Prawdziwe znaczenie GPT-6 Astra: sprowadzenie „narracji o AI” z „dyskusji o potrzebach” z powrotem do „fizycznych ograniczeń”

Publikacja nowego modelu zmienia kierunek rynku dyskusji.

Rynek przez ostatnie miesiące dyskutował nad jednym pytaniem: „Ile infrastruktury potrzeba, by obsłużyć znany popyt na AI?” W podtekście chodzi o to, czy inwestycje w infrastrukturę AI nie zostały już przesadzone.

Według wiadomości z Przewodowego Biura Transakcyjnego, raport Morgan Stanley opublikowany 7 września wskazuje, że znaczenia GPT-6 Astra nie należy rozumieć jako kontynuacji narracji o kolejnej ekspansji skali (Scaling). To nie jest tylko kolejne usprawnienie modelu.

Astra oznacza skok jakościowy w zakresie szerokości kompetencji (breadth of capabilities) oraz interoperacyjności, konkretnie w czterech obszarach: umiejętności wnioskowania, inżynierii, obsługi komputera oraz realizacji zadań w świecie fizycznym. To oznacza, że AI zaczyna przekraczać granice i jest zdolna do wykonywania złożonego wnioskowania, zadań inżynieryjnych, bezpośredniej obsługi komputerów, a nawet radzenia sobie z zadaniami w rzeczywistym świecie. Możliwości się zwiększają, a tym samym rosną potencjalne scenariusze zarabiania. OpenAI w najnowszym wpisie również ogłasza, że lepsze modele otwierają nowe „obszary pracy”.

Narracja AI wraca z „dyskusji o popycie” do „fizycznych ograniczeń”

Pojawienie się Astry może zmienić kluczowe pytanie rynku z „Ile infrastruktury potrzeba, by obsłużyć znany popyt na AI?” na: „Ile nowych obciążeń stanie się ekonomicznie opłacalnych wraz ze wzrostem inteligencji modeli?”

To jest pytanie o zupełnie odwrotnym kierunku. Pierwsze dotyczy strony popytowej, drugie jest wyzwaniem podaży.

• Efekt elastyczności: kupujemy więcej inteligencji za każdego dolara

Analitycy w raporcie wskazują główną logikę ekonomiczną: lepszy model generuje efekt elastyczności – im więcej inteligencji i użyteczności AI otrzyma za każdego dolara, tym liczba, czas trwania i złożoność zadań wnioskowania będzie rosnąć.

To przypomina klasyczny „paradoks Jevonsa”: poprawa efektywności nie zmniejsza zużycia, przeciwnie – powiększa ogólną konsumpcję. Wyższa wydajność jednostkowego kosztu inteligencji → aplikacje nieopłacalne wcześniej stają się możliwe → napływ nowych obciążeń → rosnące zapotrzebowanie na moc obliczeniową i infrastrukturę.

• Znacznie rozszerzony dostępny rynek

Analitycy szacują, że jeśli kompetencje Astry zostaną przekształcone w praktyczne komercyjne zastosowania, dostępna pula przychodów AI znacząco się powiększy, dalece przewyższając dzisiejsze scenariusze użycia, oparte głównie na czacie i kodowaniu.

Morgan Stanley szacuje, że światowy TAM dla pracy opartej na wiedzy to ok. 22,5 bln USD (bazując na 900 milionach pracowników wiedzy i średniej płacy rocznej 25,2 tys. USD); TAM dla wydatków konsumenckich to ok. 30 bln USD, obejmujący detal, podróże (ok. 16 bln USD), autonomiczną jazdę / mobilność (ok. 4 bln USD), dostawy jedzenia (ok. 4 bln USD) oraz reklamę (ok. 3 bln USD).

• Fizyczne ograniczenia po stronie podaży to prawdziwy wąski gardło

Wnioski analityków są takie: pojawienie się Astry przenosi narrację wąskiego gardła z „formowania popytu” z powrotem na „fizyczne ograniczenia podaży” – czyli czy można dostarczyć tę inteligencję na skalę.

Co konkretnie oznacza? Moc obliczeniowa. Energia. Materiały. Siła robocza. I inne.

Gdzie dokładnie leży fizyczne wąskie gardło: ABF i HBM4E

Wyzwania po stronie podaży mają dwa konkretne punkty zaczepienia.

Pierwszym jest podłoże ABF.

Morgan Stanley prognozuje, że od 2027 roku podłoża ABF będą niedoborem, a luka będzie się powiększać do 2030. Kluczowe ograniczenie: nowa zdolność produkcyjna wymaga co najmniej 2 lat na uruchomienie.

Drugim jest złożoność procesu końcowego (BEOL) HBM4E.

Raport wskazuje, że proces końcowy HBM4E reprezentuje wielką zmianę paradygmatu w produkcji półprzewodników – HBM ewoluuje od dedykowanego 3D stackowania pamięci do wysoce zintegrowanego systemu logicznego Chiplet.

Konkretny łańcuch wpływu:

• Wzrost liczby warstw połączeń HBM4E (np. SK Hynix wprowadza dummy bump), dużo kapitału DRAM zostanie skierowane na ekspansję BEOL
• Kapitał inwestowany w migrację procesów FEOL oraz przyspieszenie dostaw DRAM GB, realizacja oczekiwana w drugiej połowie 2027
• Producenci DRAM priorytetowo rezerwują moce produkcyjne, przez co ekspansja NAND może zostać opóźniona

Wspólna cecha obu wąskich gardeł: to weryfikowalne, śledzone fizyczne ograniczenia, a nie nastroje rynkowe.

Energia: najbardziej realne fizyczne wąskie gardło

Wraz ze wzrostem presji regulacyjnej na centra danych, dostawy energii stają się kolejnym kluczowym fizycznym ograniczeniem. Analitycy przewidują, że całkowita moc obliczeniowa chmur największych dostawców wzrośnie z ok. 35 GW w 2025 r. do ok. 145 GW w 2028 r., czyli czterokrotnie.

Analitycy wskazują, że USA zmierzy się z luką w dostawach energii na poziomie 38 GW, a centra danych będą coraz częściej korzystać z rozwiązań własnej produkcji energii „za licznikiem” (behind-the-meter).

Według obliczeń Morgan Stanley, rozwiązania „za licznikiem” zwiększą nakłady inwestycyjne o ok. 3 mld USD na każdy GW. Na przykładzie chipów Nvidia Rubin Ultra, całkowity koszt z energią „za licznikiem” to ok. 50 mld USD za GW.

Co rynek niedocenia

Analitycy wskazują, że rynek obecnie niedocenia trzech kwestii:

Po pierwsze, globalni technologiczni beneficjenci GPT-6 Astra nie są jeszcze wycenieni w pełni.

Po drugie, czas trwania napięć po stronie podaży może być dłuższy. Ograniczenia ABF oraz HBM4E BEOL nie da się rozwiązać krótkoterminowo.

Po trzecie, niektóre akcje niezależne od AI rosną po cichu. Chipy analogowe (STM, NXP, Renesas) po ponad trzech latach L-kształtnej bazy, są w fazie wczesnej cyklicznej odbudowy – zapasy zredukowane, ceny ustabilizowane, zamówienia przemysłowe rosną.

Wnioskiem nie jest „kupuj więcej AI”

Morgan Stanley podaje priorytety inwestycyjne:

Moc obliczeniowa AI (najwyższy priorytet) > Sieci (kolejny) > Pamięć (wybiórczo) + Analogowe chipy (wczesny cykl hedgingowy), obejmujące:

• Moc obliczeniowa AI: GPU (Nvidia), ASIC (MediaTek, GUC), podłoże ABF (Unimicron, IBIDEN), MLCC (Murata, Samsung Electro-Mechanics), backendowy testing (Advantest, Tokyo Electron, Hana Micron, ASE, KYEC), zasilanie (Delta Electronics)
• Sieci: GLW, LITE, COHR, KEYS, Furukawa Electric, Fujikura
• Pamięć: priorytetowy wzrost udziału strukturalnego i lokalizacja (CXMT), SK Hynix, Samsung, Kioxia mają taktyczny potencjał wzrostu w kontekście utrzymującego się ograniczenia podaży
• Nie-AI: analogowe chipy (STMicroelectronics, NXP, Renesas)

Według banku: „Preferujemy pozycjonowanie w firmach będących na przecięciu szerokiego cyklu wnioskowania, ograniczonej zdolności fizycznej, rosnącej intensywności treści oraz rosnącej złożoności produkcji.”

Gdzie trzeba zachować ostrożność

Raport Morgan Stanley nie jest jednostronnie optymistyczny i jasno wskazuje trzy rzeczy wymagające uwagi:

Po pierwsze, oczekiwania wobec AI są już bardzo wysokie. Tolerancja rynku wobec firm AI przeszła z „dobrych wyników” do „muszą być perfekcyjne”; nawet jeśli Astra przyniesie rzeczywisty postęp, jeśli wyniki nie przewyższą oczekiwań znacząco, reakcja cen akcji może być ograniczona.

Po drugie, oczekuje się spowolnienia wzrostu nakładów inwestycyjnych w 2028. Wycenę akcji określa kierunek zmiany tempa wzrostu; samo spowolnienie może ograniczyć wyceny, nawet jeśli absolutna wartość nakładów rośnie.

Po trzecie, makroekonomiczne niekorzystne okoliczności pozostają. Raport wymienia ceny ropy, inflację, ścieżkę stóp Fed oraz wybory prezydenckie w USA w 2028 jako niepewne czynniki, zwłaszcza potencjalny polityczny opór wobec ekspansji centrów danych jeśli Demokraci wygrają urząd.