هزینههای سرسامآورِ زیرساختِ هوشمصنوعی
سه سال پیش، دیوید کان، یکی از شرکای برجستهٔ صندوقِ سرمایهگذاریِ سکویا، اولین کسی بود که ریاضیاتِ هزینههای عظیمِ سیلیکونولی را در حوزهٔ هوشمصنوعی به یک عدد تبدیل کرد. در سالِ ۲۰۲۳، او با توجه به درآمدِ سالانهٔ ۵۰ میلیارددلاریِ انویدیا از فروشِ پردازندههای گرافیکی محاسبه کرد که برای بازپرداختِ سرمایهگذاریِ اولیه نیازمندِ حدودِ ۲۰۰ میلیارددلار درآمد است.
او این رقم را چالشی برای کارآفرینان دانست و از آنها خواست تا محصولات و خدماتِ هوشمصنوعیِ متناسب با این زیرساختها ایجاد کنند. حالا، با گذشتِ سه سال از مقیاسسازیِ افراطی، کان عددِ جدیدی را برای هزینههای زیرساختِ هوشمصنوعی در سالِ ۲۰۲۶ اعلام کرده است: ۱.۵ تریلیوندلاری.
شکافِ درآمدیِ ۳ تریلیوندلاری
بهطور کلی، او محاسبه میکند که صنعتِ هوشمصنوعی باید ۳ تریلیوندلار درآمد کسب کند تا تمام آن تراشهها و سایر هزینههای مرکزِ داده توجیه شود. و این احتمالاً یک تخمینِ دستکم است؛ زیرا هزینههای رو به افزایشِ حافظه و استفادهٔ روزافزون از تراشههای تخصصیِ استنتاج این عدد را بالاتر میبرد. کان مینویسد: «اخیراً، بهدلیلِ این پویاییهای تنگنا و هزینههای رو به افزایشِ ساختوساز، درآمدِ موردنیاز به ازای هر گیگاواتِ هزینههای سرمایهای بهشدت افزایش یافته است.»
از سویِ دیگر، درآمدِ Anthropic به ۶۰ میلیارددلارِ سالانهٔ مکرّر رسیده و OpenAI در سالِ ۲۰۲۵ حدودِ ۱۳ میلیارددلار درآمد کسب کرده است (اگرچه در نوامبرِ ۲۰۲۵ اعلام کرد درآمدِ سالانهٔ مکرّرِ آن ۲۰ میلیارددلار است). با این حال، شکافِ بزرگی برای پر شدن وجود دارد.
هشدارِ اقتصاددانِ ارشدِ آپولو
تورستن اسلوک، اقتصاددانِ ارشدِ شرکتِ بزرگِ مدیریتِ داراییِ آپولو، نیز به این شکاف توجه کرده است. او در یادداشتی اخیر اشاره میکند که ابرمقیاسکنندهها—گوگل، متا، مایکروسافت و آمازون—همگی پیشبینیِ شتابِ عظیمی در جریانِ نقدِ آزادِ خود در سالِ ۲۰۲۸ دارند؛ یعنی انتظار دارند بازپرداختِ تمامِ آن تراشههایی را که خریدهاند، ببینند.
اما اگر اینطور نشود چه؟ اسلوک به ریسکی اشاره میکند که در حال حاضر در سراسرِ استفادهٔ هوشمصنوعی دیده میشود: سازمانهای بیشتری به مدلهای وزنِ بازِ ارزانتر، اغلبِ چینی، روی میآورند، نه مدلهای ساختهشده توسط آزمایشگاههای پیشرو. قیمتِ توکنها نیز در حال کاهش است. آخرینِ مدلِ OpenAI، بهگفتهٔ سام آلتمن، مدیرعامل، در کارهای کدنویسی ۵۴٪ کارآمدتر است. این برای کاربران خوب است، اما ممکن است برای شرکتهایی که «کارخانهٔ توکن» میسازند، مشکلساز باشد اگر کاربران استفادهٔ کلیِ خود از توکن را بهشدت افزایش ندهند.
اسلوک نگران است که اگر ابرمقیاسکنندهها به اهدافِ جریانِ نقدِ خود نرسند، واکنشِ بازار میتواند شدید باشد. او مینویسد: «با توجه به اینکه این همهچیز به چند نامِ خاص بستگی دارد، بازپرداختِ کندتر نه تنها یک مشکلِ بخشی خواهد بود، بلکه خطرِ سوقدادنِ اقتصاد به سمتِ رکود و شاخصِ S&P 500 به سمتِ اصلاح را در پی خواهد داشت.»
این نکتهای است که باید هنگامِ هدایتِ منابعِ هوشمصنوعیِ خود بهسمتِ مدلهای ارزانتر در نظر داشته باشید.
