چین، هوش مصنوعی و ترک برداشتن روایت بزرگ وال‌استریت

بازار سهام آمریکا بر پایه روایتی عظیم ایستاده است: شرکت‌های فناوری ایالات متحده قرار است در دهه‌های آینده تریلیون‌ها دلار سود از هوش مصنوعی (Artificial Intelligence) به دست آورند، زیرا جهان ناچار خواهد بود از فناوری آمریکایی استفاده کند. این روایت، ارزش‌گذاری شرکت‌های بزرگ، رشد شاخص‌ها، بازده صندوق‌های شاخص، حساب‌های بازنشستگی و حتی اعتماد عمومی به آینده اقتصاد فناوری را تغذیه کرده است. اما اکنون همین روایت با سه چالش جدی روبه‌رو شده است: نبود اعتماد کافی به مدل‌های هوش مصنوعی، ضعف مدل اقتصادی شرکت‌های AI و ظهور رقیبی ارزان‌تر، بازتر و سریع‌تر از چین.

بحث فقط بر سر اینکه هوش مصنوعی مفید است یا نه نیست. مسئله اصلی این است که آیا سرمایه‌گذاری عظیم آمریکا در زیرساخت‌های AI واقعاً می‌تواند به سودآوری پایدار تبدیل شود یا خیر. اگر پاسخ منفی باشد، بخش بزرگی از ارزش‌گذاری بازار سهام ممکن است بر امیدی بنا شده باشد که دیر یا زود اعتبار خود را از دست می‌دهد.

سرمایه‌گذاری عظیم آمریکا و پرسش درباره حباب دوم دات‌کام

مقایسه موج هوش مصنوعی با حباب دات‌کام (Dot-com Bubble) دیگر یک اغراق حاشیه‌ای نیست. در اواخر دهه ۱۹۹۰ و اوایل سال ۲۰۰۰، شرکت‌های فناوری و مخابراتی میلیاردها دلار برای ساخت زیرساخت اینترنت، فیبر نوری و شبکه‌های ارتباطی هزینه کردند. بازار سهام نیز با این تصور رشد کرد که اینترنت همه چیز را متحول خواهد کرد و شرکت‌های پیشرو سودهای بی‌پایان خواهند ساخت. اینترنت واقعاً جهان را تغییر داد، اما بسیاری از شرکت‌هایی که در اوج هیجان ارزش‌گذاری شدند، هرگز نتوانستند آن سودهای مورد انتظار را محقق کنند.

اکنون ادعا می‌شود که موج AI حتی از آن دوران بزرگ‌تر است. ساخت مراکز داده، خرید تراشه، توسعه مدل‌های زبانی بزرگ، تأمین برق و قراردادهای زیرساختی به رقمی رسیده که به‌عنوان سهمی از اقتصاد، از موج فناوری و مخابراتی سال‌های ۱۹۹۹ و ۲۰۰۰ نیز فراتر می‌رود. برخی برآوردها نشان می‌دهد آمریکا ممکن است سالانه نزدیک به یک تریلیون دلار برای ساخت AI هزینه کند؛ رقمی معادل حدود ۳ درصد کل اقتصاد ایالات متحده.

در چنین مقیاسی، پرسش اصلی دیگر این نیست که آیا AI فناوری مهمی است یا نه. پرسش این است که آیا بازده این سرمایه‌گذاری با هزینه آن تناسب دارد؟ اگر شرکت‌ها صدها میلیارد دلار خرج کنند اما نتوانند درآمد مستقیم، قابل اندازه‌گیری و پایدار از AI به دست آورند، بازار دیر یا زود باید میان داستان و واقعیت یکی را انتخاب کند.

بحران اعتماد؛ چرا شرکت‌ها از AI می‌ترسند؟

نخستین مشکل بزرگ AI، اعتماد است. شرکت‌ها برای استفاده گسترده از مدل‌های زبانی و ابزارهای هوش مصنوعی باید داده‌های حساس، فرایندهای داخلی، اسناد محرمانه، کدها، اطلاعات مشتریان و مزیت‌های رقابتی خود را وارد سیستم‌هایی کنند که اغلب مالکیت، محل ذخیره‌سازی، امنیت و نحوه استفاده از داده‌ها در آن‌ها برای مشتری کاملاً شفاف نیست.

الکس کارپ (Alex Karp)، مدیرعامل پالانتیر (Palantir)، به همین نگرانی اشاره کرده است: داده متعلق به چه کسی است؟ کجا ذخیره می‌شود؟ آیا پرامپت‌ها امن‌اند؟ آیا اطلاعات شرکت به طرف مقابل منتقل می‌شود؟ این پرسش‌ها برای شرکت‌های بزرگ حیاتی است، زیرا مزیت رقابتی آن‌ها معمولاً در همین داده‌ها و فرایندهای داخلی پنهان است.

اگر یک شرکت از مدل هوش مصنوعی یک فروشنده خارجی استفاده کند، این نگرانی شکل می‌گیرد که فروشنده نه‌تنها بابت توکن‌ها پول دریافت می‌کند، بلکه از داده‌ها، الگوها و فرایندهای مشتری نیز یاد می‌گیرد. در بدترین حالت، مشتری عملاً هزینه می‌دهد تا فروشنده‌ای را آموزش دهد که بعدها می‌تواند به رقیب او تبدیل شود. این ترس با نمونه‌هایی مانند ورود شرکت‌های AI به حوزه‌های محصولی مشتریانشان تقویت شده است؛ از جمله ماجرای معرفی ابزار طراحی از سوی آنتروپیک (Anthropic) در شرایطی که با فیگما (Figma) نیز رابطه تجاری داشت و واکنش علنی مدیرعامل فیگما را برانگیخت.

برای مدیران شرکت‌ها، مسئله فقط امنیت داده نیست. مسئله بازگشت سرمایه نیز هست. وقتی یک شرکت ده‌ها میلیون دلار برای AI خرج می‌کند، هیئت‌مدیره می‌پرسد: دقیقاً چه چیزی به دست آوردیم؟ چه مقدار درآمد اضافه شد؟ چه مقدار هزینه کاهش یافت؟ بهره‌وری چقدر بالا رفت؟ در بسیاری از موارد، پاسخ روشن و عددی وجود ندارد. شرکت‌ها هزینه اشتراک، توکن و زیرساخت می‌پردازند، اما خروجی قابل اندازه‌گیری و تضمین‌شده دریافت نمی‌کنند.

مدل قیمت‌گذاری توکنی؛ نشانه‌ای از ضعف یا انتخابی موقت؟

یکی از نقدهای مهم به صنعت هوش مصنوعی، مدل قیمت‌گذاری آن است. شرکت‌های AI معمولاً بر اساس مصرف توکن پول می‌گیرند. هر کلمه‌ای که مدل می‌خواند و هر کلمه‌ای که تولید می‌کند، بخشی از هزینه مشتری است؛ چه پاسخ مفید باشد و چه غلط، ناقص یا توهمی.

اگر AI واقعاً می‌توانست به‌طور قابل اعتماد برای مشتریان میلیاردها دلار ارزش بسازد، انتظار می‌رفت مدل تجاری آن به نتیجه گره بخورد. مثلاً شرکت AI می‌توانست بگوید: اگر برای شما درآمد ساختیم، درصدی از آن را می‌گیریم؛ اگر ارزش ایجاد نکردیم، هزینه‌ای دریافت نمی‌کنیم. چنین پیشنهادی از نظر فروش بسیار قدرتمند بود. اما صنعت AI هنوز چنین مدلی را به‌صورت گسترده ارائه نمی‌دهد، زیرا خروجی مدل‌ها قطعی، قابل تضمین و عاری از خطا نیست.

مدل‌های زبانی بزرگ هنوز دچار «توهم» (Hallucination) می‌شوند؛ یعنی با اطمینان، اطلاعات غلط یا ساختگی تولید می‌کنند. حتی سازندگان این مدل‌ها نیز نمی‌توانند به‌طور کامل پیش‌بینی کنند که خطا دقیقاً چه زمانی، چرا و چگونه رخ می‌دهد. در محیط مصرف‌کننده، چنین خطایی ممکن است آزاردهنده باشد. در محیط حقوقی، پزشکی، مالی، صنعتی یا امنیتی، می‌تواند فاجعه‌بار باشد.

به همین دلیل، بسیاری از شرکت‌ها میان هیجان و احتیاط گیر کرده‌اند. از یک طرف نمی‌خواهند از موج AI عقب بمانند. از طرف دیگر، نمی‌دانند آیا هزینه‌ای که می‌پردازند واقعاً به سود تبدیل می‌شود یا صرفاً به فروشنده مدل کمک می‌کند تا داده‌های بیشتری جمع‌آوری کند و زیرساخت خود را توسعه دهد.

مالکیت مدل، داده و GPU؛ حرکت به سمت AI مستقل

راه‌حلی که میان شرکت‌های فنی‌تر در حال محبوب شدن است، مالکیت مستقیم است. به‌جای اینکه شرکت‌ها AI را از فروشنده خارجی اجاره کنند، می‌خواهند مدل را خودشان اجرا کنند، داده را نزد خود نگه دارند، GPU را تحت کنترل داشته باشند و وزن‌های مدل یا نسخه سفارشی را در محیطی امن مدیریت کنند.

این رویکرد به‌ویژه برای صنایعی جذاب است که داده محرمانه و ارزش عملیاتی بالایی دارند. یک شرکت بیمه ممکن است به پیشرفته‌ترین مدل عمومی جهان نیازی نداشته باشد؛ بلکه مدلی می‌خواهد که در پردازش پرونده‌های بیمه‌ای، ارزیابی ریسک، پاسخ به مشتریان و تشخیص ناهنجاری‌ها بسیار دقیق باشد. چنین مدلی می‌تواند کوچک‌تر، ارزان‌تر، خصوصی‌تر و کاربردی‌تر از مدل‌های فوق‌پیشرفته عمومی باشد.

این تغییر نگاه برای شرکت‌هایی مانند پالانتیر نیز فرصت تجاری ایجاد می‌کند. وقتی پالانتیر از مدل‌های باز، محیط‌های حاکمیتی و AI تحت مالکیت مشتری سخن می‌گوید، صرفاً نقدی فلسفی به صنعت مطرح نمی‌کند؛ بلکه مسیر محصولی خود را نیز توضیح می‌دهد. همکاری پالانتیر با انویدیا (Nvidia) برای ارائه مدل‌های باز در محیط‌های مستقل و حاکمیتی در همین زمینه معنا پیدا می‌کند. پیام روشن است: شرکت‌ها و دولت‌ها نباید به سیستمی وابسته باشند که می‌تواند از بیرون خاموش، محدود یا تغییر داده شود.

خاموش شدن دسترسی و شوک حاکمیتی در اروپا

یکی از اتفاقات مهمی که نگرانی درباره وابستگی به AI آمریکایی را تقویت کرد، محدود شدن دسترسی خارجی‌ها به برخی مدل‌های پیشرفته بود. پس از نامه‌ای از هاوارد لاتنیک (Howard Lutnick)، وزیر بازرگانی ایالات متحده، آنتروپیک مجبور شد دسترسی برخی مدل‌های قدرتمند خود را برای اتباع خارجی قطع کند. این محدودیت فقط شامل چین نبود؛ بلکه کاربران و حتی کارکنانی از کشورهایی مانند فرانسه، آلمان و ژاپن را نیز تحت تأثیر قرار داد، اگر شهروند آمریکا نبودند.

پیام سیاسی و اقتصادی این اتفاق بسیار بزرگ‌تر از یک تصمیم فنی بود. کشورها و شرکت‌های خارجی فهمیدند که اگر به مدل‌های آمریکایی وابسته شوند، دسترسی آن‌ها می‌تواند به تصمیم سیاسی یا امنیتی واشنگتن وابسته باشد. واکنش‌هایی از اروپا نیز در همین چارچوب قابل فهم است. وقتی مقام‌های فرانسوی از این سخن می‌گویند که نمی‌توان به شرکایی وابسته بود که قادرند «شیر آب» را ببندند، منظور فقط یک محصول نرم‌افزاری نیست؛ بلکه استقلال فناوری و حاکمیت دیجیتال است.

این همان نقطه‌ای است که روایت برتری مطلق آمریکا آسیب می‌بیند. اگر جهان نگران باشد که آمریکا می‌تواند دسترسی به مدل‌های کلیدی را قطع کند، تقاضا برای گزینه‌های جایگزین افزایش می‌یابد. این گزینه‌ها ممکن است کمی ضعیف‌تر باشند، اما اگر ارزان‌تر، بازتر، قابل اجرا روی زیرساخت داخلی و از نظر سیاسی کم‌ریسک‌تر باشند، برای بسیاری از کشورها و شرکت‌ها جذاب‌تر خواهند بود.

مشکل اقتصادی AI؛ چرا این صنعت شبیه نرم‌افزار کلاسیک نیست؟

برای دهه‌ها، نرم‌افزار یکی از بهترین مدل‌های تجاری جهان بود. شرکت‌هایی مانند مایکروسافت (Microsoft) یک محصول را با هزینه اولیه بالا می‌ساختند و سپس با هزینه حاشیه‌ای بسیار پایین به میلیون‌ها مشتری می‌فروختند. فروش یک نسخه دیگر از اکسل (Excel) تقریباً هزینه اضافی ناچیزی داشت، اما درآمد واقعی ایجاد می‌کرد. همین شکاف میان هزینه ثابت و درآمد افزایشی، حاشیه سود عظیم شرکت‌های نرم‌افزاری را ساخت.

AI این مدل را شکسته است. هر بار که کاربری از چت‌جی‌پی‌تی (ChatGPT)، کلاد (Claude) یا مدل مشابه استفاده می‌کند، شرکت ارائه‌دهنده هزینه واقعی می‌پردازد: برق مصرف می‌شود، تراشه‌ها استفاده و فرسوده می‌شوند، ظرفیت مرکز داده اشغال می‌شود و پردازش سنگینی انجام می‌گیرد. در نتیجه، افزایش مشتری الزاماً به افزایش سود حاشیه‌ای منجر نمی‌شود؛ ممکن است به افزایش مستقیم هزینه‌ها منجر شود.

هر بار که کاربری از چت‌جی‌پی‌تی (ChatGPT)، کلاد (Claude) یا مدل مشابه استفاده می‌کند، شرکت ارائه‌دهنده هزینه واقعی می‌پردازد: برق مصرف می‌شود، تراشه‌ها استفاده و فرسوده می‌شوند، ظرفیت مرکز داده اشغال می‌شود و پردازش سنگینی انجام می‌گیرد.

از این منظر، AI بیشتر شبیه رستورانی است که هر بار غذا می‌فروشد باید مواد اولیه جدید بخرد، نه شبیه نرم‌افزاری که پس از ساخته شدن تقریباً رایگان توزیع می‌شود. حتی بدتر، اگر هر وعده غذا با زیان فروخته شود، افزایش تعداد مشتریان زیان را بزرگ‌تر می‌کند، نه کوچک‌تر.

برخی برآوردها می‌گویند اوپن‌ای‌آی (OpenAI) در سال ۲۰۲۵ بیش از ۲۰ میلیارد دلار نقدینگی سوزانده است. اگر هزینه‌ها هم‌زمان با درآمدها بالا بروند و حاشیه سود بهبود نیابد، فرض سنتی سرمایه‌گذاران درباره «زیان امروز، سود در مقیاس بزرگ فردا» زیر سؤال می‌رود. آمازون سال‌ها زیان داد اما در نهایت با مقیاس، لجستیک و پلتفرم خود به سودآوری عظیم رسید. در AI هنوز شواهد قطعی وجود ندارد که مقیاس به همان شکل حاشیه سود را بهبود دهد، زیرا مدل‌های جدیدتر اغلب گران‌تر، نه ارزان‌تر، اجرا می‌شوند.

اوراکل، استارگیت و خطر تمرکز روی یک مشتری

مشکل AI فقط به شرکت‌های سازنده مدل محدود نیست؛ کل زنجیره زیرساختی را درگیر می‌کند. اوراکل (Oracle) نمونه‌ای مهم است. این شرکت در حال ساخت ظرفیت عظیم مرکز داده برای یک مشتری بزرگ است؛ ظرفیتی که از نظر مصرف برق با چند نیروگاه بزرگ قابل مقایسه است. اگر مشتری اصلی نتواند تعهدات خود را بپردازد، فشار مالی به اوراکل منتقل می‌شود.

در چنین ساختاری، ریسک از یک شرکت به شرکت دیگر منتقل می‌شود، اما از سیستم حذف نمی‌شود. اگر اوپن‌ای‌آی برای استفاده از پروژه‌هایی مانند استارگیت (Stargate) به ده‌ها میلیارد دلار درآمد سالانه پردازشی نیاز داشته باشد، باید مشخص شود این درآمد از کجا می‌آید. اگر شرکت سازنده مدل خودش هنوز زیان‌ده است، طرف زیرساختی نیز در معرض خطر قرار می‌گیرد.

این مسئله می‌تواند به بازار سهام و بدهی نیز سرایت کند. اگر شرکتی مانند اوراکل برای ساخت ظرفیت عظیم بدهی بگیرد و بازپرداخت آن به مشتری‌ای وابسته باشد که هنوز مدل اقتصادی پایدار ندارد، سرمایه‌گذاران اوراق و سهام دیر یا زود باید ریسک را دوباره قیمت‌گذاری کنند.

چرخه انویدیا و نئوکلاودها؛ تقاضای واقعی یا تقاضای ساخته‌شده؟

در قلب موج AI، انویدیا قرار دارد. این شرکت تراشه‌هایی می‌فروشد که برای آموزش و اجرای مدل‌های بزرگ حیاتی‌اند. اما برخی منتقدان می‌گویند بخشی از تقاضای ظاهری برای تراشه‌ها از چرخه‌ای مالی تغذیه می‌شود که در آن شرکت‌های کوچک ابری یا «نئوکلاودها» میلیاردها دلار قرض می‌گیرند تا GPU بخرند، سپس همان ظرفیت را به شرکت‌های بزرگ‌تر یا حتی مرتبط با انویدیا اجاره می‌دهند.

اگر تولیدکننده تراشه به شکل مستقیم یا غیرمستقیم به مشتریان خود کمک مالی کند و سپس از همان ظرفیت استفاده کند، تشخیص تقاضای نهایی دشوار می‌شود. این وضعیت شبیه فروشنده‌ای است که به خریدار پول قرض می‌دهد تا محصول را بخرد، سپس محصول را دوباره از او اجاره می‌کند و همه این جریان را به‌عنوان رشد تقاضا گزارش می‌دهد.

چنین ساختاری الزاماً به معنای تقلب نیست، اما نشانه‌ای از صنعتی است که برای حفظ رشد به تأمین مالی، بدهی و تقاضای درون‌اکوسیستمی وابسته شده است. اگر تقاضای نهایی از سوی مشتریان واقعی و سودآور به اندازه کافی قوی نباشد، این چرخه می‌تواند شکننده شود.

چرا غول‌های فناوری درآمد واقعی AI را شفاف گزارش نمی‌کنند؟

مایکروسافت، گوگل (Google)، آمازون (Amazon) و متا (Meta) صدها میلیارد دلار در AI سرمایه‌گذاری کرده‌اند، اما هنوز بخش بزرگی از درآمد واقعی و مستقیم AI را با شفافیت کامل جداگانه گزارش نمی‌کنند. این شرکت‌ها درباره درآمد ابری، تبلیغات، یوتیوب، نرم‌افزار و سایر بخش‌ها اطلاعات فراوان می‌دهند، اما درآمد دقیق AI اغلب در اعداد کلی‌تر پنهان می‌شود.

این مسئله برای بازار مهم است. اگر AI واقعاً موتور اصلی رشد باشد، شرکت‌های عمومی معمولاً انگیزه دارند آن را با افتخار گزارش کنند. بازار عاشق خبر خوب است. پنهان‌بودن اعداد می‌تواند به این معنا باشد که رشد کسب‌وکارهای سنتی هنوز بخش اصلی درآمد را می‌سازد، در حالی که AI فعلاً هزینه‌زا و زیان‌ده است.

در نتیجه، سرمایه‌گذاران ممکن است رشد کل شرکت‌ها را به AI نسبت دهند، در حالی که بخش‌های قدیمی‌تر مانند تبلیغات، فضای ابری، نرم‌افزار سازمانی یا فروش سخت‌افزار هنوز محرک اصلی‌اند. این اشتباه تفسیری می‌تواند ارزش‌گذاری‌ها را بیش از حد بالا نگه دارد تا زمانی که بازار خواهان شفافیت بیشتر شود.

چین؛ گزینه‌ای ارزان‌تر، بازتر و کافی برای بیشتر کسب‌وکارها

سومین و شاید مهم‌ترین تهدید برای روایت AI آمریکایی، چین است. آمریکا ممکن است همچنان پیشرفته‌ترین مدل‌های جهان را داشته باشد، اما بیشتر شرکت‌ها به هوشمندترین مدل جهان نیاز ندارند. آن‌ها به مدلی نیاز دارند که ایمیل‌های پشتیبانی مشتری را پاسخ دهد، اسناد را دسته‌بندی کند، claims بیمه‌ای را پردازش کند، کارهای تکراری اداری را انجام دهد، کدهای ساده بنویسد یا داده‌های داخلی را تحلیل کند.

در این کاربردهای واقعی، مدل‌های چینی می‌توانند بسیار رقابتی باشند. طبق نمونه‌های مطرح‌شده، یک مدل آمریکایی مانند کلاد اوپوس (Claude Opus) برای یک کار کدنویسی مشابه حدود ۲.۳۳ دلار هزینه داشته، در حالی که یک مدل چینی مانند GLM همان کار را با حدود ۳۱ سنت انجام داده است؛ یعنی بیش از هفت برابر ارزان‌تر. در مثال‌های دیگر، اختلاف قیمت حتی شدیدتر است و مدل چینی با کیفیتی نزدیک، با کسری از هزینه خدمات مشابه ارائه می‌شود.

در رتبه‌بندی‌های جهانی نیز مدل‌های چینی مانند DeepSeek، Qwen، Kimi، MiniMax و GLM ممکن است همیشه در صدر مطلق نباشند، اما در لایه میانی و بالایی بازار حضور گسترده دارند. همین حضور گسترده برای اقتصاد AI اهمیت بیشتری از داشتن بهترین مدل مطلق دارد. اگر مشتریان سازمانی بتوانند با ۸۰ یا ۹۰ درصد کیفیت و ۱۰ یا ۲۰ درصد قیمت کار خود را انجام دهند، مدل گران‌تر آمریکایی فقط در موارد خاص توجیه خواهد داشت.

تقطیر مدل‌ها؛ میان‌بر چین برای رقابت با هزینه کمتر

یکی از کلیدهای موفقیت چین در AI، تقطیر (Distillation) است. آموزش یک مدل مرزی از صفر می‌تواند میلیاردها دلار هزینه داشته باشد. اما مدل‌های کوچک‌تر می‌توانند با مطالعه خروجی مدل‌های بزرگ‌تر آموزش ببینند و بخشی از توانایی‌های آن‌ها را با هزینه بسیار کمتر بازتولید کنند.

به زبان ساده، آمریکا هزینه تحقیق دشوار، آموزش عظیم و زیرساخت فوق‌گران را می‌پردازد؛ سپس بازیگران دیگر می‌توانند از پاسخ‌ها، الگوها و نتایج مدل‌های موجود برای ساخت مدل‌های کوچک‌تر و ارزان‌تر استفاده کنند. این فرایند از نظر فنی پیچیده است، اما از نظر اقتصادی شبیه فشرده‌سازی دانش گران‌قیمت به محصولی ارزان‌تر است.

چین این مسیر را به‌سرعت دنبال کرده است. مدل‌هایی مانند LongCat که از سوی میتوآن (Meituan)، شرکت بزرگ تحویل غذا در چین، ساخته شده‌اند، نشان می‌دهند رقابت AI دیگر فقط در انحصار آزمایشگاه‌های فوق‌ثروتمند آمریکایی نیست. اگر شرکتی که معادل چینی دوردش (DoorDash) است بتواند مدلی بسازد که در برخی وظایف با مدل‌های پیشرفته آمریکایی رقابت کند، فرض ارزش‌گذاری تریلیون‌دلاری شرکت‌های AI به چالش کشیده می‌شود.

داستان سودهای آینده چگونه فرو می‌ریزد؟

روایت بازار سهام آمریکا بر یک فرض کلیدی استوار است: هزینه‌های فعلی عظیم‌اند، اما سودهای آینده بزرگ‌تر خواهند بود و شرکت‌های آمریکایی آن سودها را خواهند گرفت، چون جهان گزینه‌ای ندارد. اما اگر جهان گزینه داشته باشد، آن هم گزینه‌ای ارزان‌تر، بازتر و قابل اجرا در داخل مرزهای خود، این فرض فرو می‌ریزد.

نمی‌توان یک تریلیون دلار هزینه را با فروش محصولی جبران کرد که رقیب آن با ۹۰ درصد کیفیت و ۱۰ درصد قیمت عرضه می‌شود. این منطق فشار شدیدی بر مدل قیمت‌گذاری شرکت‌های آمریکایی ایجاد می‌کند. اگر آن‌ها قیمت را بالا نگه دارند، مشتریان به سمت مدل‌های چینی یا متن‌باز می‌روند. اگر قیمت را پایین بیاورند، حاشیه سود و توجیه سرمایه‌گذاری عظیم آسیب می‌بیند.

این همان تضاد اصلی AI امروز است: شرکت‌های آمریکایی باید هم هزینه‌های سرسام‌آور زیرساختی را جبران کنند، هم با رقبای ارزان‌تر رقابت کنند، هم اعتماد مشتریان را به دست آورند، هم نشان دهند که توکن‌فروشی به سود عملیاتی واقعی تبدیل می‌شود. انجام همه این‌ها هم‌زمان بسیار دشوار است.

این همان تضاد اصلی AI امروز است: شرکت‌های آمریکایی باید هم هزینه‌های سرسام‌آور زیرساختی را جبران کنند، هم با رقبای ارزان‌تر رقابت کنند، هم اعتماد مشتریان را به دست آورند، هم نشان دهند که توکن‌فروشی به سود عملیاتی واقعی تبدیل می‌شود.

نشانه‌های ترکیدن احتمالی حباب

اگر حباب AI وجود داشته باشد، احتمالاً با توقف رسمی هزینه‌کرد شرکت‌ها آغاز نمی‌شود. در حباب دات‌کام، شاخص نزدک (NASDAQ) در مارس ۲۰۰۰ به اوج رسید، اما شرکت‌های مخابراتی و زیرساختی تا سال ۲۰۰۱ همچنان به هزینه‌کرد برای کابل‌های فیبر نوری ادامه دادند. بازار سهام پیش از آنکه شرکت‌ها رسماً اعتراف کنند اشتباه کرده‌اند، روایت را کنار گذاشت.

در موج AI نیز ممکن است همین اتفاق رخ دهد. نشانه مهم شاید یک جمله ساده در گزارش مالی یک غول فناوری باشد: «ما سرعت سرمایه‌گذاری زیرساختی را تعدیل می‌کنیم.» چنین عبارتی شاید فنی و بی‌اهمیت به نظر برسد، اما اگر وال‌استریت نخستین شرکتی را که هزینه‌های AI را کاهش می‌دهد پاداش دهد، سایر مدیران نیز اجازه روانی و مالی برای عقب‌نشینی پیدا می‌کنند.

نشانه دیگر، بازار بدهی مراکز داده است. ساخت ده‌ها یا صدها گیگاوات ظرفیت مرکز داده به تریلیون‌ها دلار سرمایه نیاز دارد. اگر انتشار بدهی برای این پروژه‌ها دشوار شود، اگر نرخ بهره بالاتر برود، یا اگر سرمایه‌گذاران اوراق از تأمین مالی پروژه‌های AI عقب‌نشینی کنند، صنعت با محدودیت جدی روبه‌رو خواهد شد. در چنین وضعیتی، حتی اگر مدیران همچنان به آینده AI ایمان داشته باشند، پول لازم برای ادامه ساخت‌وساز ممکن است دیگر به‌راحتی در دسترس نباشد.

بازار اوراق؛ آرامش امروز، تضمین فردا نیست

برای سنجش نگرانی بازار بدهی، یکی از شاخص‌های مهم «اسپرد اعتباری» (Credit Spread) است. اسپرد تفاوت میان نرخ بهره اوراق شرکتی و نرخ بدون ریسک اوراق دولتی است. وقتی سرمایه‌گذاران آرام‌اند، این فاصله کم است. وقتی نگران ورشکستگی یا بحران می‌شوند، نرخ بالاتری مطالبه می‌کنند و اسپرد افزایش می‌یابد.

در حال حاضر، اسپردها بسیار پایین و آرام‌اند؛ در محدوده‌ای نزدیک به پایین‌ترین سطوح تاریخی. در ظاهر، این یعنی بازار بدهی نگران بحران AI نیست. اما تاریخ نشان می‌دهد بازار بدهی همیشه آینده را درست پیش‌بینی نمی‌کند. در اوایل ۲۰۰۷، بحران مسکن آمریکا در حال شکل‌گیری بود، اما اسپردها همچنان آرام بودند. چند ماه بعد، همان سیستم وارد یکی از بزرگ‌ترین بحران‌های مالی تاریخ شد.

اسپردها حقیقت را اندازه‌گیری نمی‌کنند؛ باور و اعتماد وام‌دهندگان را اندازه‌گیری می‌کنند. اگر وام‌دهندگان اشتباه کنند، شاخص‌ها تا لحظه آخر آرام می‌مانند و سپس ناگهان منفجر می‌شوند. بنابراین آرامش امروز بازار اعتبار به معنای نبود ریسک نیست؛ فقط نشان می‌دهد ریسک هنوز به‌طور گسترده قیمت‌گذاری نشده است.

مایکل بری و هشدار درباره تراشه‌ها، هایپراسکیلرها و قیمت توکن‌ها

مایکل بری (Michael Burry)، سرمایه‌گذاری که به دلیل پیش‌بینی بحران مالی ۲۰۰۸ مشهور شد، اخیراً به چند نشانه در بازار AI اشاره کرده است. یکی از این نشانه‌ها، ارزش‌گذاری بالای سهام تراشه در محدوده بالای ۱۵ ساله است. بازار عملاً طوری با شرکت‌های تراشه‌ساز برخورد می‌کند که گویی سودهای آینده AI از هم‌اکنون محقق شده است.

نشانه دوم، شکاف میان شرکت‌هایی است که از موج AI پول دریافت می‌کنند و شرکت‌هایی که برای ساخت AI هزینه می‌کنند. سهام فروشندگان تراشه، تجهیزات و زیرساخت رشد شدیدتری داشته، اما شرکت‌های هایپراسکیلر مانند مایکروسافت، گوگل، آمازون و متا که تریلیون‌ها دلار هزینه می‌کنند، به همان اندازه پاداش نگرفته‌اند. این می‌تواند به معنای آن باشد که بازار به دریافت‌کنندگان پول اعتماد بیشتری دارد تا خرج‌کنندگان آن.

نشانه سوم، کاهش قیمت شاخص هزینه توکن‌های LLM است؛ شاخصی که می‌توان آن را نوعی قیمت خود AI دانست. اگر در بزرگ‌ترین موج ساخت AI تاریخ، قیمت استفاده از مدل‌ها کاهش می‌یابد، یک توضیح این است که تقاضا به سمت مدل‌های ارزان‌تر حرکت کرده یا مشتریان حاضر نیستند قیمت بالاتری بپردازند. این دقیقاً با نظریه رقابت چین و مدل‌های ارزان‌تر هم‌خوان است.

البته بری سابقه هشدارهای زودهنگام و گاهی بیش از حد بدبینانه نیز دارد. زود بودن در بازار اغلب از نظر عملی شبیه اشتباه بودن است. شاخص‌های قیمت توکن نیز می‌توانند افت کنند و دوباره بازیابی شوند. بنابراین هیچ‌کدام از این نشانه‌ها به‌تنهایی زمان ترکیدن حباب را مشخص نمی‌کند. اما کنار هم قرار گرفتن آن‌ها نشان می‌دهد روایت AI دیگر بی‌چالش نیست.

چرا جهان ممکن است مدل «کافی و ارزان» را به مدل «بهترین و گران» ترجیح دهد؟

بیشتر انقلاب‌های فناوری زمانی گسترده می‌شوند که محصول نه لزوماً بهترین، بلکه کافی و ارزان شود. رایانه شخصی، تلفن هوشمند، اینترنت و نرم‌افزارهای ابری زمانی جهان را گرفتند که استفاده از آن‌ها برای عموم مردم و شرکت‌ها مقرون‌به‌صرفه شد. AI نیز ممکن است همین مسیر را طی کند.

اگر شرکت‌ها بفهمند برای بیشتر کارهای روزمره نیازی به هوشمندترین مدل جهان ندارند، تقاضا به سمت مدل‌های ارزان‌تر، متن‌باز، تخصصی و قابل اجرا در محیط داخلی حرکت می‌کند. در این جهان، داشتن بهترین مدل عمومی همچنان ارزشمند است، اما ارزش اقتصادی آن به اندازه‌ای که بازار سهام تصور می‌کند بزرگ نخواهد بود.

مدل‌های آمریکایی ممکن است در لبه مرزی علم و توانایی باقی بمانند، اما بازار واقعی می‌تواند در لایه‌های پایین‌تر و کاربردی‌تر شکل بگیرد؛ جایی که چین، مدل‌های متن‌باز و بازیگران محلی رقابت قیمتی شدید ایجاد می‌کنند. این شبیه بازاری است که در آن یک شرکت بهترین خودروی مسابقه جهان را می‌سازد، اما بیشتر مشتریان فقط یک خودروی اقتصادی مطمئن برای رفت‌وآمد می‌خواهند.

پیامد برای بازار سهام و سرمایه‌گذاران

اگر روایت AI تضعیف شود، اثر آن فقط محدود به چند شرکت فناوری نخواهد بود. شاخص‌های بزرگ آمریکا به‌شدت تحت تأثیر شرکت‌های بزرگ فناوری‌اند. صندوق‌های شاخص، حساب‌های بازنشستگی، 401(k)، سرمایه‌گذاری‌های غیرفعال و سبدهای جهانی همگی به این شرکت‌ها وابسته شده‌اند. بنابراین ترک برداشتن روایت AI می‌تواند به کل بازار منتقل شود.

اما زمان‌بندی چنین تغییری تقریباً غیرممکن است. بازارها می‌توانند بسیار بیشتر از انتظار منتقدان روی یک روایت بمانند. شرکت‌ها می‌توانند سال‌ها هزینه کنند، سرمایه جذب کنند و ارزش‌گذاری بالا نگه دارند، حتی وقتی سودآوری هنوز روشن نیست. اما وقتی روایت تغییر می‌کند، تغییر می‌تواند سریع‌تر از انتظار رخ دهد.

نشانه‌های کلیدی برای دنبال کردن شامل کاهش یا تعدیل سرمایه‌گذاری AI از سوی نخستین هایپراسکیلر، دشوار شدن تأمین مالی مراکز داده، افزایش اسپردهای اعتباری، کاهش مداوم قیمت توکن‌ها، افشای ضعیف درآمد مستقیم AI، عقب‌افتادن عرضه عمومی شرکت‌های AI و حرکت مشتریان سازمانی به سمت مدل‌های ارزان‌تر یا داخلی است.

نتیجه‌گیری؛ پایان روایت انحصار آمریکا؟

هوش مصنوعی احتمالاً فناوری مهمی باقی خواهد ماند. اما مهم بودن یک فناوری با سودآور بودن همه شرکت‌هایی که روی آن شرط بسته‌اند یکسان نیست. اینترنت جهان را تغییر داد، اما بسیاری از سهام دات‌کام نابود شدند. AI نیز می‌تواند بهره‌وری را بالا ببرد، صنایع را تغییر دهد و ابزارهای جدید بسازد، در حالی که هم‌زمان ارزش‌گذاری بخشی از شرکت‌های امروز بیش از حد خوش‌بینانه باشد.

روایت غالب بازار می‌گوید آمریکا با صرف تریلیون‌ها دلار، زیرساخت AI جهان را خواهد ساخت و سود آن را برداشت خواهد کرد. اما چین با مدل‌های ارزان‌تر، متن‌بازتر و کافی برای کاربردهای واقعی، این روایت را تهدید می‌کند. اروپا و دیگر کشورها نیز پس از مشاهده امکان قطع دسترسی سیاسی، انگیزه بیشتری برای استقلال فناوری پیدا کرده‌اند. شرکت‌ها نگران داده‌های خود، مدل قیمت‌گذاری توکنی و نبود بازگشت سرمایه روشن‌اند. زیرساخت‌سازان با بدهی، تمرکز مشتری و هزینه برق درگیرند. سرمایه‌گذاران هنوز صبورند، اما صبر بازار تا زمانی ادامه دارد که داستان قانع‌کننده بماند.

اگر نخستین شکاف جدی در این داستان ایجاد شود، موج AI ممکن است از مرحله هیجان بی‌قید به مرحله حسابرسی سخت وارد شود. در آن مرحله، بازار دیگر نخواهد پرسید کدام شرکت بزرگ‌ترین مدل را دارد؛ خواهد پرسید کدام شرکت واقعاً پول درمی‌آورد، کدام مشتری حاضر است هزینه را بپردازد، و آیا جهان هنوز ناچار است فناوری آمریکایی را انتخاب کند یا نه.