هزینههای سرسامآور زیرساخت هوش مصنوعی
سه سال پیش، دیوید کان، یکی از شرکای برجسته صندوق سرمایهگذاری سکویا، اولین کسی بود که ریاضیات هزینههای عظیم سیلیکون ولی در زیرساخت هوش مصنوعی را به یک عدد تبدیل کرد. در سال ۲۰۲۳، او با توجه به درآمد سالانه ۵۰ میلیارد دلاری انویدیا از فروش پردازندههای گرافیکی، محاسبه کرد که برای بازپرداخت سرمایهگذاری اولیه به ۲۰۰ میلیارد دلار درآمد نیاز است.
او این رقم را یک چالش برای کارآفرینان دانست و از آنها خواست تا محصولات و خدمات هوش مصنوعی متناسب با این زیرساختها ایجاد کنند. حالا با گذشت سه سال از مقیاسسازی افراطی، کان عدد جدیدی را برای هزینههای زیرساخت هوش مصنوعی در سال ۲۰۲۶ اعلام کرده است: ۱.۵ تریلیون دلار.
شکاف درآمدی ۳ تریلیون دلاری
به طور کلی، او محاسبه میکند که صنعت هوش مصنوعی باید ۳ تریلیون دلار درآمد کسب کند تا تمام آن تراشهها و سایر هزینههای مرکز داده توجیه شود. و این احتمالاً یک تخمین دستکم است؛ زیرا هزینههای رو به افزایش حافظه و استفاده روزافزون از تراشههای تخصصی استنتاج این عدد را افزایش خواهد داد. کان مینویسد: «اخیراً، به دلیل این پویاییهای تنگنا و هزینههای رو به افزایش ساختوساز، درآمد مورد نیاز به ازای هر گیگاوات از هزینههای سرمایهای به شدت افزایش یافته است.»
از سوی دیگر، درآمد Anthropic به ۶۰ میلیارد دلار سالانه مکرر رسیده و OpenAI در سال ۲۰۲۵ حدود ۱۳ میلیارد دلار درآمد کسب کرده است (اگرچه در نوامبر ۲۰۲۵ اعلام کرد درآمد سالانه مکرر آن ۲۰ میلیارد دلار است). با این حال، شکاف بزرگی برای پر شدن وجود دارد.
هشدار اقتصاددان ارشد آپولو
تورستن اسلوک، اقتصاددان ارشد شرکت بزرگ مدیریت دارایی آپولو، نیز به این شکاف توجه کرده است. او در یادداشتی اخیر اشاره میکند که ابرمقیاسکنندهها - گوگل، متا، مایکروسافت و آمازون - همگی پیشبینی شتاب عظیمی در جریان نقد آزاد خود در سال ۲۰۲۸ دارند. یعنی انتظار دارند بازپرداخت تمام آن تراشههایی را که خریدهاند، ببینند.
اما اگر اینطور نشود چه؟ اسلوک به ریسکی اشاره میکند که در حال حاضر در سراسر استفاده از هوش مصنوعی میبینیم: سازمانهای بیشتری به مدلهای وزن باز ارزانتر، اغلب چینی، رو میآورند، نه مدلهای ساخته شده توسط آزمایشگاههای پیشرو. قیمت توکنها نیز در حال کاهش است. آخرین مدل OpenAI، به گفته سام آلتمن، مدیر عامل، در کارهای کدنویسی ۵۴٪ کارآمدتر است. این برای کاربران خوب است، اما ممکن است برای شرکتهایی که کارخانههای توکن میسازند، بد باشد اگر کاربران استفاده کلی خود از توکن را به شدت افزایش ندهند.
اسلوک نگران است که اگر ابرمقیاسکنندهها به اهداف جریان نقد خود نرسند، واکنش بازار میتواند شدید باشد. او مینویسد: «با توجه به اینکه این همه چیز به چند نام خاص بستگی دارد، بازپرداخت کندتر نه تنها یک مشکل بخشی خواهد بود، بلکه خطر سوق دادن اقتصاد به سمت رکود و شاخص S&P 500 به سمت اصلاح را در پی خواهد داشت.»
این نکتهای است که باید هنگام هدایت عوامل هوش مصنوعی خود به سمت توکنهای ارزانتر به خاطر داشته باشید.
