Podstawowy problem infrastruktury AI: ryzyko utraty aktywów – ci, którzy dziś polegają na przestarzałych strukturach, jutro zapłacą za to cenę

Energochłonna sztuczna inteligencja: pomysłowa (i ignorowana) alternatywa dla gigantycznych centrów danych opartych na energii jądrowej

Brak przejrzystości jako podstawowy problem polityczny infrastruktury AI

Zapotrzebowanie na energię sztucznej inteligencji rośnie wykładniczo – a wraz z nim panika polityczna. Aby sprostać gigantycznemu zapotrzebowaniu na energię elektryczną planowanych centrów danych AI, w Europie i USA nagle pojawiło się rzekomo nowe rozwiązanie: małe modułowe reaktory jądrowe (SMR). Podczas gdy politycy i lobbyści branżowi celebrują to jądrowe wybawienie jako jedyną opcję, w tle majaczy bezprecedensowy błąd ekonomiczny.

Rosnące koszty budowy, dekady realizacji i ogromne ryzyko tzw. „utraconych aktywów” sprawiają, że marzenie o gigafabryce AI zasilanej energią jądrową staje się ryzykownym hazardem. Szczególnie kontrowersyjny jest temat systematycznie pomijany w debacie: zdecentralizowana infrastruktura AI. Niniejszy artykuł analizuje ukryte koszty debaty o SMR i pokazuje, dlaczego ryzykujemy powtórzenie kosztownych błędów strukturalnych z przeszłości w przypadku technologii jutra.

Prawdziwą prowokacją tej debaty nie jest zatem techniczne pytanie o to, która infrastruktura jest lepsza. Prawdziwą prowokacją jest pytanie polityczne: dlaczego dyskusja o przyszłościowej infrastrukturze AI koncentruje się niemal wyłącznie na technologii, której horyzont realizacji wykracza poza horyzont planowania planów rozwoju AI, której historia kosztów charakteryzuje się przekroczeniami o kilkaset procent, a subsydiowanie jest w dużej mierze niejasne?

W związku z tym:

• Gigafabryki AI: ukryte koszty – jak ekspansja hiperskalowców w USA i Chinach obciąża zasoby

Brak przejrzystości jako główny problem polityczny infrastruktury AI: kwestia energii jako strategiczna taktyka dywersyjna

W debatach na temat budowy europejskich gigafabryk AI, jedno pytanie dominuje w dyskusji publicznej: Skąd będzie pochodzić cała energia elektryczna? Odpowiedź, która coraz częściej pojawia się w kręgach politycznych i na forach branżowych, brzmi: małe modułowe reaktory jądrowe, tzw. Małe Reaktory Modułowe (SMR). Ta odpowiedź brzmi technologicznie zaawansowana, jest politycznie realna i ma tę zaletę, że przekonuje istniejące grupy interesu – przemysł jądrowy, państwowe firmy energetyczne i instytucje badawcze zajmujące się energią jądrową. Jednak w tej dyskusji niemal całkowicie brakuje uczciwej oceny ekonomicznej: czy scentralizowane gigafabryki AI, zasilane reaktorami SMR, są rzeczywiście najbardziej rozsądnym ekonomicznie rozwiązaniem rosnącego zapotrzebowania na moc obliczeniową? A może pytanie to odwraca uwagę od znacznie bardziej fundamentalnej alternatywy strukturalnej – zdecentralizowanej infrastruktury AI?

Międzynarodowa Agencja Energetyczna (IEA) prognozuje, że globalne zużycie energii elektrycznej przez centra danych wzrośnie ponad dwukrotnie do 2030 roku, osiągając prawie 1000 terawatogodzin rocznie. Już dziś pojedyncze duże centrum danych AI zużywa tyle samo energii elektrycznej, co miasto liczące 50 000 mieszkańców, a naprawdę duże obiekty działają obecnie w zakresie gigawatów. W samych Stanach Zjednoczonych IEA prognozuje dodatkowe zapotrzebowanie na moc wynoszące 60 gigawatów do 2029 roku dla samych centrów danych i aplikacji AI – co odpowiada mocy około 60 elektrowni jądrowych. Te liczby robią wrażenie, ale prowadzą do błędnego toku rozumowania: bezmyślnie projektują dzisiejszą architekturę scentralizowanych centrów danych na przyszłość, zamiast poważnie rozważyć alternatywne modele infrastruktury.

Prawda o ukrytych kosztach kryjących się za obietnicą SMR

Dyskusja wokół małych reaktorów modułowych (SMR) charakteryzuje się niezwykłym optymizmem, który po bliższej analizie okazuje się mieć niewielkie podstawy empiryczne. Zwolennicy SMR obiecują krótszy czas budowy, niższe koszty dzięki masowej produkcji i szybszą skalowalność w porównaniu z konwencjonalnymi reaktorami wielkoskalowymi. Rzeczywistość maluje jednak znacznie bardziej przygnębiający obraz.

Globalny rynek elektrowni jądrowych od lat znajduje się w stagnacji. W 2024 roku na całym świecie uruchomiono zaledwie sześć nowych elektrowni jądrowych, a cztery zostały zamknięte – co stanowi wzrost netto o dwie elektrownie. Przyczyny są strukturalne: ekstremalne koszty inwestycji, czas budowy wynoszący 10–15 lat oraz ryzyko finansowe, które praktycznie mogą ponieść jedynie przedsiębiorstwa państwowe. Doskonałym przykładem tej eksplozji kosztów jest elektrownia Flamanville 3 we Francji: początkowo szacowana na 3,2–3,3 mld euro w 2006 roku i planowana na pięcioletni okres budowy, ostatecznie kosztowała 23,7 mld euro po 17 latach budowy.

Nawet flagowy projekt USA, elektrownia jądrowa Vogtle w Georgii, początkowo szacowano na 14–15,5 mld dolarów, a ostatecznie kosztowała 34 mld dolarów – ponad dwukrotnie więcej niż pierwotnie szacowano. Westinghouse, jedna z wiodących światowych firm technologii jądrowej, wkrótce potem ogłosiła upadłość. Koszty brytyjskiej elektrowni Hinkley Point C wzrosły do ​​32,7 mld funtów (około 41,3 mld dolarów) – pomimo początkowego budżetu projektu wynoszącego 2 mld funtów. Doświadczeni obserwatorzy branży stosują obecnie następującą zasadę: pomnóż początkowy kosztorys branży jądrowej przez dziesięć, aby uzyskać realistyczną kwotę.

W przypadku elektrowni SMR, które do tej pory nie mają ani jednego komercyjnie wdrożonego systemu modułowego w świecie zachodnim, sytuacja kosztowa jest jeszcze bardziej niepewna. Analiza Fundacji Heinricha Bölla z początku 2024 roku (uwaga: rok został logicznie skorygowany na 2024 zamiast przyszłego 2026) wskazuje, że większość koncepcji SMR jest wciąż na wczesnym etapie rozwoju, nie uzyskała zatwierdzenia regulacyjnego w UE i jest mało prawdopodobne, aby generowały znaczące ilości energii elektrycznej przed 2050 rokiem. Instytut Ekonomiki Energetyki i Analiz Finansowych (IEEFA) potwierdza tę krytyczną ocenę: elektrownie SMR pozostają zbyt drogie, zbyt wolne w budowie i zbyt ryzykowne, aby odegrać znaczącą rolę w transformacji energetycznej w ciągu najbliższych 10–15 lat. Według IEEE inwestycje w elektrownie SMR spowodowałyby przekierowanie zasobów z bezemisyjnych i bardziej opłacalnych odnawialnych źródeł energii, które są już dostępne.

Często pomijanym aspektem tej debaty są ukryte dotacje. Według obliczeń Forum na rzecz Ekologicznej i Społecznej Gospodarki Rynkowej, zleconych przez Greenpeace, historyczne wsparcie dla energetyki jądrowej w Niemczech wynosiło co najmniej 165 miliardów euro dotacji państwowych w latach 1950–2008 – plus kolejne 92,5 miliarda euro przewidywanych kosztów w przyszłości. Jednakże rząd niemiecki w swoich sprawozdaniach z dotacji podał jedynie niecałe 200 milionów euro – różnica kilku rzędów wielkości, wynikająca z niezwykle wąskiej definicji dotacji. Obliczenia te nie uwzględniają ulg podatkowych, gwarancji rządowych, finansowania badań, kosztów składowisk odpadów jądrowych i – co najważniejsze – de facto nieograniczonej odpowiedzialności rządu w przypadku katastrofy. Gdyby operatorzy elektrowni jądrowych musieli opłacać standardowe ubezpieczenie od odpowiedzialności cywilnej, energia jądrowa, zgodnie z tymi obliczeniami, byłaby droższa nawet o 2,70 euro za kilowatogodzinę – a zatem po prostu niekonkurencyjna.

Deficyt przejrzystości: gdy interesy lobbystów dyktują decyzje dotyczące infrastruktury

Pytanie, dlaczego dyskusja o zaopatrzeniu w energię gigafabryk AI koncentruje się niemal wyłącznie na energetyce jądrowej – a nie jednocześnie na zdecentralizowanych alternatywach – nie jest kwestią techniczną, lecz polityczną. Wskazuje ono na strukturalny brak przejrzystości w debacie na temat infrastruktury publicznej.

Unia Europejska uznała budowę gigafabryk AI za strategiczny priorytet i uruchomiła program InvestAI o wartości 20 miliardów euro, który ma na celu budowę do pięciu takich obiektów. Gigafabryka AI, zgodnie z definicją UE, składa się ze 100 000 lub więcej wyspecjalizowanych chipów, a koszt każdego z nich, wraz z dostawą energii, szacowany jest przez UE na od 3 do 5 miliardów euro. Niemcy przeznaczyły 805 milionów euro na finansowanie zalążkowe jednego takiego obiektu i aktywnie dyskutują o tym, które firmy otrzymają kontrakt – Deutsche Telekom, Grupa Schwarz, Ionos czy bawarskie konsorcjum. Taka struktura finansowania z natury rzeczy stwarza ogromne, przewrotne bodźce: faworyzuje scentralizowane projekty na dużą skalę, ponieważ tylko one spełniają kryteria unijnej definicji „gigafabryki”. Mniejsze, zdecentralizowane projekty nie są uwzględniane w tym programie finansowania, mimo że często mogłyby być bardziej atrakcyjne z ekonomicznego punktu widzenia.

Brak przejrzystości jest również widoczny w wybiórczej prezentacji danych o kosztach. Kiedy politycy i przedstawiciele branży mówią o SMR-ach, powołują się na optymistyczne szacunki producentów. Krytycy, wskazując na przekroczenia kosztów w przeszłości, odrzucają je jako odosobnione incydenty lub problemy tkwiące w poprzedniej technologii. Brakuje jednak ani jednego wiarygodnego dowodu empirycznego na to, że SMR-y będą bardziej ekonomiczne w skali komercyjnej niż projekty reaktorów na dużą skalę, które stanowią negatywne przykłady – między innymi dlatego, że nie oddano jeszcze do użytku ani jednego projektu SMR o znaczeniu komercyjnym, zgodnego ze standardami zachodnimi.

W związku z tym:

• Badania Stanforda: Czy lokalna sztuczna inteligencja nagle zyskuje przewagę ekonomiczną? Koniec dogmatu chmury i gigabitowych centrów danych?

Pomijana alternatywa: Dlaczego zdecentralizowana infrastruktura AI może być ekonomicznie lepszym rozwiązaniem

Pytanie, które zaskakująco rzadko pada w całej debacie na temat gigafabryk AI i ich zaopatrzenia w energię, brzmi: po co nam w ogóle gigafabryki? A jeśli ich potrzebujemy – dlaczego koniecznie muszą być scentralizowane?

Lokalna i zdecentralizowana infrastruktura AI przechodzi obecnie cichą, ale fundamentalną ponowną ocenę ekonomiczną. Badania przeprowadzone przez Instytuty Fraunhofera pokazują, że systemy brzegowe mogą zaoszczędzić do 35% kosztów energii elektrycznej w porównaniu z konwencjonalnym przetwarzaniem w chmurze, ponieważ wymagają mniejszej przepustowości i wydajności chłodzenia. Fabryka z 1000 czujników IoT przesyłających pomiary co sekundę przesyłałaby 86 milionów punktów danych do chmury dziennie bez przetwarzania brzegowego; dzięki lokalnemu filtrowaniu danych (ang. edge filtering) liczba ta zmniejsza się do około 8 milionów – co oznacza oszczędność 90% w zakresie przepustowości i kosztów przechowywania danych w chmurze. Liczby te mają znaczenie ekonomiczne, ale rzadko są uwzględniane w publicznych dyskusjach na temat infrastruktury.

Zdecentralizowane centra danych typu edge oferują również lokalny odzysk ciepła, który może być wykorzystywany do ogrzewania obszarów mieszkalnych, budynków biurowych lub obiektów przemysłowych. Ta synergia znacząco poprawia ogólny bilans kosztów, gdy ciepło odpadowe jest traktowane jako ekonomicznie opłacalny produkt uboczny. Scentralizowane gigafabryki wytwarzają to samo ciepło odpadowe, ale w lokalizacjach, w których zapotrzebowanie na jego wykorzystanie jest niewystarczające.

Warto zauważyć, że umowa koalicyjna niemieckiego rządu federalnego wyraźnie zakłada wspieranie zdecentralizowanych infrastruktur, takich jak przetwarzanie brzegowe w rozproszonych lokalizacjach. Jednocześnie jednak do Niemiec trafia co najmniej jedna europejska gigafabryka AI – podejście, które strukturalnie stoi w sprzeczności z zasadą decentralizacji. Ta niespójność odzwierciedla, jak drastycznie prestiż polityczny i racjonalność ekonomiczna mogą się rozmijać w przypadku decyzji infrastrukturalnych.

Model infrastruktury AI, składającej się z kilku ogromnych, scentralizowanych obiektów, powiela przestarzały paradygmat scentralizowanego zaopatrzenia w energię za pośrednictwem dużych elektrowni – i to w czasie, gdy sama branża energetyczna dopiero zaczyna internalizować zalety zdecentralizowanych struktur wytwarzania. Powtarzanie instytucjonalnych błędów branży energetycznej w obszarze infrastruktury cyfryzacji byłoby historycznym błędem.

W związku z tym:

• Co jest lepsze: zdecentralizowana, federacyjna, antykrucha infrastruktura AI czy gigafabryka AI lub hiperskalowalne centrum danych AI?

Paradoks Jevonsa i zwodnicza logika efektywności

Powszechnym kontrargumentem przeciwko zasadności dylematu decentralizacji SMR jest twierdzenie, że sprzęt AI staje się coraz bardziej wydajny, a zatem zużycie energii się ustabilizuje. Argument ten nie jest całkowicie błędny – ale nie jest też całkowicie trafny i pomija tzw. paradoks Jevonsa.

Prezes Microsoftu, Satya Nadella, stwierdził w Berlinie w 2024 roku, że wydajność systemów AI podwaja się co sześć miesięcy. Aktualne dane sugerują, że możliwości systemów AI podwajają się nawet co siedem miesięcy – znacznie szybciej niż klasyczne prawo Moore'a, które przewiduje podwojenie co dwa lata. Chiński startup DeepSeek, zajmujący się sztuczną inteligencją, w imponujący sposób zademonstrował pod koniec 2024 i na początku 2025 roku, że porównywalne wyniki można osiągnąć przy ułamku zasobów wymaganych wcześniej: DeepSeek V3 został wytrenowany w ciągu dwóch miesięcy z wykorzystaniem zaledwie 2048 procesorów graficznych NVIDIA H800, co oznacza, że ​​Meta potrzebowała 30,8 miliona godzin pracy GPU dla porównywalnego modelu.

Argument, że wzrost efektywności technologicznej może zmniejszyć ogólne zapotrzebowanie na energię, jest jednak niewystarczający z przyczyn strukturalnych. Wraz ze spadkiem cen i wzrostem wydajności systemów sztucznej inteligencji (AI), będą one również intensywniej wykorzystywane – a popyt rośnie szybciej niż wzrost efektywności. Międzynarodowa Agencja Energetyczna (IEA) potwierdza, że ​​chociaż zużycie energii związane z AI rośnie wolniej niż wzrost mocy produkcyjnych, globalne zużycie energii elektrycznej w centrach danych wzrośnie ponad dwukrotnie, osiągając poziom 945 TWh do 2030 roku. W samych Niemczech zapotrzebowanie na energię w centrach danych wzrosło do 21,3 miliarda kilowatogodzin w 2025 roku, z 20 miliardów kWh w 2024 roku i 12 miliardów kWh w 2015 roku. Wzrost efektywności i wzrost zapotrzebowania toczą ze sobą nieustanną konkurencję, przy czym historycznie zawsze przeważał popyt.

Co więcej, w przykładzie DeepSeek istnieje istotny niuans: pomimo efektywnego szkolenia, model zużywa do 87% więcej energii podczas działania (wnioskowania) niż porównywalny metamodel z 70 miliardami parametrów. Złożoność architektur umożliwiających efektywniejsze szkolenie może zwiększać zużycie energii podczas działania. Efektywność w jednym obszarze systemu niekoniecznie przekłada się zatem na efektywność całego systemu – jest to świadomość, którą planiści scentralizowanej infrastruktury regularnie pomijają podczas planowania przepustowości.

Nasze globalne doświadczenie branżowe i ekonomiczne w zakresie rozwoju biznesu, sprzedaży i marketingu - Zdjęcie: Xpert.Digital

Obszary zainteresowań branży: B2B, digitalizacja (od AI do XR), inżynieria mechaniczna, logistyka, odnawialne źródła energii i przemysł

Więcej informacji tutaj:

• Centrum Biznesu Ekspertów

Centrum tematyczne oferujące spostrzeżenia i wiedzę specjalistyczną:

• Platforma wiedzy obejmująca gospodarki globalne i regionalne, innowacje i trendy branżowe
• Zbiór analiz, spostrzeżeń i informacji ogólnych na temat obszarów, na których się koncentrujemy
• Miejsce, w którym można zdobyć wiedzę i informacje na temat bieżących wydarzeń w biznesie i technologii
• Centrum dla firm poszukujących informacji na temat rynków, cyfryzacji i innowacji branżowych

Magazynowanie baterii jako przełom? Rewolucja sodowo-jonowa i jej implikacje

Jednym z najmocniejszych argumentów przemawiających za ponowną oceną scentralizowanej strategii SMR jest szybki rozwój technologii magazynowania energii – w szczególności technologii sodowo-jonowej, powszechnie znanej jako baterie solne. Rozwój ten nie jest spekulatywny, lecz empirycznie weryfikowalny i ma bezpośrednie implikacje dla opłacalności ekonomicznej zdecentralizowanych infrastruktur AI.

Akumulatory sodowo-jonowe zbliżają się już do parytetu cenowego z technologią litowo-jonową. Według danych IDTechEx, średnia cena ogniwa sodowo-jonowego wynosi obecnie około 87 dolarów za kWh. Oczekuje się, że koszty produkcji ogniw spadną do około 40 dolarów za kWh – prawdopodobny scenariusz przy dalszym zwiększaniu skali. W przypadku stacjonarnych magazynów energii trendy cenowe są jeszcze bardziej imponujące: BloombergNEF odnotował spadek cen stacjonarnych pakietów magazynowych do 70 dolarów za kWh w 2025 roku – o 45% w porównaniu z rokiem poprzednim, co czyni go największym spadkiem cen w segmencie akumulatorów.

Długoterminowe prognozy są szczególnie interesujące dla strategicznego planowania infrastruktury. Do 2050 roku akumulatory sodowo-jonowe mogłyby osiągnąć koszty magazynowania energii na poziomie 11–14 euro za megawatogodzinę, zakładając szybkie tempo uczenia się – co czyni je tańszymi niż technologia litowo-jonowa, której koszt ma wynieść od 16 do 22 euro za MWh. Te dane fundamentalnie zmieniają całą kalkulację opłacalności ekonomicznej zdecentralizowanych, zasilanych energią słoneczną centrów danych. Zdecentralizowane centrum danych, które magazynuje odnawialną energię słoneczną w ciągu dnia i wykorzystuje ją w nocy lub w okresach słabego wiatru i energii słonecznej, może być ekonomicznie eksploatowane przy tych kosztach magazynowania w sposób, który pięć lat temu był wręcz nierealny.

Akumulatory sodowo-jonowe oferują również zalety strukturalne, kluczowe dla szeroko skalowalnej infrastruktury: sód jest dostępny w nieograniczonych ilościach i jest surowcem krajowym w Europie, co eliminuje strategiczne uzależnienie od importu. Recykling jest znacznie łatwiejszy niż w przypadku akumulatorów litowych, ponieważ ogniwa nie zawierają miedzi ani kobaltu. Głębokość rozładowania sięga nawet 100% bez uszkodzenia akumulatora. Co więcej, infrastruktura technologiczna dla akumulatorów sodowo-jonowych jest już dostępna w Niemczech, a w szczególności w Turyngii i Saksonii.

Ważne jest, aby szczerze powiedzieć o ograniczeniach: akumulatory sodowo-jonowe mają niższą gęstość energii niż akumulatory litowo-jonowe, co zwiększa ich wagę i objętość. Ich średnia sprawność, wynosząca około 79%, jest znacznie niższa niż sprawność akumulatorów litowo-jonowych, która wynosi 96%. Jednak w przypadku stacjonarnych, wielkoskalowych systemów magazynowania energii, gdzie waga i objętość nie stanowią głównych ograniczeń, niższa gęstość energii nie stanowi decydującej wady. W przypadku magazynowania energii w skali sieciowej dla rozproszonych centrów danych, przewaga wydajności akumulatorów litowo-jonowych jest mniej istotna niż ogólna analiza kosztów i korzyści w całym cyklu ich życia.

Oprócz technologii sodowo-jonowej, baterie półprzewodnikowe również odnotowują gwałtowny wzrost. Globalny rynek baterii półprzewodnikowych rośnie średniorocznie o 36,4%. Optymistyczne scenariusze przewidują, że do 2027 roku koszty ogniw półprzewodnikowych wyniosą od 80 do 120 dolarów za kWh – a w kolejnej dekadzie spodziewane są dalsze znaczące redukcje kosztów dzięki skalowaniu.

W związku z tym:

• Redispatch 2.0 i wielkoskalowe magazyny energii: przekleństwo czy Segen dla sieci energetycznej? Niejednoznaczna rola gigantycznych systemów magazynowania energii

Ryzyko utraty aktywów: gdy przyszłość nadchodzi wcześniej niż planowano

Być może najmocniejszym argumentem ekonomicznym przeciwko bezrefleksyjnej decyzji o budowie gigafabryk AI zasilanych modułami SMR jest ryzyko tzw. aktywów osieroconych. Termin ten odnosi się do inwestycji, które tracą tak wiele na wartości z powodu czynników zewnętrznych, takich jak zmiany technologiczne, zmieniające się warunki rynkowe lub wymogi regulacyjne, że nie są już w stanie generować zwrotu.

Historia technologii pełna jest przykładów decyzji infrastrukturalnych, które w momencie planowania uznawano za trafne, ale zaledwie kilka lat po uruchomieniu okazały się kosztowną, błędną alokacją. W sektorze energetycznym liczne elektrownie węglowe, zbudowane lub rozbudowane w latach 2010–2019, straciły już znaczną wartość lub zostały przedwcześnie zamknięte – pomimo przewidywanego okresu eksploatacji wynoszącego od 30 do 40 lat. Międzynarodowa Agencja Energii Odnawialnej (IRENA) szacuje, że ryzyko utraty aktywów może sięgnąć nawet 20 bilionów dolarów w scenariuszu „business as usual”.

Ryzyko to jest szczególnie duże w przypadku infrastruktury AI, ponieważ tempo rozwoju technologicznego jest wyjątkowo szybkie. Mały reaktor rezonansu magnetycznego (SMR) oddany do użytku dzisiaj ma realną perspektywę uruchomienia nie wcześniej niż w latach 2035–2040 – nawet przy optymistycznych założeniach dotyczących pozwoleń, czasu budowy i łańcuchów dostaw. Według obecnych ustaleń, wydajność systemów AI podwaja się co sześć do siedmiu miesięcy. W ciągu 10–15 lat potrzebnych na budowę SMR, możliwości systemów AI poprawią się od 20 000 do 300 000 razy – w takim stopniu, że wiarygodne prognozy konkretnych wymagań infrastrukturalnych po prostu przestają być możliwe.

Problemem nie jest jedynie niepewność sprzętowa. Cała architektura systemów sztucznej inteligencji (AI) przechodzi transformację. Jak dobitnie wykazał DeepSeek, inteligentne optymalizacje algorytmów mogą dziesięciokrotnie zmniejszyć wymagania sprzętowe – bez utraty jakości. Trwają prace nad nowymi architekturami układów scalonych, wykraczającymi poza architekturę von Neumanna i pokonującymi tzw. „mur pamięci”. Komputery fotonowe, układy neuromorficzne i komputery kwantowe – wszystkie te technologie, po osiągnięciu dojrzałości komercyjnej, mają potencjał, aby radykalnie zmniejszyć zużycie energii na obliczenia. Przyszłość tych technologii rozstrzygnie się dokładnie w ciągu 10–15 lat, zanim reaktor SMR stanie się dostępny online.

Każdy, kto inwestuje dziś w gigafabryki AI zasilane SMR, zobowiązuje się do korzystania z jednego źródła energii przez 40–60 lat – typowy okres eksploatacji elektrowni jądrowej. Robi to w nadziei, że branża AI utrzyma stałe zapotrzebowanie na dokładnie taki rodzaj scentralizowanej, energochłonnej infrastruktury, jaką te reaktory mają zasilać w tym okresie. Z dzisiejszej perspektywy jest to zakład, który wydaje się niezwykle ryzykowny.

Wąskie gardło w zakresie wiedzy fachowej: niedoceniany problem strukturalny energetyki jądrowej

Kolejnym kluczowym argumentem przeciwko strategii SMR, który nie cieszy się zbyt dużym zainteresowaniem w debacie publicznej, jest dotkliwy niedobór wykwalifikowanych pracowników w przemyśle jądrowym. W ciągu ostatnich trzech dekad, charakteryzujących się moratoriami, decyzjami o wycofaniu reaktorów i brakiem nowych projektów budowlanych, przemysł jądrowy doświadczył znacznych strat instytucjonalnych w zakresie wiedzy.

Rynek elektrowni jądrowych opiera się obecnie na bardzo niewielkiej liczbie firm – głównie państwowych – które są w stanie budować i eksportować elektrownie jądrowe. Globalna sieć dostawców, inżynierów i certyfikowanych specjalistów ds. wdrażania projektów jądrowych jest minimalna. Oznacza to, że nawet w przypadku korzystnej decyzji politycznej na rzecz SMR, wąskim gardłem nie są licencje ani kapitał, ale dostępna wiedza specjalistyczna. Jeśli Stany Zjednoczone, Kanada, Wielka Brytania, Francja i różne kraje UE zechcą jednocześnie uruchomić programy SMR, wszystkie będą konkurować o tę samą ograniczoną pulę specjalistów w dziedzinie inżynierii jądrowej.

Stanowi to jaskrawy kontrast z sytuacją w sektorze energii odnawialnej i technologii magazynowania energii. Globalny przemysł fotowoltaiczny w ciągu ostatniej dekady dynamicznie się rozwijał, liczba wykwalifikowanych specjalistów w sektorze energii odnawialnej stale rośnie, a łańcuchy dostaw modułów fotowoltaicznych, inwerterów i technologii magazynowania energii są dobrze rozwinięte i zróżnicowane na arenie międzynarodowej. Zdecentralizowana infrastruktura AI może wykorzystać istniejącą bazę wiedzy, łańcuchów dostaw i doświadczeń regulacyjnych. Z drugiej strony, branża małych modułów skróconych (SMR) wciąż musi zbudować taki fundament – ​​pod ogromną presją czasu i kosztów.

Rachunki ekonomiczne narodowości: bezpośrednie porównanie

Systematyczne porównanie różnych czynników prowadzi do następującej sytuacji gospodarczej:

Porównanie pokazuje, że gigafabryka oparta na SMR nie będzie dostarczać energii elektrycznej wcześniej niż w latach 2035–2040 (optymistyczne prognozy), podczas gdy zdecentralizowana infrastruktura AI z energią słoneczną i magazynowaniem będzie dostępna natychmiast, w 2027 roku. Pod względem intensywności kapitałowej opcja SMR wymaga bardzo wysokich początkowych inwestycji, rzędu 3–5 mld euro na gigafabrykę plus SMR, podczas gdy rozwiązanie zdecentralizowane umożliwia modułową skalowalność i znacznie niższe kwoty indywidualnych inwestycji. Ryzyko kosztów jest niezwykle wysokie w przypadku SMR (historyczne przekroczenia na poziomie 100–600%), podczas gdy w przypadku energii słonecznej i magazynowania jest niskie, ponieważ koszty technologii stale maleją. Ryzyko utknięcia technologii jest bardzo wysokie w przypadku SMR ze względu na 40–60-letnie zobowiązanie, podczas gdy zdecentralizowana infrastruktura ma niskie ryzyko utknięcia, ponieważ jest modułowo rozszerzalna i adaptowalna. Wiedza specjalistyczna stanowi wąskie gardło dla SMR z niewielką liczbą globalnych dostawców, podczas gdy rozwiązanie zdecentralizowane ma szeroką i rosnącą pulę wykwalifikowanych specjalistów. Ukryte dotacje (odpowiedzialność, utylizacja, badania) są wysokie w przypadku SMR i niskie w przypadku rozwiązania solarno-magazynowego. Koszty magazynowania energii nie mają znaczenia dla SMR, ponieważ są one przeznaczone do zasilania podstawowego; w przypadku systemów zdecentralizowanych prognozuje się, że koszty osiągną około 70 USD/kWh (stan ustalony, trend spadkowy) w 2025 r. i 11–14 EUR/MWh w 2050 r. Zużycie wody jest wysokie w przypadku SMR ze względu na systemy chłodzenia, podczas gdy w przypadku rozwiązania solarno-magazynowego jest niskie lub nieistniejące. Niepewność regulacyjna jest bardzo wysoka w przypadku SMR i umiarkowana w przypadku opcji zdecentralizowanej. Elastyczność w reagowaniu na zmiany zapotrzebowania jest prawie całkowicie nieobecna w przypadku SMR, podczas gdy rozwiązanie zdecentralizowane oferuje wysoką elastyczność. Wreszcie, ryzyko środowiskowe jest wysokie w przypadku SMR (bezpieczeństwo jądrowe, długoterminowe odpady) i niskie w przypadku rozwiązania solarno-magazynowego. Ogólnie rzecz biorąc, opcja SMR wypada gorzej w niemal każdym kryterium – z jedynym wyjątkiem niezawodnego, niezależnego od warunków atmosferycznych zasilania podstawowego. Jednakże argument ten traci na znaczeniu, gdyż postęp technologiczny w zakresie magazynowania, np. magazynowanie energii na dużą skalę za pomocą jonów sodu z dłuższymi cyklami ładowania/rozładowania, umożliwia przechowywanie dużych ilości energii przez wiele dni i tygodni, co w dużej mierze unieważnia argument o obciążeniu podstawowym.

Martwy punkt logiki planowania: dlaczego decydenci systematycznie spóźniają się z podjęciem decyzji

Istnieje strukturalny powód, dla którego decydenci w rządach i dużych przedsiębiorstwach przemysłowych wielokrotnie podejmują decyzje dotyczące infrastruktury, które z perspektywy czasu wydają się złymi inwestycjami: cykle planowania instytucjonalnego są zasadniczo niezgodne z tempem zmian technologicznych.

Programy rządowe, uchwały parlamentarne, programy finansowania i przetargi publiczne funkcjonują w cyklach od czterech do dziesięciu lat. Projekt infrastrukturalny, taki jak stacja przekaźnikowa transportu publicznego (SMR), jest podejmowany w otoczeniu politycznym i technologicznym, które wielokrotnie ulegało zasadniczym zmianom przed oddaniem do użytku. Inercja instytucjonalna, wywołana biurokratycznymi procedurami, lobbingiem wpływowych grup branżowych oraz psychologicznym przywiązaniem do decyzji podejmowanych w danym momencie, oznacza, że ​​rzeczywiste potrzeby i opcje w momencie budowy nie pokrywają się już z założeniami przyjętymi w trakcie planowania.

Rozwój technologiczny ostatnich stuleci dobitnie ilustruje to przyspieszenie: rewolucja przemysłowa potrzebowała około 100 lat, aby ujawnić swoje główne skutki ekonomiczne. Elektryfikacja trwała około 50 lat. Internet przekształcił globalną gospodarkę w ciągu około 20 lat. Sztuczna inteligencja i związany z nią rozwój sprzętu zmieniają fundamentalne warunki ramowe w cyklach krótszych niż dziesięć lat – i z coraz większym przyspieszeniem. Logika, która sprawdzała się w decyzjach infrastrukturalnych w XX wieku, jest strukturalnie nieadekwatna do XXI wieku.

Ma to szczególne znaczenie w przypadku nieodwracalnych, wielkoskalowych inwestycji o długim okresie amortyzacji. Pole fotowoltaiczne można zbudować w ciągu kilku miesięcy i stosunkowo łatwo je zmodyfikować lub zdemontować w razie zmiany potrzeb. Centrum danych oparte na architekturze modułowej można skalować i modernizować. Elektrownia jądrowa, po wybudowaniu, jest w dużej mierze sztywną konstrukcją przez 40 do 60 lat, a koszty jej likwidacji sięgają miliardów. Strategiczna wartość elastyczności i opcjonalności – możliwości reagowania na zmieniające się okoliczności – jest systematycznie niedoceniana w tradycyjnych kalkulacjach inwestycyjnych.

Niuansowy wniosek: nie jest to sytuacja albo-albo, ale raczej kwestia ustalenia priorytetów

Byłoby nadmiernym uproszczeniem twierdzenie, że małe moduły reaktorów (SMR) są zasadniczo bezwartościowe lub że zdecentralizowana infrastruktura może zaspokoić wszystkie potrzeby. Rzeczywistość jest bardziej złożona.

Istnieją konkretne przypadki użycia, w których scentralizowana moc obliczeniowa – przynajmniej do trenowania dużych modeli AI – będzie nadal potrzebna w perspektywie krótkoterminowej. Istnieją również uzasadnione argumenty za wykorzystaniem energetyki jądrowej jako elementu zróżnicowanego, niskoemisyjnego miksu energetycznego – zwłaszcza w krajach, w których brakuje wystarczających zasobów odnawialnych. Francja, która utrzymuje istniejącą infrastrukturę elektrowni jądrowych, która od dziesięcioleci jest amortyzowana, znajduje się w fundamentalnie innej sytuacji niż kraj, który obecnie chce budować SMR-y od podstaw.

Prawdziwym problemem nie jest sama idea małych reaktorów. Problem leży w połączeniu trzech czynników: po pierwsze, rozbieżności między momentem, w którym małe reaktory modułowe mogłyby dostarczyć energię, a momentem, w którym infrastruktura sztucznej inteligencji (AI) będzie jej potrzebować; po drugie, braku przejrzystości co do rzeczywistych kosztów całkowitych, w tym ukrytych dotacji i ryzyka unieruchomienia; po trzecie, strategicznej nieświadomości faktu, że rozwój technologiczny – zarówno w zakresie sprzętu AI, jak i magazynowania energii – może fundamentalnie zmienić założenia leżące u podstaw tych decyzji inwestycyjnych w czasie krótszym niż typowy okres budowy.

Odpowiedzialna ekonomicznie odpowiedź na pytanie o energię ery sztucznej inteligencji nie polega na wyborze między reaktorami SMR a energią odnawialną, między scentralizowaną a zdecentralizowaną. Polega ona na projektowaniu decyzji infrastrukturalnych w taki sposób, aby maksymalizować opcjonalność i minimalizować ryzyko utknięcia w martwym punkcie. Oznacza to modułowość, odwracalność, neutralność technologiczną i transparentność. Oznacza to również brak przerzucania kosztów na podatników przyszłych pokoleń, a jednocześnie prywatyzację zysków już dziś – schemat, który niestety aż nazbyt systematycznie charakteryzował historię energetyki jądrowej w Europie.

Prawdziwą prowokacją tej debaty nie jest zatem techniczne pytanie o to, która infrastruktura jest lepsza. Prawdziwą prowokacją jest pytanie polityczne: dlaczego dyskusja o przyszłościowej infrastrukturze AI koncentruje się niemal wyłącznie na technologii, której horyzont realizacji wykracza poza horyzont planowania planów rozwoju AI, której historia kosztów charakteryzuje się przekroczeniami o kilkaset procent, a subsydiowanie jest w dużej mierze ukryte? Odpowiedź na to pytanie nie ma charakteru technologicznego, lecz polityczno-ekonomicznego – i właśnie dlatego tak uporczywie pozostaje nierozstrzygnięta w debacie publicznej.

☑️ Naszym językiem biznesowym jest angielski lub niemiecki

☑️ NOWOŚĆ: Korespondencja w Twoim ojczystym języku!

Konrad Wolfenstein

Ja i mój zespół chętnie będziemy do Państwa dyspozycji jako osobisty doradca.

Możesz się ze mną skontaktować, wypełniając formularz kontaktowy tutaj lub po prostu dzwoniąc pod numer +49 7348 4088 965. Mój adres e-mail to : [email protected]

Nie mogę się doczekać naszego wspólnego projektu.

☑️ Wsparcie dla MŚP w zakresie strategii, doradztwa, planowania i wdrażania

☑️ Tworzenie lub reorganizacja strategii cyfrowej i digitalizacji

☑️ Rozszerzenie i optymalizacja procesów sprzedaży międzynarodowej

☑️ Globalne i cyfrowe platformy handlowe B2B

☑️ Rozwój biznesu pionierskiego / Marketing / PR / Targi

Rozwiązanie quasi-in-house: Jak Xpert.Digital zamyka luki operacyjne w marketingu i sprzedaży B2B – Inteligentny biznes oparty na treściach – Zdjęcie: Xpert.Digital

Xpert.Digital to branżowy hub B2B oparty na danych, kierowany przez Konrad Wolfenstein . Firma działa jako zewnętrzne, quasi-wewnętrzne rozwiązanie dla partnerów przemysłowych, eliminując luki operacyjne w obszarze marketingu, treści i sprzedaży – bez konieczności angażowania dodatkowych zasobów po stronie klienta.

Więcej informacji tutaj:

• Rozwiązanie quasi-in-house: Jak Xpert.Digital niweluje luki operacyjne w marketingu i sprzedaży B2B – Smart Content-Driven Business