$3 ಟ್ರಿಲಿಯನ್ ಎಐ ಪ್ರಶ್ನೆ: ಆದಾಯವು ಮೂಲಸೌಕರ್ಯ ವೆಚ್ಚಕ್ಕೆ ಸಮನಾಗಬಲ್ಲದೇ?
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಉದ್ಯಮವು ಪ್ರಸ್ತುತ ಬೃಹತ್ ಬಂಡವಾಳ ವೆಚ್ಚ (CapEx) ಮತ್ತು ಆದಾಯದ ತುರ್ತು ಅಗತ್ಯತೆಯ ನಡುವೆ ಹೆಚ್ಚಿನ ಪಣವಿಟ್ಟಿರುವ ಸ್ಪರ್ಧೆಯಲ್ಲಿದೆ. ಹೈಪರ್ಸ್ಕೇಲರ್ಗಳು (hyperscalers) ಹಾರ್ಡ್ವೇರ್ಗಾಗಿ ಟ್ರಿಲಿಯನ್ಗಟ್ಟಲೆ ಹಣವನ್ನು ಸುರಿಯುತ್ತಿರುವಾಗ, ಒಂದು ನಿರ್ಣಾಯಕ ಪ್ರಶ್ನೆ ಎದುರಾಗುತ್ತಿದೆ: ಸಿಲಿಕಾನ್ನ ಅಪಾರ ವೆಚ್ಚವನ್ನು ಸಮರ್ಥಿಸಿಕೊಳ್ಳಲು ಸಾಫ್ಟ್ವೇರ್ ಪದರವು ಸಾಕಷ್ಟು ಮೌಲ್ಯವನ್ನು ಸೃಷ್ಟಿಸಬಲ್ಲದೇ?
CapEx ಮತ್ತು ಆದಾಯದ ನಡುವೆ ಬೆಳೆಯುತ್ತಿರುವ ಅಂತರ
AI ಮೂಲಸೌಕರ್ಯದಲ್ಲಿನ ಹೂಡಿಕೆಯ ಪ್ರಮಾಣವು ಬೆಚ್ಚಿಬೀಳಿಸುವಂತಿದೆ. ನವಿಡಿಯಾ (Nvidia) ಕಂಪನಿಯ $50 ಬಿಲಿಯನ್ GPU ಆದಾಯದ ಆಧಾರದ ಮೇಲೆ ಈ ಹಿಂದೆ $200 ಬಿಲಿಯನ್ ಆದಾಯದ ಅಗತ್ಯವಿದೆ ಎಂದು ಅಂದಾಜಿಸಿದ್ದ ಸೀಕ್ವೋಯಾ (Sequoia) ಪಾಲುದಾರ ಡೇವಿಡ್ ಕಾನ್, ಈಗ ತನ್ನ ಮುನ್ಸೂಚನೆಗಳನ್ನು ಗಣನೀಯವಾಗಿ ಪರಿಷ್ಕರಿಸಿದ್ದಾರೆ. ಕಳೆದ ಮೂರು ವರ್ಷಗಳ ನಿರಂತರ ಹೈಪರ್ಸ್ಕೇಲಿಂಗ್ನಿಂದಾಗಿ, 2026 ರ ವೇಳೆಗೆ AI ಮೂಲಸೌಕರ್ಯ ವೆಚ್ಚವು $1.5 ಟ್ರಿಲಿಯನ್ ತಲುಪಲಿದೆ ಎಂದು ಕಾನ್ ಈಗ ಅಂದಾಜಿಸಿದ್ದಾರೆ.
ಈ ವೆಚ್ಚಗಳನ್ನು ಸರಿದೂಗಿಸಲು, ಉದ್ಯಮವು ಅಂದಾಜು $3 ಟ್ರಿಲಿಯನ್ ಆದಾಯವನ್ನು ಸೃಷ್ಟಿಸಬೇಕಾಗಿದೆ. ಈ ಅಂಕಿಅಂಶವು ಕೇವಲ ಒಂದು ಸಂಯಮದ ಅಡಿಪಾಯವಾಗಿರಬಹುದು. ಮೆಮೊರಿ ವೆಚ್ಚಗಳ ಏರಿಕೆ, ವಿಶಿಷ್ಟ ಇನ್ಫರೆನ್ಸ್-ನಿರ್ದಿಷ್ಟ ಚಿಪ್ಗಳ ಬಳಕೆ ಮತ್ತು ಡೇಟಾ ಸೆಂಟರ್ಗಳ ನಿರ್ಮಾಣ ವೆಚ್ಚದ ಹೆಚ್ಚಳವು, ಪ್ರತಿ ಗಿಗಾವ್ಯಾಟ್ (GW) CapEx ಗೆ ಅಗತ್ಯವಿರುವ ಆದಾಯವನ್ನು ತೀವ್ರವಾಗಿ ಹೆಚ್ಚಿಸುತ್ತಿವೆ. ಫ್ರಾಂಟಿಯರ್ ಲ್ಯಾಬ್ಗಳು (frontier labs) ಬೆಳವಣಿಗೆಯನ್ನು ಕಾಣುತ್ತಿದ್ದರೂ—ಅಂಥ್ರೋಪಿಕ್ (Anthropic) ಕಂಪನಿಯು $60 ಬಿಲಿಯನ್ ARR ತಲುಪಿದೆ ಮತ್ತು OpenAI $20 ಬಿಲಿಯನ್ ARR ತಲುಪಿದೆ ಎಂದು ವರದಿಯಾಗಿದೆ—ಪ್ರಸ್ತುತ ಗಳಿಕೆ ಮತ್ತು $3 ಟ್ರಿಲಿಯನ್ ಮಿತಿಯ ನಡುವೆ ದೊಡ್ಡ ಅಂತರವಿದೆ.
ಹೈಪರ್ಸ್ಕೇಲರ್ ಪಣ ಮತ್ತು ಹಣದುಬ್ಬರ ಇಳಿಕೆಯ (Deflation) ಅಪಾಯ
"ಮ್ಯಾಗ್ನಿಫಿಸೆಂಟ್ ಸೆವೆನ್" ಶೈಲಿಯ ಹೈಪರ್ಸ್ಕೇಲರ್ಗಳಾದ ಗೂಗಲ್ (Google), ಮೆಟಾ (Meta), ಮೈಕ್ರೋಸಾಫ್ಟ್ (Microsoft) ಮತ್ತು ಅಮೆಜಾನ್ (Amazon) ಈ ವೆಚ್ಚದ ಪ್ರಮುಖ ಚಾಲಕ ಶಕ್ತಿಗಳಾಗಿವೆ. AI ಸೇವೆಗಳು ಅತ್ಯಗತ್ಯ ಮತ್ತು ಹೆಚ್ಚಿನ ಲಾಭದಾಯಕ ಉಪಯುಕ್ತತೆಗಳಾಗುತ್ತವೆ ಎಂಬ ಆಲೋಚನೆಯ ಆಧಾರದ ಮೇಲೆ, 2028 ರ ವೇಳೆಗೆ ಮುಕ್ತ ನಗದು ಹರಿವು (free cash flow) ಭಾರಿ ವೇಗವಾಗಿ ಹೆಚ್ಚಾಗುತ್ತದೆ ಎಂದು ಈ ದೈತ್ಯ ಕಂಪನಿಗಳು ಪಣ ತೊಡುತ್ತಿವೆ.
ಆದಾಗ್ಯೂ, ಅಪೊಲೊ (Apollo) ಮುಖ್ಯ ಅರ್ಥಶಾಸ್ತ್ರಜ್ಞ ಟೋರ್ಸ್ಟನ್ ಸ್ಲೋಕ್ ಈ ಲೆಕ್ಕಾಚಾರವನ್ನು ತಪ್ಪಿಸಬಹುದು ಎನ್ನುವ ಗಮನಾರ್ಹ ಸವಾಲುಗಳ ಬಗ್ಗೆ ಎಚ್ಚರಿಸಿದ್ದಾರೆ. "ಟೋಕನ್ ಫ್ಯಾಕ್ಟರಿ" ವ್ಯವಹಾರ ಮಾದರಿಗೆ ಎರಡು ನಿರ್ದಿಷ್ಟ ಪ್ರವೃತ್ತಿಗಳು ಬೆದರಿಕೆಯನ್ನು ಉಂಟುಮಾಡುತ್ತಿವೆ:
- ಓಪನ್ ವೇಯ್ಟ್ (Open Weights) ಮಾದರಿಗಳ ಏರಿಕೆ: ಸಂಸ್ಥೆಗಳು ಕೇವಲ ದುಬಾರಿ ಫ್ರಾಂಟಿಯರ್ ಮಾದರಿಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗುವ ಬದಲು, ಚೀನಾದಿಂದ ಬಂದ ಮಾದರಿಗಳು ಸೇರಿದಂತೆ ಅಗ್ಗದ ಓಪನ್-ವೇಯ್ಟ್ ಮಾದರಿಗಳತ್ತ ಹೆಚ್ಚು ವಾಲುತ್ತಿವೆ.
- ಟೋಕನ್ ಡಿಫ್ಲೇಷನ್ (Token Deflation): ಮಾದರಿಗಳು ಹೆಚ್ಚು ದಕ್ಷವಾಗುತ್ತಿದ್ದಂತೆ, ಪ್ರತಿ ಟೋಕನ್ನ ಬೆಲೆ ಕುಸಿಯುತ್ತಿದೆ. ಉದಾಹರಣೆಗೆ, OpenAI ನ ಇತ್ತೀಚಿನ ಮಾದರಿಗಳು ಕೋಡಿಂಗ್ ಕಾರ್ಯಗಳಿಗಾಗಿ ಟೋಕನ್ ದಕ್ಷತೆಯಲ್ಲಿ 54% ಹೆಚ್ಚಳವನ್ನು ಸಾಧಿಸಿವೆ. ಇದು ಡೆವಲಪರ್ಗಳು ಮತ್ತು ಅಂತಿಮ ಬಳಕೆದಾರರಿಗೆ ಗೆಲುವಾಗಿದ್ದರೂ, ಬೃಹತ್ ಮೂಲಸೌಕರ್ಯ ವೆಚ್ಚಗಳನ್ನು ಸರಿದೂಗಿಸಲು ಹೆಚ್ಚಿನ ಟೋಕನ್ ಪ್ರಮಾಣವನ್ನು ಅವಲಂಬಿಸಿರುವ ಸೇವಾ ಪೂರೈಕೆದಾರರಿಗೆ ಇದು "ಕೆಳಮಟ್ಟದ ಸ್ಪರ್ಧೆಯನ್ನು" (race to the bottom) ಸೃಷ್ಟಿಸುತ್ತದೆ.
AI ಆದಾಯದ ವೈಫಲ್ಯದ ಮ್ಯಾಕ್ರೋ ಎಕನಾಮಿಕ್ ಪರಿಣಾಮಗಳು
ಈ ಪಣಗಳು ತಂತ್ರಜ್ಞಾನ ದೈತ್ಯರ ಬ್ಯಾಲೆನ್ಸ್ ಶೀಟ್ಗಳಿಗಿಂತಲೂ ಮೀರಿದವುಗಳಾಗಿವೆ. ಪ್ರಸ್ತುತ ಮಾರುಕಟ್ಟೆಯ ನಾಯಕತ್ವವು ಕೆಲವೇ ಕಂಪನಿಗಳಲ್ಲಿ ಕೇಂದ್ರೀಕೃತವಾಗಿರುವುದರಿಂದ, ಇಡೀ S&P 500 ಈ AI ಹೂಡಿಕೆ ಚಕ್ರದ ಯಶಸ್ಸಿಗೆ ಅವಲಂಬಿತವಾಗಿದೆ.
ಒಂದು ವೇಳೆ ಹೈಪರ್ಸ್ಕೇಲರ್ಗಳು 2028 ರ ವೇಳೆಗೆ ತಮ್ಮ ನಿರೀಕ್ಷಿತ ನಗದು ಹರಿವಿನ ಗುರಿಗಳನ್ನು ತಲುಪಲು ವಿಫಲವಾದರೆ, ಮಾರುಕಟ್ಟೆಯ ಪ್ರತಿಕ್ರಿಯೆಯು ವ್ಯವಸ್ಥಿತವಾಗಿರಬಹುದು (systemic). ನಿರೀಕ್ಷಿತ ವೇಗಕ್ಕಿಂತ ನಿಧಾನವಾಗಿ ಆದಾಯ ಬರುವುದು ಕೇವಲ ಒಂದು ನಿರ್ದಿಷ್ಟ ವಲಯದ ತಿದ್ದುಪಡಿಗಳಿಗೆ (correction) ಸೀಮಿತವಾಗದೆ, ಇಡೀ ಆರ್ಥಿಕತೆಯನ್ನು ಆರ್ಥಿಕ ಹಿಂಜರಿತದ (recession) ಕಡೆಗೆ ತಳ್ಳಬಹುದು ಎಂದು ಸ್ಲೋಕ್ ಸೂಚಿಸುತ್ತಾರೆ. AI ಪರಿಸರ ವ್ಯವಸ್ಥೆಗೆ, ಬರುವ ವರ್ಷಗಳು ಬುದ್ಧಿಮತ್ತೆಯನ್ನು (intelligence) ಉತ್ಪಾದಿಸುವ ಹಾರ್ಡ್ವೇರ್ನ ವೇಗವಾಗಿ ಹೆಚ್ಚುತ್ತಿರುವ ವೆಚ್ಚವನ್ನು ಮೀರಿಸುವಷ್ಟು ವೇಗವಾಗಿ ಹಣೀಕರಿಸಲು (monetize) ಸಾಧ್ಯವೇ ಎಂಬುದರ ನಿರ್ಣಾಯಕ ಪರೀಕ್ಷೆಯಾಗಲಿವೆ.
ಪ್ರಮುಖ ಅಂಶಗಳು
- ಬೃಹತ್ ಆದಾಯದ ಅಗತ್ಯತೆ: 2026 ರ ವೇಳೆಗೆ ಅಂದಾಜಿಸಲಾದ $1.5 ಟ್ರಿಲಿಯನ್ ಮೂಲಸೌಕರ್ಯ ವೆಚ್ಚವನ್ನು ಸಮರ್ಥಿಸಿಕೊಳ್ಳಲು AI ಉದ್ಯಮವು ಅಂದಾಜು $3 ಟ್ರಿಲಿಯನ್ ಆದಾಯವನ್ನು ಸೃಷ್ಟಿಸಬೇಕಾಗಿದೆ.
- ದಕ್ಷತೆಯ ವಿರೋಧಾಭಾಸ (Efficiency Paradox): ಸುಧಾರಿತ ಮಾದರಿ ದಕ್ಷತೆಯು (ಉದಾಹರಣೆಗೆ ಕೋಡಿಂಗ್ ಕಾರ್ಯಗಳಲ್ಲಿ OpenAI ನ 54% ಲಾಭ) ಬಳಕೆದಾರರಿಗೆ ವೆಚ್ಚವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ, ಆದರೆ ಹಾರ್ಡ್ವೇರ್ಗೆ ಹಣಕಾಸು ಒದಗಿಸುವ ಕಂಪನಿಗಳಿಗೆ ಬೆಲೆ ನಿರ್ಧಾರದ ಒತ್ತಡವನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ.
- ವ್ಯವಸ್ಥಿತ ಆರ್ಥಿಕ ಅಪಾಯ: ಹೈಪರ್ಸ್ಕೇಲರ್ ಬೆಳವಣಿಗೆಯು S&P 500 ನ ಪ್ರಮುಖ ಚಾಲಕ ಶಕ್ತಿಯಾಗಿರುವುದರಿಂದ, AI ವರಮಾನವನ್ನು ಪಡೆಯುವಲ್ಲಿ ವಿಫಲವಾದರೆ ಅದು ವ್ಯಾಪಕ ಮಾರುಕಟ್ಟೆ ತಿದ್ದುಪಡಿ ಅಥವಾ ಆರ್ಥಿಕ ಹಿಂಜರಿತಕ್ಕೆ ಕಾರಣವಾಗಬಹುದು.