چرا سرمایهگذاری نادرست، و نه مازاد عرضه تراشه، میتواند به معامله هوش مصنوعی پایان دهد
رونق هوش مصنوعی در حال پیشبرد دراماتیکترین چرخه هزینههای سرمایهای (capex) در تاریخ است، اما هشدار مهمی در مورد پایداری آن مطرح شده است. کریس وود، مدیر استراتژی جهانی سهام در Jefferies، معتقد است که پایان نهایی معامله هوش مصنوعی نه با کمبود تراشه، بلکه با بحران اعتماد به بازده سرمایهگذاری رقم خواهد خورد.
تهدید قریبالوقوع سرمایهگذاری نادرست
برخلاف چرخههای سنتی نیمههادی که به دلیل اشباع ناگهانی عرضه یا انباشت موجودی پایان مییابند، وود استدلال میکند که عصر هوش مصنوعی با یک ریسک ساختاری منحصربهفرد روبروست: سرمایهگذاری نادرست (malinvestment). خطر اصلی در این احتمال نهفته است که ابرمقیاسگذارها (hyperscalers) و آزمایشگاههای پیشرو هوش مصنوعی نتوانند بازده کافی از سرمایههای عظیمی که به کار گرفتهاند، کسب کنند.
وود به یک الگوی نگرانکننده از «تأمین مالی چرخهای» در این اکوسیستم اشاره میکند. برای مثال، Nvidia در تأمین مالی نهادهایی مانند OpenAI مشارکت داشته است که آنها نیز به نوبه خود از آن سرمایه برای خرید تراشههای بیشتر Nvidia استفاده میکنند. اگرچه این امر در کوتاهمدت مومنتوم قدرتمندی ایجاد میکند، اما یک حلقه بازخورد میسازد که اگر سرمایهگذاران نسبت به درآمدزایی بلندمدت و شفافیت سودآوری پشته (stack) هوش مصنوعی دچار تردید شوند، میتواند به شدت فروپاشد.
هزینههای سرمایهای عظیم و تمرکز ریسک
مقیاس سرمایهگذاری که در حال حاضر شاهد آن هستیم، بیسابقه است. TSMC، پیشروترین کارخانه ریختهگری (foundry) جهان، پیشبینی هزینههای سرمایهای خود برای سال ۲۰۲۶ را از ۴۱ میلیارد دلار در سال گذشته به حدود ۵۶ میلیارد دلار افزایش داده است. پیشبینیهای Fubon Research نشان میدهد که این رقم میتواند تا سال ۲۰۲۷ به بین ۶۵ تا ۷۰ میلیارد دلار افزایش یابد.
این جهش در حال تغییر دادن اقتصادهای منطقهای است. در تایوان، تأثیر تقاضای مرتبط با هوش مصنوعی مشهود است، به طوری که رشد واقعی GDP در سه ماهه اول سال ۲۰۲۶ به ۱۴.۵۵٪ نسبت به سال قبل رسید. علاوه بر این، انتظار میرود تقاضای مرتبط با هوش مصنوعی حدود ۳۱٪ از کل درآمد TSMC را در سال ۲۰۲۶ به خود اختصاص دهد، که نشاندهنده تمرکز شدید اقتصاد جهانی بر زیرساختهای هوش مصنوعی است.
کالایی شدن مدلهای هوش مصنوعی
نقطه فشار ثانویه، کالایی شدن سریع مدلهای زبانی بزرگ (LLMs) است. با بهبود کارایی و کاهش هزینهها، مزیت «ممتاز» (premium) ارائهدهندگان هوش مصنوعی غربی در حال به چالش کشیده شدن است. وود به ظهور مدلهای چینی، مانند GLM-5.2 از Z.ai، اشاره میکند که طبق گزارشها عملکردی قابل مقایسه با مدلهای سطح بالای غربی را تنها با یکچهارم هزینه ارائه میدهد.
دادهها این تغییر را تأیید میکنند؛ در پلتفرم OpenRouter، برترین مدلهای هوش مصنوعی چینی در اواخر ژوئن، ۲۱.۳۷ تریلیون توکن را پردازش کردند که جهشی عظیم نسبت به ۴.۳۷ تریلیون توکن در ماه آوریل محسوب میشود. این حجم به طور قابل توجهی بالاتر از ۵.۷۶ تریلیون توکنی است که توسط برترین مدلهای آمریکایی پردازش شده است، که نشاندهنده یک فضای اشباعشده و حساس به قیمت است.
تغییر تمرکز به سمت «ابزار و تجهیزات» (Picks and Shovels)
با وجود این هشدارها، وود فروپاشی فوری را پیشبینی نمیکند. در عوض، او یک چرخش استراتژیک به سمت «ابزار و تجهیزات» (picks and shovels) این صنعت، یعنی بهطور مشخص تأمینکنندگان DRAM و حافظه را پیشنهاد میکند. به دلیل پارادوکس جِوونز (Jevons Paradox)، با کارآمدتر و ارزانتر شدن محاسبات، مصرف کل در واقع افزایش مییابد که به نفع ارائهدهندگان سختافزار است.
بازیگران اصلی مانند Micron از طریق تغییرات ساختاری، مانند امضای قراردادهای استراتژیک پنجساله که بخشهای قابل توجهی از حجم DRAM و NAND آنها را پوشش میدهد، در حال تثبیت جایگاه خود هستند. این امر به سازندگان حافظه قدرت قیمتگذاری و ثبات بیشتری میدهد، حتی اگر لایه نرمافزاری گستردهتر هوش مصنوعی برای اثبات سودآوری خود با مشکل مواجه باشد.
نکات کلیدی
- ریسک واقعی: احتمال اینکه معامله هوش مصنوعی به دلیل «سرمایهگذاری نادرست» (شکست ابرمقیاسگذارها در کسب بازده کافی از هزینههای سرمایهای عظیم) پایان یابد، بسیار بیشتر از یک مازاد عرضه سنتی تراشه است.
- کالایی شدن مدلها: ظهور سریع مدلهای هوش مصنوعی چینی با هزینه کم و عملکرد بالا، فشار شدیدی بر اقتصاد ارائهدهندگان ممتاز هوش مصنوعی غربی وارد میکند.
- تابآوری سختافزار: تولیدکنندگان حافظه و DRAM (مانند SK Hynix و Samsung) به دلیل توانایی در بستن قراردادهای فروش بلندمدت و داشتن قدرت قیمتگذاری، همچنان تابآورترین ذینفعان باقی میمانند.