O czym jest ten film
- Autor twierdzi, że kto kupił sprzęt do lokalnego AI w ostatnim roku, zrobił dobry interes — jego maszyna za ok. 3500 dolarów kosztuje dziś o 1000 dolarów więcej.
- Wartość takiego sprzętu rośnie także dlatego, że modele, które da się na nim uruchomić, są coraz lepsze.
- Dwa główne problemy chmurowego AI: utrata prywatności danych oraz niestabilność modeli, które dostawcy stale po cichu modyfikują.
- Koncepcja „progu użyteczności” — korporacje optymalizują modele pod własną rentowność, przez co jakość może spaść poniżej poziomu, którego potrzebuje twój biznes.
- Ceny RAM wzrosły w ciągu roku o ponad 300% i trudno przewidzieć, kiedy spadną.
- W USA hamulcem stała się energia — kolejka po moc dla centrów danych sięga siedmiu lat, co może zmniejszyć popyt na pamięć.
- Ale reszta świata dopiero zaczyna: suwerenność technologiczna Europy i chińskie modele open weight będą podtrzymywać popyt.
- Przegląd nadchodzącego sprzętu: Mac Studio M5 Ultra opóźniony, RTX Spark to inny przypadek użycia, wersja Super anulowana, następna generacja realnie w 2028 roku.
- Trzy powody, dla których warto iść w lokalne AI: prywatność, stabilność, nauka i eksperymentowanie. Poza nimi — prawdopodobnie nie warto.
- Teza końcowa: „wybór” między chmurą a lokalnym AI to złudzenie — docelowo lokalne będzie jedyną akceptowalną opcją.
Redakcyjne tłumaczenie
Kto kupił, ten wygrał
Jeśli w ciągu ostatniego roku kupiłeś jakikolwiek sprzęt zdolny uruchamiać AI lokalnie, prawdopodobnie zrobiłeś interes życia. Jeśli nadal czekasz — prawdopodobnie na tym tracisz.
Znam tę narrację: ceny pamięci spadną, zaraz wyjdzie nowa karta, opracowano nowy układ, poczekajmy jeszcze chwilę. Prawda wygląda jednak inaczej. Za tę maszynę zapłaciłem jakieś 3500 dolarów pół roku temu. Dziś kosztuje o tysiąc dolarów więcej.
I to dopiero połowa historii. Druga połowa jest taka, że dzisiaj mogę uruchomić na niej modele znacznie lepsze niż w momencie zakupu. Ta sama maszyna robi lepsze obrazy, lepsze wideo, lepszy tekst, potrafi pracować agentowo. Wartość tego sprzętu nie spada, a to, co da się na nim osiągnąć, jest dziś dużo większe.
Tydzień temu wyszedł DeepSeek Flash w wersji czwartej. To najnowsza wersja, wyjątkowo mocna, i da się ją uruchomić na dwóch takich maszynach — łączy się je bardzo szybkim złączem. Dostajesz model z oknem kontekstowym rzędu miliona tokenów, który w niektórych scenariuszach jest porównywalny z modelami czołowymi. Nie jest tak mocny jak one, ale nie odstaje daleko. Do tego generuje tokeny z prędkością porównywalną do tamtych modeli. I możesz to mieć na własność: zbudować wokół tego własne laboratorium AI, mieć nielimitowaną generację tokenów, bez abonamentu, bez komunikatów o wyczerpanym limicie, z pracą przez całą dobę i z prywatnością. To bardzo dużo.
(Informacja dodatkowa: „open weight” oznacza modele z publicznie dostępnymi wagami, które można pobrać i uruchomić na własnym sprzęcie — w odróżnieniu od modeli dostępnych wyłącznie przez API dostawcy.)
Dwa problemy chmurowego AI
Pierwszy to oczywiście prywatność. Oddajesz wszystkie swoje dane, dane swoich klientów, swoją własność intelektualną, przepis na sukces własnego biznesu — korporacjom AI, które użyją tego do trenowania własnych modeli.
Drugi problem jest subtelniejszy. Laboratoria AI nieustannie majstrują przy swoich modelach i je dostrajają. Model nosi wciąż tę samą nazwę, ale w rzeczywistości każdego dnia działa trochę inaczej. Kiedy masz własny sprzęt, konfigurujesz go raz, optymalizujesz i zachowuje się stabilnie. Nic się nie zmieni, dopóki sam czegoś nie zmienisz. Ten poziom stabilności potrafi mieć ogromne znaczenie.
Próg użyteczności
Pomyśl o tym w takich kategoriach. Istnieje próg, jaki twoje AI musi przekroczyć, żeby pracowało na poziomie, który cię zadowala. Powyżej tego progu wszystko jest w porządku: wykonujesz swoją pracę, obsługujesz klientów, prowadzisz biznes spokojnie. Ale kiedy zejdziesz poniżej — zaczynają się problemy.
Korporacje robią właśnie to: przesuwają ten próg tak, żeby było im się bardziej opłacało. Czasem chodzi o optymalizację — chcą zużywać mniej prądu i mniej tokenów, więc obniżają inteligencję modeli i skracają czas rozumowania. Czasem chodzi o to, żebyś przeszedł na droższe narzędzie. Optymalizują pod swój biznes, nie pod twój.
Dlaczego ceny RAM są dziś nieprzewidywalne
Chcę pomóc ci zdecydować, czy kupować, czy czekać. Spójrzmy więc na dane — decyzja oparta na danych ma sens, choć miej świadomość, że najprawdopodobniej i tak zdecydujesz emocjonalnie. Spróbujmy te emocje trochę okiełznać.
Dlaczego ceny pamięci są teraz tak trudne do przewidzenia? Składają się na to dwa czynniki.
Po pierwsze, ceny są bardzo wysokie — ponad 300% wzrostu w ciągu ostatniego roku.
Po drugie, w Stanach zbudowano tyle centrów danych, że nie starcza prądu nawet dla tych już postawionych. Kolejka po dostęp do takiej ilości energii wynosi siedem lat, bo trzeba wybudować nowe elektrownie, nowe turbiny, nowe rozwiązania, rozbudować sieć — a to potrwa lata. Stąd wrażenie, że skoro przestaną kupować, zapasy się wyrównają, a ceny RAM powinny spaść.
Tyle że to realia amerykańskie. Bardzo ważne, bo to Amerykanie wydają dziś na AI najwięcej — ale jest jeszcze reszta świata, miliardy ludzi, których też trzeba obsłużyć.
Suwerenność: Europa i reszta świata
Jedno staje się jasne dla wszystkich: znaczenie suwerenności w obszarze AI. Na poziomie państwowym kraje potrzebują własnych centrów danych. Nie wszyscy mogą polegać na amerykańskich.
Wiemy dlaczego. Amerykańskie firmy nie udostępniają swoich modeli poza USA albo robią je bardzo drogimi — dla części krajów to po prostu za dużo. Uczą się na twoich danych, w praktyce cię szpiegują. To też nie jest do przyjęcia. I nie można być w tak ważnej technologii zależnym od innego kraju, który zechce dać ci dostęp albo nie.
Europa już się zmienia na wielu polach. Administracje próbują przechodzić z Windows na Linuksa, odchodzić od WhatsAppa, Microsoft Office, Zooma i innego oprogramowania do komunikacji i pracy, które uzależnia od zagranicznego dostawcy. To nowy kierunek dla Europy. Inwestycje w centra danych pod AI już się zaczęły — i to jest sygnał. Popyt nie będzie rósł tak szybko jak amerykański, ale wiele europejskich państw zechce mieć własne zaplecze. Spójrz na Francję: mają Mistrala, zainwestowali ponad 830 milionów w nowe centra danych. To małe pieniądze w porównaniu z tym, co dzieje się w USA, ale to początek i wskazanie trendu. To samo stanie się w innych krajach.
Chiny: tania inteligencja i otwarte wagi
Trzeba wziąć pod uwagę jeszcze Chiny. Do niedawna miały problem — nie miały dostępu do najnowszego sprzętu Nvidii dla AI, co hamowało ich rozwój w tym kierunku. Teraz mają sprzęt, żeby budować własne centra danych i optymalizować własne modele pod własny hardware. To zmienia wszystko.
Chiny zamiast gonić za maksymalną inteligencją poszły w optymalizację. Model ma działać na mniejszym sprzęcie i dawać tę samą inteligencję za ułamek ceny. Widzimy dziś chińskie modele, które są wyjątkowo tanie.
Widać też drugi istotny trend: chiński model biznesowy opiera się na otwartych wagach. To znaczy, że dowolne centrum danych może wziąć te modele i zaoferować je klientom. Będą tańsze, prawie tak mocne, a do 90% pracy — wystarczająco dobre. I są ciągle optymalizowane. Ich cel to stworzyć inteligencję dostępną cenowo dla reszty świata, bo nie każdego stać na pracę z Anthropikiem. A OpenAI, choć dziś wydaje się tanie, w rzeczywistości wydaje 1,60 dolara na każdego dolara, który do niego trafia. Ceny, które widzimy u OpenAI, nie są prawdziwymi cenami — musieliby je potroić, żeby wyjść na zysk.
(Informacja dodatkowa: liczby dotyczące jednostkowej rentowności OpenAI to szacunek autora; firma nie publikuje takich danych.)
Wracając do cen pamięci: z perspektywy USA popyt wyhamuje i kupią mniej, więc można by pomyśleć, że ceny spadną. W rzeczywistości reszta świata musi nadgonić, więc zacznie budować i popyt się pojawi. Sam widzisz — nie używasz AI coraz mniej, tylko coraz więcej. Popytu będzie przybywać.
Czy warto czekać na następny sprzęt
Przyjrzyjmy się argumentowi „poczekaj na kolejną premierę”.
Mac Studio M5 Ultra wyjdzie pod koniec roku, bo jest opóźniony. Cena nieznana — spodziewaj się bardzo drogo.
RTX Spark też pod koniec roku. Ma sens tylko wtedy, gdy szukasz cienkiego laptopa z Windowsem, bo praktycznie tę samą moc, którą dostaniesz z tej karty, masz już w tej maszynie. Ceny wciąż nie znamy. I to nie jest to samo urządzenie: tam masz procesor przeznaczony do komputera, którego używasz na co dzień, a to jest zaprojektowane wyłącznie do uruchamiania AI lokalnie. To nie jest twój główny komputer — to sprzęt, który trzymasz włączony całą dobę. Twój osobisty serwer AI. Dwa różne zastosowania.
Kto czeka na RTX 1590 Super — ta karta nie wyjdzie, bo ceny RAM poszły tak wysoko, że przestało to mieć sens. Wersja Super miałaby 48 GB pamięci zamiast 32, co byłoby świetne. To naprawdę słodki punkt.
A RTX 6090, czyli następna generacja? Jeśli dopisze nam szczęście, zobaczymy ją w 2027, ale bardziej prawdopodobny jest 2028. To dużo czekania. Pewności nie ma, ale tyle wiemy dzisiaj.
(Informacja dodatkowa: nazwy kart w tym fragmencie autor podaje w formie potocznych oznaczeń przyszłych generacji — nie są to oficjalne nazwy produktów.)
Co jest pewne
Patrząc na te elementy: cen nie znamy, przyszłości nikt nie zna, ale widzimy trend. Możliwe, że coś nieco stanieje. Możliwe, że giełda mocno się skoryguje, bo taka korekta jest potrzebna. Ale wszyscy wiemy jedno — AI nie zniknie. Ta technologia jest używana coraz szerzej.
Coraz wyraźniejsze staje się też, że nie możemy powierzać naszych danych tym korporacjom. Dla części firm to konieczność: prawo wymaga, żeby ich dane i dane klientów nie opuszczały ich infrastruktury. Jest jeszcze jeden element — jeśli pracujesz w cyberbezpieczeństwie albo badaniach biologicznych, w ogóle nie możesz używać czołowych amerykańskich modeli.
To sporo niepewności. Ale pewne jest to, że na sprzęcie kupionym pół roku temu uruchamiam dziś lepsze modele niż wtedy, prawie na poziomie czołowych — a kupując wcześniej, zaoszczędziłem tysiąc dolarów.
Kiedy lokalne AI ma sens, a kiedy nie
Podsumujmy — i zaznaczam: to nie jest porada finansowa, decyzję musisz podjąć sam.
Nie kupuj sprzętu, żeby rozwiązać problem, którego nie masz. Decyzja o uruchamianiu AI lokalnie służy rozwiązaniu konkretnych problemów. Pierwszy to prywatność. Drugi to stabilność. Trzeci to nauka i eksperymentowanie. Jeśli nie mieścisz się w żadnej z tych trzech kategorii, lokalne AI prawdopodobnie nie jest dla ciebie.
Nie twierdzę, że to jedyne trzy powody — możesz mieć tysiąc innych. Ale przemyśl to porządnie, bo to jest drogie. Dwie takie maszyny to około 10 tysięcy dolarów. Karta 1590 kosztuje dziś jakieś 4–5 tysięcy. Mac Studio wyjdzie około 10 tysięcy, zależnie od wersji — 10, 15 tysięcy, może więcej. I tak to dziś wygląda. Lokalne AI jest piękne, robi się coraz lepsze, ale koszty są ogromne.
Wybór jest złudzeniem
Na koniec jedna myśl. Uważam, że sam wybór jest w gruncie rzeczy złudzeniem. Idea, że mamy do wyboru lokalne AI albo chmurę od tych korporacji, jest iluzoryczna w tym sensie, że nigdy nie powinniśmy oddawać naszych danych żadnej z tych firm. Dziś wygląda to na wybór: iść w lokalne AI czy nie. Wkrótce dla większości z nas będzie to jedyna opcja, jaką powinniśmy brać pod uwagę — bez rozważania modeli chmurowych w ogóle.
Sam pracuję dziś hybrydowo. Mam różne rozwiązania lokalne, ale korzystam też z AI w chmurze. Tak wygląda dzień dzisiejszy. Ale moje pragnienie i kierunek to przejść w stu procentach na lokalne.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Sprzęt do AI nie zachowuje się jak zwykły sprzęt komputerowy
Na czym polega: Maszyna kupiona pół roku temu zdrożała o tysiąc dolarów, a jednocześnie potrafi dziś więcej niż w dniu zakupu, bo modele przeznaczone na lokalne uruchamianie stały się lepsze. Klasyczna logika „poczekaj, stanieje” tu nie zadziałała.
Jak stosować: Jeśli masz realny przypadek użycia, oceniaj zakup przez pryzmat tego, ile miesięcy pracy tracisz przez zwłokę, a nie tylko przez oczekiwaną zmianę ceny.
Na co uważać: To obserwacja z jednego, dość nietypowego roku napędzanego szokiem cenowym na pamięci. Nie jest to prawo rynku i nie zakładaj, że sprzęt zawsze będzie zyskiwał na wartości.
2.Kupuj tylko wtedy, gdy masz jeden z trzech problemów
Na czym polega: Autor wskazuje trzy uzasadnienia dla lokalnego AI: prywatność, stabilność zachowania modelu oraz nauka i eksperymentowanie. Poza nimi wydatek zwykle się nie broni.
Jak stosować: Zanim policzysz konfigurację, zapisz jednym zdaniem, który z tych problemów rozwiązujesz i po czym poznasz, że został rozwiązany.
Na co uważać: Chęć posiadania sprzętu łatwo przebiera się za powód biznesowy. „Będzie się przydawać” to nie jest żaden z tych trzech powodów.
3.Modele chmurowe cicho dryfują — lokalne nie
Na czym polega: Dostawcy stale dostrajają modele pod tą samą nazwą, więc ich zachowanie zmienia się z dnia na dzień. Model uruchomiony lokalnie zachowuje się identycznie, dopóki sam czegoś nie zmienisz.
Jak stosować: Jeśli masz proces produkcyjny wrażliwy na zmiany zachowania modelu, potraktuj powtarzalność jako wymaganie techniczne — albo pinuj wersje u dostawcy, albo trzymaj model u siebie.
Na co uważać: Stabilność bywa też zamrożeniem. Twój lokalny model nie dostanie poprawek ani ulepszeń, dopóki sam nie zaplanujesz aktualizacji.
4.Zdefiniuj własny próg jakości, zamiast reagować na wrażenia
Na czym polega: Liczy się tylko to, czy model przekracza poziom, którego wymaga twoja praca. Dostawcy optymalizują pod swoją rentowność i mogą przesuwać jakość w dół, aż zejdzie poniżej twojego progu.
Jak stosować: Zbuduj mały, stały zestaw zadań testowych z własnej pracy i uruchamiaj go okresowo. Będziesz miał twardy sygnał, kiedy jakość spada, zamiast opierać się na przeczuciu.
Na co uważać: Zbyt mały zestaw testów da fałszywe alarmy przy każdej normalnej wahliwości modelu. Mierz trend, nie pojedynczy przebieg.
5.Prywatność bywa wymogiem prawnym, nie preferencją
Na czym polega: Część firm ma obowiązek trzymać dane własne i klientów we własnej infrastrukturze. W cyberbezpieczeństwie czy badaniach biologicznych korzystanie z czołowych modeli amerykańskich może być w ogóle wykluczone.
Jak stosować: Jeśli działasz w takim obszarze, potraktuj lokalne uruchamianie jako element zgodności — i uwzględnij jego koszt w budżecie compliance, nie w budżecie na zabawki.
Na co uważać: Sam fakt, że sprzęt stoi u ciebie, nie czyni instalacji zgodną z przepisami. Kontrola dostępu, logowanie i szyfrowanie nadal są twoją robotą.
6.Ceny RAM zależą od dwóch przeciwstawnych sił
Na czym polega: Amerykański popyt może wyhamować, bo brakuje energii dla już zbudowanych centrów danych — kolejka po moc sięga siedmiu lat. Ale reszta świata dopiero zaczyna budować, więc popyt ma czym się zastąpić.
Jak stosować: Nie planuj zakupu wokół założenia, że pamięć na pewno stanieje w konkretnym kwartale. Jeśli mimo to czekasz, ustal sobie z góry datę i cenę, przy których podejmiesz decyzję niezależnie od rynku.
Na co uważać: To prognoza, nie fakt. Równie dobrze może przyjść korekta na giełdzie i wyraźny spadek cen — autor sam dopuszcza taki scenariusz.
7.Chińskie modele open weight zmieniają rachunek kosztów
Na czym polega: Zamiast gonić maksymalną inteligencję, chińscy producenci optymalizują modele pod mniejszy sprzęt i udostępniają wagi. To daje tanie modele, które według autora wystarczają do 90% pracy.
Jak stosować: Przy projektowaniu lokalnego stosu sprawdzaj najpierw, czy zadanie da się obsłużyć mniejszym, otwartym modelem, zamiast domyślnie skalować sprzęt pod największy dostępny.
Na co uważać: „Wystarczająco dobre do 90% pracy” znaczy, że 10% zawiedzie. Ustal, które zadania należą do tej reszty, zanim oprzesz na nich proces.
8.Serwer AI to nie to samo co komputer roboczy
Na czym polega: Autor wyraźnie oddziela urządzenie zaprojektowane do uruchamiania AI całą dobę od procesora w maszynie, przy której pracujesz. To dwa różne zastosowania, mimo zbliżonej wydajności.
Jak stosować: Jeśli chcesz mieć modele dostępne stale i dla agentów pracujących w tle, planuj osobną maszynę zostawioną włączoną, a nie dokładanie karty do laptopa.
Na co uważać: Praca ciągła to rachunki za prąd, chłodzenie i hałas. Doliczaj koszt eksploatacji do ceny zakupu.
9.Nadchodzące premiery nie są dobrym powodem do czekania
Na czym polega: Mac Studio M5 Ultra jest opóźniony i będzie drogi, wersja Super karty została anulowana przez ceny pamięci, a następna generacja realnie dopiero w 2028 roku.
Jak stosować: Jeśli twoim jedynym argumentem za czekaniem jest konkretna przyszła premiera, sprawdź jej realny status i horyzont — a potem policz, ile miesięcy braku narzędzia to oznacza.
Na co uważać: Terminy premier i ich anulowania to informacje zmienne. Zweryfikuj je u źródła przed decyzją zakupową.
10.Skala wydatku wymaga trzeźwej kalkulacji
Na czym polega: Dwie maszyny to około 10 tysięcy dolarów, karta 4–5 tysięcy, Mac Studio 10–15 tysięcy lub więcej. To poziom inwestycji, nie zakupu impulsowego.
Jak stosować: Porównaj tę kwotę z realnym rocznym kosztem subskrypcji i API w twoim przypadku użycia. Jeśli okres zwrotu wychodzi dłuższy niż żywotność sprzętu, decyzję musi uzasadniać prywatność albo stabilność, nie oszczędność.
Na co uważać: Autor sam pracuje hybrydowo, mimo że jego celem jest pełne przejście na lokalne. Traktuj „100% lokalnie” jako kierunek, a nie jako punkt startowy.