३ ट्रिलियन डॉलर्सचा AI प्रश्न: महसूल पायाभूत सुविधांच्या खर्चाशी जुळू शकेल का?
कृत्रिम बुद्धिमत्ता (AI) उद्योग सध्या प्रचंड भांडवली खर्च (CapEx) आणि महसूल निर्मितीची तातडीची गरज यांच्यातील एका उच्च-धोक्याच्या शर्यतीत अडकलेला आहे. हायपरस्केलर्स (hyperscalers) हार्डवेअरमध्ये ट्रिलियन्स डॉलर्स ओतत असताना, एक महत्त्वाचा प्रश्न समोर येतो: सिलिकॉनच्या अवाढव्य खर्चाचे समर्थन करण्यासाठी सॉफ्टवेअर लेयर पुरेसा मूल्य निर्माण करू शकेल का?
CapEx आणि महसूलमधील वाढती दरी
AI पायाभूत सुविधांमधील गुंतवणुकीचे प्रमाण थक्क करणारे आहे. Sequoia चे भागीदार डेव्हिड कान, ज्यांनी यापूर्वी Nvidia च्या ५० अब्ज डॉलर्सच्या GPU महसुलाच्या आधारावर २०० अब्ज डॉलर्सच्या महसुलाची गरज वर्तवली होती, त्यांनी त्यांच्या अंदाजांमध्ये मोठी सुधारणा केली आहे. गेल्या तीन वर्षांच्या सततच्या हायपरस्केलिंगमुळे, कान आता असा अंदाज वर्तवत आहेत की २०२६ पर्यंत AI पायाभूत सुविधांवरील खर्च १.५ ट्रिलियन डॉलर्सपर्यंत पोहोचेल.
हे खर्च भरून काढण्यासाठी, उद्योगाला अंदाजे ३ ट्रिलियन डॉलर्सचा महसूल मिळवणे आवश्यक आहे. हा आकडा कदाचित एक अत्यंत सावध (conservative) अंदाज असू शकतो. मेमरीमधील वाढता खर्च, विशिष्ट इन्फरन्ससाठी (inference-specific) लागणाऱ्या प्रगत चिप्सचा वापर आणि डेटा सेंटर्सच्या बांधकामाचा वाढता खर्च यामुळे CapEx च्या प्रति गिगावॅट (GW) आवश्यक महसूल वेगाने वाढत आहे. जरी फ्रंटियर लॅब्समध्ये वाढ दिसून येत असली—जसे की Anthropic चा ARR ६० अब्ज डॉलर्स आणि OpenAI चा ARR २० अब्ज डॉलर्स असल्याचे रिपोर्ट आहेत—तरीही सध्याची कमाई आणि ३ ट्रिलियन डॉलर्सची मर्यादा यामध्ये मोठी दरी कायम आहे.
हायपरस्केलर्सचा डाव आणि चलनघटीचा (Deflation) धोका
"मॅग्निफिसेंट सेवन" (Magnificent Seven) शैलीतील हायपरस्केलर्स—Google, Meta, Microsoft आणि Amazon—हे या खर्चाचे मुख्य चालक आहेत. AI सेवा अत्यावश्यक आणि उच्च-मार्जिन असलेल्या उपयुक्त सेवा (utilities) बनतील, या कल्पनेवर आधारित हे दिग्गज २०२८ पर्यंत फ्री कॅश फ्लोमध्ये (free cash flow) मोठी वाढ होईल यावर डाव खेळत आहेत.
तथापि, अपोलोचे मुख्य अर्थशास्त्रज्ञ टॉर्स्टन स्लोक यांनी अशा मोठ्या आव्हानांचा इशारा दिला आहे जे या गणिती नियोजनाला विस्कळीत करू शकतात. "टोकन फॅक्टरी" (token factory) बिझनेस मॉडेलला दोन विशिष्ट कल धोक्यात आणत आहेत:
- ओपन वेट्सचा (Open Weights) उदय: संस्था आता केवळ महागड्या फ्रंटियर मॉडेल्सवर अवलंबून राहण्याऐवजी, चीनमधून येणाऱ्या मॉडेल्ससह स्वस्त, ओपन-वेट मॉडेल्सकडे अधिक वळत आहेत.
- टोकन चलनघटी (Token Deflation): मॉडेल्स अधिक कार्यक्षम होत असताना, प्रति टोकन किंमत वेगाने कमी होत आहे. उदाहरणार्थ, OpenAI च्या नवीनतम मॉडेल्सनी कोडिंग कार्यांसाठी टोकन कार्यक्षमतेमध्ये ५४% वाढ साध्य केली आहे. जरी हे डेव्हलपर्स आणि अंतिम वापरकर्त्यांसाठी फायदेशीर असले, तरी अवाढव्य पायाभूत सुविधांचा खर्च भरून काढण्यासाठी मोठ्या प्रमाणात टोकन व्हॉल्यूमवर अवलंबून असलेल्या पुरवठादारांसाठी हे "तळाला पोहोचण्याची शर्यत" (race to the bottom) निर्माण करते.
AI गुंतवणुकीचा परतावा न मिळाल्यास होणारे मॅक्रोइकोनॉमिक परिणाम
याचे परिणाम केवळ टेक दिग्गजांच्या ताळेबंदांपुरते मर्यादित नाहीत. सध्याचे बाजार नेतृत्व काही मोजक्याच कंपन्यांमध्ये केंद्रित असल्यामुळे, संपूर्ण S&P 500 या AI गुंतवणूक चक्राच्या यशावर अवलंबून आहे.
जर हायपरस्केलर्स २०२८ पर्यंत त्यांचे अंदाजित कॅश-फ्लो उद्दिष्ट गाठण्यात अपयशी ठरले, तर बाजारपेठेची प्रतिक्रिया व्यापक (systemic) असू शकते. स्लोक यांच्या मते, अपेक्षेपेक्षा संथ परतावा केवळ एका विशिष्ट क्षेत्रापुरता मर्यादित न राहता, संपूर्ण अर्थव्यवस्थेला मंदीकडे (recession) ढकलू शकतो. AI इकोसिस्टमसाठी, येणारी वर्षे ही एक निर्णायक परीक्षा असतील की, बुद्धिमत्तेचे (intelligence) व्यापारीकरण इतक्या वेगाने करता येईल का की ज्यामुळे ती निर्माण करणाऱ्या हार्डवेअरच्या वाढत्या खर्चाला टक्कर देता येईल.
मुख्य निष्कर्ष
- प्रचंड महसुलाची गरज: २०२६ पर्यंत अंदाजित १.५ ट्रिलियन डॉलर्सच्या पायाभूत सुविधांवरील खर्चाचे समर्थन करण्यासाठी AI उद्योगाला अंदाजे ३ ट्रिलियन डॉलर्सचा महसूल मिळवणे आवश्यक आहे.
- कार्यक्षमतेचा विरोधाभास (Efficiency Paradox): सुधारित मॉडेल कार्यक्षमता (उदा. कोडिंग कार्यांमध्ये OpenAI ची ५४% वाढ) वापरकर्त्यांसाठी खर्च कमी करते, परंतु हार्डवेअरला वित्तपुरवठा करणाऱ्या कंपन्यांवर किंमतीचा दबाव निर्माण करते.
- प्रणालीगत आर्थिक धोका (Systemic Economic Risk): हायपरस्केलरची वाढ ही S&P 500 ची मुख्य चालक असल्याने, AI मधून परतावा मिळवण्यात अपयश आल्यास व्यापक बाजार सुधारणा (market correction) किंवा मंदी येऊ शकते.