre odolnosť a dostupnosť.
Bottleneckom pritom nemusí byť iba sekvenčná priepustnosť alebo latencia jedného disku, ale agregovaný NVMe bandwidth, random IOPS, checkpointing throughput, write endurance, CPU overhead storage stacku, dátová cesta medzi GPU a úložiskom alebo množstvo aktívnych dát, ktoré sa zmestí do jedného racku pri danom energetickom a chladiacom rozpočte.
Superlinearita NAND však zostáva menej istá. Nie všetky vytvorené dáta majú dostatočnú hodnotu na dlhodobé uchovanie, časť možno vymazať, komprimovať, deduplikovať alebo presunúť na HDD či páskové archívy a technický rast počtu uložených bitov môže byť ekonomicky kompenzovaný dlhodobým poklesom ceny za bit.
Preto platí, že rast objemu uložených dát nie je automaticky rovnaký ako rast tržieb a rast tržieb nie je automaticky rovnaký ako rast ziskov. Kioxia a Sandisk preto nepredstavujú rovnaký typ AI expozície ako výrobcovia HBM; HBM je bezprostredným bottleneckom dátového zásobovania akcelerátora, zatiaľ čo NAND je vznikajúcim kapacitným bottleneckom, ktorého význam môže prudšie narásť v neskoršej fáze AI cyklu, keď problémom už nebude schopnosť dáta vypočítať, ale ekonomicky uchovávať čoraz väčší objem aktívneho a opätovne použiteľného stavu.
7. Prevádzka datacentier a AI cloudov
Tu sa oplatí zastaviť o niečo dlhšie. Prevádzka datacentier stojí na hranici medzi lineárnou infraštruktúrou a potenciálne superlineárnou ekonomikou a momentálne sa jedná o kľúčový kontroverzný subsektor alebo ťahúň toho, čo jedni chápu ako AI revolúciu, a iní ako AI bublinu. Prevádzkovatelia spájajú GPU, networking, energiu, chladenie, storage a softvérovú orchestration vrstvu do predajnej služby, ktorej základ možno vyjadriť vzťahom:
tržby datacentra = inštalovaná kapacita × využitie kapacity × cena prenájmu compute
Fyzická výstavba pritom zostáva približne lineárna a kapitálovo náročná, pretože zdvojnásobenie výpočtovej kapacity si spravidla vyžaduje viac akcelerátorov, elektrickej energie, priestoru a podpornej infraštruktúry, pričom značnú časť budúcich výnosov treba financovať vopred. Superlinearita sa však môže objaviť na úrovni ziskov, pretože datacentrum nesie vysoké fixné náklady bez ohľadu na to, či je jeho kapacita využitá na 40 alebo 90 percent, takže rast utilization môže zvýšiť tržby podstatne rýchlejšie než prevádzkové náklady.
Hodnota prevádzkovateľa môže zároveň skokovo vzrásť, ak vlastní vzácne aktíva, ako sú povolený pozemok, dostupný elektrický príkon, pripojenie do siete, vhodná chladiaca infraštruktúra alebo lokalita blízko zákazníkov, pretože v prostredí nedostatku energie a dlhých povoľovacích procesov nemusí byť rozhodujúcim bottleneckom dostupnosť GPU, ale schopnosť vôbec ich niekde zapojiť. Firmy vlastniace energeticky zabezpečené lokality, napríklad Cipher Digital, preto predstavujú stávku na scarcity value datacentrových aktív, zatiaľ čo spoločnosti ako Nebius Group sú viac stávkou na využitie AI cloudovej kapacity, prevádzkovú páku a schopnosť premeniť fyzický hardvér na vyššie maržové služby.
Podstatnejšia zmena však nastáva vtedy, keď datacentrum prestane byť iba prenajímateľom rackov a GPU-hodín a začne fungovať ako AI factory, teda výrobný systém premieňajúci elektrinu, kapitál a dáta na tokeny, agentické úlohy a strojovú kogníciu. Tokenizácia ekonomiky znamená, že rastúci podiel písania kódu, vyhľadávania, dizajnu, administratívy, výskumu, rozhodovania a autonómnej práce sa sprostredkuje cez výstup modelov.
Dnešná inference vyzerá ako jednoduchý vzťah medzi človekom a modelom: používateľ položí otázku a systém vytvorí odpoveď. V agentickej ekonomike však jedna ľudská požiadavka môže spustiť stovky alebo tisíce interných operácií, pri ktorých model rozdelí problém, prehľadáva databázy, volá externé nástroje, overuje výsledky, opravuje vlastné chyby a komunikuje s ďalšími modelmi... Ekonomicky viditeľný výstup môže zostať krátky, hoci jeho vytvorenie spotrebovalo obrovské množstvo skrytých tokenov.
Vzťah preto nebude iba: počet používateľov × počet otázok
Ale skôr: Spotreba tokenov = počet ekonomických úloh × počet agentických krokov na úlohu × počet modelov zapojených do kroku × množstvo tokenov na krok
Všetky tieto veličiny môžu rásť súčasne. AI sa rozšíri na viac úloh, úlohy budú riešené dlhšími reasoningovými reťazcami, jeden agent bude delegovať prácu ďalším agentom a každý krok bude pracovať s väčším kontextom. Celková spotreba tokenov preto môže rásť podstatne rýchlejšie než počet ľudských používateľov alebo počet viditeľných odpovedí. Automatizácia jednej pracovnej úlohy vytvorí viac než iba jednorazový dopyt po modeli - vytvorí nepretržitý nový proces monitorovania, optimalizácie a rozhodovania. Softvérový agent nebude pracovať len osem hodín denne - môže paralelne skúmať tisíce možností, sledovať nové udalosti a opakovane prehodnocovať svoje rozhodnutia.
Druhý zdroj superlinearity vzniká paradoxne z poklesu ceny tokenu. Efektívnejšie čipy, kvantizácia, batching, speculative decoding a lepší inference software znižujú cenu jednej jednotky modelového výstupu. Za normálnych okolností by technologické zlacnenie malo znižovať tržby na jednotku, pri AI však lacnejší token zároveň sprístupňuje nové prípady použitia, ktoré boli predtým ekonomicky nezmyselné.
nižšia cena tokenu → viac vhodných úloh → viac nasadených agentov → vyššia celková spotreba tokenov
Ak cena tokenu klesne desaťnásobne, ale spotreba vzrastie stonásobne, celkové výdavky na inferenciu napriek technologickému zlacneniu rastú. Ide o Jevonsov efekt aplikovaný na strojovú inteligenciu: vyššia efektívnosť neznižuje celkovú spotrebu zdroja, pretože dramaticky rozširuje priestor jeho ekonomického použitia.
Ďalší mechanizmus spočíva v tom, že AI môže vytvárať vlastný dopyt po ďalšej AI práci. Jeden model vygeneruje kód, ktorý treba otestovať; testovanie vytvorí chyby, ktoré treba analyzovať; analýza vytvorí návrhy, ktoré treba simulovať; simulácie vytvoria dáta, ktoré sa použijú na ďalší tréning alebo inferenciu. Výstup jedného výpočtu sa stáva vstupom ďalšieho výpočtu... a po prekonaní kognitívnych a operatívnych schopností človeka zostane ľudská ekonomika celkom v závese za tou umelou.
Vzniká spätná väzba:
viac tokenov → viac vytvoreného digitálneho obsahu a rozhodnutí → viac materiálu na kontrolu, triedenie a optimalizáciu → ešte viac tokenov
Táto slučka je podstatne odlišná od tradičného cloudu, kde digitálna služba obyčajne reaguje na explicitnú požiadavku používateľa. Agentický systém môže generovať nové podúlohy autonómne, takže spotreba compute prestáva byť priamo limitovaná počtom ľudských kliknutí.
Pre datacentrá z toho vyplýva možná ekonomická superlinearita na viacerých úrovniach. Prvou je rast fyzickej kapacity. Druhou je rast utilization, pretože agentické systémy môžu využívať infraštruktúru nepretržite. Treťou je rast tokenov vyrobených z jednej jednotky hardvéru vďaka softvérovej optimalizácii. Štvrtou je rast ekonomickej hodnoty práce, ktorú každý token sprostredkuje. Rozhodujúce však je, kto túto hodnotu zachytí. Prevádzkovateľ, ktorý iba prenajíma rack, elektrinu alebo neoptimalizované GPU-hodiny, zostáva prevažne kapitálovo náročným dodávateľom komoditnej kapacity. Pokles ceny compute bude mať tendenciu väčšinu jeho produktivitných ziskov odovzdať zákazníkovi.
Najvyšší potenciál má vertikálne integrovaný AI cloud, ktorý riadi hardvér, networking, storage, scheduling, inference runtime, model serving a zákaznícke pracovné toky, pretože sa môže posunúť od prenájmu servera k predaju garantovaného tokenového throughputu, dokončených agentických úloh alebo celých pracovných procesov.
Ekonomický reťazec potom vyzerá takto:
elektrina → compute → tokeny → dokončené úlohy → ekonomická hodnota
Čím nižšie v tomto reťazci prevádzkovateľ zostáva, tým viac sa podobá kapitálovo náročnej utilite; čím vyššie sa posunie, tým viac sa jeho ekonomika približuje softvérovej platforme s vyššími maržami, switching costs a potenciálnymi sieťovými efektmi. Prevádzka datacentier teda nie je technologicky superlineárnym bottleneckom podľa počtu nainštalovaných GPU, môže sa však stať ekonomicky superlineárnou, ak sa súčasne zvyšuje kapacita, utilization, tokenový výkon na jednotku compute a podiel hodnoty, ktorý prevádzkovateľ zachytáva z práce vykonanej modelmi.
Rozhodujúcou otázkou pre firmy typu Nebius preto nie je to, koľko procesijných kapacít dokážu nainštalovať, ale či zostanú prenajímateľmi výpočtovej kapacity, alebo sa stanú vertikálne integrovanými producentmi tokenov a AI služieb. V druhom prípade môže ich dlhodobá ekonomická hodnota rásť podstatne rýchlejšie než samotný počet akcelerátorov, hoci zostávajú vystavené vysokému dlhu a capexu, cenám elektriny, zákazníckej koncentrácii, technologickému zastarávaniu, poklesu cien compute a potrebe ďalšieho financovania.
Ktoré vrstvy NIE SÚ prirodzene superlineárne?
8. GPU a AI akcelerátory
GPU predstavujú základnú výpočtovú veličinu celého systému:
Celkový compute = počet akcelerátorov × výkon jedného akcelerátora
Výrobcovia akcelerátorov ako Nvidia či Advanced Micro Devices môžu vytvárať mimoriadne hodnotné podniky vďaka technologickému náskoku, softvérovému ekosystému, switching costs a sieťovým efektom.
No samotný GPU trh je skôr základom, voči ktorému meriame superlinearitu ostatných vrstiev; superlineárnym bottleneckom sa stáva komponent, ktorého množstvo alebo hodnota rastie na každý ďalší akcelerátor.
9. Elektrická sieť a výroba energie
Dopyt po elektrickej energii zostáva fyzikálne prevažne lineárny, pretože väčší objem výpočtov vyžaduje väčší energetický vstup. Veľký rast spotreby elektriny automaticky neznamená vysoké výnosy akcionárov. Výroba a distribúcia energie sú kapitálovo náročné, regulované a pomaly povoľované.
Investične sú zaujímavejšie špecializované distribučné systémy než samotná komoditná výroba elektriny - lokálny nedostatok pripojení, transformátorov, switchgearu alebo povolených lokalít môže vytvárať výraznú scarcity value. Dátové centrá, ktoré využívajú distribuované zdroje energie získavajú obrovskú výhodu, pretože dokážu fungovať nezávisle od pomalej výstavby hlavnej prenosovej sústavy. Vzácnosť prístupu k elektrine zvyšuje cenu pripravených lokalít a mení energiu na primárny limitujúci faktor celej digitálnej mašinérie. Figuruje tu napríklad Bloom Energy.
Hodnota "pripravených megawattov" stúpa ale len dovtedy, kým štát alebo veľkoindustriálna konkurencia nepostaví novú infraštruktúru. Ide o dočasnú prémiu za rýchlosť. Navyše je tu absencia sieťového efektu. Lokálny distribuovaný zdroj v bode A nezvyšuje efektivitu ani hodnotu distribuovaného zdroja v bode B. Každá lokalita funguje ako izolovaný ostrov, zatiaľ čo superlinearita vyžaduje prepojený systém, kde hodnota rastie s počtom uzlov.
10. Serverová montáž a štandardné komponenty
Pri serverovej montáži spravidla platí:
Viac serverov → viac šasi, dosiek, kabeláže a montážnej práce
Ak sa však hodnota produktu na jeden server nezvyšuje a dodávateľa možno relatívne jednoducho nahradiť, rast zostáva objemový, hrubé marže nízke a veľká časť ekonomickej hodnoty sa presúva k výrobcom kritických čipov alebo ku konečnému zákazníkovi.
Superlineárny subsektor ešte neznamená výhodnú akciu
Superlinearita opisuje geometriu rastu adresovateľného trhu, ale sama osebe neurčuje, ktorá firma tento rast zachytí, aké marže pri tom dosiahne ani koľko budúceho úspechu už obsahuje dnešná valuácia.
Zjednodušený investičný model možno vyjadriť takto:
Investičný potenciál = rast dopytu × rast obsahu na systém × pricing power × trhový podiel × trvanie rastu
Výslednú asymetriu následne znižujú:
valuácia × cyklickosť × kapitálová náročnosť × riziko substitúcie × riziko dilúcie
Firma môže pôsobiť v technologicky superlineárnom subsektore a napriek tomu byť slabou investíciou, ak nedokáže udržať marže, stráca trhový podiel, potrebuje opakovane získavať kapitál alebo jej akcie už oceňujú takmer dokonalú realizáciu na mnoho rokov dopredu; Sivers Semiconductors je názorným príkladom, pretože optická vrstva môže rásť superlineárne, no samotná firma musí ešte preukázať produkčné objemy, unit economics a schopnosť financovať výrobný ramp bez neprimeraného zriedenia existujúcich akcionárov.
Naopak, spoločnosť v o niečo menej superlineárnej vrstve môže byť lepšou investíciou, ak má dominantné postavenie, vyššiu návratnosť investovaného kapitálu, stabilnejšie cash flow a valuáciu, ktorá nepredpokladá bezchybný vývoj. Investičná asymetria preto nevzniká iba z kvality budúcnosti, ale z rozdielu medzi pravdepodobnou budúcnosťou a budúcnosťou, ktorú už predpokladá dnešná cena.
Pri každej firme preto treba položiť niekoľko otázok:
Rastie množstvo jej produktu na jeden AI systém?
Je produkt nevyhnutný alebo iba užitočný?
Je rast kontinuálny, prahový alebo oneskorený?
Má firma cenotvorbu a technologický moat?
Ako rýchlo môže konkurencia zvýšiť ponuku?
Koľko budúceho rastu už obsahuje cena akcie?
Ktoré vrstvy sú investične najzaujímavejšie?
Najčistejšie superlineárne odvetvia sú dnes:
1. interconnect, networking a optika
2. HBM (high bandwidth memory)
3. pokročilý packaging
Ich produktový obsah rastie spolu s počtom akcelerátorov aj s náročnosťou jedného akcelerátora.
Prahovú superlinearitu vykazuje kvapalinové chladenie a vysokohustotná distribúcia energie, kde prekročenie určitej rackovej hustoty núti datacentrum prejsť na kvalitatívne odlišnú a drahšiu architektúru.
Vznikajúce alebo neskôr sa prejavujúce superlineárne bottlenecky predstavujú vertikálne AI fabs, CXL, pamäťové poolingy, enterprise SSD, NAND a aktívne dátové úložiská, ktorých význam rastie s masovou inferenciou, agentickými systémami, dlhými kontextmi a rastúcim objemom perzistentného stavu.
Prevažne lineárne alebo objemové expozície tvoria GPU ako základná výpočtová vrstva, komoditná výroba energie, tradičná serverová montáž a prevádzkovateľ výpočtových kapacít.
Záver: skrytý exponent rastu
AI infraštruktúra nie je monolitický trh, je to systém, v ktorom sa bottleneck neustále presúva. Mysli na to, že kapitál tečie k riešiteľom vrstvy, ktorá vývoj brzdí, nie víťazom vyriešenej vrstvy. Výkonnejšie GPU zvyšujú potrebu HBM. Väčšie clustre zvyšujú potrebu interconnectu. Komplexnejšie akcelerátory zvyšujú potrebu pokročilého packagingu. Vyššia hustota výpočtu zvyšuje potrebu kvapalinového chladenia a výkonnejšej distribúcie energie. Masová prevádzka môže neskôr zvýšiť potrebu pamäťovej expanzie a dátových úložísk.
Pre investora nestačí pýtať sa, ktorá firma je napojená na AI. Najzaujímavejšie investície nemusia vyrábať hotovú inteligenciu; ide o to, či dodávajú produkty, ktorých systém potrebuje čoraz viac, aby ďalší rast výpočtového výkonu vôbec dokázal využiť. Dôležitejšia je otázka:
Rastie množstvo produktu firmy potrebné na každú ďalšiu jednotku AI compute?
Ak je odpoveď kladná, firma neprofituje iba z rastu systému, ale aj z rastúcej závislosti systému od vrstvy, v ktorej pôsobí; práve táto závislosť je skrytým exponentom AI infraštruktúry a práve v nej vznikajú superlineárne úzke hrdlá pokroku.
Rozmýšľal si niekedy nad tým, kde by si dnes bol, keby si sa mohol vrátiť o desať rokov v čase a investovať do toho, čo dnes zo spätného pohľadu považuješ za predpokladateľný vzlet? Voči svojej budúcnosti máš takú možnosť práve teraz.
