LLM های ارزان چینی و منبع باز می توانند زیرساخت هوش مصنوعی تریلیون دلاری را بازنشانی کنند

یک تحلیلگر مالی این سوال را مطرح می‌کند که آیا سقوط هزینه‌های هوش مصنوعی به دلیل ورود مدل‌های چینی، کم‌هزینه و متن‌باز باعث «بازنشانی» در داستان هوش مصنوعی می‌شود، زیرا ارائه‌دهندگان ابری تلاش می‌کنند تا تریلیون‌ها دلار از مخارج سرمایه‌ای را جبران کنند. در یک یادداشت تحقیقاتی اخیر که بر بازارهای آسیایی متمرکز شده است، جفریز تخمین می‌زند که حدود نیمی از حدود 2.3 تریلیون دلار قرارداد عقب افتاده در مایکروسافت، آلفابت، آمازون و اوراکل متعلق به OpenAI و Anthropic است.

با این حال، مدل‌های هوش مصنوعی چینی، مدل‌های متن باز/وزن و مدل‌های زبان کوچک، تهدیدی برای کاهش قیمت‌هایی هستند که دو رهبر ایالات متحده می‌گیرند و درآمد آتی آنها را مورد تردید قرار می‌دهند. جفریز به تحقیقات پلتفرم جمع‌آوری جهانی OpenRouter اشاره می‌کند که نشان می‌دهد مدل‌های چینی 76.12 تریلیون توکن را در هفته منتهی به 27 سپتامبر پردازش کرده‌اند، در حالی که در اواخر آوریل تنها 4.37 تریلیون توکن بود. چهار ارائه دهنده برتر ایالات متحده 14.2 تریلیون توکن را پردازش کردند. در همین حال، راه‌اندازی Kimi K3 منبع باز Moonshot AI با تقریبا ۹۵ درصد عملکرد کلود فابل ۵ آنتروپیک، «در مرز رقابت» است.

مقاله جفریز می‌گوید: "حالا سوال این است که آیا تمام موارد فوق به طور کامل در بازارها قیمت گذاری شده است یا خیر. این نویسنده چنین فکر نمی کند." بزرگ‌ترین هایپرمقیاس‌کننده‌ها قرار است امسال به طور جمعی بین 600 تا 800 میلیارد دلار برای ساخت دیتاسنتر هزینه کنند و به‌جای پول نقد، بودجه آن را به طور فزاینده‌ای با بدهی تامین کنند. با این حال، جفریز این سوال را مطرح می‌کند که جریان‌های درآمدی آتی ابر مقیاس‌کننده‌ها از کجا می‌آیند.

"دیگر نمی توان فرض کرد، به ویژه با ورود افرادی مانند Kimi K3، که مدل های زبان بزرگ با توجه به سقوط مداوم در قیمت گذاری توکن، هرگز سودآور خواهند بود. این برای hyperscalers بسیار مهم است زیرا آنها با این فرض که محاسبات توسط افرادی مانند OpenAI، Anthropic خریداری می شود، سرمایه گذاری کرده اند." در حالی که شرط بندی بلندمدت روی هوش مصنوعی ممکن است درست باشد، اما در میان مدت، عدم قطعیت زیادی وجود دارد. «داستان هوش مصنوعی در آینده ای نه چندان دور با یک بازنشانی بزرگ مواجه خواهد شد.

آیا این چهار ابر مقیاس کننده واقعا در سال 2027 993 میلیارد دلار برای سرمایه گذاری هزینه می کنند؟ سوالات جفریز همچنین سؤالات مهمی وجود دارد که باید بپرسید چه مقدار از سود گزارش شده هایپراسکیلر به سرمایه گذاری آنها در سازندگان مدل هوش مصنوعی بستگی دارد که درآمد آنها نیز به آن بستگی دارد. "سایر درآمدها و هزینه ها" - که سود سرمایه گذاری ها را توصیف می کند - اهمیت بیشتری پیدا کرده است.

جفریز می‌گوید که این سرمایه‌گذاری‌ها «احتمالا موقعیت‌هایی را در سهام‌های موجود در بورس اوراق بهادار مرتبط با هوش مصنوعی شامل می‌شود». به گفته این تحلیلگر، در حالی که درآمد سالانه چهار ابر مقیاس کننده بزرگ با افزایش 222 میلیارد دلاری به 581 میلیارد دلار در چهار فصل منتهی به سه ماهه دوم رسید، به گفته این تحلیلگر، «سایر درآمد/زیان غیرعملیاتی» همه این افزایش را به خود اختصاص داده است.

جفریز می‌گوید «سایر درآمد/زیان غیرعملیاتی» با 224 میلیارد دلار افزایش سالانه به 237 میلیارد دلار در مدت مشابه، به این معنی است که «کل افزایش درآمد» را به خود اختصاص داده است. تحقیقات دیگر تاکید کرده‌اند که ارائه‌دهندگان ابری به چه میزان درآمد و استقراض برای برنامه‌های ساختمان دیتاسنتر خود نیاز دارند. گزارش سالانه فناوری جهانی 2026 از مشاوران مدیریت Bain & Company می گوید صنعت هوش مصنوعی باید تا سال 2031 سالانه 6 تریلیون دلار درآمد ایجاد کند تا زیرساخت های مورد نیاز برای برآورده کردن تقاضای پیش بینی شده را تامین کند.

این بدان معناست که صنعت به استفاده های جدیدی فراتر از بهره وری کارکنان نیاز خواهد داشت. Bain مشکوک است که برنامه های کاربردی هوش مصنوعی موجود ممکن است 1.8 تریلیون دلار درآمد داشته باشند، اما این هنوز 4.2 تریلیون دلار کسری باقی می گذارد. می‌توان آن را با برنامه‌های هوش مصنوعی نوظهور مانند موتورهای جستجو و تبلیغات، وسایل نقلیه خودمختار ساخته‌شده با هوش مصنوعی و شبیه‌سازی‌های هوش مصنوعی متصل کرد. حتی اگر به نتیجه برسند، این دسته‌بندی‌های جدید تنها به ۱.۵ تریلیون دلار درآمد اضافه می‌کنند و یک شکاف ۲.۷ تریلیون دلاری باقی می‌گذارند که ممکن است با «محصولات و کاربردهای جدیدی که امروزه وجود ندارند» پر شود. ثبت نام مشاوره سرمایه گذاری ارائه نمی دهد