ممرحله بعدی رقابت در حوزه هوش مصنوعی ممکن است فقط به این بستگی نداشته باشد که چه کسی بهترین مدلها را میسازد؛ بلکه به این بستگی داشته باشد که چه کسی میتواند زیرساخت لازم برای اجرای هوش مصنوعی در مقیاس بزرگ را تأمین کند.
سالها، رقابت در هوش مصنوعی حول یک سؤال آشنا میچرخید:
چه کسی میتواند بهترین مدل را بسازد؟
مدلهای قدرتمندتر. آموزش سریعتر. بنچمارکهای بهتر. توانایی استدلال پیشرفتهتر.
این پرسشها همچنان اهمیت دارند. اما رقابت در هوش مصنوعی بهتدریج تحت تأثیر موضوعی بنیادیتر قرار گرفته است:
چه کسی میتواند زیرساخت لازم برای اجرای هوش مصنوعی در مقیاس بزرگ را تأمین کند؟
پشت هر مدل زبانی بزرگ، عامل هوش مصنوعی و اپلیکیشن مولد، یک سیستم عظیم فیزیکی قرار دارد: تراشههای پیشرفته، مراکز داده، برق، سیستمهای خنککننده و شبکهها.
با افزایش تقاضا برای AI، دسترسی به این زیرساخت دیگر صرفاً یک نیاز عملیاتی نیست؛ بلکه بهتدریج به یک مزیت استراتژیک تبدیل میشود.
هوش مصنوعی، مراکز داده را به مرکز توجه آورده است
در بخش بزرگی از دوران اقتصاد دیجیتال، مراکز داده تقریباً از دید کاربران پنهان بودند. آنها در پشت صحنه، رایانش ابری، نرمافزارهای سازمانی و سرویسهای آنلاین را اجرا میکردند. هوش مصنوعی این وضعیت را تغییر داده است.
رشد سریع بارهای کاری AI باعث شده مراکز داده از پسزمینه اقتصاد دیجیتال به مرکز گفتوگوهای فناوری منتقل شوند. بر اساس تحلیل McKinsey، تقاضای جهانی برای ظرفیت مراکز داده میتواند از حدود ۸۲ گیگاوات در سال ۲۰۲۵ به حدود ۲۲۰ گیگاوات در سال ۲۰۳۰ برسد.
تقاضای غیرمرتبط با AI ممکن است در این دوره از حدود ۳۸ گیگاوات به ۶۴ گیگاوات برسد. اما تقاضای مرتبط با AI میتواند از حدود ۴۴ گیگاوات به ۱۵۵ گیگاوات افزایش پیدا کند. تا سال ۲۰۳۰، هوش مصنوعی ممکن است حدود ۷۰ درصد از کل تقاضای مراکز داده را به خود اختصاص دهد.
این موضوع ماهیت گفتوگو درباره AI را تغییر میدهد.
چالش دیگر فقط این نیست که آیا سازمانها میتوانند مدلهای قدرتمندتری توسعه دهند یا نه. بلکه این است که آیا میتوانند ظرفیت فیزیکی لازم برای اجرای آنها را تأمین کنند.
گلوگاه پنهان AI: برق
هوش مصنوعی فقط به محاسبات بیشتری نیاز ندارد؛ به برق بیشتری نیز نیاز دارد.
هرچه تراکم پردازشی مراکز داده افزایش پیدا میکند، مسئله دیگر فقط تأمین GPU یا ساخت فضای فیزیکی نیست. پرسش بنیادیتر این است که آیا شبکه برق میتواند این بار جدید را تأمین کند یا نه.
برای بسیاری از پروژههای جدید AI، محدودیت اصلی ممکن است نه کمبود سرمایه و نه حتی کمبود تراشه، بلکه ظرفیت اتصال به شبکه برق باشد.
این همان جایی است که رقابت AI از یک مسئله صرفاً فناوری به یک مسئله زیرساختی و انرژی تبدیل میشود.
هوشمندی ممکن است دیجیتال باشد. اما محدودیتهای آن فیزیکیاند.
گلوگاه جدید فقط GPU نیست
بخش بزرگی از گفتوگوهای عمومی درباره زیرساخت AI بر GPUها و شتابدهندههای پیشرفته متمرکز بوده است. این فناوریها بسیار مهم هستند، اما فقط بخشی از معادلهاند.
یک سیستم AI در مقیاس بزرگ به مکانی برای فعالیت نیاز دارد. این یعنی مراکز دادهای که بتوانند محیطهای پردازشی متراکمتر و پرمصرفتر را پشتیبانی کنند.
زیرساخت مورد نیاز برای اجرای AI در مقیاس بزرگ
- برق پایدار و قابلاعتماد
- سیستمهای پیشرفته خنککننده
- ترانسفورماتورها
- ژنراتورها
- تجهیزات سوئیچینگ برق
- اتصال فیبر نوری
- ساختوساز تخصصی
- زنجیره تأمینی که بتواند تجهیزات حیاتی را بهموقع تأمین کند
تحلیل McKinsey نشان میدهد که این محدودیتها در حال تغییر اقتصاد زیرساخت AI هستند. برق یکی از مهمترین عوامل تفاوت هزینه میان بازارهای مختلف است و تجهیزات برق و خنکسازی نیز نقش مهمی ایفا میکنند.
به بیان سادهتر، دسترسی به توان محاسباتی، بیش از گذشته به دسترسی به زیرساخت فیزیکی وابسته است و تأمین این زیرساخت نیز در حال سختتر و زمانبرتر شدن است.
وقتی برق به یک محدودیت استراتژیک تبدیل میشود
برق دیگر فقط یکی از هزینههای عملیاتی Data Center نیست. وقتی ظرفیت AI در مقیاس چندین گیگاوات توسعه پیدا میکند، دسترسی به برق میتواند تعیین کند کجا میتوان یک مرکز داده ساخت، چه زمانی میتوان آن را عملیاتی کرد و با چه هزینهای میتوان آن را توسعه داد.
ظرفیت شبکه
اتصال یک مرکز داده جدید به شبکه برق میتواند به یکی از طولانیترین مراحل توسعه تبدیل شود. حتی زمانی که سرمایه، زمین و تجهیزات در دسترس باشند، محدودیت ظرفیت شبکه میتواند زمان ورود یک پروژه به مدار را تعیین کند.
زمان، بخشی از هزینه است
اگر یک پروژه AI آماده باشد اما اتصال برق آن سالها طول بکشد، سرمایه صرفشده لزوماً به ظرفیت عملیاتی تبدیل نشده است.
در چنین شرایطی، زمان فقط یک متغیر اجرایی نیست؛ بخشی از اقتصاد رقابت AI است.
جغرافیا در حال تبدیل شدن به بخشی از استراتژی AI است
محل استقرار زیرساخت هوش مصنوعی اهمیت دارد. برخی مناطق در دسترسی و هزینه برق مزیت دارند. برخی دیگر از اکوسیستم دیجیتال قویتر، اتصال شبکه بهتر و نزدیکی بیشتر به کاربران و مشتریان سازمانی برخوردارند.
مزیت تأمین
- برق ارزانتر
- انرژی فراوانتر
- زمین مناسب
- ظرفیت شبکه
- شرایط مناسب برای توسعه
مزیت تقاضا
- شبکههای فیبر متراکم
- اکوسیستم دیجیتال قوی
- مشتریان سازمانی
- زیرساخت ابری
- نزدیکی به کاربران اصلی
بنابراین، بهترین مکان برای زیرساخت AI لزوماً جایی با ارزانترین برق نیست. ممکن است جایی باشد که در آن برق، اتصال شبکه، مشتری و سرعت اجرا در کنار یکدیگر قرار گرفتهاند.
به همین دلیل است که قطبهای تثبیتشده فناوری، حتی با وجود هزینههای بالاتر، همچنان سرمایهگذاریهای بزرگ را جذب میکنند.
چرا تراشهها همچنان اهمیت دارند؟
زیرساخت بهتنهایی تعیینکننده رقابتپذیری AI نیست. بهرهوری سختافزاری که درون آن زیرساخت فعالیت میکند نیز به همان اندازه اهمیت دارد.
یک منطقه ممکن است برق مقرونبهصرفه، هزینه ساخت رقابتی و زمین فراوان داشته باشد؛ اما اگر به شتابدهندههای پیشرفته و کارآمد AI دسترسی نداشته باشد، ممکن است برای تولید همان مقدار قدرت پردازشی به سختافزار و انرژی بیشتری نیاز پیدا کند.
بهرهوری سختافزار و اقتصاد انرژی
- تراشههای بیشتر
- مصرف برق بیشتر
- فضای فیزیکی بیشتر
- خنکسازی بیشتر
- هزینه عملیاتی بالاتر
به همین دلیل، رقابت برای زیرساخت AI را نمیتوان از رقابت برای تراشههای پیشرفته جدا کرد.
اقتصاد مراکز داده و اقتصاد توان محاسباتی بهتدریج به یکدیگر گره خوردهاند.
سرعت ساخت زیرساخت به یک مزیت رقابتی تبدیل میشود
رقابت زیرساختی AI فقط درباره این نیست که چه کسی بزرگترین مراکز را میسازد. بلکه درباره این هم هست که چه کسی میتواند آنها را سریعتر بسازد.
با افزایش تقاضا، تأخیر در دریافت مجوزها، اتصال به شبکه برق، تأمین تجهیزات و ساختوساز میتواند به یک ضعف استراتژیک تبدیل شود.
گلوگاههای توسعه
- دریافت مجوزها
- اتصال به شبکه برق
- تأمین تجهیزات
- ساختوساز
McKinsey اشاره میکند که زمان تأمین برخی تجهیزات حیاتی مانند ژنراتورها، سیستمهای خنککننده، ترانسفورماتورها و تجهیزات برق در سالهای اخیر افزایش قابلتوجهی داشته است.
اتصال به شبکه برق نیز به یکی از مهمترین گلوگاهها تبدیل شده است. در برخی بازارها، اتصال یک تأسیسات جدید به برق کافی ممکن است سالها طول بکشد.
در چنین شرایطی، سرعت رسیدن به ظرفیت عملیاتی ممکن است تقریباً بهاندازه هزینه ظرفیت اهمیت پیدا کند.
از رقابت مدلها تا رقابت زیرساختها
صنعت هوش مصنوعی در حال عبور از رقابتی صرفاً میان مدلهاست. مرحله بعدی رقابت بهطور فزایندهای در چند لایه بههمپیوسته اتفاق خواهد افتاد.
مدلها
چه کسی میتواند سیستمهای هوش مصنوعی توانمندتری بسازد؟
توان محاسباتی
چه کسی میتواند ظرفیت پردازشی لازم برای آموزش و اجرای آنها را تأمین کند؟
مراکز داده
چه کسی به تأسیساتی دسترسی دارد که بتوانند بارهای کاری AI را در مقیاس بزرگ پشتیبانی کنند؟
برق
چه کسی میتواند برق کافی و قابلاعتماد تأمین کند؟
شبکهها
چه کسی میتواند زیرساخت، اپلیکیشنها و کاربران را بهصورت مؤثر به یکدیگر متصل کند؟
این لایهها بهتدریج جدانشدنیتر میشوند. یک پیشرفت بزرگ در توانایی مدل ممکن است تأثیر تجاری محدودی داشته باشد، اگر زیرساخت لازم برای اجرای آن در مقیاس بزرگ وجود نداشته باشد.
از سوی دیگر، دسترسی به حجم عظیمی از زیرساخت نیز بدون مدلها، نرمافزارها و اپلیکیشنهای مناسب ارزش محدودی خواهد داشت.
مرحله بعدی رقابت در AI به توانایی هماهنگسازی کل این زنجیره وابسته خواهد بود.
چرا این موضوع فقط برای شرکتهای بزرگ فناوری مهم نیست؟
در نگاه اول، رقابت زیرساختی AI ممکن است فقط برای شرکتهایی که مدلهای پیشرفته یا مراکز داده عظیم میسازند مهم به نظر برسد. اما پیامدهای آن بسیار فراتر خواهد رفت.
کسبوکارهایی که AI را به کار میگیرند، بهتدریج بیشتر به تصمیمهای زیرساختی شرکتهای زیر وابسته خواهند شد:
- ارائهدهندگان خدمات ابری
- شرکتهای هوش مصنوعی
- تولیدکنندگان تراشه
- اپراتورهای مراکز داده
- تأمینکنندگان انرژی
- دولتها
پیامدهای مستقیم برای کسبوکارها
- هزینه سرویسهای AI
- دسترسی به قابلیتهای جدید هوش مصنوعی
- محل اجرای بارهای کاری AI
- تابآوری عملیات وابسته به AI
- میزان وابستگی سازمانها به تعداد محدودی از ارائهدهندگان زیرساخت
برای مدیران کسبوکار، این موضوع یک پیام مهم دارد: استراتژی AI را نمیتوان کاملاً از استراتژی زیرساخت جدا کرد.
سازمانها لزوماً نیازی ندارند که مراکز داده خود را بسازند. اما باید وابستگیهای زیرساختی پشت اهداف هوش مصنوعی خود را درک کنند.
نگاه هنارکو
گفتوگو درباره هوش مصنوعی تا امروز عمدتاً حول مدلها بوده است.
کدام مدل هوشمندتر است؟
کدام مدل بهتر استدلال میکند؟
کدام مدل عملکرد بهتری دارد؟
این پرسشها مهم هستند. اما بهتدریج ناکافی میشوند.
شکاف استراتژیک بعدی در AI ممکن است فقط توسط میزان هوشمندی تعیین نشود؛ بلکه توسط دسترسی تعیین شود.
دسترسی به توان محاسباتی.
دسترسی به برق.
دسترسی به زیرساخت.
و دسترسی به سیستمهای فیزیکی لازم برای تبدیل قابلیت AI به مقیاس واقعی.
برای سازمانها، این یعنی گفتوگو درباره AI باید گستردهتر شود. انتخاب یک مدل فقط یکی از تصمیمهاست. درک زیرساخت پشت آن مدل و وابستگیهایی که ایجاد میکند، بهتدریج اهمیت بیشتری پیدا خواهد کرد.
شرکتهایی که برای مرحله بعدی AI بهتر آماده هستند، لزوماً فقط شرکتهایی نیستند که از پیشرفتهترین مدلها استفاده میکنند. ممکن است آنها شرکتهایی باشند که پرسشهای بهتری درباره سیستمهایی که مدلهایشان به آن وابستهاند، مطرح میکنند.
پرسشهای بهتر
بهجای اینکه فقط بپرسیم:
از کدام مدل AI استفاده کنیم؟
سازمانها باید بهتدریج پرسشهای دیگری را نیز مطرح کنند:
- قابلیتهای AI ما تا چه اندازه به زیرساخت پردازشی خارجی وابسته است؟
- اگر ظرفیت پردازشی محدود یا بهطور قابلتوجهی گرانتر شود، چه اتفاقی میافتد؟
- کدام بارهای کاری AI واقعاً برای کسبوکار ما استراتژیک هستند؟
- این بارهای کاری باید در کجا اجرا شوند؟
- چه میزان کنترل بر زیرساخت پشت سیستمهای AI خود نیاز داریم؟
- چه وابستگیهایی به ارائهدهندگان Cloud، مدل و زیرساخت ایجاد میکنیم؟
- با افزایش استفاده از AI، هزینه، تابآوری و دسترسپذیری چگونه تغییر خواهد کرد؟
- آیا در حال ساخت یک استراتژی AI هستیم، یا فقط در حال مصرف ظرفیت AI هستیم؟
این پرسشها با حرکت AI از مرحله آزمایش به سمت عملیات حیاتی کسبوکار، اهمیت بیشتری پیدا خواهند کرد.
پرسش استراتژیک در حال تغییر است
تا همین اواخر، بسیاری از سازمانها با یک سؤال نسبتاً ساده به AI نگاه میکردند:
از کدام مدل هوش مصنوعی باید استفاده کنیم؟
این سؤال همچنان مهم است. اما شاید سؤال بعدی حتی مهمتر باشد:
برای اجرای AI در مقیاس بزرگ، به چه زیرساختی وابسته خواهیم بود؟
با ادغام عمیقتر AI در محصولات، فرایندها و عملیات، انتخابهای زیرساختی بیش از گذشته بر هزینه، انعطافپذیری، تابآوری، دسترسپذیری و رقابتپذیری بلندمدت تأثیر خواهند گذاشت.
شرکتهایی که در مرحله بعدی AI موفق میشوند، لزوماً فقط شرکتهایی نخواهند بود که هوشمندترین مدلها را دارند.
ممکن است شرکتهایی باشند که یک واقعیت بنیادیتر را بهتر درک کردهاند:
هوشمندی در مقیاس بزرگ، به زیرساخت در مقیاس بزرگ نیاز دارد.
و در اقتصاد نوظهور هوش مصنوعی، دسترسی به این زیرساخت بهخودیخود در حال تبدیل شدن به یک دارایی استراتژیک است.
