10 دقیقه
گلدمن ساکس میگوید هیجان فعلی پیرامون هوش مصنوعی یک حباب سفته‌بازی نیست — بلکه نمایش افتتاحیه یک تحول گسترده است. در گزارشی تازه، این بانک سرمایهگذاری استدلال میکند که هزینههای فعلی مرتبط با هوش مصنوعی در مقایسه با پتانسیل بلندمدت فناوری بسیار کم است و انتظار دارد سرمایه‌گذاری‌ها در سال‌های آینده به‌طور قابل‌توجهی افزایش یابد.
چرا گلدمن معتقد است داستان هوش مصنوعی هنوز تمام نشده
تحلیلگران گلدمن برآورد میکنند که سرمایهگذاریهای مرتبط با هوش مصنوعی در ایالات متحده امروز کمتر از 1٪ تولید ناخالص داخلی را تشکیل میدهد؛ رقمی که به‌مراتب پایین‌تر از اوج‌های مشاهده‌شده در موج‌های تحول‌آفرین پیشین است — به‌عنوان مثال راه‌آهن، برق‌رسانی و اینترنت در دوره‌های اوج خود معمولاً بین 2 تا 5 درصد از تولید ناخالص داخلی را به‌خود اختصاص داده‌اند. از دید گلدمن، این فاصله نشان‌دهنده فضای گستردهای برای تخصیص سرمایه بیشتر است و نشانه‌ای از وجود «دورهٔ رشد» طولانی‌مدت در پیشِ روی اقتصاد و اکوسیستم فناوری است.
این گزارش دو عامل کلیدی را به‌عنوان محرک‌های اصلی چشم‌انداز خوشبینانه معرفی میکند. نخست، استقرارهای هوش مصنوعی هم‌اکنون در صنایع تثبیت‌شده بازده‌های قابل‌اندازه‌گیری در افزایش بهرهوری ایجاد میکنند؛ از خودکارسازی خدمات مشتری تا بهینه‌سازی فرایندها در حوزه‌های مالی و تولید. دوم، این بهبودها بر پایهٔ زیرساخت‌های محاسباتی در مقیاس بزرگ شکل گرفته‌اند — شامل تراشه‌ها، سرورها و مراکز داده — که هزینههای جاری را توجیه میکند و نشان میدهد با مقیاس گرفتن پروژهها، سرمایهگذاریهای بیشتری دنبال خواهد شد.
پیوند بین افزایش بهرهوری و زیرساخت محاسباتی
افزایش بهرهوری ناشی از هوش مصنوعی اغلب در کنار سرمایهگذاری در زیرساخت‌های محاسباتی رؤیت می‌شود. وقتی شرکت‌ها مدلهای بزرگ مولد را به‌کار می‌گیرند، نیاز به GPUها و شتاب‌دهنده‌های تخصصی، سرورهای پرظرفیت و فضای خنک‌کننده در مراکز داده افزایش می‌یابد. این تقاضا برای سختافزار سبب می‌شود تا هزینههای اولیه قابل‌توجیه به‌نظر برسد، چرا که بهبود عملکرد و صرفه‌جویی در هزینههای عملیاتی میتواند در طول زمان بازگشت سرمایه ایجاد کند. با این حال، توزیع منافع میان سازندگان مدل، ارائهدهندگان زیرساخت و کاربران نهایی پیچیده است و بستگی به نحوهٔ طراحی قراردادها، مدلهای قیمت‌گذاری و استانداردسازی دارد.
هوش مصنوعی تا چه اندازه میتواند بزرگ شود؟
گلدمن ساکس برآوردی جسورانه ارائه میدهد: هوش مصنوعی مولد (Generative AI) میتواند تا 20 تریلیون دلار به اقتصاد ایالات متحده اضافه کند که تقریباً 8 تریلیون دلار از این مقدار به‌عنوان درآمد سرمایه‌ای به شرکت‌ها تخصیص می‌یابد. بانک همچنین تخمین می‌زند که اگر ابزارهای هوش مصنوعی به‌طور گسترده پذیرفته شوند، بهرهوری نیروی کار میتواند در طی یک دهه آینده حدود 15٪ افزایش یابد. تصور کنید کارهای دانش‌بنیان روزمره 10 تا 20٪ کارآمدتر شوند — این بهبودها به‌سرعت در سطح شرکت‌ها و صنایع تجمیع شده و اثر مرکب قابل‌توجهی ایجاد میکنند.
منطق محاسباتی و جغرافیای اقتصادی
پیش‌بینی‌های اقتصادی مبتنی بر شاخص‌هایی مانند افزایش تولید ناخالص و درآمد سرمایه‌ای باید با احتیاط تفسیر شوند؛ زیرا نحوهٔ توزیع منافع بین شرکت‌ها، نیروی کار و سرمایهگذاران مورد اختلاف است. برای مثال، اگر منافع عمدتاً به‌سوی شرکت‌های زیرساختی و ارائهدهندگان کلان پلتفرمها سرازیر شود، اثر بر دستمزدها و اشتغال ممکن است متفاوت از سناریویی باشد که در آن شرکت‌های میانی و کسب‌وکارهای کوچک نیز سهم قابل‌توجهی از بهرهوری کسب کنند. به‌علاوه، تفاوت‌های جغرافیایی در ظرفیت محاسباتی، مقررات داده و سطح سرمایهگذاری، باعث می‌شود توزیع رشد منطقه‌ای ناهمگن باشد.
سناریوهای بهرهوری و نیروی کار
افزایش 10–20٪ در کارایی فعالیت‌های دانش‌بنیان میتواند انواع تغییرات ساختاری را در بازار کار به‌همراه داشته باشد: برخی مشاغل ممکن است از طریق افزایش خروجی و توسعهٔ مهارت‌ها رشد کنند، در حالی که مشاغل تکراری یا سطحی‌تر با فشار جانشینی روبه‌رو خواهند شد. این موضوع اهمیت سرمایهگذاری در آموزش مجدد (retraining) و بازآموزی (upskilling) نیروی کار را برجسته میکند تا مزایای اقتصادی هوش مصنوعی به‌طور گسترده‌تری توزیع شود.
همه سرمایهگذاران برنده نخواهند بود — تاریخ هشداری میدهد
گزارش ریسکها را نادیده نمی‌گیرد. گلدمن الگوی تکرارشونده‌ای از دوره‌های قبلی توسعه زیرساخت را یادآور می‌شود: بازیگران اولیه اغلب هزینههای سنگینی برای ساخت زیرساخت متحمل می‌شوند، اما بازیگران بعدی هستند که پاداش‌ها را می‌ربایند. سیستم‌های گران‌قیمت و سفارشی ممکن است به‌سرعت منسوخ شوند یا توسط راهحلهای استانداردشده تلفیق گردند. در مورد هوش مصنوعی، فرسودگی سریع سختافزار و سرعت بالای پیشرفت مدلها احتمال دارد باعث شود هزینههای اولیه سنگین لزوماً به رهبری بلندمدت بازار منجر نشوند.
این بدان معنا است که شرکت‌هایی که امروز به‌طور تهاجمی در تراشه‌ها و سرورها سرمایهگذاری میکنند ممکن است توسط رقبا چابک‌تر یا ارائهدهندگان ابری که زیرساخت را استانداردسازی و کالایی میکنند، متحول شوند. به‌طور خلاصه، سرمایهگذاری سنگین ضروری است، اما تضمینی برای برنده شدن در میدان رقابت نیست.
درس‌های تاریخی و مدلهای تجاری قابل‌انعطاف
تجربه از دوره‌های قبلی نشان میدهد که انعطاف‌پذیری در مدلهای تجاری و طراحی زیرساخت میتواند تفاوت بسزایی ایجاد کند. شرکت‌هایی که سمت «خدمات مدیریت‌شده» یا «پلتفرم‌های نرم‌افزاری» را اتخاذ کردند، اغلب توانستند ارزش افزوده بیشتری نسبت به دارندگان صرف سختافزار کسب کنند. بنابراین، در حوزهٔ هوش مصنوعی، ترکیب خدمات نرم‌افزاری (SaaS)، مدلهای اشتراکی و ارائهٔ راهحلهای مزیت‌محور میتواند مسیرهای درآمدی پایدارتری ایجاد کند.
هزینه‌ها با کاهش قیمت سختافزار باید نرمال شوند
با وجود این تذکرات، گلدمن انتظار دارد که فضای سرمایهگذاری برای هوش مصنوعی همچنان مساعد باقی بماند. بانک پیش‌بینی میکند که هزینههای مرتبط با هوش مصنوعی میتواند تا سال 2025 به حدود 300 میلیارد دلار برسد، در حالی که پذیرش در شرکت‌ها افزایش یافته و بازده‌های بهرهوری انباشته می‌شوند. در طول زمان، صنعت باید از مرحلهٔ فشردهٔ ساخت زیرساخت عبور کند و کاهش قیمت سختافزار به تثبیت الگوهای هزینه کمک خواهد کرد.
کاهش هزینهٔ GPUها، حافظه‌ها و سایر شتابدهندهها، به‌علاوه نوآوری در معماری‌های نرم‌افزاری مانند فشرده‌سازی مدل و تربیت توزیع‌شده، میتواند نیاز سرمایه‌ای ابتدایی را کاهش دهد و مسیر بازگشت سرمایه (ROI) را سریع‌تر سازد. این روند همچنین میتواند آستانهٔ ورود برای کسب‌وکارهای کوچک‌تر را پائین بیاورد و تنوع بازیگران را در اکوسیستم هوش مصنوعی افزایش دهد.
مکانیسم‌های کاهش هزینه و بهینه‌سازی هزینه
تعدادی از مکانیسم‌ها می‌توانند به کاهش هزینهٔ کلی استقرار هوش مصنوعی کمک کنند: بهینه‌سازی مصرف انرژی در مراکز داده، استفاده از شتاب‌دهنده‌های سفارشی برای کاربری‌های مشخص، فشرده‌سازی مدل و به‌کارگیری تکنیک‌های کوانتیزاسیون و پرونینگ در مدلسازی. همچنین فناوری‌های لبه (edge computing) برای برخی کاربردها می‌توانند هزینهٔ انتقال داده و نیاز به سرور مرکزی را کاهش دهند، هرچند این گزینه برای مدلهای بسیار بزرگ مولد همیشه مناسب نیست.
نکاتی که باید دنبال کرد: مدلها، تراشه‌ها و رقابت
- تکامل مدلها: مدلهای سریع‌تر و بهتر محاسبات ارزش را تغییر می‌دهند — و میزان و سرعت کسب منافع را.
- چرخهٔ سختافزار: کاهش قیمت GPUها و شتاب‌دهنده‌های تخصصی اقتصادپذیری را برای پذیرندگان تغییر خواهد داد.
- تجمیع بازار: ارائهدهندگان ابری و پلتفرم‌های بزرگ ممکن است سرمایهگذاریهای اولیه را تجمیع کنند، مشابه امواج فناوری گذشته.
راه‌اندازی‌های اخیر محصول نشان میدهد که چشم‌انداز با چه سرعتی در حال حرکت است. گوگل مدل Gemini 2.5 Computer Use را عرضه کرد که قابلیت‌های مرور وب طبیعی‌تر و تعاملات بلادرنگ بیشتری را فراهم می‌آورد. علی‌بابا نیز از یک مدل عظیم با یک تریلیون پارامتر پرده‌برداری کرد که برای رقابت با ChatGPT و Google Gemini از نظر مقیاس و عملکرد طراحی شده است. این توسعه‌ها هم شتاب نوآوری و هم مسابقهٔ فزاینده در زمینهٔ محاسبات و مقیاس مدلها را نشان می‌دهند.
تأثیر عرضهٔ مدلهای بزرگ در بازار
عرضهٔ مدلهای بزرگ نه‌تنها رقابت در سطح فناوری را تشدید میکند، بلکه معیارهای جدیدی برای هزینه و کارایی تعیین میکند. شرکت‌ها باید تصمیم بگیرند که آیا می‌خواهند مدل را از صفر بسازند، از مدلهای متن‌باز یا مدلهای ارائه‌شده به‌صورت API استفاده کنند، یا ترکیبی از این رویکردها را به‌کار گیرند. هر انتخابی پیامدهای متفاوتی برای نیازهای زیرساخت، هزینهٔ عملیاتی و زمان ورود به بازار خواهد داشت.
این برای کسبوکارها و سرمایهگذاران چه معنایی دارد
برای شرکت‌ها، پیام کاربردی است: در جاهایی سرمایهگذاری کنید که هوش مصنوعی بهوضوح بهرهوری را افزایش میدهد، اما پروژهها را طوری طراحی کنید که ماژولار و قابلانتقال باشند تا گرفتار زیرساخت‌های منسوخ نشوید. اتخاذ معماری‌های باز، استفاده از استانداردهای بین‌پلتفرمی و طراحی برای مهاجرت به راهحلهای ابری یا ترکیبی میتواند ریسک انعطاف‌ناپذیری را کاهش دهد.
برای سرمایهگذاران، پیام دقیق‌تر است — هوش مصنوعی یک تحول چندساله است، نه یک جنون کوتاه‌مدت. این موضوع به معنی قرار گرفتن انتخابی و بلندمدت در معرض شرکت‌هایی است که پذیرش پایدار را هدایت میکنند و نیز فراهم‌کنندگان زیرساختی که از مقیاس‌پذیری گسترده سود می‌برند. در عمل، ترکیبی از سرمایهگذاری در شرکت‌های نرم‌افزاری با جریان نقدی پایدار، سازندگان سختافزار استراتژیک و ارائهدهندگان خدمات ابری ممکن است بهترین توازن ریسک/بازده را فراهم آورد.
راهبردهای عملی برای مدیران و مدیران سرمایهگذاری
برای مدیران فناوری: به‌سرعت فرصت‌های افزایش بهرهوری را شناسایی کنید و پروژه‌هایی با ارزش ملموس و قابلیّت انتقال (portability) اولویت‌بندی نمایید. برای مثال، خودکارسازی فرآیندهای مشتری و استفاده از مدلهای زبانی برای تولید محتوای ساختاریافته میتواند بازدهی سریعی داشته باشد.
برای سرمایهگذاران: نگاه بلندمدت و انتخابی در بخش‌هایی مانند زیرساخت (مرکز داده، GPU و شتابدهندهها)، نرم‌افزارهای سازمانی مبتنی بر هوش مصنوعی و پلتفرم‌هایی که مقیاس‌پذیری و اشتراک‌گذاری منابع را تسهیل میکنند، محتاط اما هدفمند باشد.
جمع‌بندی گلدمن: بازار هوش مصنوعی گرم شده است، اما هنوز در مرحلهٔ «کف‌آلودگی» یا حباب قابل‌تعریف قرار ندارد. داستان واقعی توسط کسانی نوشته خواهد شد که با دقت شرط‌بندی‌های زیرساختی را مدیریت میکنند، هوش مصنوعی را در جریان‌های کاری روزمره ادغام می‌سازند و با سرعتی که اقتصاد سختافزار و مدلها تغییر میکند خود را تطبیق می‌دهند. برای شرکت‌ها و سرمایهگذاران، کلید موفقیت در فهم دقیق نقطهٔ تلاقی فناوری، مدل کسبوکار و مزیت رقابتی نهفته است.
ملاحظات نهایی و پرسش‌های باز
با وجود خوش‌بینی در پیش‌بینی‌ها، چند پرسش کلیدی باقی می‌ماند: چه کسی مالک داده‌ها خواهد بود و چگونه درآمد حاصل از بهبود بهرهوری توزیع می‌شود؟ آیا مقررات و سیاست‌گذاری میتواند مسیر نوآوری را کند یا مطلوب سازد؟ و در نهایت، آیا اقتصاد مقیاس در نهایت منجر به تمرکز بیش از حد می‌شود یا فرصت‌های گسترده‌تری برای نوآوری منتشرشده فراهم خواهد کرد؟ پاسخ به این پرسش‌ها تعیین‌کنندهٔ توزیع منافع و ساختار بازار آیندهٔ هوش مصنوعی خواهد بود.
منبع: gizmochina
ارسال نظر