عندما ترى هذه البيانات التي قام “جيه بي مورغان” بتنظيمها، فإنَّ إجمالي الطلبات غير المنفَّذة المتراكمة لدى عمالقة الحوسبة السحابية الأربعة: مايكروسوفت وأوراكل وجوجل وأمازون قد بلغ 2.1 تريليون دولار. والأكثر إثارة للاهتمام أنَّ تعهدات شراء القدرة الحاسوبية لدى مختبرَي الذكاء الاصطناعي “أوبن إيه آي” و“أنثروبي” وحدهما تشكل ما يقرب من 1 تريليون — أي قرابة النصف.
هذا الهيكل يوضح المشكلة بشكل جيد: وتيرة وحجم إنفاق مختبرات الذكاء الاصطناعي المتقدمة على حرق الأموال وصلتا إلى مرحلة يمكن أن تدعم عمليًا نصف أعمال مزوّدي خدمات السحابة. ومن زاوية تخصيص رأس المال، فهذا يمثل رهانا دوريًا نموذجيًا — رهان على ما إذا كانت سردية “الذكاء العام الاصطناعي (AGI)” قادرة على تحقيق قيمة تجارية خلال السنوات القليلة المقبلة.
توجد أمثلة كثيرة من التاريخ على ذلك: نشر الألياف الضوئية في أواخر التسعينات، وشراء معدات الاتصالات في أوائل العقد الأول من الألفينات، والنفقات الرأسمالية لرأس مال النفط الصخري في عشرينيات القرن الحالي. في كل مرة، يكون الاستثمار الضخم مُقدَّمًا مسبقًا، مع الرهان على أن الطلب المستقبلي سيستوعب الطاقة الإنتاجية. بعضها نجح، وبعضها أدى إلى فائض في الطاقة وديون معدومة.
بالنسبة لطلبات القدرة الحاسوبية البالغة 1 تريليون دولار، جوهر الأمر أنها تُقيِّد التدفقات النقدية لعدة سنوات قادمة مسبقًا. بالنسبة لمزوّدي خدمات السحابة، هذه توقعات دخل مستقرة؛ وبالنسبة لمختبرات الذكاء الاصطناعي، فهي ضغط ضروري لإثبات نموذج العمل. من ينجح أولًا في إطلاق تطبيقات واسعة النطاق، سيتمكن من امتصاص هذه التكاليف؛ ومن لا ينجح، فذلك يمثل عادةً “اختلالًا في تخصيص رأس المال”.
وعلى مستوى الدورة الاقتصادية الكلية، فإن مخاطر هذه النفقات الرأسمالية شديدة التركُّز (مختبران يمثلان نصفًا) ليست صغيرة. فإذا تباطأت وتيرة “تحويل الذكاء الاصطناعي إلى أموال” عن المتوقع، أو واجه مختبر ما مشكلة في التمويل، فستتم إعادة تسعير كامل سلسلة التدفقات النقدية ومنطق التقييمات. وهذه ليست مسألة تقنية، بل مسألة دورات رأس المال وإدارة السيولة.
كلام مأثور يقول: تراكم الطلبات أمر جيد، لكن بشرط أن يتمكن العملاء من الاستمرار في الدفع. وفي هذه اللعبة، المعيار هو من يستطيع تحويل تطبيقات الذكاء الاصطناعي إلى “نقد حقيقي” أولًا.
هذا الهيكل يوضح المشكلة بشكل جيد: وتيرة وحجم إنفاق مختبرات الذكاء الاصطناعي المتقدمة على حرق الأموال وصلتا إلى مرحلة يمكن أن تدعم عمليًا نصف أعمال مزوّدي خدمات السحابة. ومن زاوية تخصيص رأس المال، فهذا يمثل رهانا دوريًا نموذجيًا — رهان على ما إذا كانت سردية “الذكاء العام الاصطناعي (AGI)” قادرة على تحقيق قيمة تجارية خلال السنوات القليلة المقبلة.
توجد أمثلة كثيرة من التاريخ على ذلك: نشر الألياف الضوئية في أواخر التسعينات، وشراء معدات الاتصالات في أوائل العقد الأول من الألفينات، والنفقات الرأسمالية لرأس مال النفط الصخري في عشرينيات القرن الحالي. في كل مرة، يكون الاستثمار الضخم مُقدَّمًا مسبقًا، مع الرهان على أن الطلب المستقبلي سيستوعب الطاقة الإنتاجية. بعضها نجح، وبعضها أدى إلى فائض في الطاقة وديون معدومة.
بالنسبة لطلبات القدرة الحاسوبية البالغة 1 تريليون دولار، جوهر الأمر أنها تُقيِّد التدفقات النقدية لعدة سنوات قادمة مسبقًا. بالنسبة لمزوّدي خدمات السحابة، هذه توقعات دخل مستقرة؛ وبالنسبة لمختبرات الذكاء الاصطناعي، فهي ضغط ضروري لإثبات نموذج العمل. من ينجح أولًا في إطلاق تطبيقات واسعة النطاق، سيتمكن من امتصاص هذه التكاليف؛ ومن لا ينجح، فذلك يمثل عادةً “اختلالًا في تخصيص رأس المال”.
وعلى مستوى الدورة الاقتصادية الكلية، فإن مخاطر هذه النفقات الرأسمالية شديدة التركُّز (مختبران يمثلان نصفًا) ليست صغيرة. فإذا تباطأت وتيرة “تحويل الذكاء الاصطناعي إلى أموال” عن المتوقع، أو واجه مختبر ما مشكلة في التمويل، فستتم إعادة تسعير كامل سلسلة التدفقات النقدية ومنطق التقييمات. وهذه ليست مسألة تقنية، بل مسألة دورات رأس المال وإدارة السيولة.
كلام مأثور يقول: تراكم الطلبات أمر جيد، لكن بشرط أن يتمكن العملاء من الاستمرار في الدفع. وفي هذه اللعبة، المعيار هو من يستطيع تحويل تطبيقات الذكاء الاصطناعي إلى “نقد حقيقي” أولًا.