۳۵۵ میلیارد دلار: هزینه زیرساخت‌های هوش مصنوعی غول‌های فناوری تا سال ۲۰۲۶

تصور کنید چهار شرکت، سالانه بیشتر از کل تولید ناخالص داخلی شیلی فقط برای خرید سرور هزینه کنند. اگر فکر می‌کنید هزینه‌های ابری برای کسب‌وکار شما زیاد است، باید بدانید که برای غول‌های فناوری، قدرت محاسباتی (Compute) — که شبیه سوخت یک موشک است و برای هر پرواز بلندتر، مقدار بیشتری نیاز دارد — دیگر یک هزینه ساده نیست، بلکه موتور اصلی بقای آن‌هاست.

این وضعیت پس از عرضه ChatGPT در سال ۲۰۲۲ تغییر کرد. پیش از ۲۰۲۰، رشد مراکز داده قابل پیش‌بینی بود. اما اکنون برای ساخت مدل‌های پیشرو، هر نسل جدید به ۵ تا ۱۰ برابر قدرت پردازش بیشتری نیاز دارد. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی قوانین مقیاس‌پذیری اشاره کردیم، این رشد خطی نیست و هزینه‌ها را به شدت بالا می‌برد.

به گزارش مؤسسات مورگان استنلی (Morgan Stanley) و برنشتاین (Bernstein)، توزیع این هزینه‌ها تا سال ۲۰۲۶ به شرح زیر است:

• آمازون: پیشتاز با تخمین ۱۱۰ تا ۱۳۰ میلیارد دلار برای AWS.
• مایکروسافت: پیش‌بینی ۹۵ تا ۱۰۰ میلیارد دلار برای هوش مصنوعی و Azure.
• آلفابت: ۸۰ تا ۹۰ میلیارد دلار با تمرکز بر گوگل کلاد و تراشه‌های Trillium و Ironwood.
• متا: ۷۰ تا ۷۵ میلیارد دلار، تقریباً تماماً برای مراکز داده و AI.

اما یک نکته تاریک در این اعداد وجود دارد. برای اینکه حاشیه سودشان جذاب به نظر برسد، مایکروسافت، گوگل و متا از یک ترفند حسابداری استفاده می‌کنند. آن‌ها عمر مفید سخت‌افزارهای خود را از ۴ سال به ۶ سال تغییر داده‌اند. این کار باعث می‌شود هزینه‌ی استهلاک سالانه کمتر شود و سود عملیاتی (EBITDA) به صورت مصنوعی میلیاردها دلار بیشتر دیده شود.

این استراتژی ریسک «تله کالایی» را ایجاد می‌کند. اگر سخت‌افزارهای جدید مثل Nvidia Rubin (که اواخر ۲۰۲۶ می‌رسد) تراشه‌های فعلی H100 را منسوخ کنند، این شرکت‌ها با ضررهای هنگفتی مواجه می‌شوند. همچنین اگر مدل‌های وزن‌های باز (Open Weights) — که شبیه دستور پخت‌های عمومی غذا هستند و قیمت محصول نهایی را پایین می‌آورند — قیمت توکن‌ها را ۹۰٪ کاهش دهند، بازگشت این سرمایه‌گذاری ۳۵۵ میلیارد دلاری هرگز اتفاق نخواهد افتاد.

گام بعدی شما

• رصد دقیق زمان عرضه معماری Nvidia Rubin در اواخر ۲۰۲۶.
• تحلیل گزارش‌های مالی سه ماهه غول‌های فناوری برای شناسایی تغییرات در نرخ استهلاک سخت‌افزار.
• بررسی جایگزینی مدل‌های بسته با مدل‌های وزن‌باز برای کاهش هزینه‌های استنتاج.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.