Dlaczego Europa i Polska potrzebują Gigafabryk AI

Aktualności

20.10.2026

Roman Młodkowski

Unia Europejska ma dziś około 5 proc. światowej mocy obliczeniowej dla sztucznej inteligencji. Stany Zjednoczone – blisko 80 proc. Przetarg EuroHPC JU na zakup mocy z siedmiu Gigafabryk AI to próba zamknięcia luki rozwojowej, zanim stanie się trwała. Ale co właściwie kupuje Europa, do czego tę moc wykorzystają firmy i dlaczego Polsce nie opłaca się stać z boku – to kwestie wciąż budzące wątpliwości. Niesłusznie.

Dlaczego Europa i Polska potrzebują Gigafabryk AI

W XIX wieku o sile gospodarki decydował dostęp do węgla i stali. W XX – do energii elektrycznej i ropy. Dziś coraz wyraźniej widać, że w XXI wieku takim zasobem staje się moc obliczeniowa: procesory, na których trenuje się i uruchamia modele sztucznej inteligencji. Kto ją ma u siebie, ten decyduje, gdzie powstają najbardziej zaawansowane modele, gdzie są przetwarzane dane a przede wszystkim: czyje prawo je chroni.

Europa w tym wyścigu nie jest mocnym zawodnikiem. Nie brakuje nam naukowców, przemysłu ani pieniędzy. Brakuje infrastruktury – wielkich, wyspecjalizowanych centrów obliczeniowych, bez których nie da się ani wytrenować modelu nowej generacji, ani obsłużyć milionów zapytań, jakie generują firmy wdrażające sztuczną inteligencję na co dzień. Odpowiedzią Unii ma być sieć Gigafabryk AI. 30 lipca 2026 unijna agencja zarządzająca komputerami wielkiej mocy, EuroHPC, ogłosiła przetarg, w którym wybierze konsorcja, od których kupi moc obliczeniową, o ile te konsorcja uruchomią swoje gigafabryki w wymaganym terminie i skali.

Katalog zastosowań mocy obliczeniowej SI

Pytanie „komu to potrzebne” ma dziś bardzo konkretną odpowiedź. Globalne badanie McKinsey z 2026 r. pokazuje, że duże organizacje przechodzą od eksperymentów do skalowania: 40 proc. respondentów z firm o przychodach powyżej 1 mld dolarów deklaruje skalowanie agentów SI, wobec 27 proc. rok wcześniej [2]. Oszczędności najczęściej przynosi zastosowanie sztcznej inteligencji w łańcuchu dostaw, operacjach usługowych i produkcji, a wzrost przychodów – w marketingu i sprzedaży, rozwoju produktów oraz wytwarzaniu oprogramowania [2]. W Unii SI wykorzystywane jest już przez 20 proc. firm zatrudniających co najmniej 10 osób [3], a wśród dużych przedsiębiorstw – ponad połowa [4].

Duże przedsiębiorstwa wykorzystują SI w dwunastu głównych obszarach, które zestawione są w tabeli poniżej. Najlepiej czytać ją według klucza wrażliwości danych, bo to ona w dużej mierze przesądza, czy firma może powierzyć obliczenia (analizę materiałów, danych, informacji) zewnętrznemu dostawcy.

Ujmując to bardziej opisowo, otrzymujemy następujący obraz, widziany z perspektywy tego, czego firma nie powinna powierzać zamkniętemu modelowi, nad którym nie ma kontroli w zakresie sposobu przetwarzania i przechowywania danych.

Infografika „Nie tylko czat”. Pięć grup zastosowań uczenia maszynowego wykorzystujących moc obliczeniową Gigafabryki AI: widzenie i mowa, przewidywanie, generowanie, nauka i inżynieria oraz relacje i decyzje.

Tabela 1: Zastosowania AI w dużych firmach

Dane bardzo wrażliwe: IT i cyberbezpieczeństwo. W tej grupie są też ryzyko i zgodność, B+R oraz własne modele dziedzinowe, ale na największą skalę AI pracuje w bezpieczeństwie teleinformatycznym. Wykorzystuje ją w tym celu 19,8 proc. firm stosujących AI, a wśród dużych przedsiębiorstw aż 47,5 proc. To największa różnica między dużymi a małymi firmami spośród wszystkich celów badanych przez Eurostat [4]. Modele analizują logi systemowe i ruch w sieci, wyłapują anomalie i automatyzują obsługę zgłoszeń. Przetwarzają przy tym dane, które składają się na mapę słabych punktów firmy: architekturę sieci, podatności, uprawnienia dostępu. Wyciek takiego zbioru to gotowa instrukcja dla atakującego. Obliczenia muszą też trwać bez przerwy i w czasie rzeczywistym.

Dane wrażliwe: marketing i sprzedaż. To najliczniejsza grupa zastosowań, obejmująca też obsługę klienta, wytwarzanie oprogramowania, zarządzanie wiedzą, finanse i kadry. Marketing i sprzedaż to najczęstszy cel wykorzystania AI w ogóle: deklaruje go 34,7 proc. firm stosujących AI. Na drugim miejscu jest organizacja procesów administracyjnych i zarządzania (31,1 proc.), a na trzecim księgowość, kontroling i finanse (23,1 proc.) [4]. AI profiluje klientów, personalizuje oferty, generuje treści i ocenia potencjał sprzedażowy. Pracuje na historii zakupów, preferencjach i danych kontaktowych, czyli na danych osobowych chronionych przez RODO, a do tego na strategii handlowej firmy. Wymaga inferencji w dużym wolumenie i dostrajania modeli do stylu marki.

Dane średnio-wysoko wrażliwe: produkcja. To jedyny obszar na tym poziomie. AI w procesach produkcyjnych stosuje 20,8 proc. firm korzystających z AI, a wśród dużych przedsiębiorstw 33,5 proc. [4]. Chodzi o konserwację predykcyjną, kontrolę jakości wizją komputerową i cyfrowe bliźniaki linii. Dane z czujników i kamer rzadko są danymi osobowymi. Zapisany jest w nich jednak know-how: parametry procesów, receptury, tolerancje. Ich wyciek to w praktyce szpiegostwo przemysłowe.

Dane średnio wrażliwe: łańcuch dostaw i logistyka. Paradoksalnie to obszar, w którym AI wykorzystuje się najrzadziej: logistykę jako cel wskazało zaledwie 6,1 proc. firm stosujących AI [4]. Prognozy popytu, trasy i stany magazynowe mają znaczenie handlowe, ale firmy i tak często dzielą się nimi z przewoźnikami i dostawcami. Obliczenia mają tu zwykle charakter okresowy: trenowanie modeli prognostycznych i uruchamianie symulacji, a nie praca w trybie ciągłym. Niska skala wykorzystania przy dużym potencjale oszczędności, na który wskazuje McKinsey [2], sugeruje, że to jeden z obszarów, w których popyt na moc obliczeniową dopiero się pojawi.

Analiza zastosowań SI przez firmy widziana z perspektywy wrażliwości przetwarzanych danych prowadzi do dwóch wniosków. Po pierwsze, popyt na moc obliczeniową nie kończy się na treningu. Większość zastosowań to inferencja, czyli codzienna praca już wytrenowanych modeli, a agenci AI wykonujący wieloetapowe zadania zużywają wielokrotnie więcej mocy obliczeniowej (i energii), niż pojedyncze zapytanie do czatu. McKinsey odnotowuje, że koszty operacyjne AI, w tym zakup tokenów, stają się dla firm istotną pozycją kosztową [2].

Po drugie, najistotniejsze zastosowania, te które w największym stopniu zwiększają efektywność biznesów czy organizacji, dotykają najbardziej wrażliwych danych. Kod źródłowy, informacje o klientach banku, receptury, dokumentacja techniczna – tych aktywów firmy nie powinny wysyłać tam, gdzie mogą podlegać cudzej jurysdykcji a często nie mogą ze względu na ograniczenia prawne. I tu dochodzimy do pytania, które dla sensu Gigafabryk AI jest kluczowe: z jakich modeli firmy tak naprawdę, w praktyce, korzystają. Z jakich korzystają dziś i z jakich korzystać będą w przyszłości.

Modele zamknięte i otwarte: dwa światy AI

Większość z nas zna AI z jednej strony. Otwieramy czat – ChatGPT, Claude'a, Gemini – wpisujemy polecenie i dostajemy szkic artykułu, streszczenie raportu czy odpowiedź na maila. To są modele zamknięte. Ich „mózg”, czyli miliardy parametrów zwanych wagami, pozostaje tajemnicą producenta. Nie da się go pobrać ani uruchomić u siebie. Korzystamy z niego wyłącznie przez aplikację lub interfejs programistyczny (API), a nasze dane za każdym razem wędrują na serwery dostawcy.

Istnieje jednak drugi świat: modele otwarte, czy mówiąc bardziej precyzyjnie – modele o otwartych wagach (open-weight). Ich twórcy publikują wytrenowany model do pobrania. Tak udostępniane są m.in. Llama (Meta), modele francuskiego Mistrala, chińskie Qwen i DeepSeek, Gemma (Google) czy gpt-oss (OpenAI), a także polskie PLLuM i Bielik. Taki model można uruchomić na własnym serwerze, w swojej serwerowni albo w Gigafabryce AI. Warto przy tym pamiętać, że „otwarte wagi” to nie zawsze pełne open source: dane treningowe i kod bywają niejawne, a licencje różnią się warunkami użycia komercyjnego.

Często słyszy się, że modele otwarte są o wiele słabsze. Czy to prawda? Niekoniecznie. Według analizy Epoch AI od początku 2026 r. najlepsze modele otwarte pozostają za czołowymi modelami zamkniętymi średnio o około cztery miesiące [5]. Do pisania kodu na granicy możliwości czy najbardziej złożonych zadań agentowych przewaga zamkniętych modeli wciąż się liczy. Do analizy dokumentów, obsługi klienta, klasyfikacji zgłoszeń czy pracy na firmowej bazie wiedzy – model otwarty w zupełności wystarcza, zwłaszcza po dostrojeniu.

Model zamknięty „przynosi ze sobą” moc obliczeniową dostawcy. Model otwarty to tylko plik – żeby z niego skorzystać, trzeba mieć gdzie go uruchomić. Najbardziej popularne modele zamknięte należą dziś do firm amerykańskich, a trzy amerykańskie chmury kontrolują ok. 65 proc. europejskiego rynku [10]. Kto chce być od tego niezależny, potrzebuje nie tylko modeli otwartych ale przede wszystkim infrastruktury, na której będą pracować.

Tabela porównująca zamknięte i otwarte modele sztucznej inteligencji pod względem dostępu, miejsca działania, ochrony danych, dostosowania, dostępności wersji, kosztów i zapotrzebowania na moc obliczeniową.

Tabela 2: Zamknięte i otwarte modele. Gdzie jest różnica? (Opracowanie własne, projekt SI)

Zależność od dostawców, jaka pojawia się przy korzystaniu z modeli zamkniętych nie jest wyłącznie teoretyczna. W czerwcu 2026 r., na mocy decyzji eksportowej Departamentu Handlu USA, amerykańska firma Anthropic zawiesiła dostęp do swoich dwóch najnowszych modeli, Claude Fable 5 i Claude Mythos 5, kilka dni po ich premierze [6]. Ograniczenia zniesiono pod koniec czerwca, a dostęp przywrócono 1 lipca. Epizod trwał niespełna trzy tygodnie, ale pokazał rzecz zasadniczą: dostęp do najbardziej zaawansowanych narzędzi AI w modelu zamkniętym zależy dziś od decyzji podejmowanych poza Europą.

Model otwarty raz pobrany nie zniknie z dnia na dzień. Nie zmieni też cennika ani zachowania bez wiedzy użytkownika. To dlatego modele otwarte są naturalnym „paliwem” dla suwerennej infrastruktury – pod warunkiem, że jest na czym je uruchomić.

Co firma może zrobić z modelem otwartym

Model otwarty to punkt wyjścia, a nie gotowy produkt. Dysponując mocą obliczeniową, można zamienić go w narzędzie dopasowane do potrzeb konkretnej firmy czy organizacji. Oto, co w praktyce można z nim zrobić:

Uruchomić model u siebie (inferencja). Model pracuje w wydzielonym środowisku, a dokumenty, kod czy dane klientów nie opuszczają infrastruktury pod europejską jurysdykcją.
Dostroić model na własnych danych (fine-tuning). Kilka tysięcy przykładów firmowej korespondencji, zgłoszeń czy raportów wystarczy, by model nauczył się stylu, terminologii i procedur danej organizacji. Lekkie metody (np. LoRA) zmieniają tylko niewielki ułamek parametrów, pełne dostrajanie – wszystkie.
Douczyć w nowej dziedzinie lub języku. Dalszy trening na dużym zbiorze tekstów prawniczych, medycznych czy po prostu polskojęzycznych poprawia rozumienie specjalistycznego słownictwa. Tak powstają modele branżowe.
Można wydestylować mniejszy model. Duży model „uczy” mały, który potem działa szybciej i taniej – choćby na urządzeniach przy linii produkcyjnej (rozwiązania brzegowe – Edge AI)
Można podłączyć otwarty model zainstalowany na kontrolowanym sprzęcie do firmowej wiedzy (RAG). Model odpowiada na podstawie aktualnych dokumentów firmy, a nie tylko tego, czego nauczył się w treningu.
Można zbudować na nim agentów, systemy, które samodzielnie planują zadania, korzystają z narzędzi i firmowych danych, np. obsługują reklamacje od zgłoszenia do decyzji.
Można wreszcie zbadać model i przetestować. Tylko mając dostęp do wag, można w pełni audytować, testować odporność modelu na ataki i dokumentować zgodność z AI Act.

Ile mocy to wymaga? Rachunek jest prosty i dobrze pokazuje, dlaczego mowa o gigafabrykach AI, a nie o serwerowni w piwnicy. Model o 70 mld parametrów w standardowej, 16-bitowej precyzji zajmuje ok. 140 GB pamięci – więcej, niż mieści jeden procesor H100 (80 GB). Pełne dostrajanie takiego modelu wymaga kilkukrotnie więcej pamięci. Zwykle potrzeba kilkudziesięciu akceleratorów pracujących razem. Trening modelu klasy czołowej od podstaw to już tysiące lub dziesiątki tysięcy procesorów przez wiele tygodni. Dla porównania: w ogłoszonym 30 lipca przez EuroHPC przetargu na zakup mocy z europejskich gigafabryk AI, mniejsza (tak zwana „średniej wielkości”) gigafabryka z ma w pierwszej fazie dysponować mocą co najmniej 25 tys. ekwiwalentów H100 [7].

Przetarg EuroHPC wprost przewiduje taki scenariusz. W najwyższej warstwie usług Gigafabryki mają oferować gotowe, zoptymalizowane modele fundamentowe – otwarte lub komercyjne – a oprogramowanie ma w możliwie największym stopniu opierać się na rozwiązaniach open source [7].

Nie tylko czat. Co jeszcze da się zrobić z mocą obliczeniową

Modele językowe zdominowały publiczną dyskusję o AI, ale to tylko część tego, do czego służy moc obliczeniowa. Gigafabryka AI to w istocie superkomputer zoptymalizowany pod uczenie maszynowe a z tej samej infrastruktury korzysta cała rodzina narzędzi, z których wiele działa w przemyśle od lat – tyle że na coraz większą skalę.

Maszyny, które widzą i słyszą. Widzenie komputerowe rozpoznaje obiekty, wady i zmiany na obrazach i nagraniach. W fabryce wyłapuje wadliwe elementy na linii, w szpitalu wspiera diagnostykę obrazową, a w energetyce i na kolei analizuje zdjęcia sieci i torów czy obrazy satelitarne. Modele mowy zamieniają mowę na tekst i tekst na mowę. Dzięki nim powstają transkrypcje rozmów, asystenci głosowi i usługi dostępne dla osób z niepełnosprawnościami.

Przewidywanie i dopasowanie. Modele prognozowania szeregów czasowych przewidują, jak będą się zmieniać wartości w czasie: popyt w handlu, zużycie energii, obciążenie sieci telekomunikacyjnych czy płynność finansowa firmy. Systemy rekomendacyjne dopasowują oferty i treści do zachowań użytkowników. Na nich opiera się sprzedaż w e-commerce, układ treści w mediach i oferta bankowości detalicznej.

Relacje i decyzje. Grafowe sieci neuronowe analizują powiązania między osobami, kontami czy urządzeniami. Dzięki temu wykrywają całe siatki wyłudzeń, a nie tylko pojedyncze podejrzane transakcje. Pomagają też analizować łańcuchy dostaw i projektować cząsteczki. Uczenie ze wzmocnieniem działa inaczej: system uczy się metodą prób i nagród w symulowanym środowisku. Tak trenuje się sterowanie robotami, optymalizację pracy sieci energetycznych i logistyki czy planowanie produkcji.

Nauka i inżynieria. Modele naukowe trenuje się na danych fizycznych, chemicznych i biologicznych. Przewidują strukturę białek, pomagają projektować leki i nowe materiały, prognozują pogodę i zmiany klimatu. Cyfrowe bliźniaki to wirtualne kopie obiektów lub procesów, przyspieszane przez modele uczone na symulacjach. Pozwalają testować linie produkcyjne, sieci miejskie, turbiny czy budynki bez fizycznych prób.

Generowanie treści poza tekstem. Modele generujące obraz i wideo tworzą grafiki, animacje i filmy na potrzeby marketingu, projektowania produktów czy szkoleń. Mniej widowiskowe, ale równie ważne są dane syntetyczne: realistyczne, choć sztuczne zbiory danych. Pozwalają trenować modele tam, gdzie prawdziwe dane są wrażliwe albo nieliczne, na przykład w medycynie, finansach czy przy pojazdach autonomicznych.

Rysunek 1: Sztuczna inteligencja poza modelami językowymi

Wspólny mianownik tych narzędzi to zapotrzebowanie na moc, które rośnie szybciej niż możliwości pojedynczej firmy. Model pogody, cyfrowy bliźniak elektrowni czy system wykrywania nadużyć w skali całego banku trenuje się na ogromnych zbiorach danych, często łącząc klasyczne obliczenia wielkiej skali (HPC) z uczeniem maszynowym. Dla większości przedsiębiorstw budowa własnej infrastruktury tego rzędu nie ma sensu ekonomicznego. Dostęp do niej w modelu usługowym – już tak.

Dokumentacja przetargu zwraca uwagę jeszcze na jeden obszar: zastosowania wrażliwe, takie jak symulacje dla infrastruktury krytycznej czy badania o potencjalnie podwójnym zastosowaniu. Gigafabryki mają być przygotowane także na te zadania, z podwyższonymi wymogami bezpieczeństwa zgodnymi z dyrektywą NIS2 [7].

Otwartość znaczy kontrola?

Modele zamknięte zostaną z nami na długo i dobrze, bo w wielu zadaniach wciąż są najlepsze. Ale gospodarka, która opiera się wyłącznie na nich, oddaje komuś innemu kontrolę nad swoimi danymi, cenami i dostępem do technologii. Modele otwarte i cała rodzina narzędzi uczenia maszynowego dają alternatywę – pod jednym wszakże warunkiem: trzeba mieć gdzie je trenować, dostrajać i uruchamiać. Właśnie tę lukę mają wypełnić Gigafabryki AI.

Dla Polski, w której AI wykorzystuje dziś (według Eurostatu) zaledwie 8,4 proc. firm wobec 20 proc. średnio w UE [3], to szansa szczególna. Fala wdrożeń dopiero nadchodzi, a to, gdzie stanie moc obliczeniowa, przesądzi o tym, czy polskie firmy będą z niej korzystać u siebie, czy za granicą. Pytanie „czy Europie potrzebne są Gigafabryki AI” jest już rozstrzygnięte. Otwarte pozostaje pytanie, gdzie staną i kto z nich skorzysta.

Luka, której nie widać zza biurka

Unia Europejska ma w 2026 r. ok. 2 GW infrastruktury obliczeniowej dla AI, czyli blisko 5 proc. światowych zasobów. USA mają ok. 35 GW (78 proc.), Chiny ok. 5 GW (11 proc.) [9]. Przetarg ogłoszony przez EuroHPC JU 30 lipca 2026 r. ma to zmienić [1].

Unia nie buduje Gigafabryk – kupuje ich usługi. Instalacje, szacowane na co najmniej 4–5 mld euro każda, budują i finansują konsorcja komercyjne. Unia i państwa członkowskie z góry kupują część czasu obliczeniowego jako klient kotwiczny, płacąc okresowo przez 5 lat. Wkład UE nie przekracza 17 proc. nakładów na infrastrukturę IT, a państwo-gospodarz musi go co najmniej zrównać [7]. Do 10 mld euro środków publicznych ma odblokować ponad 20 mld euro kapitału prywatnego [8].

Przetarg obejmuje do siedmiu Gigafabryk w co najmniej siedmiu państwach: cztery średnie (Lot 1, docelowo min. 75 tys. ekwiwalentów H100) i trzy duże (Lot 2, min. 100 tys.) [7]. To trzy- do czterokrotności mocy JUPITERA, najpotężniejszej dziś europejskiej fabryki AI. Zakupiona moc to nie „gołe” procesory, lecz usługi w trzech warstwach: infrastruktura, platforma do trenowania i dostrajania modeli oraz gotowe modele i narzędzia dla administracji i MŚP. Dane i metadane muszą pozostać w UE, a koordynator konsorcjum musi być kontrolowany przez podmioty unijne [7]. Polska uczestniczy w Locie 1 [11]. Oferty można składać do 12 listopada 2026 r., wybór nastąpi na początku 2027 r., a Gigafabryki mają ruszyć w ciągu 18 miesięcy [1].

W pigułce

Zastosowania: 12 głównych obszarów wykorzystania AI w dużych firmach – od obsługi klienta i kodowania po B+R i własne modele; większość to stała inferencja na wrażliwych danych [2]
Modele zamknięte: dostęp przez aplikację lub API, dane trafiają do dostawcy, moc obliczeniowa po jego stronie
Modele otwarte: wagi do pobrania, pełna kontrola i możliwość dostrajania; ustępują czołówce średnio o ok. 4 miesiące [5], ale wymagają własnej mocy obliczeniowej
Poza czatem: widzenie komputerowe, prognozowanie, systemy rekomendacyjne, uczenie ze wzmocnieniem, modele naukowe, cyfrowe bliźniaki, dane syntetyczne
Tło: UE ma ok. 5 proc. światowej mocy obliczeniowej dla AI [9]; EuroHPC kupi moc z maks. 7 Gigafabryk jako klient kotwiczny [1][7]

Zastrzeżenia: szacunki pamięci i liczby procesorów potrzebnych do uruchomienia i dostrajania modeli mają charakter orientacyjny i zależą od architektury modelu, precyzji obliczeń i metody. Finansowanie Fazy II przetargu zależy od przyjęcia Wieloletnich Ram Finansowych UE na lata 2028–2034 [7].