Z koparki w serwer AI — jak dać GPU drugie życie (2026)

Z koparki w serwer AI — jak dać GPU drugie życie (i kiedy to się opłaca)

Stoi gdzieś w garażu albo w kotłowni, zakurzona, od czasu spadku opłacalności kopania już nie zarabia. Stelaż, kilka kart graficznych, mocny zasilacz — kiedyś robiła krypto, dziś tylko zajmuje miejsce. I co chwilę ktoś pyta mnie to samo: „Da się to przerobić na coś do AI?"

Krótka odpowiedź: często tak — bo karty graficzne, które kopały kryptowaluty, to dokładnie ten sam rodzaj mocy obliczeniowej, którego potrzebuje sztuczna inteligencja. Dłuższa odpowiedź brzmi: to zależy od kilku konkretów, i lepiej je sprawdzić, zanim wydasz złotówkę. Sam budowałem i utrzymywałem koparki, więc znam ten sprzęt od podszewki — pokażę Ci uczciwie, kiedy to ma sens, a kiedy szkoda zachodu.

Dlaczego koparka to świetny punkt startu

Dobra wiadomość: w koparce masz już opłacone najdroższe i najbardziej kłopotliwe elementy serwera obliczeniowego.

• Karty graficzne (GPU) — najdroższa część układanki. W AI to one wykonują 90% pracy, podobnie jak przy kopaniu.
• Mocny zasilacz (albo dwa) — koparki ciągną dużo prądu, więc zwykle mają solidne PSU z zapasem mocy i wieloma złączami PCIe.
• Stelaż open-air — otwarta konstrukcja, która świetnie odprowadza ciepło z wielu kart. To dokładnie to, czego chce serwer GPU pracujący pod obciążeniem.
• Twoje doświadczenie z 24/7 — jeśli ogarniałeś stabilność, temperatury i zasilanie koparki, masz już intuicję, której większości ludzi brakuje.

To nie teoria. Media technologiczne pokazują gotowe konstrukcje serwerów AI postawione wprost na stelażach po koparkach — np. zestawy na płycie dla Threadrippera z siedmioma slotami i kartami spiętymi przez risery. PurePC opisał taki serwer AI zbudowany na bazie koparki, a o szerszym trendzie „GPU z kopania idą do AI" pisał serwis android.com.pl. Pomysł jest realny — tylko trzeba go zrobić z głową.

...ale diabeł tkwi w PCIe

Tu jest haczyk, o którym mało kto mówi, a który decyduje o wszystkim.

Koparka łączyła karty z płytą główną przez risery PCIe x1 — czyli najwęższe możliwe połączenie, jedna „linia" na kartę. Do kopania to wystarczało w zupełności, bo karta dostawała malutkie zadanie i liczyła je samodzielnie, prawie nie gadając z resztą systemu.

W AI jest odwrotnie. Model trzeba załadować do karty, przerzucać przez nią duże ilości danych, a przy kilku kartach — jeszcze synchronizować je między sobą. Tutaj wąskie połączenie x1 dusi wszystko. Karty do AI chcą x8 albo x16 na sztukę.

I właśnie dlatego sama wymiana riserów nie wystarczy: żeby dać kilku kartom pełną przepustowość, potrzebujesz płyty głównej i procesora z dużą liczbą linii PCIe — czyli platformy klasy workstation (Threadripper PRO, EPYC), a nie zwykłej płyty „pod kopanie" z wieloma slotami x1. To zwykle największa przeróbka w całym projekcie.

Twoje karty decydują o wszystkim

Drugi twardy filtr: ile pamięci VRAM mają karty w Twojej koparce. W AI to VRAM, nie szybkość, decyduje, jak duży model w ogóle odpalisz (rozpisałem to dokładnie w artykule ile VRAM i jaki GPU do AI).

Orientacyjnie, dla typowych „kopalnianych" kart:

Widzisz paradoks? Stara RTX 3090 z 24 GB bywa do lokalnych LLM-ów lepsza niż nowsza karta z 8 GB — bo w AI liczy się pojemność pamięci. Jeśli Twoja koparka stała na 3090-tkach, masz realny skarb. Jeśli na ośmiogigabajtowych 3070, sprawa jest dużo trudniejsza.

Uczciwie: nie każda koparka to złoto. Analitycy szacowali swego czasu, że tylko niewielka część kart z kopania (rzędu kilku–kilkunastu procent) realnie nadaje się do poważnych obliczeń HPC/AI — reszta ma za mało pamięci albo jest zbyt energochłonna jak na swoją moc. Dlatego zanim cokolwiek przerobisz, trzeba sprawdzić konkretnie Twoje karty.

Drobna pułapka: koparki często mieszały modele kart (co przy kopaniu nie przeszkadza). Przy AI jednolity zestaw kart pracuje znacznie łatwiej niż „groch z kapustą" — to też warto poukładać.

Co zostaje, a co trzeba wymienić

Żeby było konkretnie, oto jak zwykle wygląda taka przeróbka:

Zostaje (i za to już zapłaciłeś):

• karty graficzne — jeśli mają dość VRAM-u,
• zasilacz/zasilacze — jeśli mają zapas mocy i odpowiednie złącza,
• stelaż open-air i wiedza o chłodzeniu.

Zwykle do wymiany lub dołożenia:

• płyta główna + procesor na platformę z dużą liczbą linii PCIe (to serce przeróbki),
• risery x1 → połączenia x8/x16 (albo karty wprost w sloty),
• RAM — koparki miały go minimum; do AI realnie 64–128 GB,
• szybki dysk NVMe na modele i dane,
• system i oprogramowanie — z systemu „pod kopanie" przechodzisz na Linux + sterowniki CUDA + narzędzia typu Ollama / PyTorch / vLLM,
• czasem chłodzenie/wyciszenie, bo profil obciążenia AI jest inny niż przy kopaniu.

To nie jest „włóż pendrive i działa". To projekt — ale projekt, w którym sporą część kosztów masz już z głowy.

Kiedy się opłaca, a kiedy nie

Bez ściemy, bo o to chodzi:

Opłaca się, gdy:

• masz karty z dużym VRAM-em (zwłaszcza 24 GB, jak 3090),
• masz kilka jednakowych kart,
• chcesz realnie używać tej maszyny (własne AI, firma, render) — a nie tylko „żeby stało",
• zależy Ci na prywatności — własny serwer trzyma dane u Ciebie.

Nie opłaca się, gdy:

• karty mają 8 GB lub mniej i są stare — dorzucanie do nich nowej płyty i procesora to wkładanie pieniędzy w ślepą uliczkę,
• potrzebujesz jednego dużego modelu (70B) — wtedy często taniej i prościej wyjdzie jedna nowoczesna karta z dużym VRAM-em niż żonglerka starymi,
• liczysz na pasywny zysk z wynajmu mocy bez pracy — to działa, ale rynek jest konkurencyjny i to temat na osobną, trzeźwą rozmowę.

Mówiąc wprost: czasem najuczciwsza rada brzmi „te karty sprzedaj, a za to kup jedną sensowną". I powiem Ci to, zamiast naciągać na przeróbkę, która nie ma sensu.

Co potem — do czego realnie użyć takiego serwera

Załóżmy, że karty są dobre i maszyna powstała. Co z nią zrobić:

• Własne AI lokalnie — odpalasz modele językowe i generowanie obrazów u siebie, bez abonamentów i bez wysyłania danych do chmury.
• Serwer AI dla firmy (on-prem) — to dziś gorący temat: firmy z danymi wrażliwymi (kancelarie, medycyna, księgowość) chcą AI, które nie wychodzi poza biuro. Pisałem o tym w tekście o lokalnym AI dla firm bez chmury — przerobiona koparka bywa tańszym wejściem w taki serwer.
• Render / 3D / obliczenia — wiele kart to też moc pod rendering animacji, symulacje czy zadania naukowe.
• Współdzielenie mocy — istnieją platformy, gdzie udostępnia się moc GPU innym; to opcja, ale traktuj ją jako dodatek, nie pewnik.

Ładnie tu wpada zasada, którą się kieruję: naprawiam, zanim wymienisz. Zamiast wyrzucać sprzęt wart kiedyś dziesiątki tysięcy, dajesz mu drugie, sensowne życie. Mniej marnowania, więcej pożytku.

Od czego zacząć

Nie zgaduj. Pierwszy krok to audyt — sprawdzenie, jakie dokładnie masz karty, ile mają VRAM-u, w jakim są stanie pod obciążeniem, jaki masz zasilacz i czy płyta da się sensownie wymienić. Dopiero z tym da się powiedzieć „tak, opłaca się, oto plan i koszt" albo „nie, lepiej zrób to inaczej".

To akurat moja działka — i koparki, i AI. Jeśli masz gdzieś taki sprzęt, napisz albo zadzwoń, zrobię audyt i wycenę przeróbki — Kraków, Wieliczka i okolice, z dojazdem. A jeśli dopiero planujesz maszynę do AI od zera, zacznij od poradnika ile VRAM i jaki GPU do AI w 2026, żeby nie przepłacić.

FAQ