تصور کنید یک مرکز داده پیشرفته، قلب تپنده مدل‌های هوش مصنوعی یک کشور باشد که ناگهان با چند پهپاد کوچک از کار بیفتد. این سناریو دیگر یک پیش‌بینی تخیلی نیست، بلکه به واقعیت تبدیل شده است. آسیب‌پذیری استراتژیک یک تأسیسات واحد را در نظر بگیرید: در ۱ مارس ۲۰۲۶، حملات پهپادی جمهوری اسلامی ایران سه مرکز داده آمازون وب سرویسز (AWS) را در خاورمیانه هدف قرار داد. این حملات که در پاسخ به عملیات «خشم حماسی» (Epic Fury) انجام شد، باعث آسیب‌های ساختاری، قطع تحویل برق و فعال شدن سیستم‌های اطفاء حریق شد که در نهایت منجر به خسارات شدید آبی در سراسر زیرساخت‌ها گشت. رسانه‌های دولتی ایران با تأکید بر اینکه مرکز داده بحرین به‌طور مشخص به دلیل نقش آن در حمایت از عملیات‌های نظامی و اطلاعاتی آمریکا هدف قرار گرفته است، سیگنال جدیدی فرستادند: زیرساخت‌های هوش مصنوعی اکنون به یک هدف اولیه برای بازیگران دولتی در منازعات ژئوپلیتیک تبدیل شده‌اند.
مرکز داده‌ها (Data Center) — شبیه به نیروگاه‌های بزرگی هستند که به‌جای برق، قدرت پردازش تولید می‌کنند — در اقتصاد دیجیتال حیاتی‌اند اما از نظر فیزیکی بسیار شکننده‌اند. پنهان کردن این مراکز بسیار هزینه‌بر است و آن‌ها اغلب در برابر حملات فیزیکی آسیب‌پذیرند. غیرفعال کردن تنها چند قطعه کلیدی — مانند سیستم‌های خنک‌کننده، ترانسفورماتورها یا ژنراتورها — می‌تواند کل خوشه‌های محاسباتی را از دسترس خارج کند. با گسترش هوش مصنوعی زاینده (Generative AI) و مدل‌های پیشرو، این سایت‌ها به اهداف باارزش برای دشمنانی تبدیل شده‌اند که می‌خواهند اقتصادها را مختل کنند، نیات سیاسی خود را نشان دهند یا هزینه‌های سنگینی را بر رقبای خود تحمیل نمایند.
این ریسک در زمانی ظهور می‌کند که ایالات متحده با یک انتخاب حیاتی در مورد محل جایگاه نسل بعدی قدرت هوش مصنوعی خود روبروست. طبق گزارش مؤسسه بروکینگز (Brookings Institution)، سؤال دیگر این نیست که آیا زیرساخت‌های AI در خارج از کشور ساخته خواهند شد یا خیر، بلکه سؤال این است که دقیقاً کدام دارایی‌ها و بارهای کاری (Workloads) را می‌توان به‌طور ایمن در حوزه‌های قضایی خارجی و تحت چه شرایطی مستقر کرد. پاسخ به این سؤال مستلزم سنجش توازن‌های استراتژیک بین رقابت اقتصادی و امنیت ملی است، در حالی که همزمان باید محدودیت‌های ظرفیت داخلی و شدت ریسک‌های امنیتی برای دارایی‌های فرا-مرزی درک شود.
بحران ظرفیت داخلی
آموزش مدل‌های پیشرفته‌ترین هوش مصنوعی به توان محاسباتی (Compute) عظیمی نیاز دارد، از جمله خوشه‌های عظیم از تراشه‌های تخصصی و گیگاوات‌ها برق پایدار. این تأسیسات برای عملیاتی شدن به سیستم‌های خنک‌کننده بسیار پیشرفته‌ای نیاز دارند. برخی تحلیل‌گران پیش‌بینی می‌کنند که تنها هزینه‌های سرمایه‌ای (CapEx) شرکت‌های ابر-مقیاس (Hyperscalers) برای پاسخ به این تقاضا تا سال ۲۰۲۷ از یک تریلیون دلار فراتر خواهد رفت. در حالی که در گذشته، بخش آموزش (Training) dominating این هزینه‌ها بود، اما اکنون محاسبات مربوط به زمان استنتاج و تحقیق و توسعه (R&D) جاری، سهم رو به رشدی از این بودجه را به خود اختصاص می‌دهند. این فشار مالی با استراتژی‌های بلندمدتی مانند برنامه‌های توسعه زیرساختی OpenAI برای تأمین برق از طریق گاز طبیعی همسو است تا تداوم عملیات در مقیاس‌های عظیم تضمین شود.
با وجود پیشرو بودن آمریکا در AI پیشرو، این کشور با موانع داخلی قابل‌توجهی روبروست که ممکن است بخش معناداری از زیرساخت‌ها را به خارج راند:
- محدودیت‌های شبکه برق: تأمین برق قابل اعتماد و اتصالات شبکه با ظرفیت بالا در بسیاری از مناطق آمریکا می‌تواند سال‌ها به طول بینجامد، هرچند که ایالات متحده یکی از سریع‌ترین نرخ‌های «زمان تا رسیدن به برق» را در سطح جهانی دارد.
- موانع رگولاتوری: فرآیندهای پیچیده صدور مجوز و بررسی‌های زیست‌محیطی باعث تأخیرهای طولانی در اجرای پروژه‌ها می‌شود.
- گسست در زنجیره تأمین: کمبود نیروی کار ماهر در بخش ساخت‌وساز و نبود قطعات کلیدی، گلوگاه‌های بحرانی ایجاد کرده است. این کمبودها تنها به سخت‌افزار محدود نمی‌شود، بلکه بحران جهانی حافظه ناشی از مقیاس‌دهی سریع مدل‌ها نیز فشار بر زنجیره تأمین قطعات زیرساختی را دوچندان کرده است.
- مخالفت‌های سیاسی محلی: جوامع محلی به‌طور فزاینده‌ای در برابر مراکز داده مقاومت می‌کنند. دلایل این مقاومت شامل مصرف عظیم برق، استفاده بالای آب، ایجاد فرصت‌های شغلی محدود و تأثیرات منفی ادراه‌شده بر استفاده از زمین و قیمت‌های برق محلی است.
این مخالفت‌های سیاسی اکنون در قالب قوانین تجلی یافته است. در برخی ایالت‌ها، قوانین دوحزبی برای توقف موقت (Moratorium) ساخت مراکز داده جدید در سطح ایالتی در حال پیشروی است، در حالی که توقف‌های سطح شهرستان (County) از پیش اجرایی شده‌اند. برخی از فرمانداران برای کاهش این واکنش‌های شدید، به ابزارهای مالی روی آورده‌اند، مانند معرفی مالیات‌های جدید بر مصرف انرژی مراکز داده.
جذابیت کشورهای حوزه خلیج فارس
در حالی که آمریکا با بروکراسی اداری و اعتراضات محلی می‌جنگد، کشورهای دیگر به‌طور تهاجمی با پیشنهاد منابع انرژی فراوان، مجوزدهی ساده‌شده و زمان سریع برای تأمین برق، به دنبال جذب زیرساخت‌های AI هستند. در می ۲۰۲۵، پرزیدنت دونالد ترامپ توافقاتی را با امارات متحده عربی و عربستان سعودی برای ساخت مراکز داده پیشرفته AI اعلام کرد.
این مناطق سه مزیت اولیه ارائه می‌دهند که آن‌ها را از نظر تجاری جذاب می‌کند:
۱. ثروت حاکمیتی: از آنجایی که چندین توسعه‌دهنده AI پیشرو به سرمایه خصوصی متکی هستند، سرمایه‌گذاران کشورهای خلیج فارس از ثروت حاکمیتی برای تصاحب جایگاه‌هایی در زیرساخت‌های AI استفاده کرده‌اند تا این منطقه به یک قطب تکنولوژی تبدیل شود.
۲. انرژی ارزان: منابع برق فراوان، هزینه‌های عملیاتی خوشه‌های تشنه‌ی برق را به‌طور چشمگیری کاهش می‌دهد.
۳. قوانین منعطف: مقررات مکان‌یابی در این مناطق بسیار سهل‌گیرانه‌تر از ایالات متحده است و استقرار سریع تجهیزات را ممکن می‌سازد.
با این حال، این توافقات ممکن است خوشه‌های محاسباتی پیشرفته — و برخی از اثرگذارترین دارایی‌های استراتژیک ایالات متحده — را در یک منطقه بی‌ثبات از نظر ژئوپلیتیک قرار دهد. محاسبات مکان‌یابی بسته به نوع بار کاری متفاوت است؛ در حالی که عملیات آموزش (Training) کمتر به مکان وابسته است، استنتاج (Inference) — یعنی محاسباتی که به پرس‌وجوهای لحظه‌ای پاسخ می‌دهد — به شدت به تأخیر (Latency) حساس است. استقرار استنتاج در نزدیکی کاربران نهایی، عملکرد را بهبود بخشیده و هزینه‌های پهنای باند را کاهش می‌دهد و همین امر، حضور در خارج از مرزها را به یک ضرورت تجاری تبدیل می‌کند.
شناسایی ریسک‌های استراتژیک
استقرار خوشه‌های AI پیشرو در خارج از مرزها، ریسک‌های استراتژیکی ایجاد می‌کند که در تصمیمات عادی مکان‌یابی تجاری دیده نمی‌شوند. این موضوع به‌خصوص برای تأسیساتی که بر توسعه مدل‌های پیشرو (شامل هر دو بخش آموزش و استنتاج برای تحقیق) تمرکز دارند، صادق است. این مراکز دارایی‌های بسیار باارزشی را در خود جای می‌دهند، از جمله تراشه‌های تخصصی، نرم‌افزارهای اختصاصی، داده‌های آموزشی و وزن‌های مدل (Model Weights). این عناصر هم مالکیت معنوی قابل‌توجهی هستند و هم یک قابلیت استراتژیک ملی محسوب می‌شوند.
بروکینگز چهار بردار تهدید اصلی را برای این دارایی‌های باارزش شناسایی کرده است:
- سرقت مالکیت معنوی: سرویس‌های جاسوسی کشورهای خارجی، بازیگران غیردولتی یا تهدیدات داخلی می‌توانند وزن‌های مدل یا نرم‌افزارهای اختصاصی را بدزدند. این امر می‌تواند برتری تکنولوژیک آمریکا را تخریب کرده و توانمندی‌های رقیبان، به‌ویژه چین را تسریع کند. این نفوذ می‌تواند به شکل تخریب (Sabotage) یا دسترسی پنهانی باشد که نظارت و دستکاری سیستم‌های AI را ممکن می‌سازد.
- کنترل قضایی: زیرساخت‌ها تحت سیستم‌های حقوقی محلی فعالیت می‌کنند. دولت‌های میزبان ممکن است دارای اختیارات دسترسی قانونی باشند که شرکت‌ها را مجبور به افشای داده‌ها یا تغییر در عملیات کند. حتی متحدان نزدیک نیز ممکن است الزامات بومی‌سازی داده‌ها یا چارچوب‌های اطلاعاتی داشته باشند که با منافع ایالات متحده همسو نیست.
- وابستگی ساختاری: مراکز داده گران‌قیمت هستند و بازسازی آن‌ها زمان زیادی می‌برد. اگر اکوسیستم AI آمریکا به تأسیسات خارجی گره بخورد، دولت‌های میزبان اهرم فشاری ساختاری بر تصمیمات اقتصادی آمریکا پیدا می‌کنند که می‌تواند در زمان بحران‌های ژئوپلیتیک اعمال شود. به دلیل هزینه‌های بالای جابجایی، این وابستگی به سختی قابل رفع است.
- آسیب‌پذیری فیزیکی: تأسیسات در مناطق ناپایدار در معرض ریسک‌هایی هستند که مقامات آمریکایی نمی‌توانند آن‌ها را کنترل کنند. امنیت فیزیکی زیرساخت‌های محاسباتی را نمی‌توان تنها از طریق یک توافق‌نامه مذاکره شده با دولت میزبان تضمین کرد.
تحلیل‌گران این وضعیت را با زنجیره تأمین نیمه‌رساناها مقایسه می‌کنند. جهانی‌سازی باعث افزایش بهره‌وری شد اما از طریق تمرکز تولید پیشرفته در تایوان، یک وابستگی استراتژیک ایجاد کرد. سناریوی مشابهی ممکن است رخ دهد اگر خوشه‌های آموزشی AI به‌طور جغرافیایی خارج از آمریکا متمرکز شوند و احتمالاً ایالات متحده را مجبور کنند برای دفاع از این دارایی‌ها، تعهدات امنیتی بیشتری را بپذیرد. برای رهایی از این وابستگی‌های زمینی، برخی ایده‌های جسورانه‌تر مانند انتقال مراکز داده به مدار زمین مطرح شده است که نیازمند کاهش شدید هزینه‌های پرتاب است.
دفاع فیزیکی و کاهش اثرات
توسعه‌دهندگان برای مقابله با این آسیب‌پذیری‌ها می‌توانند از اقدامات مقاوم‌سازی استفاده کنند. این‌ها شامل موارد زیر است:
- ساخت‌وساز تقویت‌شده و ایجاد تأسیسات زیرزمینی.
- سیستم‌های جمینگ (Jamming) برای مقابله با پهپادها.
- سیستم‌های پدافند هوایی اختصاصی.
با این حال، این روش‌ها بسیار هزینه‌بر هستند و ممکن است در برابر هجمه‌های مداوم و ارزان‌قیمت «سرمایه‌های پهپادی» (Drone Swarms) یا تخریب زیرساخت‌های برق پشتیبان، حفاظتی قابل‌اطمینان فراهم نکنند. حملات اخیر در خاورمیانه نشان داد که این تأسیسات اکنون در درگیری‌های منطقه‌ای قابل هدف‌گیری هستند و خسارات وارده اغلب جبران‌ناپذیر است.
نقشه راه پژوهش‌های آتی
در ۹ ماه آینده، مؤسسه بروکینگز مجموعه‌ای از مقالات را برای تحلیل چشم‌انداز تهدیدات و ایجاد چارچوبی برای ارزیابی سیستماتیک این ریسک‌ها منتشر خواهد کرد. هدف این پژوهش، اطلاع‌رسانی برای یک توسعه زیرساختی جهانی است که نوآوری مسئولانه و انتشار AI پیشرو را ممکن سازد و در عین حال ریسک‌های امنیتی بلندمدت را مدیریت کند. این پروژه بر محورهای زیر تمرکز خواهد داشت:
- تفکیک ریسک (Risk Disaggregation): مشخص کردن تأثیر بالقوه، افق زمانی و شدت سناریوهای مختلف تهدید برای اولویت‌بندی توجهات سیاست‌گذار.
- نقشه‌برداری قضایی (Jurisdictional Mapping): تشریح جزئیات تفاوت‌های اختیارات دسترسی قانونی در حوزه‌های مختلف، از متحدان نزدیک گرفته تا دشمنان.
- تحلیل عملیاتی: ارزیابی تفاوت ریسک بین تأسیساتی که توسط غول‌های آمریکایی (Hyperscalers) اداره می‌شوند در مقابل شرکت‌های خارجی، و بررسی بارهای کاری خاصی که هر کدام اجرا می‌کنند.
- پیشنهادات سیاست‌گذاری: ارزیابی گزینه‌های کاهش ریسک از طریق اقدامات فنی، قراردادی و دیپلماتیک برای دولت‌ها، توسعه‌دهندگان و سرمایه‌گذاران.
این تحقیق به دنبال آن است که تعیین کند کدام دارایی‌ها و بارهای کاری را می‌توان در کدام حوزه‌های قضایی و تحت چه شرایطی مستقر کرد. این تغییر، گذارِ تصمیم‌گیری برای زیرساخت AI از یک تصمیم «املاک تجاری» به یک «انتخاب استراتژیک امنیت ملی» است. هدف نهایی این است که از تبدیل سرمایه‌گذاری‌های امروز به وابستگی‌هایی که بازگشت آن‌ها پرهزینه یا غیرممکن است، جلوگیری شود.
گام بعدی شما
- اگر مدیر محصول یا استراتژیست زیرساخت هستید، مدل توزیع بار (Workload) خود را بر اساس حساسیت به تأخیر در مقابل ریسک‌های قضایی بازنگری کنید.
- تأثیر تأمین برق و قوانین محیط‌زیستی محلی را به عنوان متغیرهای کلیدی در برنامه‌ریزی گسترش مراکز داده در نظر بگیرید.
- نظارت بر گزارش‌های آتی بروکینگز درباره «نقشه‌برداری قضایی» برای شناسایی امن‌ترین مناطق استقرار.
اما ابعاد سخت‌افزاری این وابستگی‌ها حتی پیچیده‌تر است؛ برای درک اینکه چرا تراشه‌های پیشرفته هنوز گلوگاه اصلی هستند، تحلیل ما درباره تراشه‌های Blackwell را بخوانید.
گفتگو