رویای تریلیون دلاری آمازون؛ تزریق ۲۲۰ میلیارد دلار به موتور سنگین هوش مصنوعی

شرط‌بندی ۲۲۰ میلیارد دلاری آمازون روی قلعه‌های ابری

اندی جسی (Andy Jassy)، مدیرعامل آمازون، در جریان گزارش درآمد سه‌ماهه این شرکت اعلام کرد که خدمات ابری آمازون (AWS) ظرفیت تبدیل شدن به یک کسب‌وکار ۱ تریلیون دلاری در سال را دارد. اما رسیدن به چنین قله‌ای، بهایی خیره‌کننده دارد: آمازون قصد دارد تنها در سال ۲۰۲۶ حدود ۲۲۰ میلیارد دلار بودجه سرمایه‌ای (Capex) تزریق کند که بخش عمده آن مستقیماً صرف توسعه زیرساخت‌های هوش مصنوعی، خرید شتاب‌دهنده‌های گرافیکی غول‌پیکر و احداث دیتاسنترهای مدرن خواهد شد. نرخی که جسی از آن صحبت می‌کند، در تاریخ صنعت فناوری بی‌سابقه است.

هم‌اکنون AWS با نرخ درآمد سالانه ۱۸۴ میلیارد دلار و رشد ۳۹ درصدی نسبت به سال گذشته فعالیت می‌کند، اما اندی جسی معتقد است این تازه ابتدای مسیر است. به باور مدیریت آمازون، جهش ۴۰ درصدی درآمد در سال‌های ۲۰۲۷ و ۲۰۲۸ کاملاً امکان‌پذیر است. با این حال، پشت این اعداد و ارقام براق، نبردی نفس‌گیر در لایه زیرساخت در جریان است؛ جایی که تأمین برق دیتاسنترها، خرید انبوه چیپ‌های انویدیا (Nvidia H100 و B200 Blackwell) و توسعه چیپ‌های اختصاصی آمازون مثل ترینیوم (Trainium)، هزینه‌های عملیاتی را به عرش رسانده است.

به عنوان کسی که روزانه با مدل‌های سنگین و پایپ‌لاین‌های یادگیری ماشین سرپنجه‌نرم می‌کند، خریدهای میلیارد دلاری آمازون را صرفاً یک مانور مالی نمی‌بینم. این یک حمله گازانبری برای انحصار ظرفیت پردازشی جهان است. وقتی آمازون زیرساختی با این مقیاس می‌سازد، هدفش روشن است: تمام شرکت‌های بزرگ باید مدل‌های پایه خود را روی سرورهای EC2 آموزش دهند و نیازمند انحصاری Bedrock باقی بمانند.

شکاف عمیق وال‌استریت با غول‌های فناوری؛ ترس از حبابی شدن سرمایه‌گذاری

تصمیم آمازون برای افزایش چشمگیر هزینه‌های سرمایه‌ای، واکنش منفی و آنی بازار سرمایه را به همراه داشت. سهام آمازون در معاملات پس از ساعت کاری حدود ۶ درصد افت کرد. تحلیل‌گران وال‌استریت در تمام طول کنفرانس تلفنی، جسی را زیر فشار سوالات متوالی قرار دادند تا چرایی این هزینه‌های نجومی و حاشیه سود مورد انتظار را شفاف کند. سرمایه‌گذاران سنتی نگرانند که این میلیاردها دلار صادر شده به صنعت نیمه‌هادی، نتواند با همان سرعت به سود خالص تبدیل شود.

پاسخ جسی به معترضان وال‌استریت ساده اما پرریسک بود: «این یک فرصت تکرارنشدنی در طول زندگی است.» آمازون تنها غول فناوری نیست که دست به چنین انتحار مالی زده است؛ مایکروسافت (Microsoft) و گوگل (Google) نیز هزینه‌های سرمایه‌ای خود را به شکلی سرسام‌آور افزایش داده‌اند. تمام این غول‌ها در حال تبدیل کردن نقدینگی خود به سخت‌افزار و زیرساخت هستند تا بازار هوش مصنوعی مولد را تصاحب کنند.

واقعیت مهندسی پشت این ماجرا این است که آموزش مدل‌های زبانی بزرگ (LLMs) و به‌ویژه مدل‌های جدید با استدلال پیشرفته، تشنه توان محاسباتی (Compute) هستند. بازگشت سرمایه در این حوزه مانند برنامه‌نویسی وب یا اپلیکیشن‌های موبایل نیست که با یک سرور ساده به سودآوری برسد؛ اینجا صحبت از ساخت نیروگاه‌های اختصاصی و کلاسترهای چند ده هزارتایی GPU است که هر لحظه ممکن است استهلاک سخت‌افزاری یا ظهور معماری‌های بهینه‌تر، ارزش آن‌ها را کاهش دهد.

معماری MoE و ایجنت‌های خودران؛ موتور محرک نیازمندی‌های پردازشی AWS

چرا تقاضا برای توان ابری با چنین سرعتی رو به افزایش است؟ جواب در تغییر ساختار مدل‌های هوش مصنوعی نهفته است. ما از عصر پاسخ‌دهی متنی ساده عبور کرده‌ایم و وارد عصر «پایپ‌لاین‌های ایجنتیک خودران» شده‌ایم. ایجنت‌های جدید برای حل یک مسئله ساده ممکن است صدها بار فراخوانی ابزار، مرور وب و استدلال داخلی (Reasoning Loops) انجام دهند. این موضوع بار پردازشی را روی سرورها به صورت نمایی بالا می‌برد.

از سوی دیگر، تثبیت «معماری Mixture of Experts (MoE)» در مدل‌های پیشرفته پیشرو مانند دیپ‌سیک (DeepSeek-V3) یا کلود (Claude)، نیازمند پهنای باند حافظه فوق‌العاده بالا و شبکه ارتباطی بین‌سروری بسیار سریع (InfiniBand/RoCE) است. وقتی یک مدل صدها میلیارد پارامتری را اجرا می‌کنید، حتی اگر در هر توکن تنها بخش کوچکی از پارامترها فعال شوند، بار روی حافظه VRAM و انتقال داده بین گره‌های پردازشی بالاست. آمازون دقیقاً روی همین نیاز دست گذاشته است؛ فراهم کردن مقیاس‌پذیری بی‌انتها برای شرکت‌هایی که قدرت ساخت دیتاسنترهای اختصاصی را ندارند.

اما نباید فراموش کرد که این حجم از وابستگی به پردازش ابری، هزینه‌های جاری استارت‌آپ‌ها را فلج می‌کند. اجرای یک سیستم ایجنتیک پیچیده روی AWS می‌تواند ماهانه ده هزار دلار صورت‌حساب روی دست توسعه‌دهنده بگذارد؛ هزینه‌ای که ساختار اقتصادی بسیاری از کسب‌وکارها را زیر سوال می‌برد.

دیوار کشی ابری در برابر آزادی متن‌باز؛ نبرد فرآیند Inference

تلاش آمازون برای بلعیدن بازار هوش مصنوعی، یک روی دیگر هم دارد و آن تقابل با جریان قدرتمند «مدل‌های محلی و متن‌باز» است. غول‌های ابری مایلند تمام مراحل—از آموزش (Training) تا استنتاج (Inference)—روی سرورهای آن‌ها انجام شود تا مشتری در دیوارهای بسته (Walled Gardens) آن‌ها قفل شود (Lock-in). اما زیست‌بوم متن‌باز با سرعت شگفت‌انگیزی در حال دور زدن این انحصار است.

با جهش‌های اخیر در تکنیک‌های «کوانتایزیشن و حافظه VRAM» (مانند روش‌های GGUF و AWQ)، اکنون می‌توان مدل‌های فوق‌العاده قدرتمند با پارامترهای بالا را روی کارت‌های گرافیک خانگی (مثل RTX 4070 یا Dual RTX 4090) یا سرورهای آن‌پرمیس (On-Premises) کوچک به صورت «اجرای محلی بدون اتصال به اینترنت» بالا آورد. ابزارهایی مثل Ollama و vLLM به توسعه‌دهندگان اجازه می‌دهند بدون پرداخت دلارهای بی‌زبان به AWS، استنتاج مدل‌ها را با تأخیر بسیار پایین مدیریت کنند.

علاوه بر این، تکنیک «فاین‌تیون اختصاصی با LoRA» به شرکت‌ها این امکان را می‌دهد که به جای کرایه مدل‌های غول‌پیکر ابری، یک مدل متن‌باز پایه مانند Llama 3 یا Qwen را روی داده‌های محلی خود آموزش دهند و نیازی به ارسال داده‌های حساس شرکت به ابزار ابری آمازون نداشته باشند. آزادی متن‌باز دقیقاً نقطه‌مقابل استراتژی ۱ تریلیون دلاری آمازون است.

نقشه راه توسعه‌دهندگان؛ چگونه در عصر پردازش‌های سنگین مستقل بمانیم؟

حجم سرمایه‌گذاری ۲۲۰ میلیارد دلاری آمازون پیام روشنی دارد: جنگ ابری وارد مرحله حیاتی شده و آمازون می‌خواهد به لوله کشی اصلی هوش مصنوعی جهان تبدیل شود. اما برای مهندسان و معماران سیستم، اعتماد نابینا به این غول‌های ابری می‌تواند یک خطای استراتژیک باشد. وابستگی مطلق به APIهای متمرکز و سرورهای گران‌قیمت AWS، حاشیه سود پروژه‌ها را می‌بلعد و حریم خصوصی داده‌ها را به خطر می‌اندازد.

راهکار منطقی برای تیم‌های نرم‌افزاری، اتخاذ یک استراتژی هیبریدی (ترکیبی) است. استفاده از زیرساخت‌های ابری سنگین مثل AWS باید صرفاً به مراحل سنگین آموزش اولیه یا بارکاری‌های غیرقابل‌پیش‌بینی محدود شود. در سمت مقابل، برای کارهای روزمره، فراخوانی ایجنت‌ها و استنتاج‌های پرتکرار، باید به سمت بهینه‌سازی مدل‌های کوچک‌تر، فاین‌تیون بومی و اجرای محلی حرکت کرد.

رویای ۱ تریلیون دلاری آمازون شاید وال‌استریت را بترساند و جیب سرمایه‌گذاران را خالی کند، اما جامعه متن‌باز ثابت کرده است که با نوآوری نرم‌افزاری و الگوریتم‌های بهینه، می‌توان سخت‌افزارهای بسیار ارزان‌تر را به زانو درآورد و نیازی به قربانی شدن در آستانه ابرحسابگرهای انحصاری نداشت.