صنعت هوش مصنوعی در پاییز ۱۴۰۵ با یک چالش ساختاری مواجه شده است. ظهور مدل‌های زبانی متن‌باز (Open-weight) و پیشرفت خیره‌کننده مدل‌های چینی، هزینه‌های استنتاج (Inference) را به شدت کاهش داده و این پرسش حیاتی را برای غول‌های فناوری مطرح کرده است: آیا سرمایه‌گذاری تریلیون دلاری بر روی دیتاسنترها با مدل کسب‌وکار فعلی، بازگشت سرمایه‌ای خواهد داشت؟
سقوط قیمت توکن و چالش درآمدهای آینده
تحلیل‌های اخیر موسسه مالی Jefferies نشان می‌دهد که اکوسیستم هوش مصنوعی در آستانه یک «بازنشانی» (Reset) بزرگ قرار دارد. در حالی که شرکت‌هایی نظیر مایکروسافت، آمازون، گوگل و اوراکل میلیاردها دلار صرف توسعه زیرساخت‌های دیتاسنتر کرده‌اند، بخش عمده‌ای از تعهدات این زیرساخت‌ها در اختیار شرکت‌های بزرگ مدل‌ساز مانند OpenAI و Anthropic است. با این حال، ورود رقبای جدید چینی نظیر مدل Moonshot AI و مدل Kimi K3 که عملکردی در سطح مدل‌های پیشرو مانند Claude Fable 5 ارائه می‌دهند، بازار را با موجی از توکن‌های ارزان قیمت مواجه کرده است.
شواهد آماری: چرا بازار در حال تغییر است؟
داده‌های تجمیع‌کننده OpenRouter گویای یک تغییر پارادایم است. در هفته منتهی به مهر ۱۴۰۵، مدل‌های چینی بیش از ۷۶ تریلیون توکن را پردازش کرده‌اند، در حالی که این رقم برای چهار ارائه‌دهنده بزرگ آمریکایی تنها ۱۴.۲ تریلیون توکن بوده است. این اختلاف فاحش نشان می‌دهد که نرخ استفاده از مدل‌های متن‌باز و مدل‌های ارزان‌قیمت، به سرعت در حال پیشی گرفتن از پلتفرم‌های انحصاری است. این کاهش قیمت توکن، تداوم سودآوری شرکت‌های مدل‌ساز و به تبع آن، بقای مدل درآمدی «پردازش ابری برای هوش مصنوعی» را زیر سوال برده است.
شاخص‌های کلیدی اقتصاد AI در سال ۱۴۰۵
- سرمایه‌گذاری در دیتاسنتر: ۶۰۰ تا ۸۰۰ میلیارد دلار در سال ۱۴۰۵.
- شکاف درآمدی تا سال ۱۴۱۰: نیاز به ۶ تریلیون دلار درآمد سالانه برای توجیه زیرساخت‌ها؛ با وجود شکاف ۲.۷ تریلیون دلاری در حوزه‌های نوظهور.
- سهم درآمدهای غیرعملیاتی: تمام افزایش ۲۲۲ میلیارد دلاری سود چهار غول ابری در سال اخیر، از محل درآمدهای غیرعملیاتی (سرمایه‌گذاری‌ها) بوده است، نه عملیات اصلی پردازش.
آیا حباب زیرساختی در حال ترکیدن است؟
گزارش Bain & Company بر این نکته تأکید دارد که برای توجیه هزینه‌های سرسام‌آور ساخت دیتاسنتر، هوش مصنوعی باید از کاربردهای محدود فعلی (مانند افزایش بهره‌وری کارمندان) فراتر رود. واقعیت این است که حتی با فرض خوش‌بینانه ورود به بازارهای جدید مانند خودروهای خودران و شبیه‌سازی‌های صنعتی، باز هم حدود ۲.۷ تریلیون دلار شکاف درآمدی باقی می‌ماند که نیاز به ابداعاتی دارد که هنوز در دنیای فناوری متولد نشده‌اند.
نتیجه‌گیری برای متخصصان
سردبیران فنی SilverSky Tech معتقدند که ما در حال گذر از دوران «توسعه بی‌حدوحصر» به دوران «بهینه‌سازی منابع» هستیم. وابستگی شدید ابرهای عمومی به مدل‌های خاص (Model Builders)، ریسک تمرکز را افزایش داده است. با ظهور مدل‌های متن‌باز با کارایی بالا، احتمال اینکه مشتریان سازمانی به سمت اجرای مدل‌ها بر روی زیرساخت‌های اختصاصی (On-premise) یا ابرهای خصوصی‌تر با هزینه‌ی بهینه حرکت کنند، بسیار بالاست. این یعنی «بازنشانی» نه یک تهدید، بلکه یک اصلاح ساختاری برای بلوغ بازار فناوری است.
