تصور کنید در دنیایی زندگی می‌کنید که رشد اقتصادی یک کشور دیگر به تولیدات صنعتی، بلکه به تعداد تراشه‌های موجود در یک مرکز داده وابسته است. اگر امروز مدیر یک استارتاپ هستید، باید بدانید که رقابت برای دسترسی به سخت‌افزار، به جنگی میان دو شرکت تبدیل شده است که قصد دارند نیمی از قدرت پردازشی سیاره را تصاحب کنند.
به نقل از دیلان پتل (Dylan Patel)، بنیان‌مؤسس SemiAnalysis، تا پایان سال ۲۰۲۷ احتمالاً ۴۰ تا ۵۰ درصد از تمام ظرفیت‌های جدید محاسبات (Compute) — شبیه به اجاره کردن یک آشپزخانه صنعتی عظیم برای پختن غذاهای پیچیده — توسط OpenAI و Anthropic جذب خواهد شد. این دو آزمایشگاه خصوصی در مسیری هستند که اکثریت «هوش قابل‌استفاده» جهان را کنترل کنند.
این اتفاق صرفاً خرید چند تراشه بیشتر نیست، بلکه بازسازی بنیادین اقتصاد جهانی است. ما به سمتی می‌رویم که رشد تولید ناخالص داخلی (GDP) تابعی از اقتصاد آزمایشگاه‌های هوش مصنوعی و دسترسی فیزیکی به برق و سیلیکون باشد. در واقع، تا سال ۲۰۲۵ بخش بزرگی از رشد GDP آمریکا اساساً همان زیرساخت‌های هوش مصنوعی خواهد بود.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی اقتصاد مدل‌های بنیادی اشاره کردیم، مدل‌های زبانی بزرگ اکنون از مرحله‌ی هزینه‌های سرمایه‌گذاری خطرپذیر عبور کرده‌اند. یک حلقه مالی ایجاد شده است: هر دلاری که از سرویس‌های هوش مصنوعی به دست می‌آید، بلافاصله برای خرید محاسبات بیشتر جهت ساخت مدلی هوشمندتر هزینه می‌شود. این «چرخ‌دنده» (Flywheel) از همین حالا فعال شده است. طبق گزارش‌ها، Anthropic در سه‌ماهه دوم ۲۰۲۶ به سوددهی رسید و انتظار می‌رود OpenAI با مقیاس‌بندی GPT-5.6 و Codex در سه‌ماهه سوم ۲۰۲۶ همین مسیر را طی کند. این نقطه عطفی است که نشان می‌دهد صنعت از ضررهای شدید سال ۲۰۲۵ که توسط سرمایه‌گذاران خطرپذیر تأمین می‌شد، فاصله گرفته است.
جدول زمانی انحصار محاسباتی
پیش‌بینی‌های پتل شتاب تکان‌دهنده‌ای را در تمرکز قدرت پردازشی نشان می‌دهد:
- پایه ۲۰۲۶: هر دو آزمایشگاه سال را با حدود ۲ گیگاوات (GW) محاسبات آغاز کردند. انتظار می‌رود تا پایان ۲۰۲۶ هر کدام از ۵ گیگاوات عبور کنند که یعنی رشد ۳ تا ۴ برابری در مقیاس. در مجموع، این دو شرکت ۳۰٪ از تمام محاسبات جدید سال ۲۰۲۶ را به خود اختصاص می‌دهند.
- نقطه عطف ۲۰۲۷: بر اساس قراردادهای امضا شده، این دو آزمایشگاه نزدیک به نیمی (۴۰ تا ۵۰ درصد) از تمام اضافات محاسباتی جهانی را می‌گیرند. پتل پیش‌بینی می‌کند تا پایان ۲۰۲۷، نیمی از تمام محاسبات جدید متعلق به این دو نهاد باشد یا در خدمت آن‌ها قرار گیرد. چون مجموع محاسبات جهانی سالانه دو برابر می‌شود، این ظرفیت جدید به‌سرعت به سهم غالب از کل تبدیل می‌شود.
- افق ۲۰۲۸: اگر روند فعلی ادامه یابد، آن‌ها می‌توانند ۷۰ تا ۸۰ درصد ظرفیت جدید را جذب کنند که در مجموع به ۱۰۰ گیگاوات محاسبات فیزیکی می‌رسد. در این مرحله، آن‌ها عملاً اکثریت عملیات اعشاری در ثانیه (FLOPs) قابل‌استفاده در جهان را کنترل می‌کنند.
این تمرکز توسط بهره‌وری تراشه‌ها تشدید می‌شود. سخت‌افزارهای جدیدی مثل GB300، TPUv7 و Trainium3 عملکرد هر وات را ۳ تا ۵ برابر نسل قبل افزایش داده‌اند. بنابراین حتی اگر این آزمایشگاه‌ها نیمی از سخت‌افزار فیزیکی را داشته باشند، به دلیل این ضریب عملکرد، سهم بسیار بیشتری از FLOPs واقعی را در دست می‌گیرند.
تأمین‌کنندگان جدیدی مثل SpaceX وارد بازار شده‌اند. اما چون OpenAI و Anthropic بیشترین توان پرداخت حاشیه‌ای را دارند، احتمالاً SpaceX بخش بزرگی از ظرفیت خود را به آن‌ها اجاره می‌دهد. در همین حال، آزمایشگاه‌ها در حال متنوع کردن منابع خود هستند: OpenAI در حال توسعه تراشه‌های اختصاصی خود است و Anthropic از TPUهای گوگل استفاده کرده و آن‌ها را از طریق Fluidstack مستقر می‌کند.
اثر اهرمی ۱۰۰ برابری
تفاوت عظیمی میان هزینه ساخت تراشه و درآمد حاصل از آن‌ها وجود دارد. پتل اشاره می‌کند که ۶ میلیارد دلار هزینه سرمایه‌ای (CapEx) سالانه برای هر گیگاوات در سطح کارخانه (Fab)، می‌تواند در ۵ سال منجر به بیش از ۱ تریلیون دلار درآمد نهایی از هوش مصنوعی شود. به طور مشخص، ۱ گیگاوات محاسبات می‌تواند سالانه ۱۰۰ میلیارد دلار درآمد ایجاد کند. این یعنی یک شکاف تقریباً ۱۰۰ برابری میان سرمایه‌گذاری در تأسیسات فیزیکی و درآمد تولید شده در انتهای زنجیره.
این وضعیت باعث ایجاد «اثر شلاقی» (Bullwhip Effect) در زنجیره تأمین شده است؛ جایی که تأمین‌کنندگان بالادستی به تقاضای انتهایی واکنش بیش از حد نشان می‌دهند. هر قطعه‌ای، از ماشین‌های لیتوگرافی EUV شرکت ASML و آینه‌های Carl Zeiss تا توربین‌های مرکز داده، به یک گلوگاه تبدیل شده است.
گلوگاه‌های زنجیره تأمین
- سقف EUV: در اوایل ۲۰۲۶ تصور می‌شد ۱۰۰ دستگاه EUV در سال تا ۲۰۳۰ کافی باشد، اما اکنون این توقعات مجبور به افزایش شده است. با این حال، حتی سرمایه‌گذاری ۱۰ میلیارد دلاری در Carl Zeiss برای گسترش تولید، نیازمند یک گسترش هماهنگ در کل زنجیره تأمین است که در بازه ۲۰۲۶ تا ۲۰۲۸ تقریباً غیرممکن است.
- محدودیت سرمایه: جهان در حال حاضر با کمبود سرمایه مواجه است. این موضوع منجر به «آربیتراژ بازفروش» شده است؛ جایی که دلالان توربین‌های صنعتی (گلوگاه حیاتی مراکز داده) را می‌خرند و با قیمت‌های نجومی می‌فروشند. از نظر تئوریک، هر کسی که بتواند ASML را متقاعد کند یک دستگاه EUV به او بفروشد، می‌تواند آن را با قیمتی بیش از ۱ میلیارد دلار بازفروش کند.
جابه‌جایی مرکز سود
مرکز سود صنعت هوش مصنوعی در حال تغییر است. در سال ۲۰۲۳ فروشندگان حافظه HBM نتوانستند سودهای متناسب با رشد بازار کسب کنند. در ۲۰۲۴ و ۲۰۲۵، سخت‌افزاری‌ها مثل Nvidia تقریباً تمام حاشیه سودها را بردند در حالی که لایه مدل‌ها با حاشیه سود منفی فعالیت می‌کردند.
از سال ۲۰۲۶، لایه مدل‌ها از این آستانه عبور می‌کنند. در حالی که هزینه محاسبات پایه حدود ۱۰ تا ۱۵ میلیون دلار به ازای هر مگاوات است، Anthropic شاهد درآمدهای اوج ۵۰ میلیون دلاری به ازای هر مگاوات بوده است. پتل معتقد است اگر رگولاتورها جلوی انتشار بهترین مدل‌ها را نگیرند، این عدد به ۱۰۰ میلیون دلار می‌رسد. برای تصاحب ۱۰۰ گیگاوات تا سال ۲۰۲۸، قیمت‌هایی که آزمایشگاه‌ها حاضرند بپردازند احتمالاً از ۱۵ میلیون دلار به ۲۵، ۳۰ یا حتی ۵۰ میلیون دلار به ازای هر مگاوات افزایش می‌یابد تا تمام خریداران دیگر را کنار بزنند.
نقش «قطب سوم»
شرکت‌های Meta و SpaceX مانند بازیکنان «گزینه‌ای» (Option Players) عمل می‌کنند. آن‌ها با ترازنامه‌های مالی عظیم خود، محاسبات را بدون داشتن مشتری نهایی فوری می‌سازند و سپس تصمیم می‌گیرند یا خودشان استفاده کنند یا با قیمت‌های بالا (۲۵ تا ۵۰ میلیون دلار/مگاوات) به OpenAI و Anthropic بفروشند. یک مثال واضح، فروش محاسبات B300 توسط ایلان ماسک به گوگل با قیمت ۴ میلیارد دلار به ازای هر گیگاوات است.
با این حال، بخش زیادی از ارزش هنوز به دست کاربران نهایی می‌رسد. شرکت‌هایی مثل Jane Street که از GPT-5.6 Ultrafast استفاده می‌کنند، ارزشی از توکن‌ها خلق می‌کنند که بسیار بیشتر از سودهای Anthropic است. به طور مشابه، Meta از طریق افزایش بهره‌وری تبلیغات با استفاده از این مدل‌ها، سودی می‌برد که بسیار بیشتر از هزینه‌هایی است که بابت دسترسی به آن‌ها می‌پردازد. در واقع، بیشتر ارزش اجتماعی خلق شده توسط هوش مصنوعی فعلاً نزد کاربر نهایی است، نه ارائه‌دهنده مدل.
ریسک‌های نظارتی و مدل‌های پنهان
فشار نظارتی شدیدی برای عدم انتشار بهترین مدل‌ها وجود دارد. گزارش شده که OpenAI آموزش‌ها را برای دو هفته متوقف کرده و Astra را منتشر نکرده است. Anthropic نیز مدل نسل بعد خود (که احتمالاً Model 2 یا Mythos است) را به دلیل ارزیابی‌های ایمنی منتشر نکرده است.
این موضوع شکافی میان ارزش داخلی و خارجی ایجاد می‌کند. اگر آزمایشگاهی مدلی داشته باشد که ۶ ماه جلوتر است و به دلیل بهبود خودکار بازگشتی (Recursive Self-Improvement یا RSI) ۱۰۰ برابر بهره‌ورتر است، اما اجازه انتشار نداشته باشد، معیار «درآمد به ازای مگاوات» نمی‌تواند ارزش واقعی حاشیه‌ای آن محاسبات را نشان دهد. بدون موانع نظارتی، پتل تخمین می‌زند درآمد ترکیبی این دو آزمایشگاه تا پایان ۲۰۲۷ به ۷۰ تا ۸۰ میلیون دلار به ازای هر مگاوات برسد.
چرخش به سمت تحقیق و توسعه (R&D)
برخلاف باور رایج که می‌گوید اکثر محاسبات به سمت استنتاج (Inference) — لحظه‌ای که مدل واقعاً جواب تولید می‌کند — می‌رود، پتل معتقد است آزمایشگاه‌ها به مرور زمان سهم کمتری را به استنتاج و سهم بیشتری را به آموزش و R&D داخلی اختصاص می‌دهند.
- تقسیم فعلی: آزمایشگاه‌ها حدود ۶۰٪ بودجه خود را صرف آموزش و ۴۰٪ را صرف استنتاج می‌کنند.
- جزئیات آموزش: از آن ۶۰٪، حدود ۵۰٪ به تحقیق (تست معماری‌های جدید، ترکیب داده‌ها و مکانیزم‌های توجه) اختصاص می‌یابد و تنها ۱۰٪ به توسعه واقعی می‌رسد. یک اجرای پیش‌آموزش (Pre-training) معمولاً کمتر از ۲۰۰ مگاوات در بازه دو ماهه مصرف می‌کند.
- چاه R&D: به دلیل محدودیت‌های هماهنگی در خوشه‌های چندگانه (Multi-cluster) و بازده نزولی در استقرار RL، آزمایشگاه‌ها نمی‌توانند تمام ظرفیت گیگاواتی خود را برای یک اجرای واحد به کار بگیرند. بنابراین محاسبات اضافی در آزمایش‌های تحقیقاتی غرق می‌شود.
با نزدیک شدن به AGI، هیئت مدیره‌ها آموزش را بر سودهای کوتاه‌مدت استنتاج ترجیح می‌دهند. زمانی که «پژوهشگران خودکار» بالغ شوند، مرز بین تحقیق و آموزش محو شده و محاسبات بیشتری به خط لوله آموزش منتقل می‌شود. این تغییر نشان‌دهنده یک باز ارزیابی عظیم در هزینه‌های سرمایه‌ای بلندمدت است. اگر سالانه ۱۰۰ گیگاوات ساخته شود، هزینه‌های سرمایه‌ای سالانه می‌تواند به ۵ تریلیون دلار برسد و با احتساب نیروگاه‌ها و مراکز داده، کل CapEx افزایشی سالانه تا سال ۲۰۳۰ به ۱۰ تریلیون دلار — یعنی تقریباً یک‌دهم اقتصاد جهانی — نزدیک شود.
شکاف جهانی و وضعیت چین
شکاف محاسباتی میان آمریکا و چین به شدت در حال گسترش است. در سال ۲۰۲۲ آمریکا ۴۵ تا ۵۰ درصد و چین ۳۰ تا ۳۵ درصد محاسبات جهانی را داشت. پیش‌بینی می‌شود تا سال ۲۰۲۶ سهم آمریکا به ۷۰ درصد برسد و چین به زیر ۱۰ درصد سقوط کند.
اگرچه چین ممکن است در سال ۲۰۲۹ با مقیاس‌بندی تراشه‌های داخلی SMIC و CXMT رشد «چوبHockey» (رشد ناگهانی) را تجربه کند، اما شکاف فعلی بحرانی است. تا سال ۲۰۲۸ انتظار می‌رود چین حداکثر ۳۰ گیگاوات محاسبات داشته باشد که به دلیل داخلی بودن تراشه‌ها، عملکرد معادل آن ممکن است تنها ۲۰ گیگاوات استاندارد آمریکا باشد. قدرت محاسباتی وزنی یک آزمایشگاه پیشرو آمریکایی به‌زودی از کل مجموع ملی چین در سال ۲۰۳۰ بیشتر خواهد شد.
در حال حاضر آزمایشگاه‌های پیشرو چینی (به جز Seed متعلق به ByteDance) تنها ۱۰۰ تا ۲۰۰ مگاوات دارند و Kimi بسیار پایین‌تر از ۱ گیگاوات است. در حالی که مدل‌های چینی اکنون رقابتی به نظر می‌رسند، این «شکاف محاسباتی» زمانی که پژوهشگران خودکار مستقر شوند، به یک پرتگاه تعیین‌کننده تبدیل خواهد شد. مزیت آمریکا همچنین توسط سیستم مالی تقویت می‌شود که تمایل بیشتری به ریسک‌های شدید (YOLO) روی استارتاپ‌ها دارد، در حالی که چین به یارانه‌های دولتی عظیمی متکی است که اگر AGI سریعاً برسد، ممکن است برای پر کردن این شکاف بیش از حد کند باشند.
شوک‌های اقتصاد کلان
این ساخت‌وساز عظیم نیازمند تخمین ۱۱ تریلیون دلار CapEx از ۲۰۲۴ تا ۲۰۲۹ است. حدود ۶ تریلیون دلار از جریان نقدی تأمین می‌شود، اما ۵ تریلیون دلار باید از بازارهای اعتباری بیاید.
همان‌طور که ابر-مقیاس‌ها (Hyperscalers) مثل Amazon و Google برای تصاحب محاسبات رقابت می‌کنند، ممکن است با رضایت نرخ بهره ۸٪ یا بالاتر را بپذیرند، زیرا بازدهی محاسبات بسیار بیشتر از هزینه بدهی است. این موضوع ریسک‌های سیستمیک ایجاد می‌کند:
- بحران بدهی‌های حاکمیتی: کشورهای با بدهی بالا و پایه مالیاتی پایین مثل پاکستان یا نیجریه ممکن است با شوکی مشابه «شوک ولکر» در دهه ۱۹۸۰ مواجه شوند، زمانی که افزایش نرخ بهره در آمریکا منجر به پیش‌فرض شدن بدهی‌های بیش از ۴۰ کشور شد.
- بازنشانی بازار سهام: اگر نرخ تخفیف به ۸ تا ۱۰ درصد برسد، ارزش سهام شرکت‌هایی با جریان نقدی طولانی‌مدت (مثل خدمات شهری، کالاهای مصرفی اساسی یا جانسون اند جانسون) ممکن است سقوط کند.
- پارادوکس دولتی: اگر دولت‌ها نتوانند از هوش مصنوعی مالیات بگیرند، پرداخت بهره‌ی بدهی‌ها ممکن است در نهایت از کل درآمد مالیاتی پیشی بگیرد، زیرا نرخ‌ها به ارقام دو رقمی می‌رسند. هزینه فرصت سرمایه به شدت بالا می‌رود و پرداخت مستمری‌های بازنشستگی در مقابل ساخت کارخانه‌های رباتیک قرار می‌گیرد.
مسیر به سوی تمرکز مطلق
ما شاهد ظهور «جمعیت‌های مؤثر هوش مصنوعی» هستیم. اگر محاسبات سالانه ۴ تا ۵ برابر رشد کند و هزینه رسیدن به یک قابلیت ۳ برابر کم شود، نیروی کار مؤثر هوش مصنوعی سالانه ۱۰ برابر منبسط می‌شود.
تا سال ۲۰۳۰، جمعیت مؤثر در یک آزمایشگاه واحد می‌تواند از کل جمعیت انسانی زمین بیشتر شود. بهبود خودکار بازگشتی (RSI) می‌تواند این روند را ۱۰۰ تا ۱۰۰۰ برابر سریع‌تر کند.
این وضعیت یک کشش گریزناپذیر به سوی تمرکزگرایی ایجاد می‌کند که توسط سه موتور رانده می‌شود:
۱. اقتصاد مقیاس: هزینه‌های آموزش روی میلیاردها کاربر سرشری می‌شود.
۲. سودهای کمیابی: بازیگران پیشرو برای منابع کمیاب قیمت‌های بسیار بالایی مطالبه می‌کنند.
۳. حلقه‌های استقرار: کاربران بیشتر، داده‌های بیشتری فراهم می‌کنند و فاصله پیشتازی را بیشتر می‌کنند.
مگر اینکه رگولاتورها اجبار به تمرکززدایی از قدرت کنند، در غیر این صورت آینده هوش انسانی ممکن است توسط دو شرکت خصوصی تعریف شود. برای تشخیص این روند، به موج بعدی پیش‌فرض‌های بدهی حاکمیتی در بازارهای نوظهور توجه کنید؛ این سیگنالی است که نشان می‌دهد CapEx هوش مصنوعی در حال مکیدن نقدینگی از سیستم مالی جهانی است.
گام بعدی شما
- اگر در حوزه زیرساخت هستید، روی تأمین‌کنندگان سطح دوم (مثل تولیدکنندگان توربین و سیستم‌های خنک‌کننده) تمرکز کنید، چون آن‌ها گلوگاه‌های واقعی هستند.
- برای توسعه‌دهندگان: وابستگی به یک ارائه‌دهنده را کاهش دهید و استراتژی‌های چند-مدلی (Multi-model) را برای جلوگیری از Lock-in به یک شرکت خاص پیاده کنید.
- تغییرات نرخ بهره در بازارهای جهانی را دنبال کنید؛ هر جهشی در نرخ بهره، سیگنالی از فشار سرمایه‌ای برای ساخت مراکز داده است.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو