حباب هوش مصنوعی ترکید؟ وقتی غول‌های سیلیکون‌ولی زیر بار بدهی کمر خم می‌کنند

توهم بی‌پایان قدرت محاسباتی

این روزها در راهروهای سیلیکون‌ولی (Silicon Valley)، بوی سوختن پول بیش از بوی خنک‌کننده‌های دیتاسنترها به مشام می‌رسد. ما در حال تماشای یک قمار بزرگ روی سخت‌افزار هستیم؛ جایی که Alphabet، Amazon، Meta و Microsoft بیش از ۷۴۰ میلیارد دلار را در قالب هزینه‌های سرمایه‌ای (Capex) به کورهٔ دیتاسنترها و چیپ‌های پیشرفته ریخته‌اند. تا همین چند ماه پیش، وال‌استریت این ولخرجی‌ها را به عنوان «اعتماد به نفس در مسیر رشد» تشویق می‌کرد، اما حالا ورق برگشته است. وقتی صحبت از بدهی‌های سنگین و جریان نقدی آزاد منفی (Negative Free Cash Flow) به میان می‌آید، دیگر خبری از هیجان سرمایه‌گذاری نیست؛ حالا ترس است که بازار را هدایت می‌کند.

من به عنوان کسی که روزانه با مدل‌های محلی (Local Models) و کوانتایزیشن (Quantization) سروکار دارم، همیشه گفته‌ام که کارایی باید اولویت اول باشد. اما غول‌های ابری (Hyperscalers) دقیقاً مسیر معکوس را طی کرده‌اند. آن‌ها به جای بهینه‌سازی، در حال انباشت بی‌رویه قدرت پردازشی هستند تا شاید یک روز، این مدل‌های غول‌آسا به سوددهی برسند. اما بازار دیگر به وعده‌های آینده‌نگرانه گوش نمی‌دهد؛ آن‌ها ترازنامه‌های قرمز را می‌بینند که نتیجه مستقیمِ هزینه کردن برای زیرساختی است که هنوز بازگشت سرمایه (ROI) مشخصی ندارد.

تضاد منافع؛ وقتی هوش مصنوعی، نانِ اصلی را آجر می‌کند

بزرگترین طنز تلخ این ماجرا در دل گوگل نهفته است. تکنولوژی AI Overviews (سابقاً AI Mode) که قرار بود آینده جستجو باشد، در حال خوردن از سفرهٔ تبلیغات گوگل است. وقتی کاربر مستقیماً پاسخ خود را از یک ایجنت می‌گیرد، دیگر روی لینک‌های تبلیغاتی کلیک نمی‌کند. گوگل در حال هزینه کردن میلیاردها دلار برای فناوری‌ای است که مدل کسب‌وکار اصلی‌اش را تهدید می‌کند. این یک معماری خودویرانگر است که تنها در صورتی جواب می‌دهد که هزینه‌های عملیاتی (Inference Cost) به شدت کاهش یابد، چیزی که فعلاً با این حجم از مصرف برق و GPU، دور از دسترس به نظر می‌رسد.

اوضاع در متا (Meta) هم دست‌کمی از این ندارد. مارک زاکربرگ صراحتاً اعتراف کرده که ایجنت‌های شخصی مانند Muse، ماشین‌های پول‌سوز هستند. هزینه‌های محاسباتی این ایجنت‌ها به قدری بالاست که حتی درآمدهای تبلیغاتی ۲۶ درصدی هم نمی‌تواند ترازنامه را سبز نگه دارد. ما با ایجنت‌هایی روبرو هستیم که بسیار هوشمندند، اما در دنیای واقعی، بیشتر از آنچه تولید می‌کنند، منابع (Compute) مصرف می‌کنند.

استقراض برای بقا؛ وقتی سودِ عملیاتی کافی نیست

نکته‌ای که بسیاری از تحلیلگران نادیده می‌گیرند، منبع این پول‌هاست. شرکت‌ها فقط از سود سال‌های طلایی‌شان خرج نمی‌کنند؛ طبق داده‌های S&P Global، این پنج غول بزرگ در سال ۲۰۲۶ حدود ۳۲۶ میلیارد دلار بدهی جدید ایجاد کرده‌اند. این یعنی سه برابرِ سال قبل! این یک استراتژی تهاجمی است که در آن «بدهی» سوختِ اصلیِ «رشد» شده است. در دنیای متن‌باز (Open Source)، ما همیشه روی بهینه‌سازی مدل‌ها برای اجرا روی سخت‌افزارهای ارزان‌تر تاکید داریم، اما این شرکت‌ها در یک رقابت تسلیحاتی گیر کرده‌اند که در آن هرکس دیتاسنتر بزرگ‌تری داشته باشد، برنده است؛ حتی اگر برای ساخت آن مجبور به استقراض سنگین باشد.

سقوط ۱۲ درصدی ارزش بازار آلفابت در یک روز، سیگنالی بود که نشان داد بازار دیگر به این مدل رشد «به هر قیمتی» اعتماد ندارد. سرمایه‌گذاران اکنون به دنبال اعداد واقعی هستند، نه تعداد پارامترهای مدل‌ها یا قدرت پردازشی دیتاسنترها. وقتی جریان نقدی آزاد منفی می‌شود، یعنی شما دارید از جیب آینده‌تان خرجِ امروزِ هوش مصنوعی می‌کنید، و این یعنی ریسکِ سیستماتیک برای کل اکوسیستم فناوری.

سایه سنگین بر آینده استارتاپ‌های هوش مصنوعی

این فضای مسموم، آینده استارتاپ‌هایی مثل آنتروپیک (Anthropic) را هم به خطر انداخته است. وقتی بازار عرضه عمومی (IPO) به دلیل نگرانی از هزینه‌های زیرساختی و نبودِ رتبه‌بندی اعتباری مناسب تحت فشار است، این شرکت‌ها چاره‌ای ندارند جز اینکه به آغوش همان غول‌های ابری (Hyperscalers) برگردند. این یعنی تمرکز قدرت و از دست رفتن آزادی عمل برای ایجنت‌های مستقل. ما در حال حرکت به سمتی هستیم که در آن فقط شرکت‌هایی که به دیتاسنترهای خودشان دسترسی دارند، زنده می‌مانند.

به عنوان یک طرفدار سرسختِ آزادی نرم‌افزار، معتقدم این «ترک‌ها» در سقفِ هزینه‌های هوش مصنوعی، می‌تواند فرصتی برای بازگشت به مدل‌های کوچک‌تر، کارآمدتر و محلی باشد. شاید زمان آن رسیده که به جای غول‌های MoE (Mixture of Experts) که برای اجرا به یک کلاستر کامل نیاز دارند، دوباره به سمت مدل‌های بهینه شده‌ای برویم که روی یک RTX 4090 یا حتی سخت‌افزارهای خانگی به خوبی اجرا می‌شوند. دنیای فناوری باید بداند که هوش مصنوعیِ پایدار، هوش مصنوعیِ «ارزان» است، نه هوش مصنوعی‌ای که برای اجرای آن باید یک کشور را بدهکار کرد.