کوری داکترو: حباب ۱.۴ تریلیون دلاری هوش مصنوعی در مسیر فروپاشی است

تصور کنید در دنیایی زندگی می‌کنید که در آن شما نه کاربر ابزاری هوشمند، بلکه تنها یک «قطعه گوشتی» برای تایید تصمیمات یک ماشین هستید. اگر فکر می‌کنید هوش مصنوعی قرار است شما را از کارهای تکراری آزاد کند، باید بدانید بسیاری از مدیران ارشد دقیقا عکس این سناریو را دنبال می‌کنند.

به نقل از مصاحبه‌ای با آرس تکنیکا (Ars Technica)، کوری داکترو (Cory Doctorow)، نویسنده و تحلیل‌گر فناوری، ادعا می‌کند که مبلغ تکان‌دهنده ۱.۴ تریلیون دلار سرمایه جهانی در حوزه AI هزینه شده است. با این حال، این صنعت همچنان حفره‌ای از ضررهای مالی است که با هیچ منطق تجاری سنتی هم‌خوانی ندارد. داکترو این وضعیت را «گران‌ترین سرمایه‌گذاری ضرارده در تاریخ بشر» می‌نامد. او در حالی که اعتراف کرد «از صحبت کردن درباره هوش مصنوعی خسته شده است»، کتاب جدید خود با عنوان راهنمای سانتور معکوس برای زندگی پس از هوش مصنوعی را نوشت تا راهی برای «جدا کردن مزخرفات از واقعیت‌های مادی» بیابد.

این جنون سرمایه‌گذاری در واقع یک حرکت تاکتیکی از سوی شرکت‌های اشباع‌شده است تا وضعیت «سهام رشد» (Growth Stock) خود را در بازاری که شرکت‌های بالغ را جریمه می‌کند، حفظ کنند. منطق این است: وقتی شرکتی ۹۰٪ بازار خود را در اختیار دارد، باید «بازارهای خیالی» اختراع کند تا سرمایه‌گذاران متوجه توقف رشدش نشوند. نمونه‌های پیشین این بازارهای خیالی، متاورس، کریپتو و وب۳ بوده‌اند. تفاوت بنیادی در اینجا این است که سهام شرکت‌های بالغ با ضریب بسیار کمتری نسبت به سهام شرکت‌های رشد معامله می‌شوند. در حالی که شرکت‌های رشد می‌توانند صرفاً با «تایپ کردن صفرها در یک صفحه گسترده (اکسل)» رشد کنند، شرکت‌های بالغ باید از پول واقعی استفاده کنند؛ موضوعی که اگر بخواهند آن را در محل تولید کنند، خطر مداخله وزارت خزانه‌داری را به همراه دارد.

هوش مصنوعی زاینده (Generative AI) — که شبیه نویسنده‌ای است که تمام کتاب‌های دنیا را خوانده و حالا بدون فهم واقعی، فقط کلمات محتمل بعدی را حدس می‌زند — اکنون به آخرین و بزرگ‌ترین تکرار این چرخه تبدیل شده است. داکترو تأکید می‌کند که بازارهای سرمایه «ثبات شیئیِ یک کودک نوپا» را دارند؛ یعنی به راحتی با روایت‌های جدید پرت می‌شوند. وقتی یک بازار خیالی شکست می‌خورد، شرکت‌ها به سرعت بازار جدیدی را معرفی می‌کنند. آن‌ها می‌توانند از متاورس به کریپتو، سپس به وب۳ و حالا به AI تغییر مسیر دهند، به شرطی که این انتقال با سرعتی رخ دهد که سرمایه‌گذاران را راضی نگه دارد.

داکترو با تکیه بر مفاهیم قبلی خود درباره «گندکاری سیستماتیک» (Enshittification)، استدلال می‌کند که AI آخرین نسخه از این چرخه است. او اشاره می‌کند که وقتی کتاب قبلی‌اش را می‌نوشت، مخارج سرمایه‌ای (CapEx) جهانی ۷۰۰ میلیارد دلار بود، اما اکنون این رقم دو برابر شده و به ۱.۴ تریلیون دلار رسیده است. برخلاف حباب دات‌کام، جایی که هر کاربر جدید به دلیل اقتصاد واحد (Unit Economics) خوب، وب را سودآورتر می‌کرد، در حال حاضر هر مشتری AI برای شرکت ارائه‌دهنده، هزینه اضافی به معنای ضرر بیشتر دارد. هر نسل از فناوری وب، وب را سودآورتر می‌کرد، اما AI عکس این است: هر نسل از AI بیشتر از نسل قبلی ضرر می‌دهد.

طبق اعلام داکترو، این فناوری مانند «آسبست در دیوارهای جامعه تکنولوژیک» است که توسط انحصارگران فناوری و بخش مالی افسارگسسته جاسازی شده و نسل‌های آینده مجبور خواهند بود برای یک نسل یا بیشتر، آن را استخراج و پاک‌سازی کنند. او تفاوتی حیاتی میان دو مدل تعامل انسان و ماشین بر اساس تئوری اتوماسیون تعریف می‌کند:

• سانتورها (Centaurs): این وضعیت عموماً مثبت دیده می‌شود. سانتورها کارکنانی هستند که توسط فناوری تقویت می‌شوند — مانند یادگیری ماشین، اتوکامپلیت یا حتی رانندگی با خودرو — و خودشان تصمیم می‌گیرند که فناوری چگونه به آن‌ها کمک کند.
• سانتورهای معکوس (Reverse Centaurs): افرادی که به عنوان «ضمیمه گوشتی برای یک ماشین بی‌تفاوت» عمل می‌کنند. در این سناریو، انسان اساساً تبدیل به یک مال‌افزار (Peripheral) برای سیستم می‌شود.

به عنوان مثال، رانندگان آمازون (Amazon) که توسط دوربین‌های AI نظارت می‌شوند، در واقع تبدیل به قطعات یدکی یک ون تحویل کالا شده‌اند. در حوزه پزشکی، خطر این نیست که AI به رادیولوژیست‌ها در تشخیص تومورها کمک کند، بلکه خطر این است که ۹ از هر ۱۰ رادیولوژیست اخراج شوند و تنها یک نفر باقی بماند تا تشخیص‌های AI را تأیید کند. در این مدل «سانتور معکوس»، رادیولوژیست باقی‌مانده صرفاً مسئول چک کردن کارهای AI است و در نهایت به عنوان یک «چاه مسئولیت» (Accountability Sink) — اصطلاحی که توسط دن دیویز ابداع شده — عمل می‌کند تا وقتی AI اشتباه کرد، او مقصر شناخته شود. داکترو این وضعیت را با تفاوت میان عبارت «خودت را بشناس» در معابد یونان و رئیسِ فعلی که ۱۶ دوربین را به صورت کارگر می‌تاباند تا به او بگوید می‌تواند یک ساعت بیشتر در روز بدون خستگی کار کند، مقایسه می‌کند.

این رویای شرکتی، در واقع توهم «دنیایی بدون انسان» است. داکترو معتقد است برای افراد قدرتمند، «جهنم واقعاً یعنی دیگران»، زیرا مردم لجبازانه حاضر نیستند زندگی خود را صرفاً برای خوشحال کردن یک رهبر ثروتمند سازماندهی کنند. او اشاره می‌کند که بدون انسان‌های دیگر، هیچ عشقی، رسانه‌ای، بازی تخته‌ای یا پل‌سازی ممکن نیست. در فضای شرکتی، این توهم به صورت «کسب‌وکاری بدون کارگر» ظاهر می‌شود. مدیران شرکتی با این ترس پنهان دست‌ و پنجه نرم می‌کنند که اگر خودشان سر کار نروند، همه چیز به خوبی پیش می‌رود؛ اما اگر کارگران نیایند، همه چیز متوقف می‌شود. AI وعده می‌دهد که «فرمان بازیچه» صندلی عقب را مستقیماً به سیستم انتقال قدرت وصل کند.

این وضعیت به یک «رویاپرداز» شرکتی اجازه می‌دهد بدون تحمل «رویاروئی‌های غرور‌شکنانه» با کارکنان متخصص (که ممکن است به او بگویند در واقع احمق است)، محصول تولید کند. این رانه ایدئولوژیک، در کنار نیاز مادی به یک روایت رشد، منجر به ۱.۴ تریلیون دلار CapEx برای بخشی شده است که سالانه تنها ۵۰ میلیارد دلار گردش مالی دارد و باید دارایی‌های خود را هر ۲۴ تا ۳۰ ماه یک‌بار جایگزین کند.

بر اساس بررسی منابع متعدد، این حباب اکنون در حال ترک خوردن است. شرکت‌های AI در حال حاضر قیمت‌ها را برای مشتریان سازمانی بالا می‌برند تا ترازنامه‌های خود را برای عرضه عمومی سهام (IPO) پاکسازی کنند. آن‌ها از یارانه‌های ۹۰ درصدی به ۴۰ درصدی رسیده‌اند و برای برخی مشتریان قیمت‌ها را بیش از دو برابر کرده‌اند.

• متا (Meta): این شرکت ۶۰ میلیارد دلار در متاورس سوزاند، ۱۵۰ میلیارد دلار در سه سال اخیر روی AI هزینه کرد و قصد دارد امسال ۱۵۰ میلیارد دلار دیگر صرف کند.
• تمرکز بازار: در حال حاضر هفت شرکت AI بیش از یک‌سوم بازار سهام را تشکیل می‌دهند و مدام یک «سند بده ۱۰۰ میلیارد دلاری» را بین خود پاس می‌دهند.
• پس‌زدن شرکتی: افزایش اخیر قیمت‌ها باعث شده برخی مدیران، از جمله مدیر فناوری (CTO) اوبر (Uber)، ارزش بنیادی ادغام AI را زیر سوال ببرند. او اشاره کرد مطمئن نیست چرا باید از AI استفاده کنند اگر قیمت هر کاربر (Seat) ۲۰ هزار دلار باشد.

با این حال، داکترو ضد-تکنولوژی نیست. او از استدلال «میوه درخت مسموم» دوری می‌کند و معتقد است احمقانه است که فناوری را صرفاً بر اساس آدم‌های بدی که آن را ساخته‌اند قضاوت کنیم. او استدلال می‌کند که اگرچه اثرات محیط‌زیستی مدل‌های پایه تا حد زیادی ناپایدار است، اما علم استنتاج آماری با استفاده از شبکه‌های عصبی عمیق ذاتاً بد نیست.

او صراحتاً از عمل «اسکراپ کردن» (Scraping) یا استخراج داده‌های وب برای آموزش شبکه‌های عصبی دفاع می‌کند و می‌گوید ممنوع کردن آن فاجعه‌بار خواهد بود. او اشاره می‌کند که بدون استخراج داده‌ها، مردم سوابق تغییرات سایت‌هایی مثل CBS News یا تمام نوشته‌های نیت سیلور (Nate Silver) را پیش از آنکه توسط دیزنی پاک شوند، از دست می‌دادند. او معتقد است تهیه کپی‌های گذرا برای تحلیل و انتشار نتایج، یک فعالیت مفید اجتماعی است. در این میان، افزایش حضور بات‌ها در وب یک چالش جدی است؛ چنانکه بیش از نیمی از ترافیک وب اکنون توسط بات‌ها ایجاد می‌شود و این موضوع هزینه‌های کلاهبرداری‌های آنلاین را بالا می‌برد.

داکترو هشدار می‌دهد که تلاش برای اصلاح AI از طریق قوانین جدید کپی‌رایت یک «فریب» است. او پیشنهاد می‌کند اگر حق تصمیم‌گیری درباره آموزش AI با نویسنده باشد، رئیس‌ها صرفاً قراردادها را تغییر می‌دهند تا این حقوق غیرقابل مذاکره شود. در عوض، او خواستار قوانین جدید کارگری و گسترش «چانه زنی بخشی» (Sectoral Bargaining) در تمام سطوح است.

داکترو برای کارهای شخصی از مدل‌های محلی در لپ‌تاپ اوبونتو (Ubuntu) خود (یک لپ‌تاپ Framework بدون GPU) استفاده می‌کند:

• Whisper: او از این ابزار برای تبدیل ۳۰ ساعت صوت به متن استفاده می‌کند تا از طریق ایندکس‌گذاری متن کامل و کدهای زمانی، استنادات خاص را بیابد. او اشاره می‌کند که برای ایندکس‌گذاری ویدیوها یا عکس‌ها، AI لازم نیست ۱۰۰٪ دقیق باشد تا مفید باشد.
• تشخیص غلط‌های املایی: او از چت‌بات‌ها به عنوان پلاگین برای واژه‌پرداز خود استفاده می‌کند تا کلمات تکراری و خطاهای نقطه‌گذاری را در پست‌های ۱۵۰۰ تا ۳۰۰۰ کلمه‌ای بیابد. او از آن‌ها برای دست‌نوشته‌های ۱۰۰ هزار کلمه‌ای استفاده نمی‌کند زیرا تعداد «مثبت‌های کاذب» (False Positives) بسیار زیاد می‌شود.

او به فعالیت‌های گروه تحلیل داده‌های حقوق بشری (HRDAG) به رهبری پاتریک بال اشاره می‌کند. HRDAG از AI و Copilotها برای انجام برون‌یافت‌های آماری دقیق برای دادگاه‌های جنایات جنگی و حقیقت‌یابی استفاده می‌کند. یکی از موفقیت‌های کلیدی آن‌ها همکاری با پروژه بی‌گناهان نیورئورلئان است؛ آن‌ها با استفاده از AI، همبستگی‌های زبانی در گزارش‌های بازداشت را یافتند که با موارد تبرئه موفق مطابقت داشت و به وکلا کمک کرد تا پرونده‌ها را اولویت‌بندی کرده و بی‌گناهان را از زندان آزاد کنند.

به باور داکترو، وقتی حباب به ناچار بترکد، «باقیمانده‌های مفید» برنده واقعی خواهند بود. او این وضعیت را با سقوط دات‌کام مقایسه می‌کند که سرورهای ارزان و نسلی از دانشجویان علوم انسانی را که پایتون، پرل و HTML یاد گرفته بودند، به جا گذاشت. او به یاد می‌آورد که شش صندلی Steelcase Leap ۱۲۰۰ دلاری را به قیمت ۲۵ تا ۵۰ دلار از یک کارآفرین شکست‌خورده در خیابانی در منطقه Mission District خرید.

در حالی که حباب کریپتو تنها «تصاویر JPEG زشت میمون‌ها» و «اقتصاد اتریشی بدتر» به جای گذاشت، سقوط AI موارد زیر را به جا خواهد گذاشت:

• سخت‌افزارهای ارزان: GPUهایی که با کسری از قیمت اصلی در دسترس قرار می‌گیرند.
• سرمایه انسانی: آمارشناسان کاربردی خلاقی که در حال حاضر مجبورند آنچه رئیسشان می‌خواهد بسازند.
• مدل‌های وزن‌های باز (Open Weights): مدل‌های بسیار بهینه‌ای مانند دیپ‌سیک (DeepSeek). دیپ‌سیک که از یک صندوق پوشش ریسک چینی جدا شد و ۶ میلیون دلار سرمایه دریافت کرد، مدلی چنان بهینه روی سخت‌افزارهای معمولی ساخت که باعث ریزش ۶۰۰ میلیارد دلاری بازار در ۲۴ ساعت شد — بزرگ‌ترین کاهش سرمایه ۲۴ ساعته برای یک شرکت در تاریخ بازار. برای دستیابی به چنین بهینه‌سازی‌هایی، رویکردهای جدیدی در معماری‌ها ظهور کرده‌اند؛ برای example، رویکرد Subquadratic توانست هزینه‌ها و مصرف انرژی استنتاج در مدل‌های زبانی را به شدت کاهش دهد.

در نهایت، داکترو درباره افسانه «آخرالزمان شغلی» هشدار می‌دهد. او می‌گوید خطر واقعی این نیست که «AI شغل را بگیرد»، بلکه خطر رئیسی است که انسانی را اخراج کند تا AI جایگزینش شود، در حالی که آن AI اصلاً قادر به انجام کار نیست. او به فروشگاه‌های Amazon Go اشاره می‌کند، جایی که «هوش مصنوعی» ردیابی کالاها در واقع سه نفر در هند بودند که دوربین‌ها را می‌دیدند و حدس می‌زدند مشتری چه برداشته است.

او استدلال می‌کند که روایت «فجایع شغلی» یک روایت خودخواهانه است تا ۱.۴ تریلیون دلار CapEx را به درآمد تبدیل کنند و رئیس‌ها را متقاعد کنند کارگران را با چت‌بات‌ها جایگزین کنند. داکترو در پایان چالشی برای رهبرانی مثل سام آلتمن یا داریو آمودی مطرح می‌کند: اگر مجبور باشند انتخاب کنند چه موجودیتی در دوران پیری و ناتوانی از آن‌ها مراقبت کند، AI را انتخاب می‌کنند یا یک انسان؟ او پیشنهاد می‌کند از کسانی که دنیای اداره‌شده توسط AI را تبلیغ می‌کنند، بپرسند آیا شخصاً حاضرند به خانه‌ی سالمندانی نقل مکان کنند که با همین اصول اداره می‌شوند.

در نهایت، او تأکید می‌کند که تنها کارکنانی که موفق شدند AI را شکست دهند، نویسندگان و بازیگران هالیوود بودند. این موفقیت به این دلیل بود که آن‌ها به طور منحصر‌به‌فردی از ممنوعیت «چانه زنی بخشی» در قانون Taft-Hartley مستثنی بودند، که به کارگران یک بخش اجازه می‌دهد با تمام کارفرمایان آن بخش مذاکره کنند.

گام بعدی شما

• به جای اتکا به وعده‌های بهره‌وری AI، روی مهارت‌های «نظارت بر ماشین» تمرکز کنید تا در مدل سانتور معکوس، تنها مهره‌ی جایگزین نباشید.
• مدل‌های محلی مثل Whisper را برای تحلیل داده‌های حجیم تست کنید تا وابستگی به سرویس‌های ابری گران‌قیمت کاهش یابد.
• تحولات مدل‌های وزن‌های باز (مثل DeepSeek) را دنبال کنید چون احتمالاً تنها بازماندگان واقعی پس از ترکیدن حباب هستند.

اما تاثیر این سقوط بر زنجیره تامین تراشه‌ها حتی پیچیده‌تر است — به تحلیل ما درباره استراتژی انویدیا در بازار لبه مراجعه کنید.