Ha az AI-t eddig úgy képzelted el, mint egy „szuperagyat”, akkor a következő szűk keresztmetszet már nem az ész, hanem az áram és a hardver. A Google-nál láthatóan pontosan erre készülnek: olyan chipre, ami ugyanazt a munkát kevesebb energiából hozza ki.

Mi történt

Az Alphabet (a Google anyavállalata) egy új, kifejezetten szerverekbe szánt chipet tervezhet, amelynek célja, hogy a házon belüli Gemini modellek hatékonyabban fussanak. A chip belső kódneve a beszámolók szerint „Frozen v2”, és a tervek alapján 2028 körül jelenhet meg.

A várakozás különösen merész: a chip 6–10-szeres hatékonyságjavulást is hozhat a Google jelenlegi AI chipjeihez képest, legalábbis egy konkrét mérőszám szerint: mennyi „tokent” (azaz a modell által generált szöveg legkisebb darabjait, gondolj rá úgy, mint szavak/karaktercsoportok építőkockáira) tud előállítani egységnyi energia felhasználásával. A vállalat ezt nem erősítette meg konkrétan, de nem is cáfolta; inkább azt hangsúlyozta, hogy a „full stack” megközelítésükben a hardvert és a szoftvert együtt tervezik, hogy valós terhelésen legyenek optimálisak.

Miért fontos

A saját chip ma már nem mérnöki hóbort, hanem üzleti önvédelem. Az AI-modellek futtatásának (különösen az „inference”-nek, vagyis amikor a modell ténylegesen válaszol a felhasználóknak) költségeit nagy részben a számítási kapacitás és az energiaár határozza meg. Ha ugyanannyi válasz kisebb fogyasztással és kevesebb hardverrel kijön, az egyszerre csökkentheti a felhőszámlát, javíthatja a szolgáltatás árrését, és növelheti a skálázhatóságot akkor is, amikor a globális AI-kapacitás szűkös.

Van egy másik, kevésbé látványos, de stratégiailag kritikus réteg is: a nagy AI-szereplők igyekeznek mérsékelni a függésüket az Nvidia dominálta chipökoszisztémától. Ebbe a trendbe illeszkedik, hogy idén nyáron az OpenAI is bejelentette első saját inference processzorát (Jalapeño), és felmerült, hogy az Anthropic chipgyártási partnerségről egyeztet a Samsunggal.

Mire figyelj

  1. Mit jelent a „6–10× hatékonyabb” a gyakorlatban? A token/energia mutató jó iránytű, de sokat számít, milyen feladatokon mérik, és milyen feltételek mellett (modellméret, válaszidő, memóriasávszél).
  2. Mikor lesz ebből valódi termék? A 2028-as céldátum hosszú idő, és a vállalati nyilatkozatokból is látszik: nem minden kutatási projekt jut el gyártásig.
  3. Hogyan kapcsolódik a költésekhez és a befektetői elvárásokhoz? A Google korábban 180–190 milliárd dolláros tervezett ráfordításról beszélt; ilyen léptéknél a hatékonyság nem „szép extra”, hanem az a bizonyíték, hogy a pénz nem csak kapacitást vesz, hanem tartós költségelőnyt is.

Érdekesség, hogy a befektetők szemmel láthatóan díjazzák a hatékonysági narratívát: a Frozen v2-ről szóló értesülések után a részvényárfolyam rövid távon érezhetően megugrott, ami jól jelzi, mennyire központi kérdés lett az AI-ban a „mennyiért fut” ugyanúgy, mint az, hogy „mit tud”.