GPU (ang. Graphics Processing Unit, procesor graficzny) to procesor zbudowany z tysięcy prostych rdzeni, które wykonują te same operacje równolegle na dużych zbiorach danych. Powstał do renderowania grafiki, ale ta sama architektura świetnie nadaje się do mnożenia macierzy, na którym opiera się uczenie sieci neuronowych. Dlatego GPU stał się podstawowym sprzętem centrów danych dla sztucznej inteligencji, a producenci GPU i ich dostawcy – jednym z najważniejszych tematów na giełdzie.
GPU a CPU
| Cecha | CPU | GPU |
|---|---|---|
| Liczba rdzeni | kilka do kilkudziesięciu, bardzo wydajnych | tysiące prostszych |
| Mocna strona | złożone, sekwencyjne zadania, logika programu | masowe, powtarzalne obliczenia równoległe |
| Pamięć | RAM systemowy | własna, szybka pamięć VRAM, w serwerach HBM |
| Typowe zastosowania | system operacyjny, aplikacje, bazy danych | grafika, trening i uruchamianie modeli AI, symulacje |
W praktyce oba procesory pracują razem: CPU zarządza zadaniem, GPU liczy jego najcięższą część. Pojedyncze rdzenie GPU są wolniejsze od rdzeni CPU, ale przy zadaniach, które da się podzielić na tysiące niezależnych kawałków, GPU wygrywa przepustowością.
GPU a sztuczna inteligencja
Trening dużego modelu językowego to biliony operacji na macierzach, rozłożone na tysiące GPU połączonych szybką siecią. Liczy się nie tylko moc obliczeniowa, ale też ilość i przepustowość pamięci oraz połączenia między układami. Dlatego serwerowe GPU korzystają z pamięci HBM i specjalnych łączy, a sprzedaje się je jako całe szafy serwerowe, nie pojedyncze karty.
Przewaga Nvidii nie wynika wyłącznie ze sprzętu. Platforma programistyczna CUDA, rozwijana od 2007 roku, stała się standardem w bibliotekach AI, co utrudnia klientom przejście do konkurencji. Konkurencję tworzą AMD, własne układy dużych firm chmurowych (np. TPU Google) oraz wyspecjalizowane akceleratory.
Łańcuch wartości GPU dla inwestora
- Projektanci układów – Nvidia, AMD, projektanci własnych akceleratorów.
- Produkcja – GPU serwerowe produkuje głównie TSMC, a zaawansowane pakowanie układów jest jednym z wąskich gardeł.
- Pamięć – producenci HBM, np. SK Hynix, Samsung, Micron.
- Infrastruktura – zasilanie, chłodzenie, sieci, operatorzy centrów danych.
- Klienci – firmy chmurowe i twórcy modeli AI, których nakłady inwestycyjne wyznaczają popyt na GPU.
GPU w krypto
Przez lata GPU kopały Ethereum. Po przejściu Ethereum na Proof of Stake we wrześniu 2022 roku (The Merge) kopanie ETH zniknęło, a koparki GPU przeniosły się na mniejsze sieci Proof of Work o niskiej rentowności. Bitcoin od dawna kopie się na układach ASIC, nie na GPU. Nowym obszarem są projekty GPU DePIN, które pośredniczą w wynajmie mocy obliczeniowej GPU w zamian za tokeny.
Przykład 1: koszt wynajmu GPU
Załóżmy, że startup wynajmuje serwer z 8 GPU po 2,50 USD za godzinę za każdy układ, przez 720 godzin w miesiącu. Koszt: 8 × 2,50 × 720 = 14 400 USD miesięcznie. Taki rachunek pokazuje, dlaczego przychody firm chmurowych z AI zależą od stawek za godzinę GPU, a spadek tych stawek przy rosnącej podaży uderza w marże wynajmujących.
Przykład 2: wycena spółki z branży GPU
Załóżmy, że spółka jest wyceniana na 40-krotność prognozowanego zysku. Zysk rośnie o 20%, ale rynek uznaje, że wzrost zwalnia, i obniża mnożnik do 25. Nowa cena to 1,2 × 25 / 40 = 0,75 ceny wyjściowej, czyli spadek o 25% mimo rosnących zysków. W spółkach cyklicznych, o wysokich oczekiwaniach, zmiana mnożnika bywa ważniejsza niż sam wynik.
Najczęstsze błędy
- Utożsamianie wzrostu popytu na AI z nieograniczonym wzrostem zysków producentów GPU – półprzewodniki mają historię silnych cykli.
- Pomijanie koncentracji klientów: kilka firm chmurowych odpowiada za dużą część zamówień.
- Ignorowanie ryzyka ograniczeń eksportowych i geopolityki łańcucha dostaw.
- Kupowanie koparki GPU z założeniem, że da się nią kopać ETH.
Perspektywa tradera
Spółki z łańcucha GPU reagują silnie na raporty kwartalne – swoje i największych klientów, bo ich plany wydatków na centra danych to sygnał popytu. Przed publikacją wyników zmienność implikowana rośnie, a ruchy o kilkanaście procent w jeden dzień nie są rzadkością. Ustal wielkość pozycji pod możliwą lukę cenową, a nie pod zwykły dzienny zakres. Uważaj też na koncentrację: kilka spółek z tego samego łańcucha dostaw i szeroki ETF technologiczny to w praktyce ta sama ekspozycja na jeden temat.
Najczęstsze pytania
Czym różni się GPU od karty graficznej?
GPU to sam procesor. Karta graficzna to całe urządzenie z GPU, pamięcią VRAM, zasilaniem i chłodzeniem.
Dlaczego do AI używa się GPU, a nie CPU?
Bo trening modeli to masowe, równoległe obliczenia na macierzach, a GPU wykonuje je wielokrotnie szybciej i taniej niż CPU.
Czy można jeszcze kopać Ethereum na GPU?
Nie. Od The Merge we wrześniu 2022 roku Ethereum działa na Proof of Stake i nie ma kopania.
Co to jest CUDA?
Platforma programistyczna Nvidii do obliczeń na GPU. Większość narzędzi AI jest pod nią zoptymalizowana, co wzmacnia pozycję firmy.
Jak inwestować w temat GPU bez wybierania jednej spółki?
Przez ETF-y na półprzewodniki lub technologię. Sprawdź jednak ich skład, bo często mają bardzo duży udział kilku największych firm.
Tekst ma charakter edukacyjny i nie stanowi rekomendacji inwestycyjnej.
