$3 டிரில்லியன் AI கேள்வி: வருவாய் உள்கட்டமைப்பு செலவினத்திற்கு இணையாக இருக்குமா?
செயற்கை நுண்ணறிவுத் துறை தற்போது மிகப்பெரிய மூலதனச் செலவு (CapEx) மற்றும் வருவாய் ஈட்டுவதற்கான அவசரத் தேவை ஆகியவற்றுக்கு இடையேயான ஒரு முக்கியமான போட்டியில் சிக்கியுள்ளது. ஹைப்பர்ஸ்கேலர்கள் (hyperscalers) வன்பொருளில் (hardware) டிரில்லியன் கணக்கில் முதலீடு செய்து வரும் நிலையில், ஒரு முக்கியமான கேள்வி எழுகிறது: சிலிக்கான் சிப்களின் (silicon) பிரம்மாண்டமான செலவை நியாயப்படுத்தும் அளவுக்கு மென்பொருள் அடுக்கு (software layer) போதுமான மதிப்பை உருவாக்க முடியுமா?
CapEx மற்றும் வருவாய்க்கு இடையிலான அதிகரித்து வரும் இடைவெளி
AI உள்கட்டமைப்பில் முதலீடு செய்யப்படும் அளவு வியக்கத்தக்கது. Nvidia-வின் $50 பில்லியன் GPU வருவாயை அடிப்படையாகக் கொண்டு, முன்னதாக $200 பில்லியன் வருவாய் தேவைப்படும் என்று மதிப்பிட்ட Sequoia கூட்டாளர் டேவிட் கான் (David Cahn), தற்போது தனது கணிப்புகளை கணிசமாக மாற்றியமைத்துள்ளார். கடந்த மூன்று ஆண்டுகால இடைவிடாத ஹைப்பர்ஸ்கேலிங் காரணமாக, 2026-க்குள் AI உள்கட்டமைப்பு செலவினம் $1.5 டிரில்லியனை எட்டும் என்று கான் இப்போது மதிப்பிடுகிறார்.
இந்தச் செலவுகளை ஈடுகட்ட, இந்தத் துறை சுமார் $3 டிரில்லியன் வருவாயை உருவாக்க வேண்டும். இந்தத் தொகை ஒரு மிகக் குறைந்த அடிப்படையான மதிப்பீடாகவே இருக்கலாம். மெமரி (memory) செலவுகள் அதிகரிப்பு, விசித்திரமான இன்ஃபரன்ஸ்-குறிப்பிட்ட (inference-specific) சிப்களின் பயன்பாடு மற்றும் தரவு மையங்களுக்கான (data centers) கட்டுமானச் செலவுகள் அதிகரிப்பு ஆகியவை, CapEx-ன் ஒவ்வொரு கிகா வாட் (GW) பயன்பாட்டிற்கும் தேவைப்படும் வருவாயை மிக வேகமாக உயர்த்துகின்றன. Frontier லேப்கள் வளர்ச்சியைக் கண்டு வந்தாலும்—Anthropic நிறுவனம் $60 பில்லியன் ARR-ஐ எட்டியுள்ளதாகவும், OpenAI நிறுவனம் $20 பில்லியன் ARR-ஐ எட்டியுள்ளதாகவும் கூறப்படுகிறது—தற்போதைய வருவாய்க்கும் $3 டிரில்லியன் இலக்கிற்கும் இடையே ஒரு மிகப்பெரிய இடைவெளி உள்ளது.
ஹைப்பர்ஸ்கேலர்களின் பந்தயம் மற்றும் பணவீக்க அபாயம் (Deflation Risk)
"Magnificent Seven" பாணியிலான ஹைப்பர்ஸ்கேலர்களான Google, Meta, Microsoft மற்றும் Amazon ஆகியவை இந்தச் செலவினங்களின் முதன்மை இயக்குநர்களாக உள்ளனர். AI சேவைகள் அத்தியாவசியமான, அதிக லாபம் தரும் பயன்பாடுகளாக (utilities) மாறும் என்ற கருத்தின் அடிப்படையில், 2028-க்குள் தங்களின் இலவச பணப்புழக்கம் (free cash flow) மிகப்பெரிய அளவில் அதிகரிக்கும் என்று இந்த நிறுவனங்கள் பந்தயம் கட்டுகின்றன.
இருப்பினும், அப்போலோ (Apollo) நிறுவனத்தின் தலைமைப் பொருளாதார நிபுணர் டார்ஸ்டன் ஸ்லோக் (Torsten Slok), இந்த கணக்கீட்டைத் திசைதிருப்பக்கூடிய குறிப்பிடத்தக்க சவால்கள் குறித்து எச்சரிக்கிறார். "டோக்கன் தொழிற்சாலை" (token factory) வணிக மாதிரியை இரண்டு குறிப்பிட்ட போக்குகள் அச்சுறுத்தலுக்கு உள்ளாக்குகின்றன:
- Open Weights-ன் எழுச்சி: நிறுவனங்கள் விலையுயர்ந்த frontier மாடல்களை மட்டுமே நம்பியிருக்காமல், சீனா போன்ற நாடுகளிலிருந்து வரும் மலிவான, open-weight மாடல்களை நோக்கித் திரும்புகின்றன.
- டோக்கன் பணவீக்கம் (Token Deflation): மாடல்கள் அதிகத் திறன் கொண்டதாக மாறும்போது, ஒரு டோக்கனுக்கான விலை வீழ்ச்சியடைகிறது. உதாரணமாக, OpenAI-யின் சமீபத்திய மாடல்கள் கோடிங் பணிகளுக்கான டோக்கன் திறனில் 54% அதிகரிப்பை எட்டியுள்ளன. இது டெவலப்பர்கள் மற்றும் இறுதிப் பயனர்களுக்கு ஒரு வெற்றியாக இருந்தாலும், பிரம்மாண்டமான உள்கட்டமைப்புச் செலவுகளை ஈடுகட்ட அதிக டோக்கன் அளவை நம்பியிருக்கும் சேவை வழங்குநர்களுக்கு இது ஒரு "கீழ்நோக்கிய போட்டி"யை (race to the bottom) உருவாக்குகிறது.
AI முதலீட்டுத் திரும்பப் பெறுவதில் தோல்வி ஏற்பட்டால் ஏற்படும் பொருளாதாரத் தாக்கங்கள்
இதன் பாதிப்புகள் தொழில்நுட்ப நிறுவனங்களின் இருப்புநிலைக் குறிப்புகளைத் (balance sheets) தாண்டிப் பரவியுள்ளன. தற்போதைய சந்தை தலைமைச் சிறப்பம்சங்கள் சில நிறுவனங்களுடனேயே குவிந்துள்ளதால், முழு S&P 500 குறியீடும் இந்த AI முதலீட்டுச் சுழற்சியின் வெற்றியுடன் பிணைக்கப்பட்டுள்ளது.
2028-க்குள் ஹைப்பர்ஸ்கேலர்கள் தங்களின் திட்டமிடப்பட்ட பணப்புழக்க இலக்குகளை அடையத் தவறினால், சந்தையின் எதிர்வினை ஒட்டுமொத்த அமைப்பையுமே பாதிக்கலாம். எதிர்பார்த்ததை விடத் தாமதமான வருவாய் என்பது ஒரு குறிப்பிட்ட துறையில் மட்டும் சரிவை ஏற்படுத்தாது; அது ஒட்டுமொத்தப் பொருளாதாரத்தையும் பொருளாதார மந்தநிலைக்கு (recession) தள்ளக்கூடும் என்று ஸ்லோக் கூறுகிறார். AI சூழலமைப்பைப் பொறுத்தவரை, வன்பொருளின் அதிகரித்து வரும் செலவுகளை விட, செயற்கை நுண்ணறிவை மிக விரைவாகப் பணமாக்க முடியுமா என்பதற்கான ஒரு முக்கியமான சோதனையாக வரும் ஆண்டுகள் அமையும்.
முக்கியக் குறிப்புகள்
- மிகப்பெரிய வருவாய் தேவை: 2026-க்குள் திட்டமிடப்பட்டுள்ள $1.5 டிரில்லியன் உள்கட்டமைப்புச் செலவினங்களை நியாயப்படுத்த, AIத் துறை சுமார் $3 டிரில்லியன் வருவாயை உருவாக்க வேண்டும்.
- திறன் முரண்பாடு (Efficiency Paradox): மேம்படுத்தப்பட்ட மாடல் திறன் (OpenAI-யின் கோடிங் பணிகளில் 54% முன்னேற்றம் போன்றது) பயனர்களுக்கான செலவைக் குறைக்கிறது, ஆனால் வன்பொருளுக்கு நிதி வழங்கும் நிறுவனங்களுக்கு விலைக் குறைப்பு அழுத்தத்தை (pricing pressure) உருவாக்குகிறது.
- அமைப்பு ரீதியான பொருளாதார அபாயம்: ஹைப்பர்ஸ்கேலர்களின் வளர்ச்சி S&P 500-ன் முதன்மை காரணியாக இருப்பதால், AI முதலீடுகளிலிருந்து வருவாய் கிடைக்கத் தவறினால், அது பரந்த சந்தை சரிவு அல்லது பொருளாதார மந்தநிலையைத் தூண்டக்கூடும்.