چرا سرمایهگذاری نادرست، و نه مازاد عرضه تراشه، میتواند به رونق هوش مصنوعی پایان دهد
تب و تاب استخراج طلا در حوزه هوش مصنوعی در حال حاضر توسط یک چرخه مخارج سرمایهای بیسابقه هدایت میشود، اما هشدار مهمی در مورد پایداری بلندمدت آن مطرح شده است. کریس وود، مدیر استراتژی جهانی سهام در Jefferies، معتقد است که معامله هوش مصنوعی ممکن است به دلیل کمبود تقاضا پایان نیابد، بلکه ناشی از بحران سودآوری باشد.
ریسک سرمایهگذاری نادرست و تأمین مالی چرخهای
برخلاف چرخههای سنتی نیمههادیها که معمولاً به دلیل انباشت ناگهانی موجودی یا شوکهای عرضه پایان مییابند، وود «سرمایهگذاری نادرست» (malinvestment) را به عنوان ریسک اصلی معامله هوش مصنوعی شناسایی میکند. نگرانی اصلی این است که ابرمقیاسداران (hyperscalers) و آزمایشگاههای پیشرو هوش مصنوعی ممکن است نتوانند بازگشت سرمایه مناسبی برای مخارج سرمایهای (capex) عظیمی که متحمل میشوند، ایجاد کنند.
وود به یک حلقه بازخورد بالقوه مخاطرهآمیز در این اکوسیستم اشاره میکند: ترتیبات تأمین مالی چرخهای که در آن شرکتهایی مانند Nvidia، آزمایشگاههای هوش مصنوعی مانند OpenAI را تأمین مالی میکنند و آنها نیز از آن سرمایه برای خرید تراشههای بیشتر Nvidia استفاده میکنند. اگرچه این امر باعث رشد کوتاهمدت میشود، اما یک آسیبپذیری ایجاد میکند. اگر سرمایهگذاران نسبت به تواناییهای درآمدزایی بلندمدت این سرمایهگذاریهای هوش مصنوعی دچار تردید شوند، این حلقه بازخورد میتواند به شدت از هم بپاشد و باعث توقف دردناک در بازار شود.
مخارج سرمایهای عظیم و پارادوکس جِوونز
مقیاس سرمایهگذاری که در حال حاضر شاهد آن هستیم، تاریخی است. TSMC راهنمای مخارج سرمایهای خود برای سال ۲۰۲۶ را از ۴۱ میلیارد دلار در سال گذشته به حدود ۵۶ میلیارد دلار افزایش داده است و برخی پیشبینیها نشان میدهند که این هزینهها تا سال ۲۰۲۷ میتواند به ۶۵ تا ۷۰ میلیارد دلار برسد. این جهش از قبل اقتصاد تایوان را به طور قابل توجهی تقویت کرده است، به طوری که رشد واقعی تولید ناخالص داخلی (GDP) در سه ماهه اول سال ۲۰۲۶ به ۱۴.۵۵ درصد نسبت به سال قبل رسید.
وود این موضوع را از دریچه «پارادوکس جِوونز» (Jevons Paradox) میبیند؛ این ایده که با کاهش هزینه یک منبع (در اینجا، توکنهای محاسباتی) به دلیل افزایش کارایی، مصرف کل آن منبع در واقع افزایش مییابد. این پارادوکس به بازیگران بخش «ابزار و تجهیزات» (picks and shovels)، به ویژه تأمینکنندگان حافظه و DRAM سود میرساند. شرکتهایی مانند Micron از قبل شاهد این تغییر ساختاری هستند؛ Micron شانزده قرارداد استراتژیک با مشتریان امضا کرده است که ۲۰ درصد از حجم DRAM و یک سوم از حجم NAND خود را پوشش میدهد که اغلب دارای مدت زمان پنج ساله هستند.
کالایی شدن مدلهای هوش مصنوعی
فشار فزاینده دیگری بر اقتصاد ارائهدهندگان ممتاز هوش مصنوعی در غرب، کالایی شدن سریع مدلهای زبانی بزرگ (LLMs) است. ظهور مدلهای با کیفیت بالا و کمهزینه — به ویژه از چین — سلطه شرکتهای مستقر در ایالات متحده را به چالش میکشد.
به عنوان مثال، عرضه GLM-5.2 شرکت Z.ai برای استفادههای شرکتی تقریباً با Anthropic برابری میکند، اما با تنها یک چهارم هزینه هر توکن. دادههای OpenRouter نشاندهنده تغییر قابل توجهی در حجم است؛ در اواخر ژوئن، مدلهای برتر هوش مصنوعی چین ۲۱.۳۷ تریلیون توکن را پردازش کردند که به طور قابل توجهی از ۵.۷۶ تریلیون توکن پردازش شده توسط مدلهای برتر ایالات متحده پیشی گرفتند. این هجوم جایگزینهای ارزان و توانمند، فشار شدیدی بر حاشیه سود شرکتهای پیشرو در رقابت هوش مصنوعی وارد میکند.
نکات کلیدی
- ریسک اصلی: پایان معامله هوش مصنوعی به احتمال زیاد نه به دلیل مازاد عرضه سنتی نیمههادیها، بلکه در اثر درک «سرمایهگذاری نادرست» و بازگشت ضعیف سرمایه (capex) رخ خواهد داد.
- تغییر ساختاری در حافظه: تأمینکنندگان DRAM و حافظه در حال حاضر بیضررترین ذینفعان بخش «ابزار و تجهیزات» هستند که از قراردادهای استراتژیک بلندمدت برای حفظ قدرت قیمتگذاری خود استفاده میکنند.
- تهدید کالایی شدن: ظهور سریع مدلهای هوش مصنوعی کمهزینه و با عملکرد بالا (به ویژه از چین) در حال کالایی کردن چشمانداز LLM است و مدلهای با حاشیه سود بالای رهبران هوش مصنوعی در غرب را تهدید میکند.