هوش مصنوعی دیگر فقط رقابت بر سر ساخت مدل‌های هوشمندتر نیست؛ رقابت بر سر تأمین تراشه، برق، حافظه، شبکه و دیتاسنترهایی است که این مدل‌ها را آموزش می‌دهند و به میلیون‌ها کاربر پاسخ می‌دهند. گزارش‌های منتشرشده در ۲۷ اکتبر ۲۰۲۶ نشان می‌دهند شرکت‌های فناوری برای تأمین زیرساخت موردنیاز هوش مصنوعی به سراغ افزایش سرمایه، وام، قراردادهای بلندمدت و روش‌های تازه تأمین مالی رفته‌اند.
بر اساس گزارشی از واشنگتن‌پست، سرمایه‌گذاری موردنیاز برای دیتاسنترها، تراشه‌ها و دیگر زیرساخت‌های هوش مصنوعی تا سال ۲۰۳۲ ممکن است به حدود ۱۰ تریلیون دلار برسد. در همین گزارش، برنامه متا برای جذب سرمایه تا سقف ۹۵ میلیارد دلار و تأمین مالی ۴۰ میلیارد دلاری مرتبط با تجهیزات هوش مصنوعی SpaceX نیز مطرح شده است. این ارقام به برنامه‌ها و برآوردهای مالی اشاره دارند و نباید آن‌ها را معادل هزینه قطعی پرداخت‌شده دانست. The Washington Post
پرسش اصلی این است: چرا ساخت و توسعه هوش مصنوعی به چنین سرمایه عظیمی نیاز دارد؟ آیا این هزینه‌ها در نهایت سودآور خواهند بود یا صنعت فناوری با خطر سرمایه‌گذاری بیش از حد روبه‌روست؟
نکات کلیدی در یک نگاه
- برآورد منتشرشده از سوی Brookings، مجموع سرمایه‌گذاری موردنیاز برای هوش مصنوعی، دیتاسنترها، برق و تراشه‌ها را در بازه ۲۰۲۵ تا ۲۰۳۲ حدود ۱۰٫۳ تریلیون دلار تخمین می‌زند. این رقم یک برآورد است، نه هزینه قطعی و مصوب همه شرکت‌ها. Brookings
- متا برنامه جذب سرمایه تا سقف ۹۵ میلیارد دلار را برای توسعه زیرساخت و محصولات هوش مصنوعی مطرح کرده است. The Washington Post
- شرکت‌های هوش مصنوعی تنها خریدار سخت‌افزار نیستند؛ آن‌ها از قراردادهای اجاره ظرفیت، تأمین مالی بانکی و توافق‌های چندساله با تأمین‌کنندگان نیز استفاده می‌کنند. The Wall Street Journal+1
- محدودیت برق، تأخیر در ساخت دیتاسنتر و هزینه تجهیزات می‌تواند مانع تبدیل سریع سرمایه‌گذاری به درآمد شود. TechRadar+1
- رشد بازار هوش مصنوعی به‌تنهایی سودآوری همه پروژه‌های دیتاسنتری را تضمین نمی‌کند.
چرا زیرساخت هوش مصنوعی این‌قدر گران است؟
۱. تراشه‌های تخصصی؛ قلب محاسبات هوش مصنوعی
مدل‌های زبانی بزرگ برای آموزش و پاسخ‌گویی به کاربران، محاسبات موازی گسترده‌ای انجام می‌دهند. پردازنده‌های گرافیکی (GPU) و شتاب‌دهنده‌های اختصاصی هوش مصنوعی برای این نوع بار کاری طراحی شده‌اند و در خوشه‌های محاسباتی بزرگ کنار هم کار می‌کنند.
اما خرید تراشه تنها بخش اول هزینه است. شرکت‌ها به حافظه با پهنای باند بالا، سرورهای سازگار، تجهیزات شبکه و نرم‌افزارهای مدیریت خوشه نیز نیاز دارند. وقتی صدها یا هزاران شتاب‌دهنده باید مانند یک سیستم واحد فعالیت کنند، طراحی و نگهداری زیرساخت پیچیده‌تر می‌شود.
علاوه بر این، نسل‌های تازه تراشه ممکن است عملکرد بیشتری ارائه دهند، اما جایگزینی تجهیزات قبلی هزینه سرمایه‌ای سنگینی ایجاد می‌کند. شرکت‌ها باید بین خرید سخت‌افزار جدید، اجاره ظرفیت از ارائه‌دهندگان ابری و استفاده از تراشه‌های اختصاصی تعادل برقرار کنند.
۲. آموزش مدل فقط آغاز هزینه است
آموزش یک مدل هوش مصنوعی می‌تواند به حجم زیادی از محاسبات نیاز داشته باشد؛ اما پس از عرضه عمومی، مدل باید درخواست کاربران را نیز پردازش کند. این مرحله که «استنتاج» (Inference) نام دارد، بسته به تعداد کاربران، طول درخواست‌ها، اندازه مدل و شیوه اجرای آن می‌تواند هزینه عملیاتی قابل‌توجهی ایجاد کند.
برای نمونه، یک سرویس هوش مصنوعی که میلیون‌ها درخواست دریافت می‌کند باید ظرفیت کافی برای زمان‌های اوج مصرف داشته باشد. اگر منابع بیش از نیاز باشند، بخشی از سرمایه بلااستفاده می‌ماند؛ اگر کمتر از نیاز باشند، پاسخ‌گویی کند می‌شود یا کیفیت تجربه کاربر افت می‌کند.
بنابراین هزینه واقعی هوش مصنوعی فقط هزینه آموزش اولیه نیست؛ هزینه اجرای مدل در مقیاس بزرگ نیز اهمیت دارد.
۳. برق و خنک‌سازی؛ هزینه‌هایی که در معرفی تراشه‌ها دیده نمی‌شوند
دیتاسنتر هوش مصنوعی به برق پایدار و سامانه خنک‌سازی قدرتمند نیاز دارد. سرورهای پرتراکم گرمای زیادی تولید می‌کنند و افزایش تعداد شتاب‌دهنده‌ها، طراحی تأسیسات برق و خنک‌سازی را دشوارتر می‌کند.
هزینه‌های این بخش می‌تواند شامل موارد زیر باشد:
- اتصال به شبکه برق و توسعه ظرفیت تأمین انرژی
- تجهیزات توزیع برق، پشتیبان و مدیریت بار
- سامانه‌های خنک‌سازی هوا یا مایع
- زمین، ساختمان و تجهیزات فیزیکی
- نگهداری، نیروی متخصص و قطعات جایگزین
مشکل فقط تولید برق نیست؛ برق باید در مکان مناسب و در زمان مناسب در دسترس باشد. گزارش TechRadar در ۲۱ اکتبر ۲۰۲۶ به درخواست‌های گسترده اتصال دیتاسنترهای آمریکا به شبکه برق و سخت‌گیری بیشتر شرکت‌های خدمات برق اشاره کرد. بر اساس این گزارش، توسعه‌دهندگان برای پروژه‌های دیتاسنتری مجموعاً درخواست اتصال ۱٬۰۶۶ گیگاواتی ثبت کرده بودند، اما برآورد Wood Mackenzie این بود که شرکت‌های برق تنها حدود ۲۸ درصد این ظرفیت درخواستی را در نهایت پوشش دهند. این رقم به درخواست‌های اتصال مربوط است، نه ظرفیت دیتاسنترهای ساخته‌شده یا برق مصرف‌شده. TechRadar
۴. شبکه و حافظه؛ قطعاتی که عملکرد خوشه را محدود می‌کنند
در خوشه‌های بزرگ هوش مصنوعی، شتاب‌دهنده‌ها باید حجم زیادی از داده را با تأخیر کم مبادله کنند. اگر شبکه نتواند سرعت موردنیاز را فراهم کند، بخشی از توان محاسباتی گران‌قیمت بلااستفاده می‌ماند.
به همین دلیل، شرکت‌ها علاوه بر GPU روی سوئیچ‌های پرسرعت، اتصالات نوری، کابل‌کشی، حافظه و معماری شبکه نیز سرمایه‌گذاری می‌کنند. این تجهیزات در کنار سرورها و زیرساخت برق، هزینه نهایی یک دیتاسنتر را شکل می‌دهند.
ارقام مهم ۲۷ اکتبر ۲۰۲۶ چه می‌گویند؟
گزارش‌های روز نشان می‌دهند شرکت‌ها برای پاسخ به نیاز مالی زیرساخت هوش مصنوعی، از روش‌های متفاوتی استفاده می‌کنند. ارقام زیر از نظر ماهیت یکسان نیستند و نباید با هم جمع شوند؛ ممکن است برخی به تأمین مالی، برخی به برنامه جذب سرمایه و برخی به برآورد کل سرمایه‌گذاری اشاره کنند.
| شرکت یا برآورد | رقم گزارش‌شده | این رقم به چه معناست؟ |
|---|---|---|
| برآورد سرمایه‌گذاری زیرساخت AI تا ۲۰۳۲ | حدود ۱۰٫۳ تریلیون دلار | برآورد پژوهشی برای دیتاسنترها، برق و تراشه‌ها در بازه ۲۰۲۵ تا ۲۰۳۲ |
| Meta | تا ۹۵ میلیارد دلار | برنامه اعلام‌شده برای عرضه سهام جدید و تأمین سرمایه |
| SpaceX | ۴۰ میلیارد دلار | تأمین مالی گزارش‌شده برای خرید تراشه‌ها و تجهیزات محاسباتی هوش مصنوعی |
| Anthropic و Broadcom | معامله تأمین مالی ۶۳ میلیارد دلاری | ساختار تأمین مالی گزارش‌شده برای اجاره تراشه‌های تخصصی؛ نه به معنی پرداخت یک‌باره این مبلغ به Anthropic |
منابع: پژوهش Brookings، گزارش واشنگتن‌پست در ۲۷ اکتبر و گزارش وال‌استریت ژورنال درباره معامله Anthropic و Broadcom. Brookings+2
چرا رقم ۱۰٫۳ تریلیون دلار اهمیت دارد؟
پژوهشی که Brookings در ۸ اکتبر ۲۰۲۶ معرفی کرد، سرمایه‌گذاری موردنیاز برای زیرساخت هوش مصنوعی در فاصله سال‌های ۲۰۲۵ تا ۲۰۳۲ را حدود ۱۰٫۳ تریلیون دلار برآورد می‌کند. بر اساس همان تحلیل، این میزان به‌طور متوسط معادل حدود ۳٫۶۳ درصد تولید ناخالص داخلی سالانه آمریکا خواهد بود. Brookings
این عدد به معنای آن نیست که یک شرکت یا دولت متعهد شده کل مبلغ را بپردازد. این یک برآورد از مقیاس سرمایه‌گذاری موردنیاز است؛ رقمی که تحقق آن به تقاضای واقعی، قیمت تجهیزات، سرعت توسعه برق و شبکه و توانایی شرکت‌ها برای جذب سرمایه بستگی دارد.
غول‌های فناوری پول موردنیاز را از کجا می‌آورند؟
افزایش سرمایه از طریق فروش سهام
یکی از روش‌ها فروش سهام جدید به سرمایه‌گذاران است. متا طبق گزارش واشنگتن‌پست برنامه فروش سهام تا سقف ۹۵ میلیارد دلار را اعلام کرده است. این شیوه می‌تواند منابع مالی شرکت را افزایش دهد، اما ممکن است سهم نسبی سهام‌داران فعلی را کاهش دهد و انتظارات بازار از بازده سرمایه‌گذاری را بالا ببرد. The Washington Post
وام و تأمین مالی بدهی
شرکت‌ها می‌توانند به‌جای تأمین تمام هزینه‌ها از منابع نقدی خود، وام بگیرند. SpaceX نیز طبق گزارش یادشده یک ساختار تأمین مالی ۴۰ میلیارد دلاری برای تجهیزات مرتبط با هوش مصنوعی نهایی کرده است. بدهی، منابع مالی را سریع‌تر در اختیار شرکت می‌گذارد، اما بازپرداخت و هزینه بهره را به تعهدات آینده اضافه می‌کند. The Washington Post
اجاره تراشه و ظرفیت محاسباتی
خرید مستقیم تمام تجهیزات همیشه بهترین انتخاب نیست. شرکت‌های هوش مصنوعی می‌توانند ظرفیت پردازشی را اجاره کنند یا از قراردادهای بلندمدت با تأمین‌کنندگان استفاده کنند. این مدل، نیاز به پرداخت اولیه را تغییر می‌دهد، اما لزوماً هزینه نهایی را کاهش نمی‌دهد؛ تعهدات اجاره ممکن است برای چندین سال ادامه داشته باشند.
وال‌استریت ژورنال در ۲۷ اکتبر از معامله تأمین مالی ۶۳ میلیارد دلاری مرتبط با Anthropic و تراشه‌های تخصصی خبر داد. در این ساختار، تأمین مالی برای خرید تراشه‌ها در نظر گرفته شده تا Anthropic بتواند از آن‌ها استفاده کند و پرداخت‌های اجاره به بازپرداخت منابع مالی کمک کند. این معامله نمونه‌ای از پیچیده‌تر شدن رابطه میان سازندگان تراشه، شرکت‌های هوش مصنوعی و وام‌دهندگان است. WSJ
سرمایه‌گذاری مشترک و شرکت‌های واسط
برخی پروژه‌ها از طریق مشارکت چند شرکت یا ساختارهای مالی مجزا تأمین می‌شوند. این روش می‌تواند ریسک و سرمایه‌گذاری را میان چند طرف تقسیم کند، اما در عین حال تشخیص میزان بدهی و تعهد واقعی هر شرکت را برای سرمایه‌گذاران دشوارتر می‌سازد. پژوهش Brookings نیز به گسترش استفاده از سرمایه‌گذاری مشترک، اعتبار خصوصی و شرکت‌های با هدف خاص برای تأمین زیرساخت هوش مصنوعی اشاره می‌کند. Brookings
آیا هزینه‌های عظیم هوش مصنوعی در نهایت سودآور می‌شوند؟
پاسخ هنوز قطعی نیست. برای ارزیابی سودآوری باید دست‌کم چهار عامل را در نظر گرفت:
- درآمد واقعی: آیا مشتریان حاضرند برای سرویس‌های هوش مصنوعی به‌اندازه کافی پول بپردازند؟
- هزینه اجرای مدل: با افزایش کاربران، هزینه پردازش و نگهداری سرویس چقدر بالا می‌رود؟
- عمر مفید تجهیزات: آیا تراشه‌ها پیش از آنکه هزینه خود را جبران کنند، با نسل جدید جایگزین می‌شوند؟
- هزینه سرمایه: نرخ بهره، بدهی و تعهدات بلندمدت چه اثری بر جریان نقدی شرکت دارند؟
افزایش درآمد به‌تنهایی کافی نیست. اگر هزینه زیرساخت و تأمین مالی سریع‌تر از درآمد رشد کند، شرکت ممکن است با وجود فروش بالا، با فشار نقدینگی مواجه شود.
از سوی دیگر، نباید تمام سرمایه‌گذاری‌های هوش مصنوعی را زیان‌ده دانست. زیرساخت‌های جدید می‌توانند خدمات ابری، ابزارهای سازمانی و محصولات تازه‌ای ایجاد کنند. مسئله اصلی این است که میزان تقاضا و سود آینده تا چه اندازه با سرمایه‌گذاری فعلی تناسب دارد.
آیا خطر شکل‌گیری حباب هوش مصنوعی وجود دارد؟
نشانه‌هایی از افزایش احتیاط سرمایه‌گذاران دیده می‌شود. گزارش واشنگتن‌پست می‌گوید تأمین مالی شرکت‌های کوچک‌تر ارائه‌دهنده ظرفیت محاسباتی، موسوم به Neocloud، با سخت‌گیری بیشتری روبه‌رو شده است. این شرکت‌ها معمولاً ابتدا برای ساخت دیتاسنتر و خرید تجهیزات هزینه می‌کنند و امیدوارند درآمد اجاره ظرفیت در آینده هزینه‌ها را پوشش دهد. در همان گزارش، به برآورد Gartner اشاره شده که طبق آن ۸۰ درصد شرکت‌های این گروه ممکن است در سال‌های آینده شکست بخورند یا مجبور به فروش شوند. این یک پیش‌بینی درباره گروهی از شرکت‌هاست، نه نتیجه قطعی برای تمام ارائه‌دهندگان زیرساخت. The Washington Post
ریسک مهم دیگر، ساخت ظرفیت بیشتر از تقاضای واقعی است. اگر شرکت‌ها هم‌زمان دیتاسنترهای زیادی بسازند اما رشد استفاده از خدمات هوش مصنوعی کمتر از انتظار باشد، بخشی از تجهیزات ممکن است کم‌استفاده بمانند. در مقابل، کمبود واقعی برق، تأخیر در ساخت و کمبود تجهیزات می‌تواند حتی پروژه‌های سودآور را نیز به تعویق بیندازد.
به همین دلیل، عبارت «حباب هوش مصنوعی» باید با احتیاط استفاده شود. هزینه بالا به‌تنهایی حباب را ثابت نمی‌کند؛ ارزیابی دقیق به درآمد، بدهی، ظرفیت استفاده‌شده، بازده سرمایه و تقاضای واقعی نیاز دارد.
جمع‌بندی
رقابت هوش مصنوعی وارد مرحله‌ای شده که برتری تنها به کیفیت مدل وابسته نیست؛ دسترسی به تراشه، برق، شبکه و ظرفیت دیتاسنتری نیز تعیین‌کننده است. همین نیاز فیزیکی و مالی باعث شده شرکت‌های بزرگ فناوری به فروش سهام، وام، اجاره تجهیزات و ساختارهای پیچیده‌تر تأمین مالی روی بیاورند.
برآورد ۱۰٫۳ تریلیون دلاری Brookings نشان می‌دهد مقیاس سرمایه‌گذاری موردنیاز تا سال ۲۰۳۲ بسیار بزرگ است، اما این عدد تضمین نمی‌کند که تمام پروژه‌ها اجرا شوند یا بازده یکسانی داشته باشند. محدودیت برق، هزینه سرمایه، سرعت تغییر نسل تراشه‌ها و میزان تقاضای واقعی می‌توانند مسیر این بازار را تغییر دهند.
در نهایت، پرسش مهم این نیست که شرکت‌ها چه مقدار برای هوش مصنوعی هزینه می‌کنند؛ پرسش این است که چه میزان از این هزینه‌ها به ظرفیت مفید، درآمد پایدار و بهره‌وری واقعی تبدیل خواهد شد؟ پاسخ به همین سؤال مشخص می‌کند کدام شرکت‌ها از موج زیرساخت هوش مصنوعی سود می‌برند و کدام‌ها زیر بار تعهدات مالی قرار می‌گیرند.
مطالعه بیشتر
- سینولوژی زیرساخت داده و ذخیره‌سازی سازمانی را برای عصر هوش مصنوعی برجسته کرد؛ آینده NAS و امنیت اطلاعات چه می‌شود؟
- چرا برق به مهم‌ترین چالش دیتاسنترهای ایران تبدیل شده است؟
- بزرگ‌ترین دیتاسنترهای بخش خصوصی ایران کدام‌اند؟
سؤالات متداول (FAQ)
زیرا علاوه بر سرورها و تراشه‌های تخصصی، به حافظه پرسرعت، شبکه پیشرفته، برق پایدار، خنک‌سازی، ساختمان و نگهداری مداوم نیاز دارند.
این برآورد پژوهشی، سرمایه‌گذاری موردنیاز برای زیرساخت هوش مصنوعی شامل دیتاسنترها، برق و تراشه‌ها را در بازه ۲۰۲۵ تا ۲۰۳۲ تخمین می‌زند. این رقم هزینه قطعی پرداخت‌شده یا بودجه مصوب یک شرکت نیست.
برای تأمین هزینه‌های سنگین و فوری زیرساخت، بدون اینکه تمام منابع نقدی خود را همان ابتدا مصرف کنند. در عوض، باید هزینه بهره و تعهدات بازپرداخت را مدیریت کنند.
خیر. طبق گزارش ۲۷ اکتبر، این رقم سقف برنامه اعلام‌شده برای فروش سهام جدید است؛ نباید آن را با مبلغ قطعی جذب‌شده یا هزینه پرداخت‌شده یکی دانست.
دیتاسنترها برای فعالیت سرورها و تجهیزات شبکه به برق مداوم نیاز دارند. کمبود ظرفیت شبکه، تأخیر در اتصال یا هزینه بالای انرژی می‌تواند زمان‌بندی و هزینه پروژه‌ها را تغییر دهد.
هنوز نمی‌توان درباره کل بازار حکم قطعی داد. برای تشخیص حباب باید رشد درآمد، قیمت دارایی‌ها، بدهی، ظرفیت بلااستفاده و بازده سرمایه‌گذاری بررسی شود. برخی بخش‌ها ممکن است بیش از حد سرمایه جذب کرده باشند، درحالی‌که بخش‌های دیگر با تقاضای واقعی روبه‌رو هستند.