عنوان: پیشبینی هزینه زیرساخت هوش مصنوعی تا 2026: از محاسبات اولیه به رقم 1.5 تریلیون دلار و شکاف درآمدی عظیم
سه سال پیش دیوید کان، شریک شرکت سرمایهگذاری Sequoia، یکی از نخستین کسانی بود که تلاش کرد عددی روی پیامدهای هزینه عظیم سیلیکونولی در زیرساختهای هوش مصنوعی بگذارد. او در سال 2023 با شروع از گزارش درآمد سالانه Nvidia از فروش GPU بهمیزان 50 میلیارد دلار، و افزودن هزینههای عملیاتی مراکز داده و حاشیه سود اپراتورها، تخمین زد که برای بازپرداخت سرمایهگذاری اولیه به حدود 200 میلیارد دلار درآمد نیاز است. او آن برآورد را بهمثابه چالشی برای کارآفرینان تلقی کرد: محصولاتی بسازید که از این زیرساختها استفاده کنند و برایشان درآمد ایجاد کنند.
حال، با سه سال هایپراسکیلینگ (تمدید سریع ظرفیتها) در مسیر رشد، کان عدد جدیدی برای هزینههای زیرساخت هوش مصنوعی در سال 2026 ارائه کرده است: 1.5 تریلیون دلار. برآورد او نشان میدهد صنعت هوش مصنوعی باید در مجموع حدود 3 تریلیون دلار درآمد کسب کند تا سرمایهگذاریها در چیپها و هزینههای مراکز داده توجیهپذیر باشند. این رقم احتمالاً محافظهکارانه است؛ افزایش قیمت حافظه (RAM)، بهکارگیری گستردهتر چیپهای تخصصی برای استنتاج (inference-specific chips) و هزینههای بالای ساخت و بهرهبرداری، میتوانند رقم نهایی را بالاتر ببرند. همانطور که کان اشاره میکند، «درآمد موردنیاز بهازای هر گیگاوات سرمایهگذاری ثابت بهدلیل گلوگاهها و افزایش هزینههای ساخت، بهسرعت افزایش یافته است.»
تصویر درآمدی کنونی نیز پیچیده است: گزارشها نشان میدهد Anthropic ممکن است به حدود 60 میلیارد دلار ARR (درآمد تکراری سالانه) رسیده باشد و OpenAI در سال 2025 گزارشی از کسب 13 میلیارد دلار درآمد منتشر کرد (اگرچه در نوامبر 2025 خود اعلام کرد به 20 میلیارد دلار ARR رسیده است) و احتمالاً در سال جاری نیز رشد داشته است. با این وجود، فاصله قابل توجهی میان درآمدهای فعلی بازیگران و نیازهای برآوردشده برای توجیه سرمایهگذاری وجود دارد.
تورستن اسلوک، اقتصاددان ارشد شرکت مدیریت سرمایه بزرگ Apollo، در یادداشتی به ریسک مهمی اشاره کرده است: هایپر اسکیلرها — یعنی Google، Meta، Microsoft و Amazon — همگی پیشبینی شتاب قابلتوجهی در جریان نقدینگی آزاد (free cash flow) برای سال 2028 کردهاند، امید به بازگشت سرمایه چیپها و مراکز داده خریداریشده. اما اگر این بازپرداخت محقق نشود، واکنش بازار میتواند شدید باشد. اسلوک هشدار میدهد که «با اینکه بخش زیادی از جریان بازده روی تعداد معدودی از نامها متمرکز شده است، بازدهی کندتر تنها یک مشکل بخشی نخواهد بود؛ بلکه میتواند اقتصاد را به سمت رکود و شاخص S&P 500 را به اصلاح سوق دهد.»
یک عامل تکنیکی و درآمدی مهم دیگر «قیمت و مصرف توکن» در مدلهای زبانی بزرگ است. در حال حاضر مشاهده میشود که بسیاری از سازمانها به مدلهای اوپن-وزن (open-weight) ارزانتر، اغلب چینی، روی میآورند و قیمت توکنها بهطور کلی کاهش یافته است. مدیرعامل OpenAI، سم آلتمن، گفته است مدل اخیر این شرکت در وظایف کدنویسی 54٪ کارآمدتر از نظر مصرف توکن شده است؛ چیزی که برای کاربران نگران هزینه معاملات AI خوشایند است، اما برای شرکتهایی که مدل کسبوکارشان مبتنی بر «تولید توکن» و افزایش حجم مصرف است، میتواند تهدیدی برای درآمد باشد مگر اینکه کل مصرف توکن بهطور چشمگیری افزایش یابد.
پیامدها برای اکوسیستم و کارآفرینان روشن است: اگر هایپر اسکیلرها نتوانند بازده مالی پیشبینیشده را بهدست آورند، نه تنها شرکتهای فناوری بلکه بخش گستردهتری از بازار مالی و اقتصاد کلان ممکن است تحتتأثیر قرار گیرند. در عمل، پر کردن این شکاف نیازمند ترکیبی از موارد زیر است:
– توسعه محصولات و سرویسهایی که ارزش افزوده فراتر از صرفاً «خرد کردن توکن» ارائه کنند (مثلاً اپلیکیشنهای عمودی، خدمات سفارشیسازی و پیادهسازی سازمانی).
– بهبود کارایی استنتاج و کاهش هزینههای عملیاتی مراکز داده با نوآوری در نرمافزار و سختافزار.
– مدلهای قیمتگذاری جدید که سهمی منصفانه از ارزش ایجادشده را به سازندگان زیرساخت بازگردانند.
جمعبندی: اعداد جدید دیوید کان و هشدارهای تورستن اسلوک نشان میدهند که رسیدن به تراز مالیِ سرمایهگذاریهای عظیم در زیرساخت هوش مصنوعی مسیری چالشبرانگیز است. سال 2028 بهعنوان یک نقطه عطف برای بازده سرمایهگذاریهای فعلی مطرح شده و کسبوکارها و سرمایهگذاران باید همزمان به افزایش کارایی فنی و طراحی مدلهای درآمدی هوشمندانهتر توجه کنند تا شکاف میان هزینهها و درآمدها بسته شود.