چت‌جی‌پی‌تی درباره شرط‌بندی ۴.۱ تریلیون دلاری هوش مصنوعی
جرمی ریفکین، یکی از روشنفکران عمومی برجسته جهان، در کتاب جدید خود با عنوان «نجات آینده» استدلال می‌کند که هوش مصنوعی مردم در یک مسیر عمیقاً وجودی قرار دارد و احتمالاً پیش از اواسط قرن حاضر در مناطق زیست‌منطقه‌ای مختلف جهان از غول‌های شرکتی هوش مصنوعی پیشی خواهد گرفت.
گسترش عظیم هوش مصنوعی به مرحله‌ای رسیده است که دیگر نمی‌توان آن را صرفاً یک چرخه سرمایه‌گذاری فناوری دیگر دانست؛ این روند در حال تبدیل شدن به یک رویداد کلان اقتصادی است.
برآوردهای UBS در سال ۲۰۲۶ نشان می‌دهد هزینه‌های سرمایه‌ای احتمالی شرکت‌های زیرساختی هوش مصنوعی در حال گسترش، در فاصله سال‌های ۲۰۲۶ تا ۲۰۲۸ به حدود ۴.۱ تریلیون دلار خواهد رسید؛ رقمی بیش از سه برابر حدود ۱.۲۹ تریلیون دلاری که در شش سال پیش از آن صرف شده است. بر اساس یکی از برآوردهای منتشرشده از ارقام UBS، این روند شامل حدود یک تریلیون دلار در سال ۲۰۲۶، ۱.۴۵ تریلیون دلار در سال ۲۰۲۷ و ۱.۶۲ تریلیون دلار در سال ۲۰۲۸ خواهد بود. UBS همچنین مجموع هزینه‌های هوش مصنوعی را حدود ۹۰۰ میلیارد دلار در سال ۲۰۲۶ و ۱.۲ تریلیون دلار در سال ۲۰۲۷ برآورد کرده و هشدار داده است که افزایش سرمایه‌گذاری کوتاه‌مدت، حفظ این روند هزینه‌ای را در سال‌های بعد دشوارتر می‌کند.
این اعداد به اندازه‌ای بزرگ هستند که یک پرسش اقتصادی مهم ایجاد می‌کنند: اگر معماری متمرکز ابرمقیاس هوش مصنوعی که امروز در حال ساخت است نتواند بازدهی متناسب با حجم عظیم سرمایه اختصاص‌یافته را ایجاد کند، چه اتفاقی خواهد افتاد؟
پرسش مهم دیگری نیز مطرح می‌شود: اگر این اصلاح احتمالی دقیقاً زمانی رخ دهد که معماری متفاوتی از هوش مصنوعی—رایانش توزیع‌شده در نزدیکی لبه شبکه، تعبیه‌شده در کارخانه‌ها، سامانه‌های حمل‌ونقل، شبکه‌های انرژی، مزارع، بیمارستان‌ها، شهرداری‌ها و مناطق زیست‌منطقه‌ای—از نظر فناوری امکان‌پذیر شده باشد، چه خواهد شد؟
این احتمال شایسته بررسی جدی است، اما برای تحلیل آن باید سه گزاره را که اغلب با یکدیگر اشتباه گرفته می‌شوند، از هم جدا کرد.
نخست اینکه سرمایه‌گذاری ابرمقیاس در هوش مصنوعی آسیب‌پذیری‌های مالی بالقوه خطرناکی ایجاد کرده است؛ گزاره‌ای که شواهد بیشتری از آن پشتیبانی می‌کنند.
دوم اینکه اصلاح در سرمایه‌گذاری ابرمقیاس می‌تواند از طریق بانک‌ها، اعتبار خصوصی، شرکت‌های بیمه، شرکت‌های خدماتی و اقتصادهای منطقه‌ای، رکود اقتصادی را تشدید کند؛ این احتمال وجود دارد، اما قطعی نیست.
سوم اینکه چنین بحرانی به‌طور خودکار رایانش ابری متمرکز را با رایانش مه و لبه توزیع‌شده جایگزین خواهد کرد؛ این ادعایی بسیار فرضی‌تر است. چشم‌انداز فناوری احتمالاً به سمت یک پیوستار ابری-لبه‌ای حرکت می‌کند که در آن پردازش متمرکز و توزیع‌شده در کنار هم وجود خواهند داشت و تعادل قدرت اقتصادی میان آن‌ها به یکی از رقابت‌های تعیین‌کننده دهه آینده تبدیل خواهد شد.
شرط‌بندی بزرگ ۴.۱ تریلیون دلاری
سرعت سرمایه‌گذاری در این حوزه چشمگیر است. UBS در ژوئیه ۲۰۲۶ اعلام کرد چرخه سرمایه‌گذاری هوش مصنوعی همچنان قدرتمند باقی مانده و انتظار دارد مجموع هزینه‌های هوش مصنوعی در سال جاری به حدود ۹۰۰ میلیارد دلار و در سال ۲۰۲۷ به ۱.۲ تریلیون دلار برسد. با این حال، این مؤسسه هشدار داده بود که نیازهای سرمایه‌ای فزاینده، ادامه این سطح از هزینه‌ها را در سال ۲۰۲۸ دشوارتر می‌کند.
این موضوع اهمیت دارد، زیرا اقتصاد این رونق با انقلاب نرم‌افزاری پیشین تفاوت اساسی دارد.
برای چند دهه، سیلیکون‌ولی شرکت‌های «سبک از نظر دارایی» را تحسین می‌کرد. نرم‌افزار با هزینه نهایی بسیار اندک قابل تکثیر بود. اما هوش مصنوعی بخشی از این منطق را معکوس کرده است. مدیریت دارایی UBS این تحول را حرکت «از سبک‌دارایی به سنگین‌دارایی در هوش مصنوعی» توصیف می‌کند. هوش مصنوعی به تولید تراشه، پردازنده‌های گرافیکی، سرورها، سامانه‌های خنک‌کننده، شبکه‌های فیبر نوری، پست‌های برق، ظرفیت انتقال انرژی، ساختمان‌های عظیم و منابع اختصاصی برق نیاز دارد.
آژانس بین‌المللی انرژی پیش‌بینی می‌کند مصرف برق مراکز داده جهان در سناریوی پایه تا سال ۲۰۳۰ به حدود ۹۴۵ تراوات‌ساعت برسد؛ بیش از دو برابر سطح کنونی. هوش مصنوعی مهم‌ترین عامل این افزایش خواهد بود. مراکز داده به‌ویژه برای شبکه‌های برق چالش‌برانگیزند، زیرا بار مصرفی آن‌ها از نظر جغرافیایی متمرکز است.
بنابراین مقیاس فیزیکی این تحول واقعی است.
اما عدم‌قطعیت اقتصادی اصلی نیز واقعی است: کسب درآمد.
UBS پیش‌تر نیز به این مشکل اشاره کرده بود. چشم‌انداز این مؤسسه در سال ۲۰۲۶ نشان داد که درآمدزایی از هوش مصنوعی از رشد هزینه‌های سرمایه‌ای عقب مانده و نسبت هزینه سرمایه‌ای ابرمقیاس‌ها به جریان نقد عملیاتی از حدود ۴۰ درصد در سال ۲۰۲۳ به نزدیک ۷۰ درصد در سال ۲۰۲۵ رسیده است. با این حال، UBS همچنان پتانسیل درآمدی عظیمی برای هوش مصنوعی در صورت دستیابی به بخش قابل‌توجهی از بهره‌وری نیروی کار جهانی متصور است.
در نهایت، کل این شرط‌بندی به یک مسئله وابسته است: مخرج باید به صورت رشد درآمد با صورت یعنی تریلیون‌ها دلار سرمایه‌گذاری امروز هماهنگ شود؛ سرمایه‌ای که باید در نهایت خدمات اقتصادی ارزشمند ایجاد کند.
این امکان وجود دارد.
اما تضمین‌شده نیست.
مسئله ۳۰ ساله در واقع مسئله طول عمر دارایی‌هاست
در اینجا باید اصلاح مهمی در فرض اولیه انجام داد. هیچ «نرخ بازده معمول ۳۰ ساله» واحدی وجود ندارد که بر یک مرکز داده هوش مصنوعی حاکم باشد.
یک مرکز داده در واقع مجموعه‌ای از دارایی‌ها با عمرهای اقتصادی بسیار متفاوت است. ساختمان ممکن است ۳۰ سال دوام بیاورد. زیرساخت انتقال برق می‌تواند عمر بیشتری داشته باشد. تأمین مالی املاک مرتبط با مراکز داده معمولاً می‌تواند ۱۵ تا ۳۰ ساله باشد، اما تأمین مالی تجهیزات ممکن است تنها سه تا پنج سال طول بکشد.
ماشین‌آلات محاسباتی حتی سریع‌تر فرسوده می‌شوند.
برای نمونه، متا عمر مفید حسابداری سرورها و تجهیزات شبکه را حدود چهار تا پنج سال اعلام کرده، در حالی که برای ساختمان‌ها عمر ۲۵ تا ۳۰ سال در نظر گرفته است.
بازارهای مالی نیز ممکن است درباره پردازنده‌های گرافیکی بدبین‌تر باشند. گزارش رویترز در اکتبر ۲۰۲۶ نشان داد که اگرچه انویدیا معتقد است پردازنده‌های پیشرفته می‌توانند مدت طولانی‌تری کارآمد باقی بمانند، وام‌دهندگان معمولاً آن‌ها را با دوره استهلاک حدود سه تا چهار سال ارزیابی می‌کنند، زیرا تغییرات فناوری می‌تواند ارزش باقی‌مانده آن‌ها را به‌سرعت کاهش دهد.
این موضوع تضاد زمانی بزرگی را در قلب هوش مصنوعی ابرمقیاس ایجاد می‌کند.
یک شرکت خدماتی ممکن است زیرساخت برق بسازد که انتظار دارد چند دهه فعالیت کند. یک جامعه ممکن است برای خطوط انتقال، پست‌های برق، خطوط لوله یا نیروگاه‌ها اوراق قرضه منتشر کند که عمر مشابهی دارند. یک توسعه‌دهنده ممکن است پوسته یک مرکز داده را برای یک نسل آینده بسازد.
اما پردازنده‌های داخل آن ممکن است پیش از رسیدن کودکی که امروز وارد دبستان می‌شود به دبیرستان، چند نسل فناوری را پشت سر گذاشته باشند.
بنابراین خطر اصلی فقط این نیست که سرمایه‌گذاران باید ۳۰ سال برای بازگشت سرمایه خود صبر کنند. خطر عمیق‌تر، ناهماهنگی طول عمر دارایی‌هاست: تعهدات مالی و فیزیکی بلندمدت برای پشتیبانی از تجهیزات محاسباتی و مدل‌های کسب‌وکاری‌ای ایجاد می‌شوند که با سرعتی فوق‌العاده در حال تغییر هستند.
همین تفاوت است که احتمال دارایی‌های بلااستفاده یا کم‌ارزش‌شده را جذاب‌تر می‌کند.
از نقدینگی شرکت‌ها تا نظام اعتباری
در ابتدا رونق هوش مصنوعی به دلیل قدرت مالی شرکت‌های بزرگ فعال در این حوزه، نسبتاً ایمن به نظر می‌رسید. بسیاری از ابرمقیاس‌ها از ثروتمندترین شرکت‌های تاریخ بودند و می‌توانستند بخش بزرگی از ساخت اولیه زیرساخت را از جریان نقدی داخلی خود تأمین کنند.
این وضعیت در حال تغییر است.
بانک تسویه‌های بین‌المللی در ژانویه ۲۰۲۶ گزارش داد که نیازهای سرمایه‌گذاری مورد انتظار هوش مصنوعی آن‌قدر بزرگ شده که حرکت از جریان نقد عملیاتی به سمت بدهی را ضروری می‌کند و اعتبار خصوصی نقش فزاینده‌ای خواهد یافت. این نهاد در آن زمان ریسک‌های ثبات مالی را متوسط ارزیابی کرد، اما تأکید کرد پایداری این روند در نهایت به توانایی شرکت‌های هوش مصنوعی برای تحقق انتظارات بالای درآمدی بستگی دارد.
ساختار تأمین مالی اهمیت زیادی دارد.
بانک تسویه‌های بین‌المللی ساختارهایی را بررسی کرده که در آن‌ها یک شرکت با هدف ویژه مرکز داده را خریداری یا احداث می‌کند، از حامیان سرمایه دریافت می‌کند و از وام‌دهندگان خصوصی وام می‌گیرد. یک شرکت ابرمقیاس ممکن است تنها سهم اقلیتی داشته باشد، اما قرارداد اجاره بلندمدت یا خرید ظرفیت منعقد کند. چنین تعهدی از نظر اقتصادی می‌تواند شبیه وام عمل کند، حتی اگر بخش زیادی از بدهی رسمی در ترازنامه شرکت ابرمقیاس ثبت نشود.
این همان چیزی است که BIS آن را شکل نوظهور «استقراض سایه‌ای» می‌نامد.
صندوق‌های اعتبار خصوصی و سرمایه‌گذاران نهادی می‌توانند مالک بدهی باشند. شرکت‌های بیمه ممکن است در معرض ریسک قرار گیرند. بانک‌ها می‌توانند خطوط تأمین مالی ارائه دهند. تضمین‌ها و تعهدات بلندمدت، کل ساختار را دوباره به شرکت‌های ابرمقیاس پیوند می‌دهند.
دقیقاً در همین نقطه است که اصلاح فناوری می‌تواند به یک رویداد مالی تبدیل شود.
...