شرکت‌ها هنوز هوش مصنوعی می‌خواهند، اما حسابگرتر شده‌اند

بازار هوش مصنوعی این روزها شبیه شهری است که همه درباره احتمال ترکیدن حباب حرف می‌زنند، اما در خیابان‌های اصلی‌اش هنوز کامیون‌های مصالح، جرثقیل‌ها و کارگران شبانه‌روز مشغول ساخت‌وسازند. نوسان سهام شرکت‌های تراشه و دیتاسنتر باعث شده بعضی سرمایه‌گذاران بپرسند آیا تب زیرساخت هوش مصنوعی در حال سرد شدن است یا نه. اما مدیرانی که CNBC با آن‌ها صحبت کرده، تصویر متفاوتی می‌دهند: تقاضا هنوز بسیار قوی است؛ فقط شرکت‌ها حسابگرتر شده‌اند.

پت گلسینگر (Pat Gelsinger)، مدیرعامل سابق اینتل و شریک فعلی Playground Global، تقاضای هوش مصنوعی را «تقریباً نامحدود» توصیف کرده و گفته محدودیت واقعی، انرژی است. منطق او ساده است: اگر هوش بیشتر بتواند در تقریباً هر صنعت ارزش اقتصادی بسازد، میل به خرید آن هم تمام نمی‌شود. اما این جمله یک نیمه پنهان هم دارد؛ هوش مصنوعی فقط نرم‌افزار داخل لپ‌تاپ نیست، بلکه کارخانه‌ای عظیم از برق، تراشه، شبکه، دیتاسنتر و خنک‌سازی پشت آن ایستاده است.

بخشی از تردید بازار از خبرهایی آمد که ظاهراً بوی ظرفیت اضافه می‌داد. متا اعلام کرد بخشی از ظرفیت پردازشی اضافه هوش مصنوعی خود را می‌فروشد و xAI متعلق به ایلان ماسک هم امسال ظرفیت اضافه‌اش را اجاره داده است. برای بعضی‌ها این سؤال پیش آمد که شاید غول‌ها بیش از حد دیتاسنتر ساخته‌اند. اما مدیران صنعت این نمونه‌ها را بیشتر موردهای خاص می‌دانند تا نشانه یک مشکل سراسری. مارک بورودیتسکی (Marc Boroditsky)، مدیر درآمد Nebius، گفته تقاضا «فوق‌العاده» است و آن‌ها بسیار بیشتر از چیزی که بتوانند پاسخ دهند، تقاضا می‌بینند.

اندرو فلدمن (Andrew Feldman)، مدیرعامل Cerebras Systems، هم همین تصویر را تأیید می‌کند: از نگاه او، در کل صنعت، تقاضا برای توان پردازشی بسیار بیشتر از ظرفیت موجود است و کمبود دیتاسنتر و ورودی‌های لازم برای محاسبات همچنان جدی است. استارتاپ کره‌ای Rebellions، که سامسونگ و SK Hynix از آن حمایت می‌کنند، هم از شتاب قوی زیرساخت AI حرف زده است. در سوی دیگر زنجیره، Lumentum که محصولات فوتونیک و نوری برای اتصال دیتاسنتر می‌فروشد، می‌گوید محصولاتش برای ۵ سال آینده فروخته شده‌اند. رشد حدود ۶۰۰٪ سهام این شرکت در ۱۲ ماه گذشته نشان می‌دهد سرمایه‌گذاران دقیقاً دنبال همین گلوگاه‌ها هستند.

اما داستان فقط «تقاضای بیشتر» نیست. در سمت شرکت‌های مصرف‌کننده، فضا از هیجان خام فاصله گرفته است. مدتی بسیاری از سازمان‌ها در حالت «توکن‌مکسینگ» بودند؛ یعنی کارمندان را تشویق می‌کردند تا هرچه بیشتر از ابزارهای هوش مصنوعی استفاده کنند، بدون اینکه همیشه نتیجه دقیقاً سنجیده شود. این ابزارها معمولاً از آزمایشگاه‌های پیشرو مثل OpenAI و آنتروپیک (Anthropic) می‌آمدند و هزینه‌شان نسبت به برخی مدل‌های متن‌باز مانند DeepSeek یا مدل‌های علی‌بابا بالاتر بود. حالا مدیران مالی آرام‌آرام می‌پرسند: این مصرف دقیقاً چه بازگشتی دارد؟

اینجاست که مفهوم «ارزش‌مکسینگ» وارد می‌شود؛ یعنی به جای مصرف بیشتر، ارزش بیشتر. بورودیتسکی می‌گوید اگر سازمان از مصرف هوش مصنوعی بازگشت سرمایه نمی‌بیند، مدیر مالی حق دارد خرج را کندتر کند و دنبال ارزش واقعی بگردد. فلدمن از Cerebras هم مثال ساده‌ای می‌زند: لازم نیست برای رفتن به سوپرمارکت از یک اتوبوس غول‌پیکر استفاده کنید. در آینده، مدل‌های پیشرفته و گران برای مسائل پیچیده‌تر به کار می‌روند و کارهای ساده‌تر به مدل‌های کوچک‌تر یا گزینه‌های ارزان‌تر سپرده می‌شوند. پس موج AI تمام نشده؛ فقط از مرحله «هرچه بزرگ‌تر، بهتر» به مرحله «هر کار، ابزار مناسب خودش» رسیده است.