پیچیدگی بزرگ در ساختار چند تریلیون دلاری هوش مصنوعی

نوشته کلیر دافی

نیویورک —

سؤالی کلان بر صنعت فناوری سایه افkنده است: این سرمایه‌گذاری‌های عظیم در زیرساخت هوش مصنوعی تا چه مدت واقعاً می‌توانند دوام بیاورند؟

غول‌های فناوری صدها میلیارد دلار برای زیرساخت هوش مصنوعی صرف می‌کنند — عمدتاً مراکز داده و تراشه‌هایی که انرژی آنها را تأمین می‌کند. این سرمایه‌گذاری را می‌گویند زمینه‌ساز تحول اساسی هوش مصنوعی در اقتصاد، مشاغل و حتی روابط شخصی ما خواهد شد.

فقط در سال جاری، انتظار می‌رود شرکت‌های فناوری حدود ۴۰۰ میلیارد دلار را به هزینه‌های سرمایه‌ای مرتبط با هوش مصنوعی اختصاص دهند.

بخشی از این سرمایه‌گذاری تقریباً بی‌شک فشار مداومی بر ترازنامه شرکت‌ها ایجاد می‌کند. برای شرکت‌هایی که آینده‌شان را به هوش مصنوعی می‌سنجند، سؤال درباره‌ی این‌که چه‌قدر باید تراشه‌های پیشرفته را ارتقا یا جایگزین کنند، بحرانی است — به‌ویژه در حالی که تردیدهای فزاینده‌ای درباره‌ی این‌که آیا هوش مصنوعی بازدهی به‌ اندازه‌ای بزرگ یا سریع خواهد داشت که بتواند سرمایه‌گذاری‌های جاری را جبران کرده و هزینه‌های زیرساخت‌های آینده را پوشش دهد، وجود دارد.

این نگرانی‌ها به وجود آمده‌اند در زمانی که سهام‌های تکنولوژیکی «هفت مهیب» حدود ۳۵٪ از ارزش شاخص S&P 500 را تشکیل می‌دهند؛ و این سؤال‌ها را برانگیخته می‌کند که سقوط هوش مصنوعی چه پیامدهایی برای اقتصاد خواهد داشت.

«سطح حباب بودن این تمام ساخت‌وساز تا حدی به طول عمر این سرمایه‌گذاری‌ها بستگی دارد»، گفت تیم دِستِفانو، استاد پژوهشی وابسته در مدرسه کسب‌وکار مک‌دونوف دانشگاه جورج‌تاون.

دوره‌های حیات تراشه‌ها

مشخص نیست که واحدهای پردازش گرافیکی (GPU) پیشرفته، که عمدتاً برای آموزش و پردازش هوش مصنوعی به کار می‌روند، تا چه مدت مفید خواهند ماند.

چندین کارشناس فناوری به سي‌ان‌ان گفتند که برآورد می‌کنند تراشه‌های هوش مصنوعی می‌توانند برای آموزش مدل‌های زبان بزرگ بین ۱۸ ماه تا سه سال استفاده شوند. اما آن‌ها افزودند که این تراشه‌ها می‌توانند برای کارهای کم‌بارتر به مدت چند سال دیگر نیز به‌کار گرفته شوند.

در مقابل، واحدهای پردازش مرکزی (CPU) که در مراکز داده‌های سنتی غیر هوش مصنوعی استفاده می‌شوند، معمولاً هر پنج تا هفت سال جایگزین می‌شوند، به گفتهٔ کارشناسان.

این بخشی به این دلیل است که آموزش مدل‌های هوش مصنوعی تراشه‌ها را در معرض فشار و حرارت قابل‌توجهی قرار می‌دهد و باعث فرسودگی سریع‌تر آن‌ها می‌شود. دیوید بادر، استاد داده‌کاوی در مؤسسه فناوری نیوجرسی، گفت تقریباً ۹٪ از GPUها در طول یک سال خراب می‌شوند، در حالی که حدود ۵٪ از CPUها دچار خرابی می‌شوند.

نسل‌های بعدی تراشه‌های هوش مصنوعی به‌سرعت بهبود می‌یابند و کارآمدتر می‌شوند؛ به‌طوری‌که حتی اگر تراشه‌های قدیمی هنوز عملکرد داشته باشند، ادامهٔ استفاده از آن‌ها برای بارهای کاری هوش مصنوعی از لحاظ اقتصادی مقرون به‌صرفه نیست.

کارشناسان مختلف تخمین‌های کمی متفاوتی ارائه می‌دهند. دِستِفانو گفت تراشه‌های هوش مصنوعی احتمالاً پس از حدود پنج تا ده سال استفاده خراب می‌شوند، اما دورهٔ اقتصادی آن‌ها فقط حدود سه تا پنج سال است.

از سوی دیگر، بادر برآورد می‌کند که می‌توان از GPUها برای آموزش مدل‌های هوش مصنوعی به مدت ۱۸ تا ۲۴ ماه استفاده کرد. اما او گفت که تراشه‌های قدیمی می‌توانند همچنان وظایفی مانند پردازش پرس‌وجوهای هوش مصنوعی کاربران (که به عنوان inference شناخته می‌شود) را به‌مدت حدود پنج سال دیگر انجام دهند و ارزش خود را تمدید کنند.

انوییدیا، بزرگ‌ترین عرضه‌کننده تراشه‌های هوش مصنوعی، می‌گوید سامانهٔ نرم‌افزاری CUDA به مشتریان امکان به‌روزرسانی نرم‌افزار تراشه‌های موجود را می‌دهد و ممکن است نیاز به ارتقای به آخرین محصول را به تعویق بیندازد.

کوولت کرِس، رئیس مالی انوییدیا، در تماس آخرین گزارش مالی شرکت ماه گذشته اظهار کرد که «GPUهایی که شش سال پیش صادر شد، هنوز با بهره‌برداری کامل در حال کار هستند» به‌دلیل سامانهٔ CUDA این شرکت.

اما چه تراشه‌ها دو سال زندگی کنند و چه شش سال، شرکت‌های فناوری همچنان با همان سؤال مواجه‌اند: «منابع درآمدی کجا خواهد بود که امکان بازسازی در این مقیاس را فراهم کند؟» گفت ماهیر کشیرسگار، مدیر کلینیک سیاست فناوری در مرکز سیاست فناوری اطلاعات دانشگاه پرینستون.

این موضوع چه ارتباطی با حباب هوش مصنوعی دارد؟

هرچه تراشه‌ها سریع‌تر فرسوده شوند، فشار بیشتری بر شرکت‌ها وارد می‌شود تا بازدهی هوش مصنوعی را برای تأمین هزینه‌های جایگزینی آن به‌دست آورند.

علاوه بر این، تقاضای طولانی‌مدت برای هوش مصنوعی همچنان نامشخص است، به‌ویژه با توجه به گزارش‌های امسال که نشان می‌دهد اکثر شرکت‌های پیاده‌کنندهٔ این فناوری هنوز به سودهای واضحی در زیردرآمدهای خود نرسیده‌اند. مشتریان شرکتی واقعاً سودآورتر برای شرکت‌های هوش مصنوعی خواهند بود، اما این شرکت‌ها هنوز در پیدا کردن راه‌های استفاده از این فناوری برای تولید درآمد یا کاهش هزینه‌ها تلاش می‌کنند، به اعتراف دِستِفانو.

«تقاضا برای هوش مصنوعی مولد از سوی کاربران فردی وجود دارد … اما این برای این شرکت‌های بزرگ هوش مصنوعی برای جبران هزینه‌های سرمایه‌گذاری‌شان کافی نیست»، او گفت.

مایکل بری، سرمایه‌گذار مشهور پشت «پیش‌بینی بزرگ»، اخیراً از خطر حباب هوش مصنوعی هشدار داد. استدلال او بخشی بر پایه این پیش‌بینی است که شرکت‌های فناوری عمر ارزشمند سرمایه‌گذاری‌های تراشه‌ای خود را بیش از حد برآورد می‌کنند؛ وضعیتی که ممکن است در نهایت بر سودآوری آن‌ها تاثیر منفی بگذارد.

رهبران هوش مصنوعی نیز شروع به بحث شفاف‌تر دربارهٔ این سؤال کرده‌اند.

ساتیا نادلا، مدیر عامل مایکروسافت، در مصاحبه‌ای در یک پادکست ماه گذشته گفت که شرکت شروع به پراکنده‌کردن سرمایه‌گذاری‌های زیرساختی خود کرده است تا تراشه‌های مراکز داده‌اش هم‌زمان منسوخ نشوند.

در حباب‌های بازار قبلی، زیرساختی که در دورهٔ هیاهو ساخته می‌شد و پس از انفجار به‌سرنوشته می‌ماند، سال‌ها پس از آن قابل استفاده باقی می‌ماند. برای مثال، کابل‌های نوری که در حباب دات‌کام اواخر دههٔ ۱۹۹۰‌سال‌ها کشیده شد، امروز پایهٔ اینترنت معاصر را تشکیل می‌دهند.

اما حباب هوش مصنوعی – اگر واقعاً وجود داشته باشد – وضعیتی متفاوت خواهد بود، گفت پل کدرسکی، شریک مدیریت در شرکت سرمایه‌گذاری SK Ventures. او استدلال کرد که مراکز دادهٔ هوش مصنوعی بدون سرمایه‌گذاری مستمر در تراشه‌های جدید، همان پتانسیل بهره‌برداری طولانی‌مدت را نخواهند داشت. و پیامدهای این موضوع می‌تواند بسیار فراتر از ترازنامه‌ها و قیمت‌ سهام غول‌های فناوری باشد.

«نه تنها ما این مراکز داده را می‌سازیم، بلکه (شرکت‌های فناوری) در حال فشار برای ساخت نیروگاه‌های برق به‌منظور پشتیبانی از تمام اینها هستند»، کشیرسگار گفت. «اگر اقتصاد این کار قابل‌تسویه نباشد، سوالات اجتماعی بسیار بزرگی پیش خواهد آمد.»

کریشنا انداوولو از سی‌ان‌ان در تهیهٔ این گزارش مشارکت داشت.