هر بار که از یک دستیار هوش مصنوعی سؤالی میپرسیم، تصویری میسازیم یا از یک مدل میخواهیم هزاران سند را تحلیل کند، خروجی در چند ثانیه روی صفحه ظاهر میشود. این تجربه سریع و ساده، ممکن است هوش مصنوعی را شبیه یک نرمافزار سبک و نامرئی نشان دهد؛ اما پشت همین پاسخهای چندثانیهای، یکی از بزرگترین پروژههای زیرساختی تاریخ فناوری در حال شکلگیری است.
آمازون، گوگل، مایکروسافت و متا از ابتدای موج جدید هوش مصنوعی در سال ۲۰۲۳، در مجموع بیش از ۱.۱ تریلیون دلار برای توسعه مراکز داده، خرید پردازندههای پیشرفته، تأمین انرژی و ساخت زیرساختهای موردنیاز هوش مصنوعی هزینه کردهاند. برآوردها نشان میدهد سرمایهگذاری این چهار شرکت فقط در سال ۲۰۲۶ ممکن است حدود ۷۴۵ میلیارد دلار دیگر افزایش پیدا کند.
این اعداد فقط نشاندهنده رقابت چند شرکت بزرگ فناوری نیستند. آنها از یک تغییر بنیادین خبر میدهند: هوش مصنوعی دیگر صرفاً یک بازار نرمافزاری نیست؛ بلکه در حال تبدیلشدن به زیرساختی همتراز با شبکه برق، مخابرات، رایانش ابری و صنایع بزرگ است.
هوش مصنوعی دیگر فقط یک چتبات نیست
در سالهای ابتدایی موج هوش مصنوعی مولد، بخش زیادی از توجه عمومی روی مدلها متمرکز بود: کدام مدل پاسخ دقیقتری میدهد؟ کدامیک تصویر بهتری میسازد؟ چه شرکتی مدل بزرگتر یا هوشمندتری دارد؟
اما اکنون رقابت از کیفیت مدلها فراتر رفته است. ساخت یک مدل قدرتمند تنها آغاز مسیر است. این مدل باید آموزش داده شود، بهصورت مداوم اجرا شود، همزمان به میلیونها درخواست پاسخ دهد، به دادههای مختلف متصل شود و با سرعت و پایداری قابلقبولی در اختیار کاربران قرار گیرد.
تمام این فعالیتها به منابع فیزیکی نیاز دارند؛ از پردازندههای گرافیکی و حافظههای پرسرعت گرفته تا شبکههای انتقال داده، تجهیزات ذخیرهسازی، مراکز داده، سیستمهای خنککننده و حجم عظیمی از انرژی.
تحلیل گلدمن ساکس نشان میدهد سرمایهگذاری زیرساختی هوش مصنوعی فقط به خرید تراشه محدود نیست. این زنجیره، پردازندهها، ساختمان مراکز داده، تجهیزات شبکه، تأمین برق، سیستمهای پشتیبان و خنکسازی صنعتی را در بر میگیرد. برآورد پایه این مؤسسه، مجموع سرمایهگذاری جهانی در زیرساخت هوش مصنوعی بین سالهای ۲۰۲۶ تا ۲۰۳۱ را حدود ۷.۶ تریلیون دلار تخمین میزند؛ هرچند این عدد به متغیرهایی مانند عمر اقتصادی تراشهها، هزینه ساخت مراکز داده و محدودیتهای تأمین انرژی وابسته است.
به بیان ساده، رقابت هوش مصنوعی از مسابقه ساخت «باهوشترین مدل» به رقابت برای ساخت «قدرتمندترین کارخانه پردازش داده» رسیده است.
یک تریلیون دلار، هزینه برای AI
هنگامی که از سرمایهگذاری در هوش مصنوعی صحبت میکنیم، ممکن است اولین تصویر ذهنی، آزمایشگاههای تحقیقاتی و تیمهای برنامهنویسی باشد. اما بخش بزرگی از سرمایهگذاریهای اخیر ماهیتی کاملاً فیزیکی دارد.
پردازندههای گرافیکی و شتابدهندههای هوش مصنوعی
مدلهای هوش مصنوعی برای آموزش و اجرا به محاسبات موازی بسیار گستردهای نیاز دارند. پردازندههای گرافیکی یا GPUها و دیگر شتابدهندههای تخصصی، هسته اصلی این محاسبات را تشکیل میدهند.
سیستمهای جدید هوش مصنوعی ممکن است دهها پردازنده پیشرفته را در یک رک و صدها هزار پردازنده را در یک مجموعه پردازشی به یکدیگر متصل کنند. این تجهیزات باید با شبکههای بسیار پرسرعت ارتباط داشته باشند تا دادهها بدون ایجاد گلوگاه میان آنها جابهجا شوند.
مراکز داده نسل جدید
مرکز داده هوش مصنوعی، فقط نسخه بزرگتری از یک اتاق سرور معمولی نیست. تراکم پردازشی بالا، مصرف برق و تولید گرمای بسیار بیشتری ایجاد میکند. به همین دلیل، بسیاری از مراکز داده جدید به سیستمهای خنککننده مایع، زیرساخت توزیع برق اختصاصی و معماریهای متفاوتی نیاز دارند.
ساخت این مراکز در مقیاس گیگاواتی، آنها را بیش از آنکه به یک پروژه نرمافزاری شبیه کند، به یک پروژه عظیم صنعتی و انرژی نزدیک کرده است.
حافظه و ذخیرهسازی پرسرعت
پردازنده بدون دسترسی سریع به داده نمیتواند با ظرفیت کامل کار کند. افزایش تعداد مدلها و حجم دادههای آموزشی، تقاضا برای حافظههای پهنباند یا HBM و سامانههای ذخیرهسازی پرسرعت را بهشدت افزایش داده است.
رقابت شرکتهای بزرگ برای خرید این قطعات، حتی بر بازار حافظه موردنیاز رایانههای شخصی، گوشیهای هوشمند و خودروها نیز اثر گذاشته است. تولیدکنندگان تراشه، بخشی از ظرفیت خود را به محصولات گرانتر و تخصصیتر موردنیاز مراکز داده اختصاص دادهاند و این موضوع فشار بیشتری بر زنجیره تأمین قطعات مصرفی وارد کرده است.
انرژی و خنکسازی
مراکز داده باید شبانهروز و بدون وقفه فعالیت کنند. به همین دلیل، برق دیگر یک هزینه جانبی برای صنعت هوش مصنوعی نیست؛ بلکه یکی از متغیرهای اصلی توسعه آن محسوب میشود.
براساس گزارش سال ۲۰۲۶ آژانس بینالمللی انرژی، مصرف برق مراکز داده جهان در سال ۲۰۲۵ حدود ۱۷ درصد افزایش یافته و مصرف مراکز داده متمرکز بر هوش مصنوعی در همان سال نزدیک به ۵۰ درصد رشد کرده است. این نهاد پیشبینی میکند مصرف برق مراکز داده از حدود ۴۸۵ تراواتساعت در سال ۲۰۲۵ به نزدیک ۹۵۰ تراواتساعت در سال ۲۰۳۰ برسد.
این میزان تقریباً با کل مصرف برق سالانه یک اقتصاد بزرگ صنعتی قابلمقایسه است. اهمیت مسئله فقط در مقدار مصرف نیست؛ مراکز داده معمولاً در مناطق مشخصی متمرکز میشوند و ممکن است فشار سنگینی بر شبکه برق محلی وارد کنند.
چرا شرکتهای بزرگ تا این اندازه هزینه میکنند؟
سرمایهگذاری صدها میلیارد دلاری زمانی منطقی است که شرکتها هوش مصنوعی را نه یک قابلیت جانبی، بلکه زیربنای نسل آینده محصولات و اقتصاد دیجیتال بدانند.
تقاضا هنوز از ظرفیت بیشتر است
هرچه تعداد کاربران، نرمافزارها و عاملهای هوشمند افزایش پیدا کند، تقاضا برای اجرای مدلها نیز بیشتر میشود. آموزش یک مدل بزرگ هزینه زیادی دارد، اما پس از آموزش نیز هر درخواست کاربر به محاسبه نیاز دارد.
با ورود هوش مصنوعی به موتورهای جستوجو، نرمافزارهای اداری، برنامهنویسی، تبلیغات، تحلیل داده، سلامت، صنعت و خدمات مالی، مرحله اجرای مدلها یا Inference میتواند به بازاری حتی بزرگتر از آموزش مدل تبدیل شود.
شرکتهایی که زیرساخت کافی ندارند، با محدودیت ظرفیت، افزایش زمان پاسخگویی و بالا رفتن هزینه هر درخواست مواجه میشوند. به همین دلیل، شرکتهای بزرگ ترجیح میدهند پیش از قطعیشدن ابعاد نهایی بازار، ظرفیت لازم را ایجاد کنند.
زیرساخت، مزیت رقابتی بلندمدت است
یک مدل هوش مصنوعی را میتوان بهبود داد، جایگزین کرد یا حتی از شرکت دیگری دریافت کرد؛ اما ساخت شبکهای جهانی از مراکز داده، تأمین انرژی، طراحی تراشه، ایجاد زنجیره تأمین و توسعه پلتفرم ابری به سالها زمان و سرمایه نیاز دارد.
شرکتهایی مانند آمازون، مایکروسافت و گوگل، علاوه بر استفاده داخلی از این ظرفیت، آن را از طریق کسبوکارهای ابری خود در اختیار سازمانها و توسعهدهندگان قرار میدهند. در نتیجه، سرمایهگذاری زیرساختی آنها همزمان دو هدف دارد: تقویت محصولات مبتنی بر AI و فروش توان پردازشی به دیگران. رشد درآمد بخشهای ابری این شرکتها یکی از دلایلی است که مدیران آنها ادامه سرمایهگذاری را توجیه میکنند.
متا وضعیت متفاوتی دارد. این شرکت تاکنون کسبوکار ابری هماندازه سه رقیب دیگر نداشته و باید بازگشت سرمایه زیرساختهای خود را بیشتر از طریق تبلیغات، محصولات مصرفی و احتمالاً عرضه ظرفیت پردازشی به دیگر شرکتها اثبات کند.
عقبماندن میتواند پرهزینهتر از سرمایهگذاری باشد
شرکتهای بزرگ فناوری احتمالاً میدانند که بخشی از سرمایهگذاریهای امروز ممکن است بازده کوتاهمدت مطلوبی نداشته باشد. بااینحال، از نگاه آنها، خطر از دست دادن جایگاه در بازار هوش مصنوعی میتواند بسیار بزرگتر باشد.
اگر هوش مصنوعی به لایه اصلی نرمافزارها و خدمات دیجیتال تبدیل شود، شرکتی که زیرساخت کافی در اختیار ندارد، باید برای مهمترین قابلیت محصولات خود به رقیبان وابسته باشد.
آیا با یک حباب سرمایهگذاری در حوزه هوش مصنوعی روبهرو هستیم؟
سرعت سرمایهگذاری، پرسشهای جدی درباره بازگشت مالی این پروژهها ایجاد کرده است. بازار سرمایه دیگر صرفاً از شنیدن خبر افزایش هزینههای هوش مصنوعی استقبال نمیکند و از شرکتها میخواهد نشان دهند این هزینهها چگونه به درآمد، سود و جریان نقدی تبدیل خواهند شد.
یکی از مهمترین ریسکها، عمر اقتصادی پردازندههای هوش مصنوعی است. ساختمان یک مرکز داده ممکن است دههها قابلاستفاده باشد، اما تراشههای AI با سرعت بسیار بیشتری قدیمی میشوند. نسلهای جدید پردازندهها معمولاً عملکرد بهتر و هزینه پردازش پایینتری ارائه میکنند.
گلدمن ساکس عمر اقتصادی تراشهها را یکی از مهمترین متغیرهای کل این موج سرمایهگذاری میداند. اگر تجهیزات گرانقیمت زودتر از دوره پیشبینیشده از نظر اقتصادی ناکارآمد شوند، شرکتها باید پیش از مستهلکشدن کامل داراییهای قبلی، نسل تازهای از سختافزار را خریداری کنند. تغییر چندساله در طول عمر مفید تراشهها میتواند حجم سرمایهگذاری موردنیاز را صدها میلیارد دلار جابهجا کند.
در کنار بدهیهای ثبتشده، شرکتهای بزرگ تعهدات بلندمدتی برای اجاره مراکز داده، خرید تجهیزات، انرژی و خدمات آینده نیز پذیرفتهاند. برخی برآوردها مجموع این تعهدات آتی را نزدیک به ۱.۶۵ تریلیون دلار اعلام کردهاند. البته همه این رقم را نمیتوان به معنای دقیق حسابداری «بدهی پنهان» دانست؛ بخشی از آن تعهداتی است که با راهاندازی دارایی یا دریافت خدمت در آینده فعال خواهد شد. بااینحال، این تعهدات نشان میدهد هزینه واقعی رقابت هوش مصنوعی ممکن است از اعدادی که در نگاه اول در ترازنامهها دیده میشود، بیشتر باشد.
پاسخ به پرسش حباب یا تحول زیرساختی، احتمالاً صفر و یک نیست. ممکن است برخی پروژهها بیش از نیاز بازار ظرفیت ایجاد کنند یا بعضی سرمایهگذاریها بازده مطلوبی نداشته باشند؛ اما در عین حال، تقاضا برای پردازش، ذخیرهسازی، انرژی و زیرساخت ابری در حال افزایش است.
زیرساختهایی که امروز برای هوش مصنوعی ساخته میشوند، ممکن است در آینده میزبان کاربردهایی باشند که هنوز بهطور کامل شکل نگرفتهاند؛ همانطور که توسعه اینترنت پهنباند و رایانش ابری، زمینه ظهور هزاران کسبوکار جدید را فراهم کرد.
رقابت یک تریلیون دلاری چه پیامی برای سازمانها دارد؟
سازمانها قرار نیست با آمازون، گوگل یا مایکروسافت در ساخت مراکز داده عظیم رقابت کنند. پیام اصلی این سرمایهگذاریها برای کسبوکارها چیز دیگری است:
هوش مصنوعی بدون زیرساخت مناسب، از مرحله آزمایش فراتر نمیرود.
بسیاری از سازمانها مسیر خود را با خرید اشتراک یک ابزار یا اجرای یک پروژه آزمایشی آغاز میکنند. این نقطه شروع مناسبی است، اما زمانی که قرار باشد هوش مصنوعی به فرایندهای اصلی سازمان وارد شود، مسائل زیرساختی بهسرعت آشکار میشوند:
- دادههای سازمان کجا نگهداری و پردازش میشوند؟
- مدل باید روی ابر عمومی اجرا شود یا زیرساخت خصوصی؟
- چه میزان GPU برای آموزش یا اجرای مدل نیاز است؟
- هزینه پردازش هر درخواست چقدر خواهد بود؟
- زیرساخت در ساعات اوج مصرف چگونه مقیاس میگیرد؟
- دسترسی کاربران و سامانهها چگونه کنترل میشود؟
- عملکرد، امنیت و مصرف منابع چگونه پایش میشوند؟
- اگر تعداد کاربران یا حجم داده چند برابر شود، معماری همچنان پاسخگو خواهد بود؟
پاسخ به این پرسشها، تفاوت میان یک نمونه نمایشی و یک سامانه هوش مصنوعی پایدار را مشخص میکند.
سازمانها الزاماً نباید سختافزار بخرند
یکی از مهمترین درسهای رقابت زیرساختی جهان این است که ظرفیت پردازشی هوش مصنوعی، پرهزینه و بهسرعت در حال تغییر است. خرید مستقیم تجهیزات همیشه بهترین گزینه نیست؛ بهویژه زمانی که میزان مصرف سازمان هنوز ثابت نشده یا نسل سختافزارها با سرعت زیادی تغییر میکند.
برای بسیاری از کسبوکارها، استفاده از پردازش گرافیکی ابری میتواند منطقیتر باشد. در این مدل، سازمان متناسب با پروژه خود به منابع پردازشی دسترسی پیدا میکند و بدون تقبل هزینه خرید، نگهداری، برق، خنکسازی و ارتقای تجهیزات، ظرفیت موردنیاز را افزایش یا کاهش میدهد.
بااینحال، هیچ مدل استقراری برای تمام سازمانها مناسب نیست. انتخاب میان زیرساخت ابری، خصوصی و هیبرید باید بر اساس نوع داده، الزامات امنیتی، حساسیت فرایندها، حجم پردازش و اقتصاد پروژه انجام شود.
یک شرکت نوپا ممکن است برای توسعه سریع محصول خود به منابع کاملاً ابری نیاز داشته باشد؛ درحالیکه یک بانک، مجموعه درمانی یا سازمان صنعتی ممکن است بخشی از دادهها و مدلها را در محیط خصوصی نگه دارد و برای پردازشهای سنگین از ظرفیت ابری استفاده کند.
زیرساخت هوش مصنوعی فقط GPU نیست
GPU مهمترین و گرانترین بخش بسیاری از پروژههای هوش مصنوعی است، اما بهتنهایی یک زیرساخت کامل ایجاد نمیکند.
یک معماری سازمانی AI به چند لایه وابسته است:
لایه پردازش: منابع CPU و GPU متناسب با آموزش، تنظیم و اجرای مدلها.
لایه داده: ذخیرهسازی سریع، مقیاسپذیر و امن برای دادههای ساختاریافته و غیرساختاریافته.
لایه شبکه: ارتباط پرسرعت و پایدار میان پردازندهها، دادهها، مدلها و سامانههای سازمانی.
لایه ارکستریشن: مدیریت سرویسها، کانتینرها، ظرفیت پردازشی و چرخه استقرار با فناوریهایی مانند Kubernetes.
لایه امنیت: مدیریت هویت، سطح دسترسی، رمزنگاری، ثبت رخدادها و حفاظت از داده و مدل.
لایه پایش: بررسی میزان مصرف، هزینه، کارایی، خطا و سلامت زیرساخت.
لایه پلتفرم و سرویس: ابزارهایی که امکان استفاده سازمانیافته، کنترلشده و قابلاندازهگیری از مدلهای هوش مصنوعی را فراهم میکنند.
نادیدهگرفتن هرکدام از این لایهها میتواند باعث شود پروژهای که در مقیاس کوچک موفق بوده است، پس از ورود به محیط واقعی با مشکلات هزینه، امنیت، کیفیت یا پایداری مواجه شود.
آینده هوش مصنوعی روی یک لایه نامرئی ساخته میشود
کاربران مدلها، چتباتها و نرمافزارهای هوشمند را میبینند؛ اما آنچه امکان توسعه مداوم این محصولات را فراهم میکند، در پشت صحنه قرار دارد.
رقابت یک تریلیون دلاری شرکتهای فناوری نشان میدهد ارزش آینده هوش مصنوعی فقط در الگوریتمها و مدلها خلاصه نمیشود. ظرفیت پردازش، دسترسی به داده، شبکه پایدار، انرژی، امنیت و توان مقیاسپذیری نیز به همان اندازه تعیینکنندهاند.
در چنین فضایی، زیرساخت دیگر بخش پشتیبان کسبوکار نیست؛ بلکه به بخشی از استراتژی نوآوری تبدیل میشود. سازمانی که بتواند پروژههای هوش مصنوعی را سریعتر آزمایش کند، منابع پردازشی را متناسب با نیاز افزایش دهد، دادههای خود را امن نگه دارد و هزینه استفاده از مدلها را مدیریت کند، شانس بیشتری برای تبدیل AI به مزیت رقابتی خواهد داشت.
گرینوب و مسیر توسعه زیرساخت هوش مصنوعی سازمانها
گرینوب راهکارهای هوش مصنوعی خود را در سه لایه زیرساخت، سرویس و پلتفرم توسعه داده است؛ مسیری که از تأمین منابع پردازش گرافیکی آغاز میشود و تا ایجاد بسترهای سازمانی برای استفاده هدفمند و کنترلشده از هوش مصنوعی ادامه پیدا میکند.
زیرساختهای پردازش گرافیکی ابری، راهکارهای رایانش ابری مقیاسپذیر، معماریهای خصوصی و هیبرید، ذخیرهسازی داده، زیرساختهای مبتنی بر Kubernetes و خدمات امنیت سایبری، اجزایی هستند که میتوانند سازمانها را از خرید و نگهداری پراکنده تجهیزات به سمت یک معماری منسجم و قابلتوسعه هدایت کنند. فعالیت گرینوب در حوزههای هوش مصنوعی، زیرساخت ابری، امنیت سایبری و راهکارهای سازمانی نیز امکان نگاه یکپارچه به این مسیر را فراهم کرده است.
هدف نهایی، صرفاً فراهمکردن یک پردازنده یا سرور قدرتمند نیست؛ بلکه ایجاد بستری است که سازمان بتواند روی آن، ایدههای هوش مصنوعی را آزمایش کند، کاربردهای موفق را به مقیاس سازمانی برساند و بدون نگرانی از محدودیتهای پردازشی، امنیتی و عملیاتی، مسیر تحول خود را ادامه دهد.
سخن آخر:
در سالهای آینده، مدلهای هوش مصنوعی سریعتر، کوچکتر، تخصصیتر و کمهزینهتر خواهند شد. بعضی مدلهای مشهور امروز ممکن است جای خود را به نسلهای تازه بدهند و شیوه تعامل کاربران با فناوری نیز تغییر کند.
اما یک اصل باقی خواهد ماند: هر تجربه هوشمند به بستری برای پردازش، ذخیرهسازی، انتقال داده، امنیت و مقیاسپذیری نیاز دارد.
سرمایهگذاری بیش از یک تریلیون دلاری غولهای فناوری، نشانه روشنی از همین واقعیت است. آینده هوش مصنوعی فقط به شرکتی تعلق ندارد که بهترین مدل را تولید میکند؛ بلکه به سازمانها و کشورهایی تعلق خواهد داشت که بتوانند زیرساخت لازم برای توسعه و استفاده پایدار از این فناوری را فراهم کنند.
هوش مصنوعی ممکن است روی صفحه نمایش، نامرئی و بیوزن به نظر برسد؛ اما آینده آن روی میلیونها پردازنده، کیلومترها شبکه، مراکز داده عظیم و زیرساختهایی ساخته میشود که بیوقفه در پسزمینه فعالیت میکنند.
