Studiul distribuit de Michael Burry care amenință boomul AI: Până la 80% din energie ar putea fi economisită

Studiul distribuit de Michael Burry care pune sub semnul întrebării boomul centrelor de date: Până la 80% din energia pentru AI ar putea fi economisită

Un studiu realizat de cercetători de la Stanford și Together AI arată că majoritatea cererilor adresate sistemelor de inteligență artificială ar putea fi procesate de modele instalate pe dispozitivele utilizatorilor. Folosirea unui sistem care decide ce solicitări rămân local și ce solicitări ajung în cloud ar putea reduce consumul de energie, necesarul de calcul și costurile cu aproximativ 60%, potrivit simulărilor. Michael Burry vede în această evoluție un posibil pericol pentru investițiile de mii de miliarde de dolari în centre de date și acceleratoare AI.

Un studiu distribuit de investitorul Michael Burry, cunoscut pentru anticiparea crizei creditelor ipotecare din Statele Unite, pune sub semnul întrebării una dintre ipotezele fundamentale ale actualului boom al inteligenței artificiale: aceea că volumul în creștere al cererilor va trebui procesat aproape integral în centre de date uriașe, dotate cu acceleratoare costisitoare.

Lucrarea, intitulată „Intelligence per Watt: Measuring Intelligence Efficiency of Local AI”, a fost realizată de o echipă de cercetători de la Stanford University și Together AI. Cea mai recentă versiune a fost publicată pe 7 august 2026.

Cercetătorii susțin că modelele AI mai mici, care pot funcționa pe calculatoare personale, stații de lucru și chiar telefoane, au devenit suficient de performante pentru a răspunde unei părți considerabile dintre solicitările adresate în prezent modelelor de frontieră.

În loc ca fiecare întrebare să fie trimisă unui model enorm din cloud, un sistem automat ar putea decide care cereri pot fi rezolvate local și care necesită puterea unui centru de date.

Conform simulărilor, o asemenea arhitectură hibridă ar putea reduce consumul de energie, necesarul de calcul și costurile cu aproximativ 60%. În scenariul ideal, economiile de energie ar putea depăși 80%.

De ce l-a atras studiul pe Michael Burry

Michael Burry a prezentat studiul în contextul criticilor sale privind investițiile masive făcute de companiile de tehnologie în cipuri, infrastructură electrică și centre de date.

Într-o analiză publicată pe Substack, Burry arată că activitatea de construcții din Statele Unite a devenit tot mai dependentă de centrele de date. Investițiile în construcțiile private nerezidențiale, dacă sunt eliminate centrele de date, au scăzut în iunie cu 7,9% față de anul anterior, potrivit datelor invocate de investitor.

Centrele de date au continuat însă să atragă investiții, deoarece companiile de tehnologie și finanțatorii lor estimează că profiturile generate de AI vor depăși costul ridicat al capitalului.

Burry atrage atenția că numeroase companii americane au început deja să adopte modele lingvistice mici, construite pe tehnologii open-source sau open-weight. Principalul motiv este costul mai redus.

Din această perspectivă, studiul de la Stanford oferă o bază tehnică pentru una dintre tezele investitorului: o parte importantă a infrastructurii aflate acum în construcție ar putea fi dimensionată pentru o structură a cererii care se va modifica înainte ca investițiile să fie recuperate.

Dacă modelele mici vor putea răspunde local majorității întrebărilor obișnuite, centrele de date vor rămâne necesare în special pentru antrenarea modelelor mari și pentru problemele care presupun raționamente complexe, contexte foarte lungi sau folosirea mai multor instrumente.

Peste un milion de solicitări analizate

Cercetătorii au evaluat peste 20 de modele AI care pot fi rulate local și opt tipuri de acceleratoare produse de Apple, Nvidia, AMD și SambaNova.

Testele au fost efectuate pe peste un milion de cereri, provenite din conversații reale și din seturi de probleme de raționament și cunoștințe:

• 500.000 de solicitări din WildChat, o bază de date cu întrebări reale adresate ChatGPT;
• 500.000 de probleme din Natural Reasoning;
• aproximativ 12.000 de întrebări din MMLU Pro;
• 26.500 de probleme din SuperGPQA, care testează raționamentul la nivel universitar și postuniversitar.

Pentru fiecare combinație dintre model și accelerator, autorii au măsurat precizia răspunsului, consumul de energie, puterea utilizată, timpul de răspuns, necesarul de memorie și costul estimat.

Cercetătorii au introdus și un nou indicator, denumit „intelligence per watt” - inteligență per watt. Acesta raportează calitatea răspunsurilor obținute la puterea electrică necesară pentru funcționarea sistemului.

Un model rapid și economic, dar care oferă răspunsuri greșite, nu poate fi considerat eficient. În același timp, un model foarte performant, care consumă o cantitate disproporționată de energie pentru fiecare cerere, poate deveni neviabil economic.

Modelele locale pot acoperi aproape 89% dintre cereri

Potrivit studiului, cel mai performant model local analizat individual, GPT-OSS-120B, a reușit să răspundă corect la aproximativ 71,4% dintre solicitări.

Procentul crește până la 88,7% dacă fiecare întrebare este repartizată modelului local care se descurcă cel mai bine cu respectivul tip de problemă.

Această diferență arată că modelele mici nu au exact aceleași puncte forte. Unele se descurcă mai bine la redactare, altele la programare, matematică sau întrebări factuale. Combinarea lor prin intermediul unui sistem de rutare poate produce rezultate semnificativ mai bune decât folosirea unui singur model.

Conversațiile obișnuite sunt cele mai potrivite pentru procesarea locală. Cel mai bun model individual a obținut o acoperire de 88,9% pe solicitările din WildChat, față de 64,9% pe problemele din Natural Reasoning.

În cazul întregului ansamblu de modele locale, rata de rezolvare a întrebărilor WildChat a ajuns la 98,4%. Pentru problemele de raționament din Natural Reasoning, procentul a fost de 63%.

Diferențele sunt și mai mari între domenii. Modelele locale se descurcă foarte bine la redactare, activități creative, informare generală și sarcini administrative. Performanța scade însă în arhitectură, inginerie, științe, medicină și alte domenii tehnice.

Pentru problemele de raționament din arhitectură și inginerie, numai aproximativ 41% dintre întrebări au putut fi rezolvate de cel puțin unul dintre modelele locale testate.

Eficiența modelelor locale a crescut de peste cinci ori

Studiul constată o evoluție foarte rapidă a modelelor și a echipamentelor disponibile în afara centrelor de date.

Între 2023 și 2025, indicatorul „inteligență per watt” a crescut de 5,3 ori. Îmbunătățirea este explicată printr-un avans de 3,1 ori la nivelul modelelor și de 1,7 ori la nivelul acceleratoarelor.

În 2023, cea mai bună combinație locală analizată putea acoperi 23,2% dintre cereri. Procentul a urcat la 48,7% în 2024 și la 71,3% în 2025.

Creșterea nu provine numai din dezvoltarea unor cipuri mai puternice. Arhitecturile de tip mixture-of-experts, comprimarea modelelor și reducerea preciziei numerice permit rularea unor sisteme mai capabile cu un consum mai mic.

Cuantizarea de la FP16 la FP4 reduce consumul de energie de aproximativ 3-3,5 ori, potrivit testelor, în schimbul unei scăderi relativ mici a preciziei. Autorii au constatat că un model mai mare, comprimat agresiv, poate fi mai eficient decât un model mai mic păstrat la o precizie numerică ridicată.

Extinderea memoriei disponibile pe dispozitivele personale este un alt factor important. Un sistem Apple M4 Max cu 128 GB de memorie unificată poate găzdui modele care, în urmă cu numai câțiva ani, necesitau echipamente de centru de date.

Autorii au testat și un iPhone 16 Pro. Modelele foarte mici rulate pe procesorul A18 Pro au obținut o eficiență per watt de aproximativ șapte ori mai mare decât cea a unor plăci grafice pentru stații de lucru, deși cu o reducere a calității răspunsurilor.

Economii de aproximativ 60% cu un sistem local-cloud

Pentru a estima impactul economic, cercetătorii au simulat procesarea a 80,2 milioane de solicitări pe parcursul a 24 de ore.

Cererile simple au fost repartizate către patru modele locale, rulate pe Apple M4 Max. Problemele dificile au fost trimise către modelul Qwen3-235B, instalat pe acceleratoare Nvidia H200 într-un centru de date.

În scenariul ideal, în care sistemul știe dinainte ce model poate răspunde corect la fiecare întrebare, consumul de energie scade cu 80,4%, necesarul de calcul cu 77,3%, iar costurile cu 73,8% față de trimiterea tuturor cererilor către modelul mare.

Un asemenea sistem perfect nu există în practică. Cercetătorii au simulat, prin urmare, și un router care ia decizia corectă în 80% dintre cazuri. În această situație:

• consumul de energie scade cu 64,3%;
• necesarul de calcul se reduce cu 61,8%;
• costurile scad cu 59%.

Chiar și un router cu o precizie de numai 60% ar produce economii de aproximativ 45-48%, potrivit simulării.

Solicitările repartizate greșit sunt retrimise modelului din cloud, astfel încât calitatea finală a răspunsului să nu fie redusă. Sistemul consumă mai multe resurse în acele situații, dar evită ca utilizatorul să rămână cu un răspuns insuficient.

Centrele de date rămân mai eficiente decât laptopurile

Rezultatele nu înseamnă că un laptop este deja mai eficient decât un accelerator specializat dintr-un centru de date.

Dimpotrivă, Nvidia B200 obține o eficiență per watt de aproximativ 1,4 ori mai bună decât Apple M4 Max atunci când cele două echipamente rulează același model. În anumite comparații, acceleratoarele pentru centre de date au o eficiență energetică per cerere de până la 7,4 ori mai mare.

Centrele de date beneficiază și de procesarea simultană a mai multor solicitări. La un lot de 64 de cereri, Nvidia B200 a obținut o eficiență per joule de 11 până la 20 de ori mai mare decât atunci când procesează o singură solicitare.

Economiile din sistemul hibrid nu provin, așadar, din superioritatea energetică a dispozitivului local. Ele apar deoarece o întrebare simplă nu mai este trimisă unui model cu sute de miliarde de parametri.

Autorii rezumă principiul astfel: infrastructura eficientă nu rezultă din înlocuirea completă a cloudului, ci din folosirea modelului potrivit pentru fiecare problemă.

Ce ar putea însemna pentru Nvidia și hyperscaleri

Dacă direcția identificată de cercetători se confirmă, valoarea economică s-ar putea deplasa treptat de la cele mai mari modele către sisteme de rutare, modele specializate, comprimare și cipuri locale.

Pentru Nvidia, Microsoft, Amazon, Google și ceilalți participanți la boomul infrastructurii AI, pericolul nu este dispariția centrelor de date. Antrenarea modelelor de frontieră, agenții autonomi, procesarea video, cercetarea științifică și raționamentele complexe vor continua să necesite capacități uriașe.

Riscul este ca o proporție mai mică decât cea anticipată din utilizarea zilnică a AI să rămână în cloud.

Planurile de investiții și evaluările bursiere se bazează pe creșterea foarte rapidă a volumului de inferență. Dacă majoritatea întrebărilor obișnuite vor fi procesate pe dispozitive deja cumpărate de utilizatori, veniturile din API-uri și cererea pentru capacitate centralizată ar putea crește mai lent decât indică scenariile optimiste.

În același timp, acceleratoarele cumpărate astăzi se pot confrunta cu o depreciere economică accelerată. Chiar dacă echipamentele continuă să funcționeze, apariția unor modele care produc rezultate similare folosind mult mai puține resurse poate reduce valoarea comercială a cipurilor mai vechi.

Acesta este punctul în care cercetarea se întâlnește cu teza lui Michael Burry. Întrebarea nu este dacă inteligența artificială va fi utilizată tot mai mult, ci cât din această utilizare va justifica modelele gigantice și infrastructura extrem de scumpă aflată acum în construcție.

Limitele studiului

Cifra de 88,7% trebuie interpretată cu prudență. Ea nu arată că un singur model instalat pe orice laptop poate răspunde corect la aproape nouă întrebări din zece.

Rezultatul presupune alegerea modelului potrivit dintr-un ansamblu de peste 20 de modele. În plus, GPT-OSS-120B, cel mai performant model local individual, are 120 de miliarde de parametri în total, deși activează cel mult 20 de miliarde pentru fiecare etapă de procesare. Pentru găzduirea sa este necesar un sistem cu aproximativ 128 GB de memorie, nu un laptop obișnuit.

Evaluarea răspunsurilor deschise a fost făcută și cu ajutorul altor modele AI. Egalitatea dintre răspunsul local și cel oferit de modelul de frontieră a fost considerată un rezultat pozitiv, ceea ce poate ridica rata de succes.

Studiul se concentrează în principal asupra interacțiunilor cu o singură întrebare. Conversațiile lungi, agenții AI, folosirea instrumentelor externe, procesarea imaginilor și contextele de sute de mii de tokenuri pot avea un profil energetic și tehnic diferit.

Calculele privind costurile folosesc tarife OpenRouter din august 2025 și nu reprezintă o analiză contabilă completă a cumpărării, utilizării și amortizării echipamentelor locale.

Autorii avertizează și asupra paradoxului Jevons: dacă AI devine mai ieftină și mai eficientă, utilizarea sa poate crește atât de mult încât consumul total de energie să nu scadă. Procesarea locală poate muta o parte din consum din centrele de date către rețelele electrice care alimentează locuințele și birourile, fără să îl elimine complet.

Studiul nu demonstrează, prin urmare, că centrele de date vor deveni inutile. El arată însă că piața ar putea supraestima cantitatea de procesare care va trebui să rămână permanent în infrastructura centralizată.

Iar într-o industrie în care sunt angajate investiții de mii de miliarde de dolari, diferența dintre cele două scenarii poate deveni decisivă.