پرسش ۳ تریلیون دلاری هوش مصنوعی: آیا درآمد میتواند با هزینههای زیرساختی برابری کند؟
صنعت هوش مصنوعی در حال حاضر درگیر رقابتی پرمخاطره میان هزینههای عظیم سرمایهای (CapEx) و نیاز مبرم به درآمدزایی است. در حالی که ابرمقیاسگذارها (hyperscalers) تریلیونها دلار در بخش سختافزار میریزند، یک پرسش حیاتی مطرح میشود: آیا لایه نرمافزاری میتواند ارزش کافی برای توجیه هزینههای هنگفت سیلیکون تولید کند؟
شکاف رو به رشد میان هزینههای سرمایهای و درآمد
مقیاس سرمایهگذاری در زیرساختهای هوش مصنوعی خیرهکننده است. دیوید کان، شریک شرکت Sequoia، که پیشتر بر اساس درآمد ۵۰ میلیارد دلاری Nvidia از بخش GPU، نیاز به درآمدی معادل ۲۰۰ میلیارد دلار را تخمین زده بود، اکنون پیشبینیهای خود را به طور قابل توجهی بازنگری کرده است. به دلیل سه سال مقیاسگذاری بیوقفه توسط ابرمقیاسگذارها، کان اکنون تخمین میزند که هزینههای زیرساخت هوش مصنوعی تا سال ۲۰۲۶ به ۱.۵ تریلیون دلار خواهد رسید.
برای جبران این هزینهها، این صنعت باید درآمدی در حدود ۳ تریلیون دلار ایجاد کند. این رقم احتمالاً یک تخمین محافظهکارانه است. افزایش هزینهها در بخش حافظه، بهکارگیری تراشههای خاص و پیشرفته برای استنتاج (inference) و افزایش هزینههای ساخت مراکز داده، باعث شده است که درآمد مورد نیاز به ازای هر گیگاوات (GW) از هزینههای سرمایهای به شدت افزایش یابد. در حالی که آزمایشگاههای پیشرو (frontier labs) در حال رشد هستند — به طوری که گزارش شده Anthropic به ۶۰ میلیارد دلار ARR و OpenAI به ۲۰ میلیارد دلار ARR رسیده است — همچنان شکاف عظیمی بین درآمدهای فعلی و آستانه ۳ تریلیون دلاری وجود دارد.
شرطبندی ابرمقیاسگذارها و خطر تورمزدایی (Deflation)
ابرمقیاسگذارهایی با سبک «هفت ستاره شگفتانگیز» (Magnificent Seven) — شامل گوگل، متا، مایکروسافت و آمازون — محرکهای اصلی این هزینهها هستند. این غولها بر شتاب عظیم در جریان نقدینگی آزاد تا سال ۲۰۲۸ شرط بستهاند؛ با این پیشفرض که خدمات هوش مصنوعی به ابزارهای ضروری و با حاشیه سود بالا تبدیل خواهند شد.
با این حال، تورستن اسلوک، اقتصاددان ارشد Apollo، نسبت به بادهای مخالف قابل توجهی هشدار میدهد که میتواند این محاسبات را مختل کند. دو روند خاص تهدیدی برای مدل کسبوکار «کارخانه توکن» (token factory) محسوب میشوند:
- ظهور مدلهای با وزنهای باز (Open Weights): سازمانها به جای تکیه صرف بر مدلهای پیشرو و گرانقیمت، به طور فزایندهای به سمت مدلهای ارزانتر با وزنهای باز، از جمله مدلهای چینی، متمایل میشوند.
- تورمزدایی توکن (Token Deflation): با کارآمدتر شدن مدلها، قیمت هر توکن در حال سقوط است. به عنوان مثال، آخرین مدلهای OpenAI به افزایش ۵۴ درصدی در کارایی توکن برای وظایف کدنویسی دست یافتهاند. اگرچه این یک پیروزی برای توسعهدهندگان و کاربران نهایی است، اما برای ارائهدهندگانی که برای جبران هزینههای عظیم زیرساختی به حجم بالای توکن متکی هستند، یک «رقابت برای رسیدن به پایینترین سطح» (race to the bottom) ایجاد میکند.
پیامدهای اقتصاد کلان در صورت شکست بازگشت سرمایه هوش مصنوعی
مخاطرات بسیار فراتر از ترازنامههای غولهای فناوری است. از آنجایی که رهبری فعلی بازار در چند نام محدود شده است، کل شاخص S&P 500 به موفقیت این چرخه سرمایهگذاری هوش مصنوعی وابسته است.
اگر ابرمقیاسگذارها نتوانند تا سال ۲۰۲۸ به اهداف پیشبینیشده جریان نقدی خود برسند، واکنش بازار میتواند سیستماتیک باشد. اسلوک معتقد است که بازگشت سرمایه کندتر از حد انتظار، تنها منجر به یک اصلاح در یک بخش خاص نمیشود؛ بلکه پتانسیل این را دارد که اقتصاد گستردهتر را به سمت رکود سوق دهد. برای اکوسیستم هوش مصنوعی، سالهای آینده آزمونی تعیینکننده خواهد بود که آیا هوش میتواند با سرعتی کافی پولیسازی شود تا از هزینه رو به رشد سختافزاری که آن را تولید میکند، پیشی بگیرد یا خیر.
نکات کلیدی
- نیاز عظیم به درآمد: صنعت هوش مصنوعی برای توجیه ۱.۵ تریلیون دلار هزینههای زیرساختی پیشبینیشده تا سال ۲۰۲۶، نیاز دارد درآمدی در حدود ۳ تریلیون دلار ایجاد کند.
- پارادوکس کارایی: بهبود کارایی مدلها (مانند افزایش ۵۴ درصدی OpenAI در وظایف کدنویسی) هزینهها را برای کاربران کاهش میدهد، اما فشار قیمتی برای شرکتهایی که هزینه سختافزار را تأمین میکنند، ایجاد میکند.
- ریسک اقتصادی سیستماتیک: از آنجایی که رشد ابرمقیاسگذارها محرک اصلی شاخص S&P 500 است، عدم تحقق بازگشت سرمایه هوش مصنوعی میتواند منجر به یک اصلاح گستردهتر در بازار یا رکود اقتصادی شود.