«تراشه‌تورم» ناشی از هوش مصنوعی زنجیره تأمین فناوری را تهدید می‌کند؛ قیمت تراشه‌های حافظه سر به فلک کشید

تصور رایج در مورد رونق هوش مصنوعی این است که این پدیده عمدتاً یک بحران محاسباتی است—رقابتی برای تأمین واحدهای پردازش گرافیکی کافی برای آموزش مدل‌های بزرگ‌تر. اما گلوگاه واقعی که زنجیره تأمین فناوری جهانی را در سال ۲۰۲۶ خفه کرده، محاسبات نیست، بلکه حافظه است.

با گسترش مقیاس زیرساخت‌های هوش مصنوعی، محدودیت‌های فیزیکی ذخیره‌سازی داده‌ها، صنعت نیمه‌رسانا را مجبور به یک بازآرایی ساختاری کرده است. این بحران خاموش، طراحی مراکز داده آینده را دیکته می‌کند و اساساً اقتصاد لوازم الکترونیکی مصرفی را بازنویسی می‌کند، و ثابت می‌کند که هزینه واقعی هوش، با گیگابایت سنجیده می‌شود.[7]

این پدیده که تحلیلگران صنعت آن را «تراشه‌تورم» (Chipflation) نامیده‌اند، در حال گسترش در اقتصاد جهانی است. در حالی که شرکت‌های بزرگ فناوری (هایپراسکالرها) تریلیون‌ها دلار به مراکز داده هوش مصنوعی تزریق می‌کنند، تولیدکنندگان حافظه به شدت در حال تخصیص مجدد ظرفیت تولید خود هستند.

آنها از حافظه دسترسی تصادفی دینامیک معمولی (DRAM) که در لپ‌تاپ‌ها، تلفن‌های هوشمند و سرورهای استاندارد استفاده می‌شود، فاصله گرفته و به سمت حافظه پهنای باند بالا (HBM) که سودآوری بسیار بالایی دارد و توسط شتاب‌دهنده‌های پیشرفته مورد نیاز است، روی آورده‌اند. این تخصیص مجدد یک کشمکش با حاصل جمع صفر ایجاد کرده است که در آن، تقاضاهای فضای ابری مستقیماً بازار لوازم الکترونیکی مصرفی را از قطعات ضروری محروم می‌کند.[1][3]

مکانیسم پشت این تغییر ریشه در واقعیت‌های فیزیکی تولید سیلیکون دارد. سرورهای هوش مصنوعی تقریباً ۸ تا ۱۰ برابر بیشتر از سرورهای سنتی DRAM مصرف می‌کنند، و همچنین سه برابر بیشتر حافظه فلش NAND نیاز دارند. مهم‌تر از آن، تولید حافظه پهنای باند بالا (HBM) بسیار پیچیده‌تر و منابع‌برتر از تولید تراشه‌های حافظه استاندارد است. هر گیگابایت HBM تقریباً سه برابر ظرفیت ویفر خام مورد نیاز برای یک گیگابایت حافظه معمولی DDR5 را مصرف می‌کند، که فشار عظیمی بر منابع تولید جهانی وارد می‌سازد.[4]

از آنجا که ظرفیت ویفر محدود است و ساخت کارخانه‌های جدید سال‌ها طول می‌کشد، این وضعیت یک محدودیت عرضه اجتناب‌ناپذیر ایجاد می‌کند. تولیدکنندگان حافظه تا ۹۰ درصد از ظرفیت پیشرفته خود را به سمت حافظه پهنای باند بالا و حافظه سرور-گرید سوق می‌دهند تا سودهای کلانی را که ارائه‌دهندگان ابری پیشنهاد می‌دهند، به دست آورند.

نتیجه این امر، محرومیت ساختاری بازار گسترده‌تر لوازم الکترونیکی است. تولیدکنندگان با اولویت دادن به محصولات مراکز داده با حاشیه سود بالا، عملاً به دوران حافظه مصرفی ارزان و فراوان پایان داده‌اند و باعث افزایش بی‌سابقه هزینه‌های قطعات در سراسر صنعت شده‌اند.[4]

تأثیر مالی این تخصیص مجدد حیرت‌آور است. در اوایل سال ۲۰۲۶، قیمت‌های قراردادی DRAM معمولی بیش از ۹۰ درصد افزایش یافت، در حالی که قیمت فلش NAND ۶۰ درصد رشد کرد. برای شرکت‌هایی که سرورهای معمولی می‌سازند، گروه Dell'Oro پیش‌بینی می‌کند که میانگین قیمت فروش DRAM سرور در سال جاری به اوج ۱۰ دلار در هر گیگابایت برسد.

این تورم تهدید می‌کند که صدها میلیارد دلار به هزینه‌های زیرساخت جهانی اضافه کند، پیش از آنکه قیمت‌ها در اواخر دهه تعدیل شوند، و اپراتورهای مراکز داده را مجبور می‌کند تا استراتژی‌های هزینه‌های سرمایه‌ای خود را بازنگری کنند.[2]

برای تولیدکنندگان دستگاه‌های مصرفی، محاسبات «تراشه‌تورم» حتی سخت‌تر است. حافظه در طول تاریخ ۱۰ تا ۱۵ درصد از فهرست مواد اولیه (BOM) یک تلفن هوشمند یا لپ‌تاپ را تشکیل می‌داد. امروز، این سهم به بین ۲۰ تا ۴۰ درصد افزایش یافته است.

تولیدکنندگان دستگاه در یک فشار شدید حاشیه سود گرفتار شده‌اند: آنها یا باید هزینه‌های فزاینده قطعات را جذب کرده و سودآوری کمتری را بپذیرند، یا تورم را با افزایش قیمت‌های خرده‌فروشی به مصرف‌کنندگان منتقل کنند، که این امر خطر کاهش تقاضا در بازار جهانی الکترونیک که از قبل شکننده است را به همراه دارد.[3]

در پاسخ به این فشارها، شرکت‌های سخت‌افزاری در تلاشند تا زنجیره‌های تأمین خود را متنوع کرده و قدرت چانه‌زنی خود را بازیابند. گزارش شده است که برخی از تولیدکنندگان بزرگ دستگاه شروع به آزمایش تراشه‌های حافظه از تولیدکنندگان نوظهور چینی کرده‌اند تا تأمین‌کنندگان غالب را دور بزنند.

با این حال، توازن قدرت به قدری قاطعانه به نفع تولیدکنندگان حافظه تغییر کرده است که حتی تولیدکنندگان جایگزین نیز از ارائه تخفیف‌های سنتی خودداری می‌کنند. آنها کمبود مطلق محصول خود را درک کرده و قطعات خود را با نرخ‌های متورم بازار جهانی قیمت‌گذاری می‌کنند.[7]

سیاست‌گذاران ابزارهای محدودی برای رسیدگی به بحران فوری حافظه دارند. در حالی که یارانه‌های مستقیم، اعتبارات مالیاتی و صدور مجوز سریع‌تر می‌توانند از ساخت کارخانه‌های تولید جدید حمایت کنند، این تأسیسات برای تجهیز، تأیید صلاحیت و رسیدن به تولید کامل به سال‌ها زمان نیاز دارند. کنترل‌های صادراتی و تنش‌های ژئوپلیتیکی ماتریس عرضه را پیچیده‌تر می‌کنند، به این معنی که مداخله دولت تنها می‌تواند «تراشه‌تورم» را در حاشیه کاهش دهد. واقعیت فیزیکی تولید نیمه‌رسانا حکم می‌کند که عرضه را نمی‌توان به سادگی برای پاسخگویی به افزایش ناگهانی تقاضا به وجود آورد.[1]

با این حال، مهم‌ترین اختلال در این پویایی ممکن است از نرم‌افزار ناشی شود تا سخت‌افزار. در اوایل سال ۲۰۲۶، «گوگل ریسرچ» (Google Research) الگوریتم فشرده‌سازی برداری به نام «توربوکوانت» (TurboQuant) را معرفی کرد که برای رفع گلوگاه حافظه در طول استنتاج هوش مصنوعی طراحی شده است.

توربوکوانت که در کنفرانس ICLR ۲۰۲۶ ارائه شد، مستقیماً حافظه نهان کلید-مقدار (Key-Value cache)—حافظه موقتی که هوش مصنوعی برای به خاطر سپردن زمینه (Context) از آن استفاده می‌کند—را هدف قرار می‌دهد و آن را با ضریب ۶ فشرده می‌کند، در حالی که دقت تقریباً صفر کاهش می‌یابد.[5]

با کوانتیزه کردن داده‌های ۱۶ بیتی به تقریباً ۳ بیت با استفاده از چرخش‌های ریاضی پیشرفته، توربوکوانت عملاً به یک واحد پردازش گرافیکی اجازه می‌دهد تا پنجره‌های متنی بسیار طولانی‌تری را مدیریت کند یا به کاربران همزمان بیشتری خدمات دهد، بدون نیاز به سخت‌افزار حافظه اضافی. هنگامی که این تحقیق منتشر شد، سهام تراشه‌های حافظه به طور خلاصه سقوط کرد زیرا سرمایه‌گذاران وحشت کردند. واکنش غریزی بازار این بود که کاهش شش برابری نیازهای حافظه، تقاضای سخت‌افزار را از بین برده و ابرچرخه نیمه‌رساناها را فرو خواهد پاشید.[5][6]

اما اقتصاددانان و تحلیلگران زیرساخت استدلال می‌کنند که این وحشت، ماهیت کارایی فناوری را به طور اساسی اشتباه درک می‌کند. آنها به «پارادوکس جونز» (Jevons Paradox) اشاره می‌کنند—یک مشاهده اقتصادی قرن نوزدهمی که بیان می‌کند کارآمدتر کردن استفاده از یک منبع، در واقع مصرف کلی آن را افزایش می‌دهد، زیرا ارزان‌تر و در دسترس‌تر می‌شود. همانطور که موتورهای بخار کارآمدتر منجر به انفجار مصرف زغال سنگ شدند، انتظار می‌رود مدل‌های هوش مصنوعی کارآمدتر نیز باعث گسترش عظیم در کل مصرف محاسباتی شوند.[6]

اگر پیشرفت‌های نرم‌افزاری مانند توربوکوانت هزینه استنتاج یک پرس‌وجو را به یک ششم سطح فعلی آن کاهش دهند، کاربردهایی را فعال می‌کنند که قبلاً از نظر اقتصادی غیرقابل توجیه بودند. تحلیل عمیق اسناد، عوامل دیجیتال پایدار، و پردازش پیچیده روی دستگاه، ناگهان مقرون به صرفه می‌شوند. با کاهش هزینه نهایی، توسعه‌دهندگان هوش مصنوعی را در سناریوهای بسیار بیشتری به کار می‌گیرند، که در نهایت باعث انفجار تقاضای محاسباتی جهانی می‌شود که برای پشتیبانی از آن به زیرساخت حافظه بیشتری نیاز خواهد بود.[1][6]

آنچه ناشناخته باقی می‌ماند این است که آیا زیرساخت فیزیکی می‌تواند به اندازه کافی سریع ساخته شود تا تقاضایی را که کارایی نرم‌افزار ایجاد می‌کند، برآورده سازد. تا زمانی که ظرفیت تولید جدید در سال ۲۰۲۸ یا پس از آن آنلاین شود، بخش فناوری در یک تعادل ظریف بین محدودیت‌های سخت‌افزاری و نوآوری نرم‌افزاری گرفتار خواهد ماند. حافظه دیگر به عنوان یک کالای ارزان و فراوان تلقی نخواهد شد، بلکه به عنوان یک محدودیت استراتژیک شناخته می‌شود که سرعت، هزینه و دسترسی به انقلاب هوش مصنوعی را دیکته می‌کند.[7]