تحلیل‌های اخیر در حوزه بازارهای آسیایی نشان می‌دهد که کاهش شدید هزینه‌های مدل‌های زبانی بزرگ (LLM) به دلیل ظهور مدل‌های ارزان‌قیمت چینی و نسخه‌های متن‌باز (Open Source)، ممکن است منجر به یک «بازنشانی» (Reset) در استراتژی‌های توسعه هوش مصنوعی شود. این وضعیت، ارائه‌دهندگان بزرگ ابری (Hyperscalers) را در شرایطی قرار داده است که برای بازگشت سرمایه‌های تریلیون دلاری خود در زیرساخت‌ها با چالش جدی مواجه شده‌اند.
رقابت مدل‌های متن‌باز و چینی با غول‌های آمریکایی
گزارش‌ها حاکی از آن است که بخش بزرگی از سفارشات انباشته در شرکت‌هایی مانند Microsoft، Alphabet، Amazon و Oracle متعلق به OpenAI و Anthropic است. با این حال، مدل‌های هوش مصنوعی چینی و مدل‌های زبانی کوچک (Small Language Models) با ارائه قیمت‌های بسیار پایین‌تر، درآمد آتی این پیشروان آمریکایی را تهدید می‌کنند.
- بر اساس داده‌های پلتفرم OpenRouter، حجم پردازش Tokenها توسط مدل‌های چینی در بازه زمانی کوتاه از ۴.۳۷ تریلیون در ماه آپریل به ۷۶.۱۲ تریلیون در اواخر سپتامبر رسیده است.
- در مقابل، چهار ارائه‌دهنده برتر آمریکایی تنها ۱۴.۲ تریلیون Token پردازش کرده‌اند.
- مدل متن‌باز Kimi K3 متعلق به Moonshot AI، اکنون با عملکردی نزدیک به ۹۵ درصد مدل Claude Fable 5 شرکت Anthropic، در سطح مدل‌های پیشرو (Frontier Models) رقابت می‌کند.
بحران سرمایه‌گذاری در دیتاسنترها
بزرگترین ارائه‌دهندگان ابری (Hyperscalers) قصد دارند امسال بین ۶۰۰ تا ۸۰۰ میلیارد دلار را صرف ساخت دیتاسنترها (Datacenters) کنند و بخش زیادی از این هزینه‌ها از طریق استقراض تأمین می‌شود. نگرانی اصلی این است که با سقوط قیمت Tokenها، مدل‌های LLM دیگر سودآور نباشند و در نتیجه، تقاضا برای خرید توان پردازشی (Compute) توسط شرکت‌هایی مانند OpenAI و Anthropic کاهش یابد.
برخی تحلیلگران پیش‌بینی می‌کنند که اگر روند فعلی ادامه یابد، هزینه‌های سرمایه‌ای (Capex) این شرکت‌ها که تا سال ۲۰۲۷ ممکن است به ۹۹۳ میلیارد دلار برسد، با ریسک عدم بازگشت سرمایه مواجه خواهد شد.
شکاف درآمدی در صنعت AI
برای اینکه زیرساخت‌های مورد نیاز جهت پاسخگویی به تقاضای پیش‌بینی شده تأمین شود، صنعت هوش مصنوعی باید تا سال ۲۰۳۱ درآمد سالانه ۶ تریلیون دلاری ایجاد کند. با این حال، تخمین زده می‌شود که کاربردهای فعلی AI تنها ۱.۸ تریلیون دلار درآمدزایی کنند که منجر به یک شکاف ۴.۲ تریلیون دلاری می‌شود.
برای پر کردن این شکاف، صنعت AI نیازمند خلق کاربردهای جدیدی فراتر از بهره‌وری کارکنان است، از جمله:
- موتورهای جستجو و سیستم‌های تبلیغاتی پیشرفته مبتنی بر AI.
- خودروهای خودران با مدیریت AI.
- سیستم‌های شبیه‌سازی پیچیده.
حتی با موفقیت این دسته‌ها، همچنان یک فاصله درآمدی قابل توجه باقی می‌ماند که تنها با ظهور محصولات و کاربردهایی که هنوز وجود ندارند، قابل جبران است.
