رقابت زیرساخت هوش مصنوعی؛ ۹ مدل در پنج هفته

نویسنده: نادیا دوبوا | ۲۴ اکتبر ۲۰۲۶ | هوش مصنوعی و یادگیری ماشین

در رقابت بر سر زیرساخت هوش مصنوعی، یکی از چهره‌های باسابقه این حوزه می‌گوید صحنه‌های آشنایی در حال تکرارند. نشریه Fast Company در مقاله‌ای با عنوان «رقابت زیرساخت هوش مصنوعی؛ این صحنه را قبلاً دیده‌ام» که ۲۴ اکتبر ۲۰۲۶ منتشر شد، استدلال می‌کند که شرکت‌های فناوری با زیرساخت‌هایی روبه‌رو هستند که برای دوره‌ای متفاوت ساخته شده‌اند و شرکت‌های فعال در حوزه هوش مصنوعی نیز خودشان به شرکت‌های زیرساختی تبدیل می‌شوند.

نویسنده می‌گوید تمرکز حرفه‌ای او از تجهیزات نوری خودروهای خودران به شبکه‌های نوری مورد استفاده در زیرساخت هوش مصنوعی تغییر کرده است. این جابه‌جایی مهم است، زیرا اکنون سرعت ارتباط میان اجزای یک خوشه آموزشی هوش مصنوعی را نه فقط تراشه‌های سیلیکونی، بلکه فناوری انتقال داده با نور نیز تعیین می‌کند. ما پیش‌تر در بررسی ادعای اینتل درباره تولید فوتونیک مبتنی بر فسفید ایندیوم روی ویفرهای ۳۰۰ میلی‌متری، جنبه تولیدی این حوزه را بررسی کرده‌ایم.

این تحلیل، ادعاهایی را که در گزارش Fast Company تأیید شده‌اند از موضوعاتی که همچنان نامشخص‌اند جدا می‌کند و سپس آن‌ها را در کنار عرضه مدل‌های جدید، نشانه‌های سرمایه‌گذاری و گلوگاه‌های زیرساختی قرار می‌دهد. هر جا اطلاعات عمومی کافی در دسترس نباشد، به‌جای حدس‌زدن، این محدودیت را صریحاً بیان می‌کنیم.

گزارش Fast Company درباره رقابت زیرساخت هوش مصنوعی چه چیزی را تأیید می‌کند؟

ادعاهای تأییدشده در این گزارش محدودند. Fast Company می‌گوید شرکت‌های فناوری با زیرساخت‌هایی مواجه‌اند که برای دوره‌ای دیگر طراحی شده‌اند؛ شرکت‌های سازنده هوش مصنوعی نیز به‌تدریج خود به شرکت‌های زیرساختی تبدیل می‌شوند. همچنین، برخی از این شرکت‌ها به‌جای انتظار برای ارائه‌دهندگان سنتی برق و مخابرات، خودشان دست به حل مشکلات زیرساختی می‌زنند.

این‌ها یک چارچوب تحلیلی هستند، نه گزارشی جامع از داده‌ها و ارقام. در بخشی از مقاله که توانستیم بررسی کنیم، نام هیچ محصول یا شرکت همکار، رقم مالی یا نقل‌قول مستقیمی ذکر نشده است. بنابراین، مقاله را چارچوبی برای تحلیل در نظر می‌گیریم و تمام ارقام زیر را به منابع مشخص و جداگانه نسبت می‌دهیم.

بااین‌حال، این چارچوب اهمیت دارد. طی سه سال گذشته، بحث هوش مصنوعی عمدتاً بر مدل‌ها و تراشه‌های آموزش‌دهنده آن‌ها متمرکز بود. استدلال Fast Company توجه را به لایه‌های زیربنایی معطوف می‌کند: فیبرهای نوری، سوئیچ‌ها، پست‌های برق و مدارهای خنک‌کننده‌ای که تعیین می‌کنند آیا اساساً امکان آموزش یک مدل وجود دارد یا نه.

از تجهیزات نوری خودروهای خودران تا شبکه‌های نوری هوش مصنوعی

تغییر مسیر حرفه‌ای نویسنده، روایتی کوچک با پیامی بزرگ است. تجهیزات نوری خودروهای خودران و شبکه‌های نوری هوش مصنوعی هر دو به کنترل دقیق نور و تولید انبوه تجهیزات وابسته‌اند. مهندسانی که سال‌ها روی یکی از این مسائل کار کرده‌اند، می‌توانند بخش بزرگی از دانش و تجربه خود را در حوزه دیگر به کار بگیرند.

بااین‌حال، روند تقاضا در این دو حوزه یکسان نیست. برنامه‌های خودروهای خودران بارها با تأخیر مواجه شده‌اند. برای نمونه، تسلا عرضه قابلیت رانندگی کاملاً خودکار بدون نظارت راننده یا FSD را به سه‌ماهه دوم سال ۲۰۲۷ موکول کرده و استفاده از آن را به محدوده‌های مشخص تاکسی‌های رباتیک محدود کرده است؛ موضوعی که در گزارش ما درباره تأخیر در عرضه FSD بدون نظارت راننده بررسی شده است. در مقابل، سفارش‌گذاری و نصب تجهیزات برای خوشه‌های هوش مصنوعی همین حالا در جریان است.

این تفاوت توضیح می‌دهد که چرا متخصصان فناوری نوری به حوزه‌های جدید روی می‌آورند. تأمین‌کننده لیدار یا دوربین باید منتظر مقررات و آزمایش‌های جاده‌ای بماند؛ اما تأمین‌کننده تجهیزات شبکه نوری منتظر سفارش شرکتی است که پردازنده‌های گرافیکی را در اختیار دارد و برای اتصال آن‌ها به یکدیگر به تجهیزات ارتباطی نیاز پیدا کرده است.

چرا شبکه‌های نوری در مرکز خوشه‌های هوش مصنوعی قرار دارند؟

بارهای کاری هوش مصنوعی حجم عظیمی از داده را میان شتاب‌دهنده‌ها، حافظه و سوئیچ‌ها جابه‌جا می‌کنند. با افزایش سرعت انتقال داده، کابل‌های مسی به محدودیت‌های فیزیکی خود نزدیک می‌شوند؛ به همین دلیل، صنعت به‌تدریج اجزای نوری را به تراشه‌های سوئیچ نزدیک‌تر می‌کند. فناوری اپتیک هم‌پکیج‌شده یا CPO روشن‌ترین نمونه این روند است؛ در این فناوری، موتور نوری در کنار تراشه سوئیچ قرار می‌گیرد، نه در یک ماژول جداشدنی.

نتوانستیم رقم روزآمد و مستندی برای میزان تقاضای پهنای باند یا اندازه بازار تجهیزات نوری تأیید کنیم؛ بنابراین از ذکر این دو رقم خودداری می‌کنیم. بااین‌حال، می‌توان دید که بزرگ‌ترین تأمین‌کننده این حوزه چگونه مسئله را توضیح می‌دهد. جنسن هوانگ، بنیان‌گذار و مدیرعامل انویدیا، در اطلاعیه این شرکت درباره سوئیچ‌های شبکه مبتنی بر فوتونیک سیلیکونی گفت: «کارخانه‌های هوش مصنوعی، نسل جدیدی از مراکز داده با مقیاسی بسیار بزرگ هستند و زیرساخت شبکه باید از نو طراحی شود تا بتواند همگام با آن‌ها پیش برود.» او در همان اطلاعیه افزود: «با ادغام مستقیم فوتونیک سیلیکونی در سوئیچ‌ها، انویدیا محدودیت‌های قدیمی شبکه‌های ابرمقیاس و سازمانی را از میان برمی‌دارد و راه را برای کارخانه‌های هوش مصنوعی مجهز به یک میلیون پردازنده گرافیکی باز می‌کند.»

این اظهارات را باید تبلیغ تجاری یک شرکت در نظر گرفت، اما همچنان نشان می‌دهند سرمایه‌گذاری‌ها به کدام سمت می‌روند. وقتی شرکتی که پردازنده‌های گرافیکی می‌فروشد می‌گوید شبکه باید از نو طراحی شود، شبکه دیگر صرفاً هزینه‌ای جانبی نیست؛ بلکه به یکی از محدودیت‌های راهبردی توسعه تبدیل شده است.

هوانگ درباره ظرفیت تولید فوتونیک چه می‌گوید؟

هوانگ در مصاحبه‌ای در ماه مه ۲۰۲۶ نیز بر همین مسئله تأکید کرد. او در گفت‌وگو با شبکه CNBC در ۲۹ مه گفت: «وقتی زنجیره تأمین را به سمت بالادست دنبال می‌کنید، به این نتیجه می‌رسید که ما در حال گسترش فناوری فوتونیک سیلیکونی خود هستیم.» او افزود: «این یعنی ظرفیت تولید فناوری فوتونیک سیلیکونی موردنیاز ما به‌مراتب بیشتر از ظرفیتی است که امروز در جهان وجود دارد.»

ادعای کمبود از سوی فروشنده‌ای که از افزایش تقاضا سود می‌برد، باید با احتیاط بررسی شود. بااین‌حال، این ادعا با چارچوب Fast Company همخوانی دارد. اگر ظرفیت تولید فوتونیک در جهان کافی نباشد، شرکت‌های وابسته به این فناوری دلیلی خواهند داشت که خودشان تأمین آن را تضمین کنند؛ رفتاری که در عمل به معنای تبدیل‌شدن به یک شرکت زیرساختی است.

۹ مدل در پنج هفته؛ تقاضایی که توسعه زیرساخت را پیش می‌برد

زیرساخت زمانی ساخته می‌شود که انتظار استفاده از آن وجود داشته باشد. تقویم عرضه مدل‌ها به‌روشنی این انتظار را نشان می‌دهد. یک ردیاب عرضه مدل‌ها، ۳۱ عرضه در سپتامبر ۲۰۲۶ را ثبت کرده است؛ ردیاب دیگری نیز از عرضه بیش از ۴۰ مدل از سوی ۲۳ ارائه‌دهنده در همان ماه خبر داده است.

جدول زیر عرضه‌های مهم بین ۳ سپتامبر و ۷ اکتبر را، بر اساس قیمت‌های اعلام‌شده در ردیاب‌های عرضه، گردآوری می‌کند. قیمت‌ها به‌سرعت تغییر می‌کنند؛ بنابراین پیش از تنظیم بودجه، اطلاعات وب‌سایت هر ارائه‌دهنده را بررسی کنید.

عرضه ۹ مدل در حدود پنج هفته، یعنی ۹ مجموعه وزن مدل که باید میزبانی، آزمایش و در مقیاس بزرگ اجرا شوند. همه این مدل‌ها برای استفاده از مجموعه محدودی از شتاب‌دهنده‌ها، حافظه و ظرفیت شبکه با یکدیگر رقابت می‌کنند.

توکن‌های ارزان‌تر، پنجره‌های زمینه بزرگ‌تر و بار کاری سنگین‌تر

الگوی قیمت‌گذاری در جدول یک جهت مشخص را نشان می‌دهد. مدل‌های اقتصادی مانند GPT-6 Luna و Claude Haiku 5.5، هر یک برای یک میلیون توکن ورودی ۰٫۱۰ دلار هزینه دارند و GPT-6.1 Sol نیز نرخ توکن ورودی ذخیره‌شده را به همین میزان کاهش داده است. در همین حال، برای Gemini 4 Argon پنجره زمینه یک میلیون توکنی اعلام شده است.

کاهش قیمت هر واحد به‌ندرت باعث کاهش هزینه کل می‌شود. برعکس، چنین کاهشی کاربران را به ارسال درخواست‌های بیشتر، استفاده از ورودی‌های طولانی‌تر و اجرای عامل‌های هوش مصنوعی در چرخه‌های مکرر تشویق می‌کند. پنجره زمینه یک میلیون توکنی نیز به معنای جابه‌جایی حجم بسیار بیشتری از داده میان حافظه و پردازنده در هر درخواست است؛ موضوعی که مستقیماً بر شبکه و حافظه با پهنای باند بالا یا HBM فشار وارد می‌کند. این همان لایه‌هایی است که مقاله Fast Company شرکت‌ها را به تأمین و کنترل آن‌ها ترغیب می‌کند.

ارتباط میان فهرست قیمت توکن‌ها و قرارداد تأمین برق در همین نکته نهفته است. وقتی یک ارائه‌دهنده قیمت توکن را کاهش می‌دهد، روی افزایش حجم استفاده حساب می‌کند؛ اما این افزایش حجم به رک‌ها، فیبر نوری و برق نیاز دارد که باید مالکیت یا اجاره آن‌ها را کسی بر عهده بگیرد. مقایسه ما درباره قیمت‌گذاری ورودی ذخیره‌شده در رابط‌های برنامه‌نویسی Gemini، ChatGPT و Claude جزئیات قیمت‌گذاری این سه شرکت را بررسی می‌کند.

برق و مخابرات؛ شرکت‌ها دیگر منتظر ارائه‌دهندگان خدمات نمی‌مانند

صریح‌ترین نکته مقاله Fast Company به برق و مخابرات مربوط می‌شود. طبق این گزارش، برخی شرکت‌ها به‌جای انتظار برای ارائه‌دهندگان سنتی، خودشان در پی حل مشکلات این دو حوزه هستند. از آنجا که بخش بررسی‌شده مقاله نام پروژه‌ای را ذکر نمی‌کند، نمی‌توان مشخص کرد کدام شرکت‌ها چنین کاری کرده‌اند یا چه میزان سرمایه‌گذاری در میان بوده است.

بااین‌حال، در حوزه مخابرات نمونه‌ای مستند وجود دارد. انویدیا و نوکیا در ۲۱ اکتبر ۲۰۲۶، هم‌زمان با روز افتتاحیه رویداد GTC Berlin، اعلام کردند که نزدیک به ۲۰ اپراتور در سراسر جهان از همکاری‌هایی در زمینه شبکه دسترسی رادیویی مبتنی بر هوش مصنوعی یا AI-RAN خبر داده‌اند. این همکاری‌ها بر نرم‌افزار anyRAN نوکیا و سامانه Aerial RAN Computer انویدیا استوارند. انویدیا همچنین اعلام کرد که تی‌موبایل نخستین تماس AI-RAN را در یک شبکه تجاری برقرار کرده است. گزارش کامل ما درباره گسترش همکاری انویدیا و نوکیا در حوزه AI-RAN منتشر شده است.

این نمونه از یک جهت مسیر متفاوتی را نسبت به استدلال Fast Company نشان می‌دهد. در اینجا یک شرکت سازنده تراشه وارد شبکه مخابراتی می‌شود، به‌جای آنکه منتظر نوسازی زیرساخت از سوی اپراتورها بماند. منطق کلی همان است، اما این بار هدف دکل‌های مخابراتی هستند.

در حوزه برق، پژوهش‌های در دسترس ما آمار قابل اتکایی برای سال ۲۰۲۶ درباره مصرف برق مراکز داده، صف انتظار برای اتصال به شبکه یا کمبودهای منطقه‌ای ارائه نکردند. بنابراین، رقمی در این زمینه ذکر نمی‌کنیم. بااین‌حال، جهت کلی روشن است: دسترسی به برق به محدودیتی راهبردی برای توسعه تبدیل شده و شرکت‌هایی که بتوانند تأمین برق خود را تضمین کنند، سریع‌تر از رقبای ناتوان در این زمینه پیش خواهند رفت.

نشانه‌های سرمایه‌گذاری؛ افزایش هزینه‌های متا و کاهش برنامه تسلا

تصمیم‌های مالی نشان می‌دهند هر شرکت تا چه اندازه به توسعه زیرساخت باور دارد. بر اساس گزارش Investor’s Business Daily، متا و تسلا در ۲۲ اکتبر ۲۰۲۶ نتایج سه‌ماهه سوم خود را منتشر کردند که جهت‌گیری‌های متفاوتی را آشکار کرد. متا پیش‌بینی سرمایه‌گذاری خود در زیرساخت هوش مصنوعی را به ۱۴۵ میلیارد دلار افزایش داد، درحالی‌که تسلا برنامه هزینه‌ای خود را کاهش داد. همان صبح، قراردادهای آتی شاخص نزدک-۱۰۰ به میزان ۰٫۷ درصد و قراردادهای آتی شاخص S&P 500 به میزان ۰٫۴ درصد افت کردند.

بررسی ما درباره تفاوت رویکرد متا و تسلا در هزینه‌های سرمایه‌ای نشان می‌دهد بازار به افزایش هزینه‌های متا واکنش مثبت و به کاهش برنامه تسلا واکنش منفی نشان داد. این واکنش برای ارزیابی استدلال Fast Company اهمیت دارد. اگر سرمایه‌گذاران از شرکت‌هایی که هزینه بیشتری صرف زیرساخت می‌کنند استقبال کنند، شرکت‌های بیشتری ممکن است مسیر متا را در پیش بگیرند و به‌جای اجاره زیرساخت، مالک آن شوند.

در این مرحله از پژوهش، مجموع هزینه‌های سرمایه‌ای تأییدشده شرکت‌های مایکروسافت، گوگل و آمازون برای سال ۲۰۲۶ را پیدا نکردیم؛ ازاین‌رو، آن‌ها را در این بررسی نیاورده‌ایم. برای دستیابی به این ارقام باید گزارش‌های رسمی هر شرکت بررسی شود.

حافظه، تراشه‌ها و خنک‌سازی؛ گلوگاه‌های دیگر

پیوندهای نوری تنها یکی از محدودیت‌های زیرساختی هستند. جدول زیر نقاط فشار دیگری را که در گزارش‌های اخیر بررسی کرده‌ایم، همراه با منبع مشخص هر ادعا نشان می‌دهد.

بخش مربوط به آب شایسته توجه ویژه است. برآورد Rystad Energy مبنی بر مصرف ۲۲۲ میلیارد لیتر آب در سال ۲۰۲۵ و احتمال افزایش آن به ۶۴۴ میلیارد لیتر تا سال ۲۰۳۰، نشان می‌دهد خنک‌سازی دیگر صرفاً مسئله‌ای مهندسی نیست؛ بلکه به عامل تعیین‌کننده‌ای در انتخاب محل احداث مراکز داده و دریافت مجوزهای لازم تبدیل شده است. گزارش ما درباره مصرف آب برای خنک‌سازی زیرساخت هوش مصنوعی این موضوع را بررسی می‌کند.

مقایسه راهبردهای رقابتی؛ چهار روش برای مالکیت بخش‌های مختلف زیرساخت

اگر شرکت‌های هوش مصنوعی به شرکت‌های زیرساختی تبدیل می‌شوند، هر یک باید تصمیم بگیرند کدام بخش از زنجیره فناوری را تحت کنترل خود درآورند. اخبار هفته گذشته چهار رویکرد اصلی را برجسته می‌کند.

مالکیت تراشه و نرم‌افزار

انتشار TorchTPU از سوی گوگل به توسعه‌دهندگان PyTorch امکان می‌دهد کدهای موجود خود را برای اجرا روی پردازنده‌های TPU به کار بگیرند. گوگل این خبر را در کنفرانس PyTorch در سن‌خوزه اعلام کرد. تحلیل ما درباره TorchTPU و وابستگی به اکوسیستم انویدیا توضیح می‌دهد که تعبیر وابستگی به یک تأمین‌کننده، نخست در یک رسانه تخصصی مطرح شد، نه از سوی گوگل. بااین‌حال، نکته راهبردی پابرجاست: کنترل تراشه و مسیر توسعه نرم‌افزار، وابستگی به یک تأمین‌کننده خاص را کاهش می‌دهد.

مالکیت شبکه و زیرساخت لبه

انویدیا این راهبرد را از دو مسیر دنبال می‌کند. سوئیچ‌های فوتونیک این شرکت برای شبکه مراکز داده طراحی شده‌اند و همکاری AI-RAN با نوکیا شبکه اپراتورهای مخابراتی را هدف قرار می‌دهد. ادعای تولیدی اینتل نیز مسیر سومی را دنبال می‌کند: تأمین خود قطعات نوری. در هر سه مورد، شرکت از فروش پردازنده فراتر می‌رود و وارد حوزه زیرساخت ارتباطی میان پردازنده‌ها می‌شود.

دو راهبرد دیگر ماهیت مالی دارند. متا هزینه‌های سرمایه‌ای خود را افزایش می‌دهد و شرکت‌های نوپای سازنده تراشه، مانند Tenstorrent، با جذب سرمایه خطرپذیر به دنبال ساخت جایگزین‌هایی برای فناوری‌های موجود هستند. Tenstorrent در مورد اخیر ۱٫۵ میلیارد دلار سرمایه با ارزش‌گذاری ۶٫۲ میلیارد دلاری جذب کرد. شرکت‌ها می‌توانند با خرید زیرساخت وارد این حوزه شوند یا در شرکت‌هایی سرمایه‌گذاری کنند که آن زیرساخت را می‌سازند.

نگاهی تاریخی؛ چرا عبارت «این صحنه را قبلاً دیده‌ام» آشناست؟

عنوان مقاله Fast Company خواننده را به برداشتی تاریخی دعوت می‌کند، هرچند بخش بررسی‌شده مقاله مشخص نمی‌کند نویسنده به کدام تجربه گذشته اشاره دارد. یکی از نمونه‌های محتمل، توسعه گسترده شبکه‌های مخابراتی در اواخر دهه ۱۹۹۰ است. اپراتورها فیبر نوری را سریع‌تر از رشد ترافیک ارتباطی گسترش دادند و رکود اوایل دهه ۲۰۰۰ باعث شد بخش بزرگی از این ظرفیت برای سال‌ها بلااستفاده بماند. شبکه‌هایی که باقی ماندند، بعدها زیرساخت رونق پخش آنلاین و رایانش ابری شدند، اما بسیاری از شرکت‌هایی که در ابتدا آن‌ها را ساخته بودند، دوام نیاوردند.

برخی افراد همین عبارت را با برداشتی بدبینانه‌تر به کار می‌برند. در عنوان گزارشی در news.com.au، از استیو آیزمن، سرمایه‌گذار شناخته‌شده فیلم و کتاب «رکود بزرگ» یا The Big Short، نقل شده که هنگام هشدار درباره رونق هوش مصنوعی گفته است: «این صحنه را قبلاً دیده‌ام.» در اینجا صرفاً به عنوان گزارش استناد می‌کنیم و درباره استدلال او ادعایی مطرح نمی‌کنیم.

این دو برداشت در جهت‌های متفاوتی حرکت می‌کنند. برداشت نخست می‌گوید زیرساخت‌ها ممکن است از شرکت‌هایی که بیش از اندازه روی توسعه آن‌ها سرمایه‌گذاری کرده‌اند، عمر طولانی‌تری داشته باشند؛ برداشت دوم بر مجازات مالی سرمایه‌گذاران بیش‌ازحد خوش‌بین تأکید می‌کند. هر دو می‌توانند هم‌زمان درست باشند. راه‌آهن‌های قرن نوزدهم و شبکه‌های فیبر نوری دهه ۱۹۹۰ نیز نمونه‌هایی از همین الگو هستند.

تفاوت مهم این بار به این برمی‌گردد که چه کسانی ریسک سرمایه‌گذاری را بر عهده دارند. در دوران توسعه شبکه‌های فیبر نوری، شرکت‌های تخصصی مخابراتی بدهی‌ها را متحمل می‌شدند. امروز، سرمایه‌گذاران اصلی برخی از بزرگ‌ترین و سودآورترین شرکت‌های جهان هستند. این وضعیت می‌تواند زیان احتمالی آن‌ها را کاهش دهد، اما هم‌زمان ریسک را برای تأمین‌کنندگان و وام‌دهندگان در بخش‌های پایین‌تر زنجیره افزایش می‌دهد.

تأثیر بر بازار؛ چه کسانی سود می‌برند و چه کسانی ریسک را تحمل می‌کنند؟

نخستین برندگان، تأمین‌کنندگان بخش‌هایی هستند که عرضه محدودی دارند. تولیدکنندگان قطعات نوری، عرضه‌کنندگان حافظه و شرکت‌های تخصصی خنک‌سازی در بازاری فعالیت می‌کنند که خریداران نمی‌توانند به‌سادگی خرید خود را به تعویق بیندازند. اگر ادعای هوانگ مبنی بر لزوم افزایش ظرفیت تولید فوتونیک به سطحی بسیار بالاتر از ظرفیت کنونی درست باشد، این بازار ممکن است سال‌ها به نفع فروشندگان باقی بماند.

شرکت‌های توسعه‌دهنده مدل‌های هوش مصنوعی با معادله دشوارتری روبه‌رو هستند. قیمت توکن در هر ۹ عرضه بررسی‌شده کاهش یافته، اما سخت‌افزار موردنیاز همچنان کمیاب است. آزمایشگاه‌هایی که ظرفیت زیرساختی در اختیار دارند یا دسترسی بلندمدت به آن را تضمین کرده‌اند، می‌توانند حاشیه سود خود را بهتر حفظ کنند؛ در مقابل، شرکت‌هایی که با نرخ‌های متغیر و لحظه‌ای ظرفیت اجاره می‌کنند، فشار هزینه‌ای بیشتری را تحمل خواهند کرد. این وضعیت توضیح می‌دهد چرا Fast Company از تبدیل توسعه‌دهندگان هوش مصنوعی به گردانندگان زیرساخت سخن می‌گوید.

تیم‌های کوچک‌تر نیز باید به پیامدهای غیرمستقیم این روند توجه کنند. دسترسی به خدمات ابری، محدودیت سهمیه استفاده و قیمت‌گذاری منطقه‌ای به‌تدریج بیشتر تابع محل وجود ظرفیت برق و شبکه خواهند شد. توسعه‌دهندگانی که بر پایه رابط‌های برنامه‌نویسی مدل‌های پیشرفته کار می‌کنند، باید برای نوسان قیمت و محدودیت ظرفیت آماده باشند و دست‌کم یک مدل جایگزین در نظر بگیرند.

بررسی نقل‌قول‌ها؛ اظهارات شرکت‌ها را چگونه باید خواند؟

اظهارات خود انویدیا این تغییر را بازآفرینی بنیادین رایانش توصیف می‌کند. در اطلاعیه مطبوعاتی شرکت Coherent درباره همکاری راهبردی با انویدیا، از هوانگ نقل شده است: «رایانش اساساً تغییر کرده است. در عصر هوش مصنوعی، نرم‌افزار بر پایه هوشمندی اجرا می‌شود و کارخانه‌های هوش مصنوعی برای هر تعامل و هر زمینه، توکن‌ها را به‌صورت بلادرنگ تولید می‌کنند.»

عبارت «کارخانه‌های هوش مصنوعی» در این اظهارات نقش مهمی دارد. کارخانه یادآور تجهیزات تحت مالکیت، زنجیره تأمین پایدار و هزینه برق است؛ یعنی همان مفاهیمی که در زبان زیرساخت به کار می‌روند. حتی اگر این اصطلاح فراگیر نشود، نشان می‌دهد انویدیا می‌خواهد مشتریانش خریدهای خود را چگونه درک کنند.

تمام اظهارات مستقیمی که در این بررسی یافتیم، از یک مدیر اجرایی در یک شرکت هستند. این مسئله دامنه شواهد را محدود می‌کند. نقل‌قول تأییدشده‌ای از نویسنده Fast Company در اختیار نداریم و هیچ معیار مستقل مهندسی برای سنجش عملکرد استقرار سامانه‌های فوتونیک نیز پیدا نکردیم. هر دو خلأ در ارزیابی ادعاها اهمیت دارند.

چهار پیش‌بینی برای ۱۲ ماه آینده

موارد زیر پیش‌بینی‌های خود ما هستند، نه واقعیت‌های گزارش‌شده. این پیش‌بینی‌ها بر پایه منابعی تهیه شده‌اند که در بالا به آن‌ها اشاره شد.

• افزایش قراردادهای مستقیم برق و فیبر نوری. انتظار می‌رود شرکت‌های بیشتری که در حوزه هوش مصنوعی فعالیت می‌کنند، به‌جای اتکا به صف‌های معمول اتصال به شبکه برق، قراردادهای مستقل برای تأمین انرژی و ارتباطات منعقد کنند و روند توصیف‌شده در مقاله Fast Company را گسترش دهند.
• ورود شبکه‌های نوری به گزارش‌های مالی شرکت‌ها. انتظار می‌رود اپتیک هم‌پکیج‌شده و ظرفیت تأمین تجهیزات فوتونیک در اظهارات مالی تأمین‌کنندگان و شرکت‌های بزرگ فناوری به‌طور مشخص مطرح شوند و دیگر فقط موضوع سخنرانی‌های کنفرانسی نباشند.
• ادامه کاهش قیمت توکن‌ها در کنار افزایش هزینه کل رایانش. عرضه‌های سپتامبر و اکتبر از هم‌اکنون قیمت‌های پایه ۰٫۱۰ دلار به‌ازای هر یک میلیون توکن ورودی را نشان می‌دهند. انتظار داریم رقبا نیز این قیمت‌ها را تکرار کنند یا پایین‌تر بیاورند.
• تفکیک شرکت‌ها از سوی سرمایه‌گذاران بر اساس درآمد قابل مشاهده هوش مصنوعی. واکنش بازار به تصمیم‌های متا و تسلا در ۲۲ اکتبر نشان می‌دهد که سرمایه‌گذاران احتمالاً از هزینه‌های سرمایه‌ای متناسب با تقاضای روشن برای هوش مصنوعی استقبال می‌کنند و هزینه‌هایی را که پشتوانه مشخصی ندارند، تنبیه خواهند کرد.

چه چیزهایی را نتوانستیم تأیید کنیم؟

چندین ادعا که در ارتباط با این موضوع مطرح شده‌اند، منبع تأییدشده‌ای ندارند و به همین دلیل از تحلیل کنار گذاشته شده‌اند. بخش بررسی‌شده مقاله Fast Company، به‌جز نام ناشر، نام شرکت دیگری، محصول، رقم یا تاریخی غیر از ۲۴ اکتبر ۲۰۲۶ ذکر نمی‌کند. در جست‌وجوی خود نیز درصدهای تأییدشده‌ای درباره استقرار اپتیک هم‌پکیج‌شده، رقم مستندی برای اندازه بازار تجهیزات نوری یا آمار قابل اتکای مصرف برق مراکز داده در سال ۲۰۲۶ پیدا نکردیم.

قیمت Gemini 4 Argon نیز در پژوهش ما تأیید نشد و ردیاب‌های عرضه درباره برخی جزئیات مدل‌ها اختلاف دارند؛ بنابراین، ارقام محتاطانه‌تر را انتخاب کرده‌ایم. اگر به جدول مدل‌ها استناد می‌کنید، ابتدا اطلاعات وب‌سایت ارائه‌دهندگان را بررسی کنید. با انتشار داده‌های دقیق‌تر از سوی منابع مشخص، این گزارش را به‌روزرسانی خواهیم کرد.

پرسش‌های متداول درباره رقابت زیرساخت هوش مصنوعی

Fast Company درباره رقابت زیرساخت هوش مصنوعی چه گزارش کرد؟

این نشریه در ۲۴ اکتبر ۲۰۲۶ استدلال کرد که شرکت‌های فناوری با زیرساخت‌هایی روبه‌رو هستند که برای دوره‌ای دیگر ساخته شده‌اند، شرکت‌های توسعه‌دهنده هوش مصنوعی در حال تبدیل‌شدن به شرکت‌های زیرساختی هستند و برخی از آن‌ها خودشان مشکلات برق و مخابرات را حل می‌کنند.

چرا شبکه‌های نوری برای هوش مصنوعی اهمیت دارند؟

خوشه‌های هوش مصنوعی حجم عظیمی از داده را میان شتاب‌دهنده‌ها، حافظه و سوئیچ‌ها جابه‌جا می‌کنند. پیوندهای نوری و فناوری اپتیک هم‌پکیج‌شده، انتقال این داده‌ها را در سرعت‌های بالا کارآمدتر می‌کنند. از آنجا که رقم تأییدشده‌ای برای اندازه بازار پیدا نکردیم، عددی در این زمینه ارائه نمی‌کنیم.

کدام مدل‌های هوش مصنوعی به‌تازگی عرضه شده‌اند؟

بر اساس ردیاب‌های عرضه، Claude Haiku 5.5 در ۷ اکتبر، Mistral Large 4 در قالب پیش‌نمایش عمومی در ۶ اکتبر، Gemini 4 Argon در ۳۰ سپتامبر و GPT-6.1 Sol در ۲۹ سپتامبر معرفی شده‌اند. مدل‌های دیگری نیز در همین دوره عرضه شدند.

جنسن هوانگ درباره فوتونیک چه گفته است؟

هوانگ در ۲۹ مه ۲۰۲۶ به CNBC گفت ظرفیت تولید فوتونیک سیلیکونی موردنیاز انویدیا به‌مراتب بیشتر از ظرفیت کنونی جهان است. انویدیا همچنین مدعی است که سوئیچ‌های فوتونیک می‌توانند راه را برای کارخانه‌های هوش مصنوعی مجهز به یک میلیون پردازنده گرافیکی باز کنند. هر دو مورد اظهارات خود شرکت هستند.

آیا توسعه زیرساخت هوش مصنوعی یک حباب اقتصادی است؟

دیدگاه‌ها در این زمینه متفاوت‌اند. عنوان گزارشی در news.com.au از هشدار استیو آیزمن درباره رونق هوش مصنوعی حکایت دارد، درحالی‌که افزایش هزینه‌های سرمایه‌ای متا در ۲۲ اکتبر نشان می‌دهد دست‌کم یکی از شرکت‌های بزرگ همچنان سرمایه‌گذاری گسترده را دنبال می‌کند. هیچ‌یک از این موارد به‌تنهایی نتیجه نهایی را ثابت نمی‌کند.

مراکز داده برای خنک‌سازی چقدر آب مصرف می‌کنند؟

برآورد Rystad Energy نشان می‌دهد مراکز داده در سراسر جهان در سال ۲۰۲۵ برای خنک‌سازی ۲۲۲ میلیارد لیتر آب مصرف کرده‌اند. در صورت اجرا نشدن اقدامات سازگارانه، این رقم ممکن است تا سال ۲۰۳۰ به ۶۴۴ میلیارد لیتر برسد.

توسعه‌دهندگان چگونه باید با خطر محدودیت ظرفیت مقابله کنند؟

حداقل یک مدل و ارائه‌دهنده جایگزین در نظر بگیرید، تغییرات قیمت را زیر نظر داشته باشید و از طراحی سامانه‌هایی که ثبات سهمیه استفاده یک فروشنده را فرض می‌کنند، بپرهیزید.

نادیا دوبوا

دبیر بخش هوش مصنوعی و نوآوری در Tech Insider

نادیا دوبوا در Tech Insider تحولات سریع هوش مصنوعی را از مدل‌های پایه تا استقرار عملی در شرکت‌ها دنبال می‌کند. او پیش‌تر درباره هوش مصنوعی و شرکت‌های نوپا برای روزنامه La Tribune گزارش تهیه کرده و در پوشش اروپایی MIT Technology Review مشارکت داشته است. حوزه‌های تخصصی او هوش مصنوعی مولد، مقررات‌گذاری هوش مصنوعی و پیوند میان فناوری و سیاست صنعتی اروپا هستند. او مدرک دوگانه زبان‌شناسی محاسباتی و روزنامه‌نگاری را از مؤسسه مطالعات سیاسی پاریس، Sciences Po، دریافت کرده است. مشاهده همه مقاله‌ها