اقتصاد محاسبات هوش مصنوعی: چرا ابرمقیاس‌ها مدل‌های پیشرو زیان‌ده را یارانه می‌دهند؟

بخش فناوری جهانی در حال حاضر در حال اجرای یکی از بزرگترین پروژه‌های زیرساختی در تاریخ اقتصادی است، به طوری که ارائه‌دهندگان خدمات ابری ابرمقیاس متعهد شده‌اند که حدود ۱ تریلیون دلار برای مراکز داده هوش مصنوعی، سیلیکون‌های تخصصی و تولید برق در سال‌های آینده هزینه کنند. این هزینه سرمایه‌ای بی‌سابقه ناشی از رقابت شدید برای ساخت، آموزش و استقرار مدل‌های هوش مصنوعی مولد پیشرو است که قادر به استدلال مستقل هستند. با این حال، در حالی که ردپای فیزیکی هوش مصنوعی در سراسر جهان گسترش می‌یابد، یک معضل اقتصادی ساختاری عمیق در مرکز این صنعت پدیدار شده است که سؤالاتی را در مورد پایداری مالی بلندمدت رونق سخت‌افزاری فعلی ایجاد می‌کند.[2][5]

مسئله اصلی در شکافی است که به سرعت در حال افزایش است: شکاف بین هزینه نجومی ساخت زیرساخت هوش مصنوعی و درآمد واقعی تولید شده توسط برنامه‌های کاربر نهایی. تحلیل‌های مالی شرکت‌های پیشرو سرمایه‌گذاری خطرپذیر و بانک‌های سرمایه‌گذاری نشان می‌دهد که برای توجیه مسیر فعلی هزینه‌های سرمایه‌ای و در عین حال حفظ حاشیه سود ناخالص تاریخی، اکوسیستم هوش مصنوعی باید سالانه صدها میلیارد دلار درآمد جدید تولید کند. در حال حاضر، درآمد حاصل از اشتراک‌های نرم‌افزار هوش مصنوعی و خدمات سازمانی تنها کسری از این آستانه مورد نیاز است و یک کسری مالی بزرگ ایجاد می‌کند که در نهایت باید برطرف شود.[1]

این پویایی عمدتاً توسط یک حلقه اقتصادی چرخشی بین ارائه‌دهندگان اصلی محاسبات ابری و آزمایشگاه‌های پیشرو هوش مصنوعی حفظ می‌شود. شرکت‌های ابرمقیاس به طور معمول میلیاردها دلار اعتبار محاسباتی و سهام را در شرکت‌هایی مانند OpenAI و Anthropic سرمایه‌گذاری می‌کنند، که به نوبه خود از همان سرمایه برای خرید مقادیر زیادی قدرت محاسباتی از همان ارائه‌دهندگان ابری استفاده می‌کنند. این ترتیب به سرعت درآمد ابری گزارش شده توسط ابرمقیاس‌ها را افزایش می‌دهد و بودجه آموزش مدل‌های نسل بعدی را تأمین می‌کند، اما ارائه‌دهندگان زیرساخت را به شدت به هزینه‌های مداوم آزمایشگاه‌های تحقیقاتی وابسته می‌کند که با زیان مالی قابل توجهی فعالیت می‌کنند.[4][5]

بار مالی بر دوش این آزمایشگاه‌های پیشرو بسیار زیاد است و از نظر ساختاری کاهش آن دشوار است. آموزش مدل‌های زبان بزرگ پیشرفته نیازمند ده‌ها هزار واحد پردازش گرافیکی پیشرفته است که ماه‌ها به طور مداوم کار کنند و تنها هزینه سخت‌افزار و انرژی آن میلیاردها دلار در هر نسل است. علاوه بر این، برخلاف کسب‌وکارهای سنتی نرم‌افزار به عنوان سرویس (SaaS) که در آن هزینه نهایی ارائه خدمات به یک کاربر اضافی ناچیز است، استنتاج هوش مصنوعی برای هر درخواست به قدرت محاسباتی قابل توجه و مداوم نیاز دارد. این بدان معناست که با افزایش کاربران این مدل‌ها و پردازش وظایف پیچیده‌تر، هزینه‌های عملیاتی آن‌ها به طور همزمان افزایش می‌یابد و دستیابی به حاشیه سود سنتی نرم‌افزار را بسیار دور از دسترس می‌کند.[1][5]

برای اینکه سرمایه‌گذاری‌های عظیم زیرساختی ابرمقیاس‌ها در نهایت نتیجه دهد، این مدل‌های پیشرو باید در نهایت بازارهای سازمانی و مصرف‌کننده عظیم و بسیار سودآوری را که هنوز وجود ندارند، باز کنند. با این حال، محققان صنعت به «کمبود آمادگی انسانی» قابل توجهی در اقتصاد گسترده‌تر اشاره می‌کنند. در حالی که ظرفیت محاسباتی خام و قابلیت‌های نظری مدل‌ها به سرعت در حال پیشرفت هستند، سازمان‌های سنتی در شناسایی اینکه هوش مصنوعی در کجا ارزش مالی واقعی و قابل اندازه‌گیری ایجاد می‌کند و چگونه این سیستم‌های احتمالی را به طور معناداری در جریان‌های کاری موجود، پیچیده و قطعی ادغام کنند، با مشکل مواجه هستند.

پیش‌بینی‌های اقتصاد کلان به طور فزاینده‌ای منعکس‌کننده این عدم قطعیت اساسی در مورد پذیرش سازمانی و کاربرد در دنیای واقعی است. در حالی که برخی پیش‌بینی‌های خوش‌بینانه صنعتی حاکی از آن است که هوش مصنوعی مولد می‌تواند تولید ناخالص داخلی جهانی را تا هفت درصد در طول یک دهه افزایش دهد، تحلیل‌های آکادمیک دقیق، چشم‌انداز بسیار محافظه‌کارانه‌تری را ارائه می‌دهند. تحقیقات مؤسسه فناوری ماساچوست (MIT) نشان می‌دهد که تأثیر اقتصادی کوتاه‌مدت بسیار متوسط‌تر خواهد بود و افزایش بهره‌وری کل عوامل را کمتر از یک درصد در طول ده سال آینده تخمین می‌زند، که مدل‌های مالی زیربنای سرمایه‌گذاری‌های سخت‌افزاری فعلی را به چالش می‌کشد.[3]

این برآورد اقتصادی محافظه‌کارانه ریشه در تحلیل دقیق مبتنی بر وظیفه از بازار کار مدرن دارد. در حالی که هوش مصنوعی مولد در وظایفی که «یادگیری آن‌ها آسان است» و موفقیت به راحتی اندازه‌گیری می‌شود و زمینه مورد نیاز کاملاً محدود است، برتری دارد، بخش بزرگی از اقتصاد جهانی به وظایفی متکی است که «یادگیری آن‌ها دشوار است». این نقش‌های پیچیده نیازمند درک عوامل بسیار وابسته به زمینه، مدیریت محیط‌های فیزیکی و اتخاذ تصمیمات ظریف است که در آن‌ها معیارهای نتیجه عینی مبهم هستند – حوزه‌هایی که معماری‌های فعلی هوش مصنوعی خودرگرسیو در ارائه اتوماسیون قابل اعتماد و مقرون‌به‌صرفه در مقیاس، با مشکل مواجه هستند.[3]

در نتیجه، صنعت هوش مصنوعی در سال‌های آینده با یک دوره گذار حیاتی و بالقوه بی‌ثبات روبرو است. رونق زیرساختی فعلی عمدتاً از تقاضای کاربر نهایی مصون است زیرا مستقیماً توسط ترازنامه‌های عظیم شرکتی خود ابرمقیاس‌ها و هجوم سرمایه خطرپذیر تأمین مالی می‌شود. با این حال، اگر آزمایشگاه‌های پیشرو نتوانند در نهایت از مصرف‌کنندگان محاسبات یارانه‌ای به فروشندگان نرم‌افزار بسیار سودآور و خودکفا تبدیل شوند، موتور اقتصادی بنیادی که تقاضای سخت‌افزار را هدایت می‌کند، ممکن است متوقف شود و اصلاح بازار گسترده‌تری را در سراسر بخش فناوری تحمیل کند.[2][4]