9 دقیقه
گلدمن ساکس میگوید هیجان پیرامون هوش مصنوعی یک حباب سفته‌بازی نیست — بلکه پرده‌ی آغاز است. در گزارشی تازه، این بانک سرمایهگذاری استدلال میکند که هزینههای فعلی مرتبط با هوش مصنوعی در برابر پتانسیل بلندمدت این فناوری ناچیز است و پیش‌بینی میکند سرمایهگذاری در سال‌های پیش رو به‌طور چشمگیری افزایش یابد.
چرا گلدمن معتقد است داستان هوش مصنوعی هنوز تمام نشده است
تحلیل‌گران گلدمن برآورد می‌کنند سرمایهگذاریهای مرتبط با هوش مصنوعی در ایالات متحده امروز کمتر از یک درصد از تولید ناخالص داخلی را شامل می‌شوند؛ رقمی که به‌خاطر سابقهٔ دوره‌های تحولآفرین قبلی بسیار پایین است — در دوران ریلی‌سازی، برق‌رسانی و ظهور اینترنت، سرمایهگذاریها در اوج خود معمولاً بین ۲ تا ۵ درصد تولید ناخالص داخلی بودند. به‌گفتهٔ گلدمن، این شکاف نشان‌دهندهٔ فضای گسترده‌ای برای تخصیص سرمایهٔ بیشتر است و می‌تواند مسیر رشد سرمایهگذاری را باز نگه دارد.
گزارش دو محرک اصلی را پشت خوش‌بینی بانک برجسته میکند. نخست، پیاده‌سازی‌های اولیهٔ هوش مصنوعی هم‌اکنون در بخش‌های پایدارِ اقتصاد نتایج قابلاندازهگیری در بهرهوری ایجاد کرده‌اند: از خودکارسازی خدمات مشتری و پردازش زبان طبیعی در پشتیبانی مشتری گرفته تا بهینه‌سازی فرایندها در خدمات مالی و تولید. دوم، این بهبودها بر پایهٔ زیرساخت محاسباتی در مقیاس بزرگ استوارند — شامل چیپ‌ها، سرورها و مراکز داده — که هزینههای فعلی را توجیه میکند و نشان می‌دهد با گسترش استقرارها، سرمایهگذاریهای پسینی محتمل هستند.
علاوه بر این، گلدمن به نقش شبکه‌های تأمین، زنجیرهٔ ارزش و استانداردهای نرم‌افزاری اشاره میکند: ابزارهای توسعه، چارچوب‌های مدل‌سازی و راهکارهای مدیریت داده که همراه با سختافزار رشد می‌یابند، باعث می‌شوند سرمایهگذاریها بیش از یک هزینهٔ یک‌باره باشند و به تدریج به دارایی‌های عملیاتی و سودآور تبدیل شوند. این ترکیبِ نرم‌افزار، سختافزار و داده است که می‌تواند مسیر رشد بلندمدت هوش مصنوعی را ممکن سازد.
هوش مصنوعی تا چه حد می‌تواند بزرگ شود؟
گلدمن ساکس برآورد جسورانه‌ای مطرح میکند: هوش مصنوعی مولد (generative AI) می‌تواند تا ۲۰ تریلیون دلار به اقتصاد ایالات متحده بیفزاید، که حدود ۸ تریلیون دلار از این مقدار به‌عنوان درآمد سرمایه‌ای (capital income) به کسبوکارها می‌رسد. این عددها نمایانگر تأثیر بالقوهٔ عمیق روی تولید ناخالص داخلی، سودآوری شرکت‌ها و ساختار درآمدها هستند.
بانک همچنین پیش‌بینی کرده که بهرهوری نیروی کار می‌تواند در حدود ۱۵ درصد طی دههٔ آینده افزایش یابد اگر ابزارهای هوش مصنوعی به‌طور گسترده پذیرفته شوند. در عمل، معنی این پیش‌بینی چنین است: کارهای دانش‌بنیاد روزمره می‌توانند ۱۰ تا ۲۰ درصد کارآمدتر شوند — و این بهبودها با ترکیب در زنجیرهٔ ارزش شرکت‌ها و صنایع، به‌سرعت و به‌صورت مرکب رشد می‌کنند. به‌عنوان مثال، اتوماسیون اسناد حقوقی، کدنویسی با کمک مدلها، شناسایی الگوها در داده‌های بالینی و افزایش سرعت پژوهش و توسعه همگی می‌توانند بازده سرمایه و زمان چرخهٔ محصولات را به‌طور قابل‌توجهی کاهش دهند.
برای درک بهتر مقیاس، در نظر بگیرید که افزایش بهرهوری ۱۵ درصدی در بخش‌هایی مانند خدمات مالی، سلامت و فناوری اطلاعات چگونه می‌تواند هزینههای عملیاتی را پایین آورد و سود عملیاتی را بالا ببرد. همچنین افزایشی در درآمدهای ناشی از محصولات و خدمات جدید مبتنی بر هوش مصنوعی محتمل است — خدمات شخصی‌سازی شده، تحلیل‌های پیش‌بینی و اتوماسیون پیچیده می‌توانند بازارهای تازه‌ای ایجاد کنند.
همه سرمایهگذاران پیروز نخواهند شد — تاریخ هشدار می‌دهد
گزارش خطرات را نادیده نمی‌گیرد. گلدمن به الگویی تکرارشونده در چرخه‌های زیرساختی گذشته اشاره میکند: بازیگران اولیهٔ بازار اغلب هزینههای سنگین ساخت‌و‌ساز را بر دوش می‌گیرند اما در نهایت رقبا یا ورودی‌های بعدی از مزایا بهره‌مند می‌شوند. سیستم‌های گران و سفارشی‌شده می‌توانند سریعاً منسوخ شوند یا در فرآیند ادغام و استانداردسازی حذف گردند.
در حوزهٔ هوش مصنوعی، استهلاک سریع سختافزار و شتاب در بهبود مدلها این امکان را افزایش می‌دهد که هزینه‌کنندگان سنگین اولیه همیشه برندهٔ بلندمدت نباشند. به‌عنوان نمونه، سرمایهگذاری بزرگ روی نسل فعلی GPUها ممکن است با تغییر سریع معماری‌ها (TPU، NPU، شتابدهندههای سفارشی) یا بهبودهای نرم‌افزاری در بهینگی استنتاج، به سرعت ارزش خود را از دست بدهد.
این به‌معنای آن است که شرکت‌هایی که امروز به‌طور تهاجمی روی چیپ و سرور سرمایهگذاری می‌کنند ممکن است توسط رقبای چابک‌تر یا ارائهدهندگان ابری که زیرساخت‌ها را استاندارد و کالایی می‌کنند، مختل شوند. بنابراین هزینهٔ سنگین لازم است ولی تضمین‌کنندهٔ رهبری بازار نیست. مدیریت ریسک شامل انعطاف‌پذیری فنی، قراردادهای مقیاسپذیر با فروشندگان ابر، استفاده از معماریهای ماژولار و سرمایهگذاری در نیروی کار و فرآیندها (MLOps، مهندسی داده) است.
هزینه‌ها با کاهش قیمت سختافزار باید عادی شود
با وجود این هشدارها، گلدمن انتظار دارد فضای کلی برای سرمایهگذاری در هوش مصنوعی تا حدی مساعد بماند. بانک پیش‌بینی کرده که هزینههای مرتبط با هوش مصنوعی می‌تواند تا ۳۰۰ میلیارد دلار تا سال ۲۰۲5 برسد، زیرا شرکت‌ها پذیرش را افزایش می‌دهند و سودهای بهرهوری انباشته می‌شوند. این رقم شامل سرمایهگذاری در زیرساخت محاسباتی، ذخیره‌سازی داده، توسعهٔ مدلها و خدمات ابری می‌شود.
با گذر زمان، صنعت باید از فاز فشردهٔ ساخت زیرساخت فراتر رود و کاهش قیمت سختافزار (مانند GPUها و شتابدهندههای تخصصی) به تثبیت الگوهای هزینه کمک خواهد کرد. عرضهٔ سختافزار دست دوم، بازار معاملات سریع تجهیزات و بهبود کارایی مدلها در استنتاج نیز فشار نزولی بر هزینه‌ها وارد می‌کنند. ترکیب این عوامل به کاهش هزینهٔ هر واحد محاسباتی و در نتیجه کاهش هزینهٔ کل استقرارها منجر خواهد شد.
علاوه بر این، رشد خدمات مدیریتی و پلتفرم‌های SaaS مبتنی بر هوش مصنوعی می‌تواند نیاز به مالکیت مستقیم سختافزار را کاهش دهد؛ شرکت‌ها به‌جای سرمایهگذاری سنگین یک‌باره، به‌تدریج توانایی پرداخت به‌صورت مصرفی (pay-as-you-go) یا اشتراکی خواهند داشت که ریسک‌های سرمایه‌ای را کمتر میکند.
آنچه باید دنبال کنید: مدلها، چیپ‌ها و رقابت
- تحول مدلها: مدل‌های سریع‌تر و بهتر موازنهٔ ارزش را تغییر می‌دهند — چه کسی ارزش را می‌رباید و با چه سرعتی. مدل‌های بهینه‌تر از نظر پارامتر، معماریهای سبکتر و تکنیک‌های فشرده‌سازی (quantization, pruning) می‌توانند هزینهٔ استنتاج را به طرز چشمگیری کاهش دهند.
- چرخهٔ سختافزار: کاهش قیمت GPUها و شتابدهندههای تخصصی اقتصاد کاربران را تغییر خواهد داد. همچنین رقابت میان سازندگان چیپ (NVIDIA، AMD، Intel و شرکت‌های تخصصی مانند Graphcore یا Habana) و ورود شتابدهندههای اختصاصی توسط ابرپروایدرها می‌تواند دینامیک بازار را دگرگون کند.
- همگرایی بازار: ارائهدهندگان ابری و پلتفرم‌های بزرگ ممکن است سرمایهگذاریهای اولیه را تجمیع کنند، مشابه امواج فناوری گذشته. ادغام خدمات، استانداردسازی APIها و عرضهٔ راهکارهای مدیریت مدل می‌تواند به تمرکز قدرت بازاری منجر شود.
عرضه‌های اخیر محصول نشان می‌دهند که چشم‌انداز با چه سرعتی در حال تحول است. گوگل مدل Gemini 2.5 Computer Use را منتشر کرد، با قابلیت‌های مرور وب طبیعی‌تر و تعاملات بلادرنگ پیشرفته‌تر. علی‌بابا نیز یک مدل عظیم با حدود ۱ تریلیون پارامتر را رونمایی کرده تا در مقیاس و عملکرد با ChatGPT و Google Gemini رقابت کند. این تحولات هم جنبش نوآوری و هم مسابقهٔ تسلیحاتی در محاسبات و مقیاس مدل را نشان می‌دهند.
این نوع پیشرفت‌های مدل و سختافزار دو پیام اصلی دارند: اول اینکه مزیت رقابتی می‌تواند سریع متحول شود و دوم اینکه سرمایهگذاری در زیرساخت باید قابل آپدیت، ماژولار و با قابلیت استفادهٔ مجدد باشد تا از ریسک‌های فناورانه محافظت کند.
این برای کسبوکارها و سرمایهگذاران چه معنایی دارد
برای شرکت‌ها، پیام عملیاتی روشن است: در مناطقی سرمایهگذاری کنید که هوش مصنوعی به‌وضوح بهرهوری را افزایش می‌دهد، اما پروژهها را طوری طراحی کنید که ماژولار و قابل‌انتقال باشند تا در صورت تغییر فناوری، درگیر زیربنای منسوخ نشده شوید. این شامل استفاده از کانتینرها، معماریهای مبتنی بر میکروسرویس، استانداردهای داده و استراتژی‌های چندابری یا هیبریدی است.
در سطح عملیاتی، سرمایهگذاری در MLOps، پایپ‌لاین‌های دادهٔ قابل بازتولید، حاکمیت داده و سنجش بازده سرمایه (ROI) برای پیاده‌سازی‌های هوش مصنوعی ضروری است. شاخص‌هایی مانند هزینهٔ هر پیش‌بینی (cost per inference)، زمان پاسخ، دقت مدل در تولید (production accuracy) و کاهش زمان چرخهٔ توسعه، معیارهای مهمی برای ارزیابی موفقیت هستند.
برای سرمایهگذاران، پیام ظریف‌تر است — هوش مصنوعی یک تحول چندساله است، نه یک تب کوتاه‌مدت. این واقعیت ایجاب میکند که سرمایهگذاری گزینشی و بلندمدت در شرکت‌هایی که پذیرش پایدار ایجاد می‌کنند و در تأمین زیرساخت یا ارائهٔ خدمات مقیاسپذیر نقش دارند، منطقی‌تر از شرط‌بندیِ نامتناسب بر بازیگران کوچک و سفارشی باشد. زیرساخت‌مندها، ارائهدهندگان خدمات ابری و شرکت‌های نرم‌افزاری با مکانیزم‌های درآمدی تکرارپذیر ممکن است از مزایای مقیاس برخوردار شوند.
گلدمن در پایان میگوید: بازار هوش مصنوعی در حال گرم شدن است، اما هنوز یک حباب پف‌آلود نیست. داستان واقعی را شرکت‌هایی رقم خواهند زد که شرط‌بندی‌های زیرساختی را به‌خوبی مدیریت می‌کنند، هوش مصنوعی را در گردش‌های کاری روزمره ادغام می‌نمایند و به‌سرعت خود را با تکامل اقتصاد سختافزار و مدلها وفق می‌دهند.
منبع: gizmochina
ارسال نظر