رئیس کتل (CATL) پیشنهاد داد: ۴۰ میلیون خودروی برقی به زیرساخت محاسباتی توزیع‌شده هوش مصنوعی تبدیل شوند

صنعت هوش مصنوعی در حال برخورد با دنیای فیزیکی است. با گسترش مدل‌های زبان بزرگ، نیاز آن‌ها به برق و سیلیکون به سرعت از توان شبکه برای پشتیبانی از مراکز داده متمرکز پیشی می‌گیرد. اما شاید راه‌حل، ساختن مزارع سرور بزرگ‌تر یا کشیدن هزاران مایل خطوط انتقال ولتاژ بالا نباشد. به گفته معمار بازار جهانی باتری خودروهای برقی، پاسخ در حال حاضر در پارکینگ‌ها و گاراژهای سراسر جهان پارک شده است. با بازنگری در هدف اصلی یک خودرو، صنعت فناوری می‌تواند پارادایم کاملاً جدیدی را برای مقیاس‌دهی زیرساخت‌های دیجیتال باز کند.[1]

رابین زنگ، بنیانگذار و رئیس میلیاردر شرکت بزرگ باتری‌سازی کتل (CATL)، در اواخر ژوئن ۲۰۲۶ در مجمع جهانی اقتصاد در دالیان، یک مفهوم رادیکال را معرفی کرد. او پیشنهاد داد که ناوگان در حال گسترش چین که شامل ۴۰ میلیون خودروی برقی است، می‌تواند به عنوان یک شبکه محاسباتی عظیم و توزیع‌شده هوش مصنوعی مورد استفاده مجدد قرار گیرد. زنگ استدلال کرد که به جای دیدن خودروها صرفاً به عنوان وسیله‌ای برای رفتن از نقطه الف به ب، ناوگان خودروها بزرگترین دارایی فناوری کم‌استفاده در جهان را تشکیل می‌دهد.[2]

زنگ این وسایل نقلیه بیکار را به عنوان «کارخانه‌های توکن» بالقوه توصیف کرد. خودروهای برقی مجهز به تراشه‌های پیشرفته هوش مصنوعی و بسته‌های باتری بزرگ، می‌توانند به جای اینکه فقط به عنوان حمل و نقل عمل کنند، در هنگام پارک، داده‌ها را پردازش کرده و توکن‌های هوش مصنوعی را برای مدل‌های زبان بزرگ تولید کنند. این دیدگاه نشان‌دهنده یک تغییر عمیق در نحوه نگرش صنعت به تقاطع تحرک و محاسبات است و سخت‌افزار مصرفی در حال استهلاک را به گره‌های فعال در یک ابرکامپیوتر جهانی تبدیل می‌کند. با استفاده از قدرت پردازشی پنهان میلیون‌ها خودرو، توسعه‌دهندگان هوش مصنوعی می‌توانند به لحاظ نظری محدودیت‌های فیزیکی مراکز داده سنتی را دور زده و به منبع تقریباً نامحدودی از محاسبات غیرمتمرکز دسترسی پیدا کنند.[4]

منطق ریاضی پشت این مفهوم بسیار قانع‌کننده است. یک خودروی سواری معمولی تقریباً ۲۳ ساعت در روز بیکار است و بدون ایجاد ارزش اقتصادی، فضا اشغال می‌کند. در طول این زمان طولانی بیکاری، یک خودروی برقی مدرن اساساً یک باتری با ظرفیت بالا است که به یک کامپیوتر پیچیده متصل شده است. با شبکه‌سازی این منابع بیکار از طریق هماهنگی نرم‌افزاری پیشرفته، ناوگان خودروها می‌تواند به توزیع‌شده‌ترین زیرساخت هوش مصنوعی که تاکنون مونتاژ شده است، تبدیل شود. این رویکرد نیاز به مزارع سرور متمرکز و پرمصرف انرژی را به شدت کاهش می‌دهد و از سخت‌افزاری استفاده می‌کند که مصرف‌کنندگان قبلاً خریداری کرده و به شبکه متصل کرده‌اند.[1]

برای درک نحوه عملکرد این شبکه توزیع‌شده، باید به معماری خودروهای برقی مدرن نگاه کرد. خودروهای برقی امروزی به طور فزاینده‌ای به عنوان «کامپیوترهای روی چرخ» طراحی می‌شوند که مجهز به واحدهای پردازش عصبی (NPU) قدرتمند و سیلیکون پیشرفته‌ای هستند که برای مدیریت الگوریتم‌های پیچیده رانندگی خودران و ترکیب حسگرهای بلادرنگ طراحی شده‌اند. هنگامی که خودرو پارک است، این سیلیکون گران‌قیمت کاملاً خاموش می‌ماند. استفاده مجدد از این سخت‌افزار برای وظایف هوش مصنوعی صرفاً نیازمند یک لایه نرم‌افزاری امن است که قادر به مسیریابی داده‌ها به خودرو، پردازش محلی آن‌ها و بازگرداندن نتایج به شبکه گسترده‌تر باشد.[4]

در عین حال، صنعت هوش مصنوعی به شدت به محاسبات استنتاجی (Inference Compute) نیاز دارد—قدرت پردازشی لازم برای اجرای مدل‌های هوش مصنوعی هنگامی که کاربران فعالانه از آن‌ها پرس‌وجو می‌کنند. در حالی که آموزش یک مدل بنیادی عظیم هوش مصنوعی نیازمند خوشه‌های متمرکز و با اتصال محکم از پردازنده‌های گرافیکی (GPU) برای به حداقل رساندن تأخیر است، وظایف استنتاجی می‌توانند به شدت غیرمتمرکز باشند. تولید پاسخ به درخواست کاربر یا پردازش یک جریان داده محلی نیازی به یک ابرکامپیوتر یکپارچه ندارد؛ بلکه صرفاً نیازمند سیلیکون در دسترسی است که قادر به اجرای پارامترهای مدل باشد. با سوق دادن این وظایف استنتاجی به خودروهای برقی پارک شده، شرکت‌های هوش مصنوعی می‌توانند به مخزن عظیمی از قدرت پردازشی استفاده نشده دسترسی پیدا کنند و مراکز داده متمرکز را برای وظایف آموزشی فشرده‌تر آزاد سازند.[5]

ناوگانی متشکل از میلیون‌ها خودروی شبکه‌شده می‌تواند به لحاظ نظری میلیاردها پرس‌وجوی هوش مصنوعی را به طور همزمان مدیریت کند و به عنوان یک ابرکامپیوتر غیرمتمرکز عمل کند که به طور ارگانیک با فروش خودروها مقیاس می‌یابد. از آنجایی که سخت‌افزار در میلیون‌ها نقطه پایانی توزیع شده است، این شبکه در برابر قطعی‌های برق محلی یا خرابی‌های سخت‌افزاری نیز بسیار مقاوم خواهد بود. اگر یک خودرو از شبکه قطع شود یا دور شود، نرم‌افزار به سادگی وظیفه را به یک خودروی پارک شده دیگر در شبکه هدایت می‌کند و از زمان کارکرد مداوم برای برنامه‌های هوش مصنوعی که به این زیرساخت متکی هستند، اطمینان حاصل می‌کند.[2]

اما محاسبات تنها نیمی از معادله است؛ نیمه دیگر انرژی است. رشد هوش مصنوعی به طور فزاینده‌ای توسط زیرساخت‌های برق محدود می‌شود، به طوری که مراکز داده مدرن هوش مصنوعی به ظرفیت اوج پایداری نیاز دارند که شبکه‌های برق معمولی برای تأمین آن دچار مشکل هستند. شرکت‌های برق در مورد کمبود شدید برق هشدار می‌دهند، زیرا غول‌های فناوری برای ساخت تأسیسات در مقیاس گیگاوات با یکدیگر رقابت می‌کنند، که این امر جستجوی ناامیدانه‌ای را برای راه‌حل‌های انرژی جایگزین که شبکه‌های محلی را بی‌ثبات نکنند یا نیازمند دهه‌ها ساخت خطوط انتقال جدید نباشند، برانگیخته است. رهبری کتل تشخیص می‌دهد که تنگنای نهایی برای هوش مصنوعی، نه در دسترس بودن سیلیکون، بلکه در دسترس بودن برق قابل اعتماد و مقیاس‌پذیر است.[6]

اینجاست که جزء اصلی خودروی برقی – بسته باتری عظیم لیتیوم یونی – به یک دارایی استراتژیک تبدیل می‌شود. یک خودروی برقی می‌تواند در ساعات غیر اوج مصرف، زمانی که برق ارزان و فراوان است، از شبکه برق بگیرد، آن را به صورت محلی ذخیره کند و سپس از آن انرژی ذخیره‌شده برای تأمین انرژی تراشه‌های هوش مصنوعی داخلی خود برای وظایف محاسباتی استفاده کند. از آنجایی که خودرو برای اجرای پردازنده‌ها به باتری خود متکی است، در ساعات اوج تقاضا فشار اضافی بر شبکه وارد نمی‌کند و عملاً وظیفه محاسباتی هوش مصنوعی را از تولید برق بلادرنگ جدا می‌کند.[1]

این معماری به طرز هوشمندانه‌ای تنگناهای شبکه را که در حال حاضر ساخت مراکز داده سنتی را به تأخیر می‌اندازند، دور می‌زند. به جای نیاز به یک نیروگاه جدید عظیم برای پشتیبانی از یک مزرعه سرور متمرکز، مصرف انرژی در میلیون‌ها نقطه شارژ مسکونی و تجاری توزیع می‌شود. خودروها به عنوان یک بافر عمل می‌کنند، انرژی تجدیدپذیر اضافی را زمانی که خورشید می‌تابد یا باد می‌وزد جذب می‌کنند و آن انرژی ذخیره‌شده را به توکن‌های ارزشمند هوش مصنوعی تبدیل می‌کنند، بدون اینکه نیازی به تأسیسات ذخیره‌سازی باتری مستقل و اختصاصی باشد. این یک رابطه همزیستی است که کاربردپذیری هم شبکه برق و هم سخت‌افزار خودرو را به حداکثر می‌رساند.[6]

دیدگاه زنگ کاملاً با چرخش استراتژیک گسترده‌تر کتل مطابقت دارد. این شرکت که در حال حاضر تقریباً ۴۰ درصد از بازار جهانی باتری خودروهای برقی را کنترل می‌کند، به طور تهاجمی خود را به عنوان لایه انرژی بنیادی برای عصر هوش مصنوعی معرفی می‌کند. کتل با درک اینکه مرحله رشد انفجاری پذیرش خودروهای برقی در حال بلوغ است، به دنبال راه‌های جدیدی برای گسترش است و فناوری باتری خود را مستقیماً در زیرساخت‌های دیجیتالی که اقتصاد مدرن را تأمین می‌کنند، ادغام می‌کند. کتل با چارچوب‌بندی ناوگان خودروهای برقی به عنوان امتداد مرکز داده، تضمین می‌کند که محصول اصلی آن برای موج بعدی نوآوری‌های فناوری ضروری باقی بماند.[3]

طی چند ماه گذشته، کتل مجموعه‌ای از سرمایه‌گذاری‌های هدفمند و برجسته را در سراسر پشته انرژی هوش مصنوعی انجام داده است تا این دیدگاه را به واقعیت تبدیل کند. این غول باتری‌سازی یک سهام غیرمستقیم ۶۰۰ میلیون دلاری در ژونگ‌هنگ الکتریک (Zhongheng Electric)، تأمین‌کننده اصلی سیستم‌های برق جریان مستقیم ولتاژ بالا برای مراکز داده هوش مصنوعی، به دست آورد. اندکی پس از آن، یک صندوق وابسته به کتل تقریباً ۱ میلیارد دلار برای خرید سهام عمده در گروه VNET، یک اپراتور برجسته مرکز داده چینی که در نزدک فهرست شده است، متعهد شد و یک مشتری ثابت برای راه‌حل‌های ذخیره‌سازی انرژی خود تضمین کرد. این اقدامات نشان‌دهنده قصد روشنی برای کنترل زیرساخت‌های حیاتی است که شکاف بین تولید برق و محاسبات دیجیتال را پر می‌کند.[3]

مهم‌تر از همه، کتل اخیراً در یک دور تأمین مالی عظیم ۷.۴ میلیارد دلاری برای دیپ‌سیک (DeepSeek)، یکی از مهم‌ترین آزمایشگاه‌های هوش مصنوعی چین، شرکت کرد. این رویکرد یکپارچه عمودی – تضمین تجهیزات تبدیل برق، عملیات مرکز داده و خود وظایف هوش مصنوعی – نشان می‌دهد که کتل محاسبات و ذخیره‌سازی انرژی را به عنوان یک بازار واحد و یکپارچه می‌بیند. کتل با همسویی با یک توسعه‌دهنده بزرگ هوش مصنوعی، می‌تواند نظریه‌های محاسباتی توزیع‌شده خود را با استفاده از مدل‌های واقعی و مجموعه‌داده‌های عظیم، مستقیماً آزمایش و پیاده‌سازی کند. این یک استراتژی جامع است که برای کسب ارزش در هر مرحله از زنجیره تأمین هوش مصنوعی، از برق خام گرفته تا توکن نهایی تولید شده، طراحی شده است.[1][3]

با وجود جذابیت رویایی مفهوم «کارخانه توکن»، موانع فنی و اقتصادی همچنان بزرگ هستند. هماهنگ‌سازی میلیون‌ها گره توزیع‌شده نیازمند شبکه‌سازی با تأخیر بسیار کم و نرم‌افزار بسیار پیچیده برای توزیع ایمن و کارآمد وظایف است. حفظ حریم خصوصی داده‌ها نیز یک نگرانی عمده است؛ مصرف‌کنندگان باید اعتماد کنند که وظایف هوش مصنوعی که روی سخت‌افزار خودروی آن‌ها پردازش می‌شوند، نمی‌توانند به داده‌های شخصی، سابقه موقعیت مکانی یا سیستم‌های ایمنی حیاتی خودرو دسترسی پیدا کنند. ساختن یک محیط امن و ایزوله (sandboxed) برای این عملیات یک چالش مهندسی نرم‌افزار عظیم است که نیازمند همکاری بی‌سابقه‌ای بین خودروسازان، تأمین‌کنندگان باتری و کارشناسان امنیت سایبری خواهد بود.[4]

همچنین سؤال حیاتی فرسایش باتری مطرح است. اجرای وظایف محاسباتی فشرده، گرمای قابل توجهی تولید می‌کند و به طور مداوم باتری را چرخه می‌دهد، که به طور بالقوه طول عمر کلی منبع اصلی انرژی خودرو را کاهش می‌دهد. خودروسازان و تولیدکنندگان باتری باید به طور قطعی ثابت کنند که این استفاده ثانویه، گارانتی‌ها را باطل نمی‌کند، تجربه رانندگی را کاهش نمی‌دهد یا برد خودرو را زمانی که مالک واقعاً به آن نیاز دارد، به خطر نمی‌اندازد. سیستم‌های مدیریت حرارتی پیشرفته برای اطمینان از اینکه سخت‌افزار می‌تواند استرس پایدار پردازش هوش مصنوعی را بدون تسریع فرسایش شیمیایی سلول‌های لیتیوم یونی تحمل کند، ضروری خواهند بود.[5]

در نهایت، مدل اقتصادی برای مصرف‌کننده کاملاً تعریف نشده باقی مانده است. مالکان خودرو باید برای اجاره قدرت محاسباتی خودروی خود و تحمل فرسایش باتری مرتبط، غرامت مالی دریافت کنند. این می‌تواند به شکل ریزتراکنش‌هایی باشد که با ارز دیجیتال پرداخت می‌شود، نرخ‌های شارژ یارانه‌ای یا تخفیف‌های قابل توجه در قیمت خرید اولیه خودرو. برای مقیاس‌پذیری سیستم، انگیزه‌های مالی باید به اندازه‌ای قانع‌کننده باشند که میلیون‌ها راننده را متقاعد کنند که به شبکه بپیوندند و هر زمان که پارک هستند، خودروهای خود را به برق وصل نگه دارند. بدون یک مکانیسم جبران شفاف و بدون اصطکاک، ابرکامپیوتر توزیع‌شده هرگز محقق نخواهد شد.[1]

اگر بتوان بر این چالش‌ها غلبه کرد، پیامدها بسیار فراتر از مرزهای چین خواهد بود. همگرایی فناوری خودرو به شبکه (V2G) و محاسبات توزیع‌شده می‌تواند اساساً اقتصاد هر دو صنعت خودروسازی و هوش مصنوعی را بازنویسی کند. با تبدیل دارایی‌های مصرفی در حال استهلاک به زیرساخت‌های درآمدزا، گذار به خودروهای برقی می‌تواند به طور چشمگیری تسریع شود، که توسط تقاضای سیری‌ناپذیر برای قدرت پردازش هوش مصنوعی یارانه‌دهی می‌شود. ارزش خودروی آینده ممکن است نه تنها بر اساس سرعت رانندگی آن، بلکه بر اساس تعداد توکن‌هایی که می‌تواند در حالت کاملاً ثابت تولید کند، سنجیده شود و عصر جدیدی از زیرساخت‌های دیجیتال غیرمتمرکز را رقم بزند.[4][6]