$3 ਟ੍ਰਿਲੀਅਨ ਦਾ AI ਸਵਾਲ: ਕੀ ਆਮਦਨ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੇ ਖਰਚੇ ਨਾਲ ਮੇਲ ਖਾ ਸਕਦੀ ਹੈ?
ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਉਦਯੋਗ ਇਸ ਸਮੇਂ ਭਾਰੀ ਪੂੰਜੀ ਖਰਚ (capital expenditure) ਅਤੇ ਆਮਦਨ ਪੈਦਾ ਕਰਨ ਦੀ ਜ਼ਰੂਰੀ ਲੋੜ ਦੇ ਵਿਚਕਾਰ ਇੱਕ ਉੱਚ-ਦਾਅਵਾਂ ਵਾਲੀ ਦੌੜ ਵਿੱਚ ਫਸਿਆ ਹੋਇਆ ਹੈ। ਜਿਵੇਂ ਕਿ ਹਾਈਪਰਸਕੇਲਰ (hyperscalers) ਹਾਰਡਵੇਅਰ ਵਿੱਚ ਟ੍ਰਿਲੀਅਨਾਂ ਰੁਪਏ ਲਗਾ ਰਹੇ ਹਨ, ਇੱਕ ਅਹਿਮ ਸਵਾਲ ਉੱਭਰਦਾ ਹੈ: ਕੀ ਸਾਫਟਵੇਅਰ ਲੇਅਰ ਸਿਲੀਕਾਨ ਦੀ ਭਾਰੀ ਲਾਗਤ ਨੂੰ ਜਾਇਜ਼ ठहराਉਣ ਲਈ ਕਾਫ਼ੀ ਮੁੱਲ ਪੈਦਾ ਕਰ ਸਕਦੀ ਹੈ?
CapEx ਅਤੇ ਆਮਦਨ ਵਿਚਕਾਰ ਵਧਦਾ ਪਾੜਾ
AI ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਵਿੱਚ ਨਿਵੇਸ਼ ਦਾ ਪੈਮਾਨਾ ਹੈਰਾਨ ਕਰਨ ਵਾਲਾ ਹੈ। Sequoia ਦੇ ਭਾਈਵਾਲ ਡੇਵਿਡ ਕਾਹਨ (David Cahn), ਜਿਨ੍ਹਾਂ ਨੇ ਪਹਿਲਾਂ Nvidia ਦੇ $50 ਬਿਲੀਅਨ GPU ਰੈਵੇਨਿਊ ਦੇ ਅਧਾਰ 'ਤੇ $200 ਬਿਲੀਅਨ ਦੀ ਆਮਦਨ ਦੀ ਲੋੜ ਦਾ ਅਨੁਮਾਨ ਲਗਾਇਆ ਸੀ, ਨੇ ਆਪਣੇ ਅਨੁਮਾਨਾਂ ਵਿੱਚ ਵੱਡਾ ਬਦਲਾਅ ਕੀਤਾ ਹੈ। ਤਿੰਨ ਸਾਲਾਂ ਦੇ ਲਗਾਤਾਰ ਹਾਈਪਰਸਕੇਲਿੰਗ ਕਾਰਨ, ਕਾਹਨ ਹੁਣ ਅਨੁਮਾਨ ਲਗਾਉਂਦੇ ਹਨ ਕਿ 2026 ਤੱਕ AI ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦਾ ਖਰਚਾ $1.5 ਟ੍ਰਿਲੀਅਨ ਤੱਕ ਪਹੁੰਚ ਜਾਵੇਗਾ।
ਇਹਨਾਂ ਖਰਚਿਆਂ ਦੀ ਭਰਪਾਈ ਕਰਨ ਲਈ, ਉਦਯੋਗ ਨੂੰ ਅਨੁਮਾਨਿਤ $3 ਟ੍ਰਿਲੀਅਨ ਦੀ ਆਮਦਨ ਪੈਦਾ ਕਰਨੀ ਪਵੇਗੀ। ਇਹ ਅੰਕੜਾ ਸ਼ਾਇਦ ਇੱਕ ਸੁਰੱਖਿਅਤ ਅਧਾਰ ਹੈ। ਮੈਮੋਰੀ ਵਿੱਚ ਵਧਦੀਆਂ ਲਾਗਤਾਂ, ਵਿਸ਼ੇਸ਼ ਇਨਫਰੈਂਸ-ਵਿਸ਼ੇਸ਼ ਚਿੱਪਾਂ (inference-specific chips) ਦੀ ਤਾਇਨਾਤੀ, ਅਤੇ ਡਾਟਾ ਸੈਂਟਰਾਂ ਲਈ ਵਧਦੀਆਂ ਉਸਾਰੀ ਲਾਗਤਾਂ, CapEx ਦੇ ਪ੍ਰਤੀ ਗੀਗਾਵਾਟ (GW) ਲੋੜੀਂਦੀ ਆਮਦਨ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਵਧਾ ਰਹੀਆਂ ਹਨ। ਹਾਲਾਂਕਿ ਫਰੰਟੀਅਰ ਲੈਬਾਂ (frontier labs) ਵਿੱਚ ਵਿਕਾਸ ਦੇਖਿਆ ਜਾ ਰਿਹਾ ਹੈ—ਜਿਵੇਂ ਕਿ Anthropic ਦੀ ARR $60 ਬਿਲੀਅਨ ਅਤੇ OpenAI ਦੀ ARR $20 ਬਿਲੀਅਨ ਤੱਕ ਪਹੁੰਚਣ ਦੀ ਰਿਪੋਰਟ ਹੈ—ਪਰ ਮੌਜੂਦਾ ਕਮਾਈ ਅਤੇ $3 ਟ੍ਰਿਲੀਅਨ ਦੀ ਸੀਮਾ ਵਿਚਕਾਰ ਇੱਕ ਵੱਡਾ ਪਾੜਾ ਬਣਿਆ ਹੋਇਆ ਹੈ।
ਹਾਈਪਰਸਕੇਲਰ ਦਾ ਦਾਅ ਅਤੇ ਡਿਫਲੇਸ਼ਨ ਦਾ ਖਤਰਾ
"Magnificent Seven" ਸ਼ੈਲੀ ਦੇ ਹਾਈਪਰਸਕੇਲਰ—Google, Meta, Microsoft, ਅਤੇ Amazon—ਇਸ ਖਰਚੇ ਦੇ ਮੁੱਖ ਡਰਾਈਵਰ ਹਨ। ਇਹ ਦਿੱਗਜ 2028 ਤੱਕ ਫ੍ਰੀ ਕੈਸ਼ ਫਲੋ (free cash flow) ਵਿੱਚ ਇੱਕ ਵੱਡੀ ਤੇਜ਼ੀ 'ਤੇ ਦਾਅ ਲਗਾ ਰਹੇ ਹਨ, ਜੋ ਇਸ ਵਿਚਾਰ 'ਤੇ ਅਧਾਰਤ ਹੈ ਕਿ AI ਸੇਵਾਵਾਂ ਜ਼ਰੂਰੀ, ਉੱਚ-ਮਾਰਜਿਨ ਵਾਲੀਆਂ ਸਹੂਲਤਾਂ ਬਣ ਜਾਣਗੀਆਂ।
ਹਾਲਾਂਕਿ, Apollo ਦੇ ਮੁੱਖ ਅਰਥ ਸ਼ਾਸਤਰੀ ਟੋਰਸਟਨ ਸਲੋਕ (Torsten Slok) ਨੇ ਅਜਿਹੀਆਂ ਵੱਡੀਆਂ ਰੁਕਾਵਟਾਂ ਬਾਰੇ ਚੇਤਾਵਨੀ ਦਿੱਤੀ ਹੈ ਜੋ ਇਸ ਗਣਿਤ ਨੂੰ ਵਿਗੜਾ ਸਕਦੀਆਂ ਹਨ। ਦੋ ਖਾਸ ਰੁਝਾਨ "ਟੋਕਨ ਫੈਕਟਰੀ" (token factory) ਬਿਜ਼ਨਸ ਮਾਡਲ ਲਈ ਖਤਰਾ ਪੈਦਾ ਕਰਦੇ ਹਨ:
- Open Weights ਦਾ ਉਭਾਰ: ਸੰਸਥਾਵਾਂ ਮਹਿੰਗੇ ਫਰੰਟੀਅਰ ਮਾਡਲਾਂ 'ਤੇ ਨਿਰਭਰ ਰਹਿਣ ਦੀ ਬਜਾਏ, ਚੀਨ ਤੋਂ ਆਉਣ ਵਾਲੇ ਮਾਡਲਾਂ ਸਮੇਤ ਸਸਟੇ, open-weight ਮਾਡਲਾਂ ਵੱਲ ਵਧੇਰੇ ਵਧ ਰਹੀਆਂ ਹਨ।
- ਟੋਕਨ ਡਿਫਲੇਸ਼ਨ (Token Deflation): ਜਿਵੇਂ-ਜਿਵੇਂ ਮਾਡਲ ਵਧੇਰੇ ਕੁਸ਼ਲ ਹੁੰਦੇ ਹਨ, ਪ੍ਰਤੀ ਟੋਕਨ ਕੀਮਤ ਤੇਜ਼ੀ ਨਾਲ ਡਿੱਗ ਰਹੀ ਹੈ। ਉਦਾਹਰਨ ਲਈ, OpenAI ਦੇ ਤਾਜ਼ਾ ਮਾਡਲਾਂ ਨੇ ਕੋਡਿੰਗ ਕੰਮਾਂ ਲਈ ਟੋਕਨ ਕੁਸ਼ਲਤਾ ਵਿੱਚ 54% ਵਾਧਾ ਕੀਤਾ ਹੈ। ਹਾਲਾਂਕਿ ਇਹ ਡਿਵੈਲਪਰਾਂ ਅਤੇ ਅੰਤ-ਉਪਭੋਗਤਾਵਾਂ ਲਈ ਇੱਕ ਜਿੱਤ ਹੈ, ਪਰ ਇਹ ਉਹਨਾਂ ਪ੍ਰਦਾਤਾਵਾਂ ਲਈ "race to the bottom" (ਹੇਠਲੇ ਪੱਧਰ ਤੱਕ ਦੀ ਦੌੜ) ਪੈਦਾ ਕਰਦਾ ਹੈ ਜੋ ਭਾਰੀ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੇ ਖਰਚਿਆਂ ਨੂੰ ਸੰਭਾਲਣ ਲਈ ਉੱਚ ਟੋਕਨ ਵਾਲੀਅਮ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ।
AI ਪੇਬੈਕ ਦੀ ਅਸਫਲਤਾ ਦੇ ਮੈਕਰੋ-ਇਕਨਾਮਿਕ ਪ੍ਰਭਾਵ
ਇਹ ਦਾਅਵਾਂ ਤਕਨੀਕੀ ਦਿੱਗਜਾਂ ਦੇ ਬੈਲੇਂਸ ਸ਼ੀਟਾਂ ਤੋਂ ਕਿਤੇ ਵੱਧ ਹਨ। ਕਿਉਂਕਿ ਮੌਜੂਦਾ ਮਾਰਕੀਟ ਲੀਡਰਸ਼ਿਪ ਕੁਝ ਹੀ ਨਾਮਾਂ ਵਿੱਚ ਕੇਂਦਰਿਤ ਹੈ, ਪੂਰਾ S&P 500 ਇਸ AI ਨਿਵੇਸ਼ ਚੱਕਰ ਦੀ ਸਫਲਤਾ ਨਾਲ ਜੁੜਿਆ ਹੋਇਆ ਹੈ।
ਜੇਕਰ ਹਾਈਪਰਸਕੇਲਰ 2028 ਤੱਕ ਆਪਣੇ ਅਨੁਮਾਨਿਤ ਕੈਸ਼-ਫਲੋ ਟੀਚਿਆਂ ਨੂੰ ਪੂਰਾ ਕਰਨ ਵਿੱਚ ਅਸਫਲ ਰਹਿੰਦੇ ਹਨ, ਤਾਂ ਮਾਰਕੀਟ ਦੀ ਪ੍ਰਤੀਕਿਰਿਆ ਸਿਸਟਮਿਕ ਹੋ ਸਕਦੀ ਹੈ। ਸਲੋਕ ਸੁਝਾਅ ਦਿੰਦੇ ਹਨ ਕਿ ਉਮੀਦ ਨਾਲੋਂ ਹੌਲੀ ਵਾਪਸੀ ਸਿਰਫ ਇੱਕ ਖਾਸ ਸੈਕਟਰ-ਵਿਸ਼ੇਸ਼ ਸੁਧਾਰ (correction) ਦਾ ਕਾਰਨ ਨਹੀਂ ਬਣੇਗੀ; ਇਹ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਵਿਆਪਕ ਅਰਥਵਿਵਸਥਾ ਨੂੰ ਮੰਦੀ (recession) ਵਿੱਚ ਧੱਕ ਸਕਦੀ ਹੈ। AI ਈਕੋਸਿਸਟਮ ਲਈ, ਆਉਣ ਵਾਲੇ ਸਾਲ ਇਹ ਪਰਖ ਕਰਨਗੇ ਕਿ ਕੀ ਬੁੱਧੀ (intelligence) ਨੂੰ ਉਸ ਹਾਰਡਵੇਅਰ ਦੀ ਵਧਦੀ ਲਾਗਤ ਤੋਂ ਤੇਜ਼ੀ ਨਾਲ ਮੁਦਰਾਇਤ (monetize) ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜੋ ਇਸਦਾ ਨਿਰਮਾਣ ਕਰਦਾ ਹੈ।
ਮੁੱਖ ਨੁਕਤੇ
- ਭਾਰੀ ਆਮਦਨ ਦੀ ਲੋੜ: 2026 ਤੱਕ ਅਨੁਮਾਨਿਤ $1.5 ਟ੍ਰਿਲੀਅਨ ਦੇ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੇ ਖਰਚੇ ਨੂੰ ਜਾਇਜ਼ ठहराਉਣ ਲਈ AI ਉਦਯੋਗ ਨੂੰ ਲਗਭਗ $3 ਟ੍ਰਿਲੀਅਨ ਦੀ ਆਮਦਨ ਪੈਦਾ ਕਰਨੀ ਪਵੇਗੀ।
- ਕੁਸ਼ਲਤਾ ਦਾ ਵਿਰੋਧਾਭਾਸ (Efficiency Paradox): ਮਾਡਲ ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਸੁਧਾਰ (ਜਿਵੇਂ ਕਿ ਕੋਡਿੰਗ ਕੰਮਾਂ ਵਿੱਚ OpenAI ਦਾ 54% ਵਾਧਾ) ਉਪਭੋਗਤਾਵਾਂ ਲਈ ਲਾਗਤ ਘਟਾਉਂਦਾ ਹੈ ਪਰ ਹਾਰਡਵੇਅਰ ਨੂੰ ਫੰਡ ਦੇਣ ਵਾਲੀਆਂ ਕੰਪਨੀਆਂ ਲਈ ਕੀਮਤ ਦਾ ਦਬਾਅ ਪੈਦਾ ਕਰਦਾ ਹੈ।
- ਸਿਸਟਮਿਕ ਆਰਥਿਕ ਜੋਖਮ: ਕਿਉਂਕਿ ਹਾਈਪਰਸਕੇਲਰ ਵਿਕਾਸ S&P 500 ਦਾ ਮੁੱਖ ਡਰਾਈਵਰ ਹੈ, AI ਰਿਟਰਨ ਪ੍ਰਾਪਤ ਕਰਨ ਵਿੱਚ ਅਸਫਲਤਾ ਇੱਕ ਵਿਆਪਕ ਮਾਰਕੀਟ ਸੁਧਾਰ ਜਾਂ ਮੰਦੀ ਨੂੰ ਜਨਮ ਦੇ ਸਕਦੀ ਹੈ।