رقابت هوش مصنوعی به‌عنوان یک ساختار اتلاف‌گر؛ تحلیل
نوشته دکتر یاشوانت سینگ
نکات کلیدی
- این مقاله توسعه هوش مصنوعی را با مفهوم «ساختار اتلاف‌گر» در نظریه پریگوژین بازتعریف می‌کند؛ الگویی منظم که تنها با جریان مداوم انرژی، سرمایه، سیلیکون و داده پابرجا می‌ماند، نه یک مسابقه سنتی با خط پایان مشخص.
- شاخص‌های تجربی، از دو برابر شدن سالانه توان مصرفی آموزش مدل‌های پیشرفته گرفته تا افزایش هزینه سرمایه‌گذاری غول‌های ابری به بیش از ۷۰۰ میلیارد دلار و رشد ۱۷ تا ۵۰ درصدی تقاضای مراکز داده، نشان می‌دهند که دستاوردهای بهره‌وری دوباره در ظرفیت بیشتر سرمایه‌گذاری می‌شوند؛ در حالی که تأخیر در اتصال به شبکه، کمبود توربین و افزایش قیمت ظرفیت، محدودیت اصلی را به بخش «دفع» یا جذب پیامدهای این رشد منتقل کرده است.
- از آنجا که چنین ساختارهایی در برابر شوک‌های کوچک مقاوم اما در برابر قطع جریان منابع شکننده‌اند، سیاست‌ها باید بر مدیریت جریان انرژی، تقویت زیرساخت‌های جذب‌کننده و ایجاد سامانه‌هایی تمرکز کنند که حتی با کاهش اختلاف فشار منابع، همچنان سازمان‌یافته باقی بمانند.
استعاره غالب برای هوش مصنوعی، «مسابقه» است: مسیرها، پیشتازان، عقب‌ماندگان و خط پایانی به نام هوش عمومی مصنوعی (AGI) یا «سلطه». این استعاره با عادت ما به دیدن تاریخ به‌عنوان رقابت میان بازیگران هماهنگ است، اما آنچه از نظر فیزیکی در حال رخ دادن است را پنهان می‌کند. مسابقه وجود مسیری ثابت و دوندگانی را فرض می‌کند که در نهایت می‌توان توقفشان کرد و جایگاهشان را سنجید. آنچه در واقع مشاهده می‌کنیم بیشتر شبیه یک دیگ در حال جوش است: جریانی به‌سرعت در حال رشد از انرژی، سرمایه، سیلیکون و داده که از میان مجموعه‌ای از نهادها عبور می‌کند و آنها را حول این جریان بازسازمان‌دهی می‌کند.
ایلیا پریگوژین برای چنین پدیده‌ای نامی ارائه کرد. در کارهای او درباره ترمودینامیک غیرتعادلی که به دریافت جایزه نوبل شیمی در سال ۱۹۷۷ انجامید، ساختار اتلاف‌گر الگویی منظم است که تنها به این دلیل وجود دارد که یک سامانه باز، دور از تعادل و در حال انتقال پیوسته آنتروپی به محیط پیرامون خود است. نمونه‌های کلاسیک آن شامل سلول‌های همرفت بنار، واکنش‌های شیمیایی نوسانی و موجودات زنده هستند. با توقف جریان، ساختار نیز از بین می‌رود. نظم یک دارایی ثابت نیست؛ بلکه یک نرخ است.
این مقاله این ایده را به‌عنوان چارچوب اصلی برای درک توسعه هوش مصنوعی بررسی می‌کند. ادعا این نیست که شرکت‌های هوش مصنوعی دقیقاً سلول‌های بنار هستند؛ بلکه ویژگی‌های رسمی ساختارهای اتلاف‌گر توضیح دقیق‌تری درباره نیروهای محرک، محدودیت‌ها و نقاط شکست احتمالی این سامانه نسبت به زبان رایج رقابت ارائه می‌دهد.
چهار ویژگی اصلی
چهار ویژگی ساختار اتلاف‌گر را تعریف می‌کنند و هر یک مشابهی در هوش مصنوعی دارند.
یک سامانه باز با یک گرادیان. سلول‌های بنار به اختلاف دما میان سطح گرم و سقف سرد نیاز دارند. سامانه هوش مصنوعی نیز به اختلافی از انرژی قابل استفاده و سرمایه ارزان نیاز دارد. بدون تأمین مداوم هر دو، هیچ بخشی از این زنجیره کار نمی‌کند.
جریان مصرفی که نظم را حفظ می‌کند. ساختار نه با سرمایه ذخیره‌شده، بلکه با جریان منابع حفظ می‌شود. در هوش مصنوعی، یک مدل مانند یک پل، دارایی ایستا نیست؛ بلکه الگویی پایدار در رودخانه‌ای از برق، ساعت‌های پردازشی GPU و داده‌های تازه است و با حرکت این رودخانه، اهمیت آن کاهش می‌یابد.
بازخورد غیرخطی. خودسازمان‌دهی زمانی شکل می‌گیرد که نوسان‌ها تقویت شوند، نه اینکه از بین بروند. در هوش مصنوعی، مدل‌های بهتر کاربران بیشتری جذب می‌کنند، کاربران درآمد و سرمایه ایجاد می‌کنند، سرمایه توان محاسباتی می‌خرد و توان محاسباتی مدل‌های بهتر تولید می‌کند. این همان خودکاتالیز در معنای شیمیایی است.
انتقال آنتروپی به بیرون. هر ساختار منظم باید بی‌نظمی را به جایی منتقل کند. برای هوش مصنوعی این به معنای گرما، کربن، بی‌ثباتی شبکه برق و مصرف آب است. محدودکننده اندازه ساختار، تنها منبع نیست؛ بلکه ظرفیت محیط برای جذب پیامدهای آن نیز اهمیت دارد.
نشانه‌های تجربی یک سامانه دور از تعادل
داده‌هایی که اکنون منتشر می‌شوند، کمتر شبیه منحنی رشد یک صنعت و بیشتر شبیه اندازه‌گیری‌های سامانه‌ای هستند که هرچه بیشتر از تعادل دور می‌شود.
گرادیان در حال افزایش است. برآوردهای Epoch AI نشان می‌دهد توان محاسباتی آموزش مدل‌های زبانی پیشرفته از سال ۲۰۲۰ تقریباً سالانه پنج برابر شده است. مصرف برق آموزش‌های پیشرفته نیز حدود ۲.۲ برابر در سال افزایش یافته و بزرگ‌ترین اجراها اکنون از ۱۰۰ مگاوات فراتر رفته‌اند. این پژوهش‌ها پیش‌بینی می‌کنند ادامه این روند تا سال ۲۰۳۰ به خوشه‌هایی با مصرف ۴ تا ۱۶ گیگاوات نیاز خواهد داشت. سرمایه نیز در همین مسیر حرکت کرده است؛ چهار ابرمقیاس‌گر بزرگ آمریکایی در سال ۲۰۲۵ حدود ۴۱۰ میلیارد دلار هزینه سرمایه‌ای ثبت کردند و برآوردهای سال ۲۰۲۶ به حدود ۷۲۵ میلیارد دلار اشاره دارد، در حالی که برخی پیش‌بینی‌ها هزینه سرمایه‌ای بیش از یک تریلیون دلار در سال ۲۰۲۷ را مطرح می‌کنند.
جریان در شبکه برق قابل مشاهده است. آژانس بین‌المللی انرژی گزارش کرده است که مصرف برق مراکز داده در سال ۲۰۲۵ حدود ۱۷ درصد رشد کرده، در حالی که رشد کل تقاضای برق جهان ۳ درصد بوده است. تقاضای مراکز مرتبط با هوش مصنوعی نیز حدود ۵۰ درصد افزایش یافته و پیش‌بینی می‌شود مصرف برق مراکز داده تا سال ۲۰۳۰ تقریباً دو برابر شده و به حدود ۹۴۵ تراوات‌ساعت برسد.
بازخورد آشکار است. مایکروسافت گزارش کرده که درآمد سالانه کسب‌وکار هوش مصنوعی آن از ۳۷ میلیارد دلار عبور کرده و نسبت به سال قبل ۱۲۳ درصد رشد داشته است، اما اعلام کرده که حتی با این سطح هزینه‌کرد، تا سال ۲۰۲۶ همچنان با محدودیت ظرفیت روبه‌رو خواهد بود. تصمیم مارک زاکربرگ برای ساخت ظرفیت بیشتر از نیاز فعلی، در زبان ترمودینامیکی، به معنای حفظ عمدی سامانه در وضعیت دور از تعادل است.
این اعداد نشان‌دهنده بازاری نیستند که در قیمت تعادلی به ثبات رسیده باشد؛ بلکه نشان‌دهنده ساختاری هستند که هنوز با یک گرادیان رو به افزایش تغذیه می‌شود.
چرا بهره‌وری، فشار بر سامانه را کاهش نمی‌دهد
برداشت ساده این است که افزایش بهره‌وری باید مشکل انرژی را کاهش دهد. داده‌های Epoch نشان می‌دهد بهبود سخت‌افزار، محاسبات با دقت پایین‌تر و طولانی‌تر شدن دوره‌های آموزش، نیاز برق به ازای هر واحد محاسبه را تقریباً سالانه نصف می‌کنند و بهره‌وری محاسبات پیش‌آموزش نیز حدود سه برابر در سال افزایش یافته است. با این حال، مصرف کل برق همچنان دو برابر می‌شود.
سامانه‌های اتلاف‌گر چنین رفتاری دارند. بهره‌وری هزینه حفظ سطح مشخصی از سازمان‌یافتگی را کاهش می‌دهد و این صرفه‌جویی دوباره به جریان بیشتر منابع اختصاص می‌یابد. این همان مشاهده قدیمی جِوُنز درباره زغال‌سنگ است که اکنون در قالب ترمودینامیکی بازخوانی شده است. آژانس بین‌المللی انرژی نیز این الگو را تأیید می‌کند: انرژی مصرفی هر وظیفه هوش مصنوعی کاهش می‌یابد، اما مصرف کل همچنان افزایش دارد. در سامانه‌ای که با بازخورد مثبت هدایت می‌شود، بهره‌وری سوخت است، نه ترمز.
این چارچوب پیش‌بینی مشخصی ارائه می‌کند: پیشرفت‌های الگوریتمی که هوش مصنوعی را ارزان‌تر می‌کنند، مانند آنچه با DeepSeek در اوایل ۲۰۲۵ مطرح شد، باعث کاهش توسعه زیرساخت نخواهند شد. آنها دامنه وظایفی را که اجرای این ساختار برایشان صرفه اقتصادی دارد افزایش می‌دهند و سامانه را بیشتر از تعادل دور می‌کنند.
محدودیت اصلی، بخش جذب‌کننده است
در فیزیک، محدودیت تعیین‌کننده برای سلول همرفت معمولاً منبع گرما نیست، بلکه سرعت انتقال گرما به بیرون است. سامانه هوش مصنوعی اکنون با محدودیت‌های بخش جذب‌کننده خود روبه‌رو شده است.
آژانس بین‌المللی انرژی کمبود توربین‌های گازی، ترانسفورماتورها و تراشه‌های پیشرفته، همراه با تأخیر در اتصال به شبکه و مجوزها را از عوامل کندکننده توسعه مراکز داده می‌داند. گزارش‌هایی از منطقه میانه آتلانتیک آمریکا از انتظارهایی تا هفت سال برای اتصال به شبکه در بخش‌هایی از ویرجینیا خبر می‌دهند. همچنین یک دستور اضطراری در تابستان، به اپراتور شبکه PJM اجازه داد در دوره‌های گرمای شدید، مراکز داده بزرگ را در کوتاه‌مدت به ژنراتورهای پشتیبان خود منتقل کند. افزایش قیمت ظرفیت در بازار PJM نیز نشان می‌دهد سامانه از توان محیط برای جذب خروجی خود پیشی گرفته است.
هوش مصنوعی همچنان مصرف‌کننده انرژی است، اما در حال تبدیل شدن به عامل ایجادکننده تقاضا برای نسل جدید نیروگاه‌های هسته‌ای، بارهای انعطاف‌پذیر مراکز داده و ذخیره‌سازی بلندمدت است. این نیز یکی از ویژگی‌های ساختارهای اتلاف‌گر است: آنها محیط خود را برای حفظ جریان تغییر می‌دهند. سلول‌های همرفت سیال را سازمان می‌دهند؛ هوش مصنوعی شبکه برق را بازسازمان‌دهی می‌کند.
ژئوپلیتیک به‌عنوان دسترسی به گرادیان
از این منظر، رقابت آمریکا و چین تغییر ماهیت می‌دهد. منبع کمیاب فقط بهترین تراشه یا بهترین مدل نیست؛ بلکه توان حفظ بزرگ‌ترین و پایدارترین جریان برق از طریق محاسبات، بدون بی‌ثبات کردن سامانه میزبان است.
در این محور، ارقام قابل توجه‌اند، هرچند منابع درباره مقادیر دقیق اختلاف دارند. برآوردها برای ظرفیت‌های جدید انرژی بادی و خورشیدی چین در سال ۲۰۲۵ از حدود ۴۳۰ گیگاوات تا ۵۷۰ گیگاوات برای مجموع ظرفیت‌ها متغیر است، در حالی که این رقم برای آمریکا حدود ۴۰ تا ۶۳ گیگاوات گزارش شده است. با این حال، آمریکا همچنان پایگاه بزرگ‌تری از مراکز داده و جایگاه‌های پیشرو در تراشه‌های پیشرفته و مدل‌های مرزی دارد.
این نگاه دوطرفه است. گرادیان بزرگ‌تر الزاماً ساختار بهتر ایجاد نمی‌کند. ساختار به نحوه هدایت جریان وابسته است: تراشه‌ها، نیروی انسانی، اکوسیستم‌های نرم‌افزاری و نهادهایی که می‌توانند انرژی را به توانایی تبدیل کنند. این چارچوب پیش‌بینی نمی‌کند که چین پیروز می‌شود، بلکه می‌گوید رقابت از داشتن بهترین طراحی به توانایی اتصال طراحی به جریان پایدار انرژی منتقل می‌شود.
شکنندگی نظمی که با جریان حفظ می‌شود
مهم‌ترین نتیجه نظریه ساختارهای اتلاف‌گر این است که این ساختارها در برابر اختلال‌های کوچک مقاوم، اما در برابر از دست رفتن جریان منابع شکننده‌اند. آنها به‌آرامی کاهش نمی‌یابند؛ پس از عبور از یک آستانه بحرانی، بازسازمان‌دهی یا فروپاشی رخ می‌دهد.
برخی نشانه‌ها حاکی از آن است که شکل مالی سامانه هوش مصنوعی نیز به جریان مداوم منابع حساس شده است. تحلیل‌هایی از گزارش‌های مالی مایکروسافت اشاره می‌کنند که بخش بزرگی از هزینه سرمایه‌ای آن صرف دارایی‌های کوتاه‌عمر مانند GPU و CPU شده است؛ به این معنا که ساختار برای حفظ وضعیت خود باید دائماً تغذیه شود. هیچ‌یک از این موارد به‌تنهایی ثابت نمی‌کند که فروپاشی رخ خواهد داد، اما مشخص می‌کند که در صورت بحران، انتشار آن از وابستگی میان وام‌دهندگان، سازندگان توربین، کارخانه‌های تراشه و دیگر اجزا عبور خواهد کرد.
سلول‌های بنار در حاشیه نوسان نمی‌کنند؛ آنها در نقطه تغییر وضعیت از الگویی به الگوی دیگر منتقل می‌شوند. پرسش اصلی این نیست که آیا رشد ادامه می‌یابد، بلکه این است که وقتی گرادیان دیگر افزایش نیابد، سامانه به چه وضعیتی منتقل خواهد شد.
محدودیت‌های این قیاس
استفاده دقیق از این چارچوب نیازمند توجه به محدودیت‌هاست. نظریه پریگوژین به‌طور دقیق برای سامانه‌های فیزیکی و شیمیایی کاربرد دارد و انتقال آن به شرکت‌ها و دولت‌ها یک قیاس است، نه یک نتیجه علمی مستقیم. شرکت‌ها تصمیم می‌گیرند؛ سلول‌های همرفت چنین کاری نمی‌کنند. سرمایه می‌تواند از طریق سیاست ایجاد شود، در حالی که گرما چنین قابلیتی ندارد.
این قیاس تنها زمانی ارزشمند است که پیش‌بینی‌های قابل آزمون ایجاد کند: اینکه افزایش بهره‌وری به‌جای کاهش جریان کل، آن را افزایش می‌دهد؛ محدودیت‌ها از منابع به بخش‌های جذب‌کننده منتقل می‌شوند؛ شکنندگی در نقاط وابسته به جریان متمرکز می‌شود؛ و رقابت بیش از پیش به رقابت برای دسترسی به انرژی تبدیل می‌شود. تاکنون هر یک از این موارد تا حدی پشتوانه تجربی دارند.
نتیجه‌گیری
اگر سامانه هوش مصنوعی یک ساختار اتلاف‌گر باشد، چند نتیجه راهبردی تغییر می‌کند.
نخست، سیاست‌گذاری باید به‌جای انتخاب برنده، بر مدیریت جریان منابع تمرکز کند. کنترل صادرات تراشه‌ها اهمیت دارد، اما تنها یکی از مسیرهای سامانه‌ای است که محدودیت اصلی آن به‌طور فزاینده در حوزه برق قرار دارد.
دوم، سرمایه‌گذاری‌های مهم‌تر ممکن است در بخش‌های جذب‌کننده و اتصال‌دهنده باشند: انتقال برق، اصلاح فرایند اتصال به شبکه، ذخیره‌سازی و بارهای انعطاف‌پذیری که به مراکز داده اجازه می‌دهند در زمان اوج مصرف با شبکه هماهنگ شوند.
سوم، تاب‌آوری باید به معنای توانایی حفظ سازمان‌یافتگی با گرادیان کمتر تعریف شود. سامانه‌هایی با نیاز کمتر به جریان منابع برای هر واحد توانایی، مانند مدل‌های باز و کارآمدی که روی برق ارزان محلی اجرا می‌شوند، ممکن است از سامانه‌هایی که به جریان فزاینده وابسته‌اند مقاوم‌تر باشند.
در نهایت، این چارچوب درباره واژه «مسابقه» احتیاط را توصیه می‌کند. مسابقه پایان دارد. ساختار اتلاف‌گر تنها تا زمانی پایدار می‌ماند که تغذیه شود، با تغییر شرایط بازسازمان‌دهی می‌شود و بی‌نظمی خود را به محیط پیرامون منتقل می‌کند. پرسش مهم دهه آینده این نیست که چه کسی برنده می‌شود، بلکه این است که از سامانه‌های انرژی جهان چه نوع نظمی می‌خواهیم حفظ شود، با چه سرعتی و با چه هزینه‌ای برای کسانی که بیرون از این چرخه قرار دارند.