توضیح: چرا شرکت‌های بزرگ فناوری برای ساخت مراکز داده هوش مصنوعی ۳۵۰ میلیارد دلار بدهی گرفتند؟

برای دهه‌ها، مزیت اقتصادی تعیین‌کننده بخش فناوری، ماهیت کم‌سرمایه (asset-light) آن بود. یک شرکت نرم‌افزاری می‌توانست کد را یک بار بنویسد و آن را با هزینه نهایی تقریباً صفر در سطح جهانی توزیع کند، و حاشیه سود عظیمی را بدون نیاز به ساخت کارخانه‌های فیزیکی به دست آورد. رونق هوش مصنوعی مولد (Generative AI) به طرز خشنی به آن دوران پایان داده و بزرگترین شرکت‌های سیلیکون ولی را به غول‌های صنعت سنگین تبدیل کرده است. تنها در نیمه اول سال ۲۰۲۶، شرکت‌های برتر فناوری جهان مبلغ سرسام‌آور ۳۵۰ میلیارد دلار بدهی شرکتی جدید را به طور خاص برای تأمین مالی زیرساخت‌های فیزیکی مورد نیاز هوش مصنوعی منتشر کردند.[1][3]

این ولخرجی بدهی نشان‌دهنده یک تغییر اساسی در نحوه ساخت و تأمین مالی اینترنت است. این سرمایه صرف توسعه نرم‌افزار یا استخدام برنامه‌نویسان نمی‌شود؛ بلکه به بتن، سیم‌کشی مسی، سیستم‌های خنک‌کننده صنعتی و قراردادهای برق در مقیاس گیگاوات سرازیر می‌شود. مدل‌های پیشرو هوش مصنوعی اکنون به خوشه‌های آموزشی (training clusters) چنان عظیمی نیاز دارند که به اندازه شهرهای متوسط برق مصرف می‌کنند، و شرکت‌های فناوری را مجبور می‌کند تا راکتورهای هسته‌ای اختصاصی تأمین کرده و پردیس‌های گسترده‌ای بسازند که تکمیل آن‌ها سال‌ها طول می‌کشد.[3][5]

مقیاس محض این هزینه‌ها شروع به ایجاد شکاف در صنعت کرده است، واقعیتی که این هفته با کاهش رسمی رتبه اعتباری شرکت اوراکل (Oracle Corporation) توسط سرویس سرمایه‌گذاران مودی (Moody's Investors Service) از A3 به Baa1 آشکار شد. این کاهش رتبه به دلیل از دست دادن مشتریان یا شکست در کسب‌وکار اصلی پایگاه داده اوراکل نبود. بلکه نتیجه مستقیم و ریاضی رقابت زیرساخت هوش مصنوعی بود: اوراکل آنقدر پول خرج می‌کند تا با هزینه‌های سرمایه‌ای (CapEx) رقبای بزرگتر همگام شود که بار بدهی آن نسبت به رشد درآمد کوتاه‌مدتش نامتناسب شده است.[2][4]

برای درک مکانیسم این کاهش رتبه، باید به مفهوم «بازی مرغ کاپکس» (CapEx chicken) که در حال حاضر بین ارائه‌دهندگان خدمات ابری در جریان است، نگاه کرد. هزینه سرمایه‌ای یا CapEx به پولی اطلاق می‌شود که یک شرکت برای خرید، نگهداری یا بهبود دارایی‌های فیزیکی ثابت خرج می‌کند. در عصر هوش مصنوعی، CapEx عمدتاً به معنای خرید میلیون‌ها پردازنده گرافیکی پیشرفته (GPU) و ساخت مراکز داده برای جای دادن آن‌ها است. مایکروسافت، آمازون و گوگل – سه هایپراسکالر (Hyperscaler) بزرگ – هر کدام بیش از ۱۰۰ میلیارد دلار CapEx را تنها برای سال ۲۰۲۶ پیش‌بینی کرده‌اند.[1][3]

اوراکل در این پویایی در موقعیت نامطمئنی قرار دارد. در حالی که یک ارائه‌دهنده خدمات ابری قدرتمند و بسیار سودآور است، کل درآمد سالانه آن به طور قابل توجهی کمتر از آمازون یا مایکروسافت است. از آنجایی که هزینه یک مرکز داده گیگاواتی یا یک خوشه ۱۰۰,۰۰۰ تایی از پردازنده‌های گرافیکی نسل بعدی انویدیا (Nvidia) صرف نظر از اینکه چه کسی آن را می‌خرد یکسان است، اوراکل باید درصد بسیار بالاتری از کل درآمد خود را صرف کند تا سهم بازار خود را حفظ کرده و محیط‌های آموزشی هوش مصنوعی رقابتی را به مشتریان سازمانی خود ارائه دهد.[2][6]

هنگامی که یک شرکت بخش نامتناسبی از جریان نقدی خود را صرف دارایی‌های فیزیکی می‌کند، آژانس‌های رتبه‌بندی اعتباری متوجه می‌شوند. مودی در توجیه کاهش رتبه خود اشاره کرد که در حالی که استراتژی بلندمدت اوراکل منطقی است، بار بدهی فوری مورد نیاز برای تأمین مالی گسترش مرکز داده، انعطاف‌پذیری مالی آن را کاهش می‌دهد. کاهش رتبه اعتباری از A3 به Baa1 اوراکل را به وضعیت «اوراق قرضه بنجل» (junk status) نزدیک‌تر می‌کند، اگرچه همچنان قاطعانه در رده سرمایه‌گذاری (investment-grade) باقی می‌ماند. پیامد فوری این است که استقراض‌های آتی برای این شرکت کمی گران‌تر خواهد شد، زیرا دارندگان اوراق قرضه برای جبران ریسک درک شده، بازدهی بالاتری را طلب می‌کنند.[4][6]

یک سؤال رایج در میان ناظران بازار این است که چرا شرکت‌هایی که ده‌ها میلیارد دلار جریان نقدی آزاد تولید می‌کنند، اصلاً نیاز به استقراض پول دارند. پاسخ در استراتژی مالی شرکتی و مقیاس بی‌سابقه ساخت و ساز فعلی نهفته است. در حالی که شرکت‌های بزرگ فناوری ذخایر نقدی عظیمی دارند، بازگرداندن پول نقد خارج از کشور می‌تواند جریمه‌های مالیاتی به همراه داشته باشد، و شرکت‌ها ترجیح می‌دهند سرمایه نقدی را برای تملک‌های استراتژیک یا بازخرید سهام در دسترس نگه دارند. علاوه بر این، بدهی همچنان یک راه بسیار کارآمد برای تأمین مالی دارایی‌های فیزیکی بلندمدت است.[1][6]

با انتشار اوراق قرضه شرکتی ۱۰ ساله یا ۲۰ ساله، شرکت‌های فناوری مدت زمان بدهی خود را با طول عمر مورد انتظار زیرساختی که می‌سازند، تطبیق می‌دهند. یک پردیس مرکز داده ۱۰ میلیارد دلاری برای دهه‌ها درآمدزایی خواهد کرد؛ تأمین مالی آن با بدهی بلندمدت به شرکت اجازه می‌دهد تا هزینه را در طول عمر مفید دارایی توزیع کند، بسیار شبیه به یک شرکت خدمات عمومی سنتی که ساخت یک نیروگاه جدید را تأمین مالی می‌کند. این انتقال به مدل خدمات عمومی، مکانیسم اصلی است که انتشار ۳۵۰ میلیارد دلار بدهی را هدایت می‌کند.[3][6]

واقعیت‌های فیزیکی این مراکز داده جدید، هزینه‌های نجومی آن‌ها را دیکته می‌کند. مراکز داده سنتی رایانش ابری برای به حداکثر رساندن تراکم سرور ساخته شده بودند، اما خوشه‌های آموزشی هوش مصنوعی با یک گلوگاه متفاوت روبرو هستند: برق و گرما. یک قفسه (rack) واحد از سرورهای هوش مصنوعی نسل بعدی می‌تواند بیش از ۱۲۰ کیلووات برق مصرف کند و به سیستم‌های خنک‌کننده مایع پیشرفته‌ای نیاز دارد که سیالات تخصصی را مستقیماً به تراشه‌های سیلیکونی پمپاژ می‌کنند. ساخت لوله‌کشی، پست‌های برق و کف‌پوش‌های تقویت‌شده برای این تأسیسات، میلیاردها دلار هزینه دارد، حتی قبل از نصب اولین پردازنده.[5][6]

علاوه بر این، رقابت فراتر از سیلیکون به سمت تأمین انرژی گسترش یافته است. ارائه‌دهندگان خدمات ابری دیگر فقط با تولیدکنندگان سخت‌افزار مذاکره نمی‌کنند؛ آن‌ها در حال امضای قراردادهای خرید برق چند دهه‌ای با شرکت‌های انرژی هستند. نیاز به برق پایه (baseload) پیوسته و بدون وقفه، غول‌های فناوری را به سمت هم‌مکانی مراکز داده جدید خود در مجاورت نیروگاه‌های هسته‌ای و سدهای برق‌آبی عظیم سوق داده است، و عملاً در این فرآیند به معامله‌گران انرژی تبدیل شده‌اند.[5]

تحلیلگران مالی به طور فزاینده‌ای در حال ترسیم شباهت‌هایی بین رونق زیرساخت هوش مصنوعی کنونی و ساخت و ساز فیبر نوری مخابراتی در اواخر دهه ۱۹۹۰ هستند. در دوران دات‌کام، شرکت‌های مخابراتی بدهی‌های هنگفتی را برای کشیدن میلیون‌ها مایل کابل فیبر نوری در سراسر جهان متحمل شدند، با پیش‌بینی انفجار ترافیک اینترنت. هنگامی که تقاضای فوری نتوانست با پیش‌بینی‌های تهاجمی آن‌ها مطابقت داشته باشد، بسیاری از آن شرکت‌ها با ورشکستگی روبرو شدند که منجر به یک اصلاح شدید بازار شد.[3][6]

با این حال، میراث آن ولخرجی بدهی دهه ۱۹۹۰، ایجاد یک ستون فقرات جهانی اینترنت فوق‌العاده فراوان و فوق‌العاده ارزان بود. شرکت‌هایی که فیبر را کشیدند ورشکست شدند، اما زیرساخت فیزیکی باقی ماند و راه را برای اقتصاد مدرن اینترنت، از جمله پخش ویدئو (streaming) و رایانش ابری، هموار کرد. مدیران اجرایی فناوری امروز استدلال می‌کنند که زیرساخت هوش مصنوعی مسیری مشابه، هرچند امیدواریم از نظر مالی کمتر مخرب، را دنبال خواهد کرد: زیرساخت باید ابتدا ساخته شود و کاربردهایی که هزینه را توجیه می‌کنند، به دنبال آن خواهند آمد.[3][6]

خطر ساخت و ساز بیش از حد (overbuilding) یک موضوع مکرر در هیئت مدیره‌ها است، اما مدیران اجرایی هایپراسکالر به طور یکپارچه موافقند که خطر ساخت و ساز کمتر (underbuilding) بسیار بدتر است. در اقتصاد هوش مصنوعی، «محاسبه» (compute) ارز اصلی است. اگر یک ارائه‌دهنده خدمات ابری نتواند پردازنده‌های گرافیکی و برق کافی برای آموزش نسل بعدی مدل‌های پیشرو را تأمین کند، خطر بی‌اهمیتی دائمی را به جان می‌خرد. مشتریان به سادگی به ارائه‌دهنده‌ای مهاجرت خواهند کرد که ظرفیت محاسباتی موجود را داشته باشد، و این امر سرمایه‌گذاری در زیرساخت را به یک ضرورت حیاتی تبدیل می‌کند تا یک انتخاب اختیاری.[1][3]

کاهش رتبه اوراکل به عنوان اولین آزمون استرس بزرگ این فلسفه عمل می‌کند. این امر اقتصاد بی‌رحمانه عصر هوش مصنوعی را برجسته می‌کند: تنها بزرگترین شرکت‌های روی زمین می‌توانند به راحتی از پس هزینه‌های لازم برای رقابت برآیند. برای ارائه‌دهندگان خدمات ابری رده متوسط، ملت‌هایی که تلاش می‌کنند قابلیت‌های هوش مصنوعی داخلی بسازند، و شرکت‌های نرم‌افزاری سازمانی، هزینه ورود به طور فزاینده‌ای نیازمند سطوح ناخوشایندی از اهرم مالی (leverage) است.[2][4]

در نهایت، ۳۵۰ میلیارد دلار بدهی جدید فناوری نشان‌دهنده بلوغ هوش مصنوعی از یک رشته نرم‌افزاری نظری به یک لایه بنیادی از زیرساخت جهانی است. همانطور که این مراکز داده عظیم طی سه سال آینده آنلاین می‌شوند، صنعت فناوری کمتر شبیه استارتاپ‌های چابک و خوابگاهی دهه ۲۰۰۰ و بیشتر شبیه انحصارات راه‌آهن و برق‌رسانی قرن ۱۹ و ۲۰ خواهد بود – محدود به محدودیت‌های فیزیکی فولاد، زمین و انرژی.[3][6]