---
title: "Zrozumieć stos technologiczny AI: analiza wąskich gardeł, fos ekonomicznych i akumulacji wartości dla inwestorów długoterminowych"
author: "DeepValues Research"
publisher: "DeepValues Research (DeepValues / LuLu Ventures LLC)"
type: "Research article"
date: "2026-11-05"
language: "pl"
section: "Insights"
machine_translated: true
translation_method: "machine translation (gpt-6.1-sol, Azure OpenAI)"
translated_from: "https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value/"
original_url: "https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value/"
original_language: "en"
translated_on: "2026-11-14"
translation_note: "Machine-translated from the original report; the original is authoritative."
canonical_url: "https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value-pl/"
markdown_url: "https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value-pl/index.md"
license: "CC BY 4.0"
license_url: "https://creativecommons.org/licenses/by/4.0/"
cite_as: "DeepValues Research, Zrozumieć stos technologiczny AI: analiza wąskich gardeł, fos ekonomicznych i akumulacji wartości dla inwestorów długoterminowych, https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value-pl/"
publisher_url: "https://deepvalues.ai"
app: "https://deepvalues.ai"
api: "https://app.deepvalues.ai/developers"
data_note: "Reports are dated snapshots. Current data via the DeepValues API: https://app.deepvalues.ai/developers"
disclaimer: "Educational research, not investment advice."
disclosure: "AI-assisted"
generated_by: "NotebookLM + DeepValues editors"
category: "investing"
tickers: ["UPS"]
sources:
  - title: "Decoding AI Value"
audio: "https://anchor.fm/s/105664940/podcast/play/128876669/https%3A%2F%2Fd3ctxlq1ktw2nl.cloudfront.net%2Fstaging%2F2026-10-5%2F435999874-44100-2-a31a8c348ee018.mp3"
audio_kind: "podcast episode"
audio_page: "https://open.spotify.com/episode/1FQonylAeyz5T5jwgxdOVq"
---
# Rozszyfrowanie stosu sztucznej inteligencji: analiza wąskich gardeł, fos ekonomicznych i akumulacji wartości dla inwestorów długoterminowych

Wartość akumuluje się w całym stosie technologicznym sztucznej inteligencji nie tylko dzięki bezwzględnemu niedoborowi fizycznemu, lecz tam, gdzie technologiczne wąskie gardła łączą się z siłą cenową, powtarzalnym wzrostem wolumenu, kosztami zmiany dostawcy i wysoką przyrostową rentownością zainwestowanego kapitału (ROIC). Choć sześciowarstwowy model stosu Chamatha Palihapitiyi (infrastruktura, układy scalone, dane, modele, wykonanie, aplikacje) trafnie uwypukla ekonomiczną komodytyzację modeli bazowych i pojawienie się krytycznych wąskich gardeł sprzętowych, inwestorzy długoterminowi muszą odróżniać bezwzględny niedobór techniczny od trwałego tworzenia wartości dla akcjonariuszy. W miarę jak operatorzy hiperskalowi przekształcają się w kapitałochłonne przedsiębiorstwa przemysłowe, których prognozowane wydatki na infrastrukturę obliczeniową i sieci elektroenergetyczne w 2026 przekroczą $700 mld, ocena wartości wewnętrznej wymaga analizy trwałości FCF (wolnych przepływów pieniężnych), ryzyka kapitałochłonności i pętli sprzężenia zwrotnego we własnych procesach pracy, zamiast polegania wyłącznie na fizycznych wąskich gardłach.

## 1. Rozłożenie stosu sztucznej inteligencji na warstwy: wąskie gardła a akumulacja wartości ekonomicznej

Analiza sztucznej inteligencji poprzez architekturę warstwową zapewnia inwestorom fundamentalnym niezbędną przejrzystość. Chamath Palihapitiya dzieli ekosystem na sześć odrębnych warstw: infrastrukturę (energia, grunty, chłodzenie, minerały, fabryki półprzewodników), układy scalone (GPU/ASIC, pamięć o wysokiej przepustowości [HBM], obudowywanie układów, sieci), dane (zastrzeżone, sensoryczne, z robotyki), modele (inteligencja bazowa), wykonanie (agenci, orkiestracja, API, elementy wykonawcze) oraz aplikacje (oprogramowanie i systemy dla użytkowników końcowych). Centralnym pojęciem analitycznym łączącym te warstwy jest „aktywo stanowiące punkt podparcia” — niezastępowalny element, przez który musi przejść każda wyższa warstwa i którego nie da się łatwo zastąpić.

Istnieje jednak kluczowa różnica między bezwzględnym technologicznym wąskim gardłem a fosą ekonomiczną zapewniającą wysoką rentowność. Aktywo może znajdować się bezpośrednio na technologicznej ścieżce krytycznej, nie zapewniając akcjonariuszom proporcjonalnych korzyści finansowych. Dla inwestorów długoterminowych oceniających fosy ekonomiczne według zasad Grahama i Buffetta sam fizyczny niedobór nie gwarantuje długoterminowego wzrostu zysków właścicielskich na zasadzie procentu składanego.

Tę zależność wyraźnie ilustruje porównanie ASML i NVIDIA. ASML dysponuje bezwzględnym, niezastępowalnym technologicznym wąskim gardłem w postaci systemów litografii w skrajnym ultrafiolecie (EUV); zaawansowane fabryki półprzewodników nie mogą zastąpić maszyn ASML. Mimo to NVIDIA wygenerowała znacznie większy wzrost wartości kapitału własnego. ASML sprzedaje ograniczoną liczbę wysoce złożonych, kapitałochłonnych maszyn skoncentrowanej grupie nabywców, co ogranicza automatyczne skalowanie przychodów, gdy globalne zużycie tokenów się podwaja. NVIDIA natomiast łączy wąskie gardła dotyczące układów krzemowych z zestawem narzędzi programistycznych CUDA, architekturami systemów, siecią NVLink i głęboką integracją ekosystemu. NVIDIA bezpośrednio czerpie korzyści z rosnącej elastyczności wolumenu wnioskowania i trenowania sztucznej inteligencji.

Aby ocenić akumulację wartości ekonomicznej w całym stosie, inwestorzy powinni stosować kompleksową formułę jakościową, zamiast mierzyć niedobór w oderwaniu od pozostałych czynników:

$$\text{Value Accrual} \approx \text{bottleneck} \times \text{pricing power} \times \text{volume growth} \times \text{recurring demand} \times \text{switching costs} \times \text{incremental ROIC}$$

Trwałe zyski ekonomiczne pojawiają się tylko wtedy, gdy operacyjne wąskie gardło łączy się z elastycznością wolumenu, wysokimi kosztami zmiany dostawcy i wysoką przyrostową rentownością zainwestowanego kapitału.

## 2. Infrastruktura i intensywność nakładów inwestycyjnych: rewolucja przemysłowa u podstaw sztucznej inteligencji

Podstawowe warstwy stosu sztucznej inteligencji przechodzą strukturalną transformację od modeli oprogramowania o niewielkim zapotrzebowaniu na aktywa do kapitałochłonnej działalności przemysłowej. Krytyczne wąskie gardła u podstaw stosu ujawniają skrajną koncentrację geograficzną i korporacyjną:

*   **Niedobór materiałów półprzewodnikowych:** Japońscy dostawcy materiałów kontrolują około 78% globalnej sprzedaży fotorezystów półprzewodnikowych według kraju pochodzenia spółki, a Shin-Etsu, JSR, Tokyo Ohka Kogyo i Fujifilm dominują na określonych rynkach chemikaliów o wysokiej czystości.
*   **Kwarc o wysokiej czystości (HPQ):** Produkcja wlewków krzemowych klasy półprzewodnikowej opiera się na tyglach ze stopionego kwarcu, uzyskiwanego z wyjątkowo czystego kwarcu wydobywanego w Spruce Pine w Karolinie Północnej. Sibelco (produkujące materiał IOTA z dwóch czystych złóż) i The Quartz Corp są jedynymi dostawcami wytwarzającymi na dużą skalę zaawansowany HPQ najwyższej jakości w sposób ekonomicznie opłacalny.

Poza surowcami fizycznymi poważne ograniczenie operacyjne stanowi infrastruktura elektroenergetyczna. Międzynarodowa Agencja Energetyczna (IEA) prognozuje, że globalne zużycie energii elektrycznej przez centra danych niemal się podwoi, wzrastając z około 485 TWh w 2025 do około 950 TWh do 2030. Szacuje się, że nakłady inwestycyjne operatorów hiperskalowych przekroczą $700 mld w 2026, głównie za sprawą rozbudowy centrów danych.

| Obszar infrastruktury | Krytyczne wąskie gardło i główni dostawcy | Wpływ ekonomiczny i wskaźniki |
| :--- | :--- | :--- |
| **Materiały półprzewodnikowe** | Japońskie fotorezysty (*Shin-Etsu, JSR, TOK, Fujifilm*) | ~78% udziału w rynku według kraju pochodzenia; niezastępowalne surowce chemiczne. |
| **Kwarc o wysokiej czystości** | Złoża w Spruce Pine (*Sibelco, The Quartz Corp*) | Jedyne źródło surowca do tygli ze stopionego kwarcu wykorzystywanych do produkcji wlewków krzemowych. |
| **Moc sieciowa dostępna do dostarczenia** | Transformatory, rozdzielnice, UPS, połączenia sieciowe | Ograniczenia pojawiają się wcześniej niż w samej produkcji energii; 485 TWh $\rightarrow$ 950 TWh (IEA). |
| **Nakłady inwestycyjne operatorów hiperskalowych** | Rozbudowa centrów danych i przyspieszanie obliczeń | Prognozowane >$700B w 2026 (IEA); silna presja wynikająca z amortyzacji. |

Co istotne, sama produkcja energii nie jest głównym ograniczeniem w krótkim terminie. Badania Uniwersytetu Johnsa Hopkinsa pokazują, że urządzenia służące do dostarczania energii przez sieć — w szczególności transformatory, rozdzielnice, systemy zasilania bezprzerwowego (UPS), połączenia sieci przesyłowych i specjalistyczna infrastruktura chłodząca — ograniczą rozbudowę centrów danych, zanim same moce wytwórcze staną się głównym wąskim gardłem. Bezpośrednio deficytowym zasobem ekonomicznym jest moc możliwa do dostarczenia przy wymaganym napięciu, w wymaganej lokalizacji i z wymaganą niezawodnością.

Z perspektywy inwestowania w wartość ta transformacja silnie wpływa na bilanse przedsiębiorstw i wskaźniki rentowności. Gdy operatorzy hiperskalowi przeznaczają ponad $700 mld rocznie na nakłady inwestycyjne, fizyczne aktywa o wartości wielu miliardów dolarów trafiają do bilansów jako rzeczowe aktywa trwałe (PP&E). Po ich uruchomieniu amortyzacja liniowa obciąża rachunki zysków i strat niezależnie od natychmiastowego uzyskania przychodów. Jeśli popyt na tokeny, który można zmonetyzować, lub wdrażanie oprogramowania dla przedsiębiorstw pozostają w tyle za rozbudową infrastruktury fizycznej, rentowność zainwestowanego kapitału (ROIC) i wskaźniki konwersji na FCF (wolne przepływy pieniężne) załamują się pod ciężarem niezamortyzowanej infrastruktury. Ta zależność bezpośrednio odzwierciedla historyczne przypadki nadmiernej rozbudowy infrastruktury, takie jak załamanie na rynku telekomunikacyjnych sieci światłowodowych z udziałem WorldCom i Global Crossing, kiedy ogromne nakłady inwestycyjne doprowadziły do poważnej nadwyżki zdolności i zniszczyły wartość kapitału własnego mimo ostatecznego potwierdzenia słuszności prognoz długoterminowego upowszechnienia internetu.

## 3. Układy scalone, pamięć i ekonomika modeli: komodytyzacja a przesuwające się granice możliwości

Choć modele teoretyczne zakładają, że sprzętowe wąskie gardła z czasem naturalnie zanikają wraz z normalizacją zdolności produkcyjnych, ograniczenia podaży półprzewodników pozostają dotkliwe. Pamięć o wysokiej przepustowości (HBM) i zaawansowane obudowywanie układów stanowią wieloletnie strukturalne wąskie gardła, a nie przejściowe utrudnienia. IEA prognozuje, że niedobory podaży HBM utrzymają się co najmniej do końca 2027. Udziały w rynku pozostają silnie skoncentrowane; dane Counterpoint za Q2 2026 szacują udziały w przychodach ze sprzedaży HBM na:

*   **SK Hynix:** 50%
*   **Samsung:** 33%
*   **Micron:** 18%

Współczesne sprzętowe fosy ekonomiczne nie opierają się na samodzielnych strukturach obliczeniowych układów, lecz na pełnej integracji na poziomie systemu: strukturach GPU/ASIC połączonych z HBM za pomocą interposerów, zaawansowanym obudowywaniu, szybkich sieciach (takich jak NVLink), zasilaniu i specjalistycznym chłodzeniu. Ta integracja systemowa staje się jeszcze ważniejsza, gdy obciążenia obliczeniowe przesuwają się z trenowania modeli na wnioskowanie. McKinsey prognozuje, że wnioskowanie będzie stanowić około 60% całkowitego zapotrzebowania na sztuczną inteligencję do 2030. W konsekwencji pole konkurencji przesuwa się bezpośrednio w stronę przepustowości pamięci, pojemności, opóźnień, efektywności termicznej i zużycia energii na użyteczny token wyjściowy — umacniając strukturalne fosy ekonomiczne dostawców zintegrowanego sprzętu.

Równocześnie ekonomika bazowych modeli inteligencji wykazuje szybki spadek kosztów. Dane indeksu sztucznej inteligencji Stanford wskazują, że koszt uruchamiania modelu o wynikach MMLU na poziomie GPT-3.5 spadł z około $20 za mln tokenów w listopadzie 2022 do około $0.07 w październiku 2024 — co oznacza 280-krotne obniżenie kosztów w ciągu 18 miesięcy. Ponadto badania OECD pokazują, że ceny modeli językowych skorygowane o jakość spadły o niemal 80% między styczniem 2024 a kwietniem 2026.

| Wskaźnik / Przedmiot pomiaru | Historyczny poziom odniesienia | Najnowszy / Prognozowany poziom | Znaczenie analityczne |
| :--- | :--- | :--- | :--- |
| **Koszt tokenów przy wynikach MMLU na poziomie GPT-3.5** | $20.00 / M tokenów (lis. 2022) | $0.07 / M tokenów (paź. 2024) | 280x niższy koszt jednostkowy inteligencji (Stanford). |
| **Ceny modeli językowych** | Poziom bazowy (sty. 2024) | Spadek o ~80% (kwi. 2026) | Gwałtowne załamanie cen wyników skorygowanych o jakość (OECD). |
| **Luka w wynikach modeli zamkniętych i otwartych** | Duża różnica (2023) | Luka 3.3%–3.4% (mar. 2026) | Komodytyzacja podstawowych możliwości (indeks sztucznej inteligencji Stanford 2026). |
| **Udział w wydatkach przedsiębiorstw** | 35% na modele o najbardziej zaawansowanych możliwościach (Q3 2025) | 63% na modele o najbardziej zaawansowanych możliwościach (Q3 2026) | Gotowość do płacenia premii za najnowocześniejsze rozumowanie (Menlo). |

Mimo tego załamania cen modele bazowe nie stały się jeszcze w pełni produktami jednorodnymi. Podstawowa inteligencja ulega komodytyzacji — indeks sztucznej inteligencji Stanford 2026 pokazuje, że najlepsze modele o najbardziej zaawansowanych możliwościach (Anthropic, xAI, Google, OpenAI) dzieli zaledwie 25 punktów Arena Elo, a przewaga modeli zamkniętych nad alternatywami z otwartymi wagami wynosiła jedynie od 3.3% do 3.4% w marcu 2026. Klienci korporacyjni nadal jednak płacą premię za najbardziej zaawansowane możliwości. Badania Menlo pokazują, że udział modeli o najbardziej zaawansowanych możliwościach w wydatkach przedsiębiorstw na sztuczną inteligencję wzrósł z 35% w Q3 2025 do 63% w Q3 2026. 

Warstwa modeli funkcjonuje jako przesuwająca się granica ekonomiczna: podstawowe możliwości szybko ulegają komodytyzacji, podczas gdy najnowocześniejsze rozumowanie zachowuje siłę cenową, zmuszając twórców modeli do ponoszenia ciągłych, ogromnych nakładów kapitałowych tylko po to, by utrzymać równorzędny poziom najbardziej zaawansowanych możliwości.
## 4. Warstwy wykonawcze, fizyczna AI i paradoks Jevonsa

W miarę standaryzacji modeli bazowych wartość ekonomiczna przesuwa się w stronę warstwy wykonawczej i sterującej. Ta warstwa oprogramowania pośredniczącego obejmuje dynamiczne kierowanie zadań do modeli, trwałą pamięć stanu, zarządzanie tożsamością, nadawanie uprawnień, ocenę, integrację narzędzi i orkiestrację. Z perspektywy bilansów przedsiębiorstw nabywcy oprogramowania dla firm nie kupują surowych tokenów modeli bazowych; kupują zrealizowane rezultaty biznesowe. Warstwa wykonawcza działa jako instytucjonalne „oprogramowanie pośredniczące” — analogicznie do Kubernetes, zarządzania tożsamością i dostępem oraz obserwowalności w chmurze obliczeniowej — utrwalając koszty zmiany dostawcy w przedsiębiorstwach i chroniąc marże zysku nawet wtedy, gdy wykorzystywane modele bazowe się zmieniają. Badanie LangChain dotyczące zastosowań produkcyjnych z 2026 potwierdza, że wielomodelowe architektury przedsiębiorstw są obecnie standardem, a główne wąskie gardła wdrożeń przesuwają się z jednostkowych kosztów tokenów w stronę niezawodności wykonania, bezpieczeństwa i realizacji zadań.

Podobnie ogólnodostępne internetowe dane treningowe ulegają standaryzacji w porównaniu z własnościowymi pętlami informacji zwrotnej opartymi na wynikach. Trwałe fosy ekonomiczne powstają wtedy, gdy aplikacje zostają bezpośrednio osadzone w specjalistycznych procesach operacyjnych, w których działania generują weryfikowalne oceny rzeczywistych rezultatów.

Doskonałym przykładem tej dynamiki jest **Harvey** w sektorze prawniczym. Harvey nie konkuruje jako łatwa do zastąpienia nakładka na model bazowy, sprzedająca generowanie ogólnych tokenów. Zamiast tego jest bezpośrednio osadzony w procesach prawnych, łącząc systemy ewidencji prawnej, dystrybucję, zgodność regulacyjną, zaufanie klientów i własnościowe pętle informacji zwrotnej (analiza umowy $\rightarrow$ korekta przez prawnika $\rightarrow$ ostateczne złożenie dokumentów sądowych/rozstrzygnięcie). Ponieważ Harvey kontroluje cały proces i wynikające z niego dane o rezultatach, buduje wysokie koszty zmiany dostawcy i broni swojej siły cenowej, przez co wybór wykorzystywanego modelu bazowego staje się drugorzędny wobec osiągniętego rezultatu biznesowego. Podobne pętle informacji zwrotnej oparte na wynikach powstają w wyspecjalizowanych dziedzinach, takich jak programowanie (poprawka $\rightarrow$ wynik testu $\rightarrow$ rezultat wdrożenia), medycyna (diagnoza $\rightarrow$ terapia $\rightarrow$ wynik zdrowotny pacjenta) i finanse (faktura $\rightarrow$ rozliczenie $\rightarrow$ rozstrzygnięcie sporu).

W systemach fizycznej AI dynamika alokacji kapitału zasadniczo różni się od ekonomiki przedsiębiorstw zajmujących się wyłącznie oprogramowaniem. Oprogramowanie skaluje się przy niemal zerowym koszcie krańcowym, natomiast robotyka fizyczna wymaga znacznych nakładów kapitałowych na zestawienie materiałowe (BOM). McKinsey szacuje, że precyzyjne elementy wykonawcze stanowią od 40% do 60% BOM robota humanoidalnego, w porównaniu z od 5% do 10% przypadającymi na moduły akumulatorowe. Ponadto CRU szacuje, że każdy robot humanoidalny wymaga od 2 do 3 kg magnesów z pierwiastków ziem rzadkich NdFeB (neodym-żelazo-bor). Choć komponenty fizycznej AI stanowią długoterminowe opcje strategiczne, aktywa obliczeniowe i pamięciowe centrów danych już dziś generują natychmiastowe, weryfikowalne przepływy pieniężne.

| Element sprzętowy fizycznej AI | Szacowany udział w BOM / zapotrzebowanie na zasoby | Główne czynniki ekonomiczne i łańcucha dostaw |
| :--- | :--- | :--- |
| **Precyzyjne elementy wykonawcze** | 40% – 60% całkowitego BOM (McKinsey) | Precyzyjne przeguby, skrzynie przekładniowe, silniki i reduktory. |
| **Moduły akumulatorowe** | 5% – 10% całkowitego BOM (McKinsey) | Relatywnie niższa alokacja kapitału niż w przypadku elementów wykonawczych. |
| **Magnesy NdFeB z pierwiastków ziem rzadkich** | 2 – 3 kg na robota humanoidalnego (CRU) | Strukturalny czynnik popytu na ciężkie pierwiastki ziem rzadkich. |

Zrozumienie tej strukturalnej ekspansji nakładów inwestycyjnych wymaga zastosowania paradoksu Jevonsa. 100-krotny spadek jednostkowych kosztów tokenów nie zmniejsza całkowitych wydatków na moc obliczeniową; niższe ceny jednostkowe wywołują natomiast gwałtowny wzrost łącznego zużycia tokenów. Gdy pojedyncze interakcje pytanie–odpowiedź są zastępowane wieloagentowymi pętlami rozumowania wykonującymi ciągłe symulacje w tle i automatyczne wywołania narzędzi, łączny popyt na sprzętową moc obliczeniową przyspiesza pomimo gwałtownego spadku cen jednostkowych.

Dla długoterminowych inwestorów fundamentalnych oceniających alokację kapitału trwałe przechwytywanie wartości wymaga unikania inwestycji opartych wyłącznie na fizycznej rzadkości zasobów na rzecz przedsiębiorstw wykazujących wysoką przyrostową ROIC, siłę cenową i pętle informacji zwrotnej osadzone w procesach pracy. Inwestorzy zainteresowani bardziej szczegółowymi modelami wyceny i fundamentalnymi obliczeniami zysków właścicielskich mogą zapoznać się z naszymi ogólnodostępnymi analizami spółek na stronie DeepValues Research lub ocenić wartość wewnętrzną i margines bezpieczeństwa dowolnej akcji za pomocą aplikacji DeepValues.

## 5. Kluczowe liczby

*   **78%**: Przybliżony udział japońskich firm w rynku sprzedaży fotorezystów do półprzewodników według kraju pochodzenia spółki.
*   **>$700 mld**: Szacowane nakłady inwestycyjne operatorów hiperskalowych w 2026 według IEA, głównie na rozbudowę centrów danych.
*   **485 TWh do ~950 TWh**: Prognozowany wzrost zużycia energii elektrycznej przez centra danych od 2025 do 2030 (IEA).
*   **Koniec 2027**: Oczekiwany termin utrzymywania się niedoborów podaży pamięci o wysokiej przepustowości (HBM) (IEA).
*   **50% / 33% / 18%**: Szacowany udział SK Hynix, Samsung i Micron w przychodach z HBM w Q2 2026, odpowiednio (Counterpoint).
*   **$20 do $0.07 za mln tokenów**: Spadek kosztów uzyskania wyników MMLU na poziomie GPT-3.5 między listopadem 2022 a październikiem 2024, oznaczający redukcję 280x (Stanford AI Index).
*   **~80%**: Spadek cen modeli językowych skorygowanych o jakość od stycznia 2024 do kwietnia 2026 (OECD).
*   **25 punktów Arena Elo**: Niewielka różnica wyników między czołowymi modelami Anthropic, xAI, Google i OpenAI według stanu na marzec 2026 (Stanford 2026 AI Index).
*   **3.3%–3.4%**: Różnica wyników między najlepszym modelem o zamkniętym kodzie źródłowym a najlepszym modelem z otwartymi wagami w marcu 2026 (Stanford AI Index).
*   **35% do 63%**: Wzrost udziału czołowych modeli w wydatkach przedsiębiorstw na AI między Q3 2025 a Q3 2026 (badanie Menlo).
*   **40%–60% wobec 5%–10%**: Szacowany udział elementów wykonawczych w zestawieniu materiałowym (BOM) robota humanoidalnego w porównaniu z modułami akumulatorowymi (McKinsey).
*   **2–3 kg**: Szacowane zapotrzebowanie na magnesy NdFeB z pierwiastków ziem rzadkich na robota humanoidalnego (CRU).

## 6. Co zmieniłoby naszą opinię

*   **Szybka utrata aktualności architektur CUDA i HBM:** Przyspieszenie rozwoju alternatywnych połączeń lub architektur pamięci, które skutecznie wyprą HBM i NVLink, osłabiając fosy ekonomiczne w obszarze sieci na poziomie systemowym przed 2027.
*   **Ograniczenie nakładów inwestycyjnych operatorów hiperskalowych:** Gwałtowna korekta w dół trajektorii rocznych nakładów inwestycyjnych operatorów hiperskalowych przekraczających >$700 mld z powodu rozczarowującej rentowności zainwestowanego kapitału (ROIC) lub poważnych opóźnień w przyłączaniu do sieci elektroenergetycznej.
*   **Szybka monetyzacja i stagnacja modeli z otwartymi wagami:** Zanik różnicy wyników na poziomie 3.3–3.4% względem czołowych modeli, skłaniający klientów korporacyjnych do porzucenia zamkniętych modeli klasy premium na rzecz tanich modeli z otwartymi wagami wdrażanych lokalnie.
*   **Przyspieszone wdrażanie fizycznej AI:** Masowa komercjalizacja i produkcja robotów humanoidalnych na dużą skalę, osiągająca miliony sztuk znacznie przed 2030, przesuwająca przechwytywanie wartości z bieżących przepływów pieniężnych w stronę łańcuchów dostaw elementów wykonawczych i magnesów.

## 7. Źródła

Odszyfrowanie wartości AI, Chamath Palihapitiya (list roczny za 2025 i powiązane ramy analityczne)
Stanford AI Index (Uniwersytet Stanforda, dane za 2024–2026)
Raporty Międzynarodowej Agencji Energetycznej (IEA) dotyczące energii elektrycznej i nakładów inwestycyjnych
Counterpoint Research (analiza rynku półprzewodników i HBM w Q2 2026)
Badania McKinsey & Company dotyczące BOM w robotyce
Badania CRU Group dotyczące materiałów i pierwiastków ziem rzadkich
Badania OECD dotyczące cen modeli językowych (2024–2026)
Badania Menlo Ventures dotyczące wydatków przedsiębiorstw na AI (2025–2026)
Badania Uniwersytetu Johnsa Hopkinsa dotyczące infrastruktury i zasilania centrów danych
Badanie LangChain dotyczące AI w zastosowaniach produkcyjnych (2026)

## From DeepValues

- DeepValues app: intrinsic value, stances and the latest reports for 300+ stocks. [iPhone](https://apps.apple.com/us/app/deepvalues/id6775568608?utm_source=research&utm_medium=web&utm_campaign=markdown) · [Android](https://play.google.com/store/apps/details?id=app.deepvalues.android&referrer=utm_source%3Dresearch%26utm_medium%3Dweb%26utm_campaign%3Dmarkdown) · [Web](https://app.deepvalues.ai/?utm_source=research&utm_medium=web&utm_campaign=markdown)
- [Deep Value Intelligence](https://deepvalues.ai/?utm_source=research&utm_medium=web&utm_campaign=markdown): the multi-agent AI analyst behind these reports, for any listed company
- [Margin of Safety Weekly](https://app.deepvalues.ai/letter?utm_source=research&utm_medium=web&utm_campaign=markdown): free weekly email, every Saturday
- YouTube: videos on investing and on AI. [@TheDeepValues](https://www.youtube.com/@TheDeepValues?utm_source=research&utm_medium=web&utm_campaign=markdown) (investing) · [@deep-values](https://www.youtube.com/@deep-values?utm_source=research&utm_medium=web&utm_campaign=markdown) (AI)
- Podcasts: 6 shows in English and Chinese (Deep Values, 深度价值, Deep Values Frontier, 深度價值前沿, Deep Value Intelligence, 深度价值情报站). [all shows on Apple Podcasts](https://podcasts.apple.com/us/channel/deepvalues/id6826606342)
- Buffett Indicator: market-valuation gauge. [iPhone](https://apps.apple.com/us/app/buffett-indicator/id6747404614?utm_source=research&utm_medium=web&utm_campaign=markdown) · [Android (Buffett Indicator & Shiller PE)](https://play.google.com/store/apps/details?id=com.luluventures.bubblewatch.android&utm_source=research&utm_medium=web&utm_campaign=markdown)
