هشدار کریس وود: خطر سرمایهگذاری نادرست میتواند پایان معامله هوش مصنوعی را رقم بزند
افزایش بیوقفه هزینهکرد در حوزه هوش مصنوعی با هشدار جدی یکی از با تجربهترین استراتژیستهای والاستریت روبرو شده است. کریس وود، مدیر استراتژی جهانی سهام در Jefferies، معتقد است که رونق هوش مصنوعی نه به دلیل کمبود تقاضا، بلکه به دلیل بحران قریبالوقوع سودآوری به پایان خواهد رسید.
تهدید سرمایهگذاری نادرست بیش از مازاد عرضه
برخلاف چرخههای سنتی نیمههادی که معمولاً به دلیل انباشت ناگهانی موجودی یا شوکهای عرضه فرو میپاشند، وود استدلال میکند که معامله هوش مصنوعی با یک ریسک ساختاری منحصربهفرد روبروست: سرمایهگذاری نادرست (malinvestment). او معتقد است که «پایان بازی» برای رونق هوش مصنوعی زمانی آغاز خواهد شد که ابرمقیاسسازان (hyperscalers) و آزمایشگاههای پیشرو هوش مصنوعی متوجه شوند که نمیتوانند بازدهی مناسبی از هزینههای عظیم سرمایهای (capex) که متحمل شدهاند، کسب کنند.
وود به یک حلقه بازخورد بالقوه ناپایدار اشاره میکند که در آن شرکتهایی مانند Nvidia به نهادهایی مانند OpenAI تأمین مالی میکنند و سپس آنها از آن سرمایه برای خرید تراشههای بیشتر Nvidia استفاده میکنند. اگرچه این چرخه باعث رشد سریع میشود، اما به شدت بر پیشفرضهای خوشبینانه از درآمدزایی (monetization) متکی است. اگر سرمایهگذاران نسبت به شفافیت سودآوری بلندمدت در لایههای هوش مصنوعی (AI stack) دچار تردید شوند، این مدل تأمین مالی چرخشی میتواند به شدت از هم بپاشد.
هزینههای سرمایهای عظیم و ظهور غولهای حافظه
مقیاس سرمایهگذاریهای فعلی بیسابقه است. وود توسعه جاری را «دراماتیکترین چرخه هزینههای سرمایهای» توصیف میکند که تاکنون شاهد آن بوده است. یک نمونه بارز TSMC است که راهنمای هزینههای سرمایهای خود برای سال ۲۰۲۶ را به حدود ۵۶ میلیارد دلار افزایش داده است؛ همچنین پیشبینیهای Fubon Research نشان میدهد که این رقم میتواند تا سال ۲۰۲۷ به ۶۵ تا ۷۰ میلیارد دلار برسد. این جهش به طور قابل توجهی اقتصاد تایوان را تقویت کرده است، به طوری که رشد واقعی GDP در سه ماهه اول سال ۲۰۲۶ به ۱۴.۵۵ درصد نسبت به سال قبل رسید.
جالب اینجاست که در حالی که لایههای نرمافزاری و مدلها با ریسک روبرو هستند، بخش «ابزار و تجهیزات» (picks and shovels) این صنعت — به ویژه تأمینکنندگان حافظه — از مزایای ساختاری برخوردارند. وود به «پارادوکس جِوونز» (Jevons Paradox) اشاره میکند که در آن افزایش کارایی منجر به مصرف کل حتی بالاتر میشود. این امر باعث شده است که DRAM و حافظه از قطعات جانبی به موتورهای اصلی بهرهوری هوش مصنوعی تبدیل شوند. بازیگران اصلی مانند Micron از هماکنون در حال تضمین اهرمهای بلندمدت هستند، به طوری که ۱۶ توافقنامه استراتژیک، ۲۰ درصد از حجم DRAM و یکسوم از حجم NAND آنها را پوشش میدهد.
کالایی شدن مدلهای هوش مصنوعی
یکی از موانع بزرگ برای ارائهدهندگان هوش مصنوعی غربی، کالایی شدن سریع مدلهای زبانی بزرگ (LLMs) است. وود خاطرنشان میکند که هزینه مدلهای با عملکرد بالا در حال سقوط است، به ویژه با ظهور مدلهای کارآمد چینی.
دادههای OpenRouter نشاندهنده یک تغییر عظیم است: در اواخر ژوئن، برترین مدلهای هوش مصنوعی چینی ۲۱.۳۷ تریلیون توکن را پردازش کردند که جهش قابل توجهی نسبت به ۴.۳۷ تریلیون توکن در ماه آوریل محسوب میشود. این حجم بسیار فراتر از ۵.۷۶ تریلیون توکنی بود که توسط برترین مدلهای آمریکایی پردازش شد. از آنجایی که مدلهایی مانند GLM-5.2 شرکت Z.ai عملکردی تقریباً برابر با ارائهدهندگان ممتاز غربی با یکچهارم هزینه ارائه میدهند، فشار بر اقتصاد خدمات «ممتاز» هوش مصنوعی همچنان رو به افزایش است.
نکات کلیدی
- ریسک اصلی: احتمال اینکه معامله هوش مصنوعی به دلیل درک «سرمایهگذاری نادرست» و بازدهی پایین سرمایه پایان یابد، بسیار بیشتر از یک مازاد عرضه سنتی تراشه است.
- تابآوری حافظه: در حالی که نرمافزارهای هوش مصنوعی با کالایی شدن روبرو هستند، تولیدکنندگان حافظه (DRAM/NAND) در حال کسب قدرت قیمتگذاری ساختاری و ثبات در قراردادهای بلندمدت هستند.
- حلقه بازخورد: سرمایهگذاران باید رابطه چرخشی بین سازندگان تراشه که به آزمایشگاههای هوش مصنوعی تأمین مالی میکنند را زیر نظر داشته باشند، زیرا این چرخه نسبت به تغییرات در احساسات سرمایهگذاران بسیار حساس است.