Gigafabryka AI w Polsce: co musi się zgadzać przed zgłoszeniem

• W Europie powstaje sieć 19 fabryk AI i 13 centrów dostępowych, w tym polska Gaia AI Factory. Największe mają mieć około 25 tys. akceleratorów AI.
• Gigafabryki to kolejny poziom: ponad 100 tys. procesorów na obiekt i trenowanie modeli z bilionami parametrów. Mają działać komercyjnie i docelowo pokrywać własne koszty.
• Oczekiwane prywatne inwestycje przekraczają 20 mld euro. UE i państwa współfinansujące dostaną część mocy, a resztę ktoś musi kupić.
• Autor opinii w Benchmark.pl wskazuje trzy warunki dla Polski: kadry, lokalizację i gwarancję, że energia oraz woda nie zabraknie mieszkańcom.

Unia Europejska planuje gigafabryki AI, choć jej pierwsze, mniejsze fabryki dopiero zaczynają pracę. To na razie plany i deklaracje, bez wyników. Polska rozważa zgłoszenie, a Paweł Maziarz z Benchmark.pl w opinii z 10 października 2026 r. pyta, na jakich warunkach to ma sens.

Fabryka kontra gigafabryka: ta sama nazwa, inna liga

Zacznijmy od porządku, bo słowa "fabryka" i "gigafabryka" łatwo się mieszają. W Europie powstaje sieć 19 fabryk AI i 13 powiązanych z nimi centrów dostępowych, nazywanych antenami. Łączą one superkomputery z danymi, szkoleniami i wsparciem dla start-upów, MŚP oraz naukowców. Wśród fabryk są fińska LUMI AI, włoska IT4LIA i polska Gaia AI Factory.

Największe z tych obiektów mają dysponować około 25 tys. akceleratorów AI. Akcelerator to wyspecjalizowany układ, który liczy dla modeli AI. Gigafabryki mają być kilka razy większe: każda ma wykorzystywać ponad 100 tys. procesorów i umożliwiać trenowanie modeli z bilionami parametrów.

Różni je też model działania. Fabryki są przede wszystkim publicznymi ekosystemami wspierającymi innowacje. Gigafabryki ma prowadzić przemysł, a one same mają świadczyć komercyjne usługi i docelowo pokrywać koszty operacyjne.

Skąd apetyt na moc i kto ją kupi

Dlaczego Europa chce więcej mocy

Badanie przygotowane na zlecenie Komisji Europejskiej wskazuje na ograniczoną i nierównomiernie rozmieszczoną infrastrukturę obliczeniową w UE. Pokazuje też zależność od pozaeuropejskich dostawców chmury i systemów AI. Gigafabryki miałyby pozwolić firmom, naukowcom i administracji rozwijać największe modele bez całkowitego polegania na infrastrukturze spoza Europy.

Zapotrzebowanie rośnie także dlatego, że infrastruktura nie służy już tylko jednorazowemu trenowaniu modeli. Według danych branżowych przywoływanych przez AMD miesięczny wolumen tokenów wzrósł 158-krotnie w dwa lata, a moc do trenowania największych modeli rosła od 2020 r. około pięciokrotnie rocznie. To dane przywołane przez producenta sprzętu, więc traktuj je jako argument strony, która sprzedaje chipy. Jak agenci AI zużywają moc przy zadaniach, widać choćby w tekście o agentach AI robiących research w Parallel.

Pieniądze: publiczne ryzyko, prywatny rachunek

Do europejskiego programu zgłosiły się dziesiątki potencjalnych konsorcjów. Publiczne finansowanie ma ograniczyć ryzyko inwestorów, a oczekiwana wartość prywatnych inwestycji przekracza 20 mld euro. W zamian UE i państwa współfinansujące dostaną udział w dostępnej mocy obliczeniowej. Wysokość publicznego dofinansowania i terminy wyboru lokalizacji: brak danych w źródle.

Pozostała moc musi znaleźć klientów komercyjnych. Autor stawia więc trzy pytania, na które każdy projekt powinien odpowiedzieć:

• kto kupi dostępną moc,
• czy europejskie firmy będą w stanie za nią zapłacić,
• jaka część infrastruktury przypadnie start-upom, nauce i sektorowi publicznemu.

Bez tych odpowiedzi kosztowny obiekt może imponować skalą, a pracować na ułamku możliwości. Wielka hala z serwerami nie daje jeszcze wielkiej innowacyjności.

Szafa pełna GPU to nie cały system: NVIDIA i AMD

NVIDIA i AMD przekonują, że takiej skali nie projektuje się wokół samych chipów. Akceleratory są jednym z elementów kompletnego systemu i bez reszty nie działają efektywnie. Obie firmy chcą dostarczać maksymalnie zintegrowane zestawy, żeby klient nie musiał sięgać po cudze rozwiązania.

System NVIDIA Vera Rubin NVL72 łączy w jednej szafie 72 GPU i 36 CPU po 88 rdzeni każdy. Platforma AMD Helios też ma 72 GPU, ale wymaga "tylko" 18 procesorów serwerowych, za to po 96 rdzeni. Autor zaznacza, że architektury się różnią i na razie trudno porównywać wydajność. Producenci twierdzą, że o wydajności decyduje optymalizacja całego systemu, nie pojedynczy akcelerator czy rdzeń. To deklaracja producentów, nie wynik niezależnego testu.

Potwierdzenie takiego podejścia autor widzi w niezależnych raportach. Badanie Vertiv wskazuje, że rosnąca gęstość obliczeń wymaga wspólnego projektowania serwerów, zasilania i chłodzenia. Z ankiety Flexential wynika, że 96% liderów IT miało problemy sieciowe obniżające wydajność AI, a dla 89% niezawodność zasilania liczyła się przy wyborze lokalizacji.

Wygoda czy swoboda

Suwerenność ma tu haczyk: Europa chce odejść od zagranicznych usług chmurowych, ale nadal potrzebuje pozaeuropejskich procesorów. Obaj producenci oferują odrębne, niekompatybilne ekosystemy.

• NVIDIA optymalizuje cały stos, żeby działał "out-of-the-box". To wygodne i pozwoliło jej zakorzenić się na rynku oraz wśród deweloperów. Ceną są rozwiązania własnościowe, które ograniczają wybór i możliwości modernizacji.
• AMD od początku stawia na otwarte standardy, bardziej interoperacyjne i elastyczne dla deweloperów. Ceną bywa czas na skonfigurowanie i zoptymalizowanie systemu pod konkretne modele językowe.

Komisja Europejska podpisała porozumienie m.in. z NVIDIĄ i AMD, żeby uniknąć uzależnienia od jednego dostawcy. Otwarte technologie dają według autora większe możliwości rozwijania suwerennych zdolności AI. Z drugiej strony dojrzały, szeroko używany ekosystem może przyspieszyć wdrożenie, a przetarg narzuca rygorystyczny czas dostaw: 18 miesięcy. Spór otwarte kontra zamknięte widać też wyżej w stosie, na przykład przy agentach do kodowania, o czym piszemy w tekście o otwartym agencie Pi 1.0 kontra Claude Code.

Co Polska ma do pokazania, a czego jeszcze nie wiemy

Pierwszy warunek to kadry. Według German Economic Institute Polska zajmowała w 2025 r. czwarte miejsce w UE pod względem udziału ofert wymagających pogłębionych kompetencji AI. Liczbą osób wykonujących takie zadania ustępowała tylko Niemcom. PwC szacuje, że liczba polskich ofert pracy wymagających kompetencji AI wzrosła w 2025 r. o około 33 tys. i sięgnęła 3,5% wszystkich ogłoszeń.

Drugi warunek to przestrzeń. Autor wskazuje regiony pogórnicze z infrastrukturą przemysłową i technicznymi kadrami. Norweski superkomputer Olivia zainstalowano w starej kopalni, choć jego skala jest znacznie mniejsza niż gigafabryk. To przykład kierunku, a nie dowód, że taki model się sprawdzi przy 100 tys. procesorów.

Trzeci warunek jest najtrudniejszy: energia i woda. Gigafabryka nie powinna ograniczać dostępu mieszkańców i lokalnego przemysłu do tych zasobów ani przerzucać kosztów rozbudowy infrastruktury na pozostałych odbiorców. Autor pyta, czy polski rząd uwzględni to w pakiecie zasilania prądem i wodą dla inwestycji, a nawet czy w ogóle to rozważa. Źródło nie podaje odpowiedzi (brak danych). Jak różnie regiony świata podchodzą do regulowania AI, opisujemy w tekście o tym, jak USA stawiają na samokontrolę firm AI, a Chiny i UE na reguły.

Werdykt? Gigafabryka może być szansą, ale tylko z listą zamkniętych punktów: znany kupiec mocy, wybrany dostawca bez pułapki uzależnienia, dowóz w 18 miesięcy i prąd z wodą, które nie zabierają nikomu sąsiadowi. Dopóki te pytania zostają bez odpowiedzi, sama liczba procesorów niewiele mówi.