گلدمن ساچس: تب هوش مصنوعی حباب نیست؛ آغاز تغییرات کلان

گلدمن ساچس می‌گوید هیجان پیرامون هوش مصنوعی یک حباب سفته‌بازی نیست — بلکه آغاز اجرای یک فصل بزرگ است. در گزارش تازه‌ای که بانک سرمایه‌گذاری منتشر کرده، استدلال شده که هزینه‌های کنونی مرتبط با هوش مصنوعی در مقایسه با پتانسیل بلندمدت این فناوری کوچک است و پیش‌بینی می‌شود سرمایه‌گذاری در سال‌های آتی به سرعت افزایش یابد. این نگاه شامل چشم‌اندازهای گسترده اقتصادی، محاسباتی و سازمانی است که نشان می‌دهد موج کنونی صرفاً شروعی برای تحول ساختاری در اقتصاد و زیرساخت‌هاست.

Why Goldman thinks the AI story is far from over

تحلیل‌گران گلدمن تخمین می‌زنند سرمایه‌گذاری‌های مرتبط با هوش مصنوعی در آمریکا امروز کمتر از 1٪ تولید ناخالص داخلی را تشکیل می‌دهد؛ رقمی که به‌مراتب پایین‌تر از اوج‌های مشاهده‌شده در موج‌های تحول‌آفرین گذشته است — مانند راه‌آهن، برق‌رسانی و اینترنت که در اوج خود معمولاً بین 2 تا 5 درصد تولید ناخالص داخلی بوده‌اند. از منظر اقتصادی این فاصله نشانهٔ فضای زیادی برای تزریق سرمایه بیشتر و گسترش زیرساخت‌های محاسباتی، مراکز داده و خدمات نرم‌افزاری است؛ یعنی هنوز «مسیر» توسعه و سرمایه‌گذاری باز است و جای رشد فزاینده وجود دارد.

گزارش دو عامل محوری را در پس خوش‌بینی مطرح می‌کند. اول اینکه پیاده‌سازی‌های فعلی هوش مصنوعی در بخش‌های سنتی و تثبیت‌شده مانند خدمات مشتری، بهینه‌سازی فرآیندها در مالی و تولید، و اتوماسیون وظایف تکراری، هم‌اکنون افزایش‌های قابل‌اندازه‌گیری در بهره‌وری نشان می‌دهند. این به‌معنای رشد واقعی در خروجی نیروی کار و کاهش هزینه‌های عملیاتی در سطح شرکت‌هاست. دوم اینکه این سودمندی‌ها بر پایهٔ زیرساخت محاسباتی گسترده — شامل تراشه‌ها، سرورها و مراکز داده — بنا شده‌اند؛ زیرساختی که هزینه‌های جاری را توجیه می‌کند و نشان می‌دهد با مقیاس‌پذیر شدن پیاده‌سازی‌ها، سرمایه‌گذاری‌های بیشتر منطقی خواهد بود. این ترکیب بهره‌وری و نیاز به محاسبات پرقدرت، محرک اصلی رشد سرمایه‌گذاری در حوزهٔ هوش مصنوعی و یادگیری ماشین است.

How big could AI get?

گلدمن ساچس برآورد جسورانه‌ای مطرح می‌کند: هوش مصنوعی مولد (generative AI) می‌تواند تا 20 تریلیون دلار به اقتصاد ایالات متحده اضافه کند که حدود 8 تریلیون دلار از این رقم به‌صورت درآمد سرمایه‌ای به کسب‌وکارها منتقل می‌شود. علاوه بر این، بانک تخمین می‌زند بهره‌وری نیروی کار می‌تواند در دههٔ آینده حدود 15٪ افزایش یابد اگر ابزارهای هوش مصنوعی به‌طور گسترده به‌کار گرفته شوند. تصور کنید فعالیت‌های دانش‌بنیان روزمره مانند تحلیل گزارش‌ها، نگارش متون، تحقیق و پشتیبانی فنی 10 تا 20 درصد کارآمدتر شوند — این افزایش‌های کوچک وقتی در مقیاس شرکت‌ها و صنایع ترکیب شوند، اثر مرکب و سریعی بر رشد اقتصادی و سودآوری خواهند گذاشت.

این سناریو مبتنی بر چند عنصر کلیدی است: پیشرفت مدل‌های زبان بزرگ و مدل‌های مولد، کاهش هزینهٔ محاسبات به ازای هر عملیات با بهبود سخت‌افزار و معماری‌های توزیع‌شده، و ظهور نرم‌افزارها و پلتفرم‌هایی که ادغام هوش مصنوعی را در گردش‌های کاری سازمانی تسهیل می‌کنند. سه حوزهٔ مرتبط با این رشد عبارت‌اند از: توسعهٔ مدل‌های مولد با پارامترها و توانایی‌های بالاتر، سرمایه‌گذاری در GPUها و تسریع‌کننده‌های اختصاصی برای پردازش مدل‌ها، و تغییرات در ساختار خدمات ابری که امکان دسترسی اقتصادى‌تر به قدرت محاسباتی را فراهم می‌سازد. این پیوستگی میان مدل‌ها، سخت‌افزار و خدمات ابری نشان می‌دهد پتانسیل رشدِ اقتصادی واقعاً بزرگ است، ولی تحقق کامل آن نیاز به سرمایه‌گذاری هم‌زمان در همهٔ این لایه‌ها دارد.

Not all investors will win — history offers a warning

گزارش ریسک‌ها را نادیده نمی‌گیرد. گلدمن به یک الگوی تکرارشونده در دوره‌های قبلی توسعهٔ زیرساخت اشاره می‌کند: بازیگران اولیه معمولاً هزینه‌های سنگینی را برای ساخت و توسعه تقبل می‌کنند، اما اغلب رقبا یا بازیگران بزرگ‌تر در مرحلهٔ بعدی سودهای اصلی را می‌ربایند. سیستم‌های گران‌قیمت و اختصاصی می‌توانند به‌سرعت از رده خارج شوند یا توسط راه‌حل‌های استانداردشده و اقتصادی‌تر جایگزین گردند. در دنیای هوش مصنوعی، افت سریع ارزش سخت‌افزار و شتاب در بهبود مدل‌ها این احتمال را افزایش می‌دهد که هزینه‌های اولیهٔ سنگین تضمینی برای پیروزی بلندمدت نباشد.

به عبارت دیگر، شرکت‌هایی که امروز به‌صورت تهاجمی در تراشه‌ها و سرورها سرمایه‌گذاری می‌کنند ممکن است توسط رقبا و بازیگران چابک‌تر یا ارائه‌دهندگان ابری که زیرساخت را استاندارد و کالایی می‌کنند، مختل شوند. این مسئله اهمیت طراحی راهبردی سرمایه‌گذاری و انعطاف‌پذیری را نشان می‌دهد: باید پروژه‌ها به‌گونه‌ای معماری شوند که قابل‌مهاجرت و ماژولار باشند تا ریسک مبتنی بر فرسایش فناوری کاهش یابد. در کنار این، سرمایه‌گذاران باید به دنبال نشانه‌هایی از اقتصاد مقیاس، مالکیت فکری مدل‌ها، و توانایی شرکت‌ها در ادغام هوش مصنوعی در جریان‌های کاری روزمره باشند؛ این عوامل تعیین‌کنندهٔ برندگان بلندمدت در بازار هوش مصنوعی خواهند بود.

Spending should normalize as hardware costs fall

با وجود این احتیاطات، گلدمن انتظار دارد شرایط همچنان مساعد برای سرمایه‌گذاری در هوش مصنوعی باقی بماند. این بانک پیش‌بینی می‌کند هزینه‌های مرتبط با هوش مصنوعی می‌تواند تا حدود 300 میلیارد دلار تا سال 2025 افزایش یابد، زیرا شرکت‌ها پذیرش را افزایش داده و منافع بهره‌وری تجمعی می‌یابند. در طول زمان، صنعت باید از مرحلهٔ فشردهٔ ساخت زیرساخت عبور کند و با نزول قیمت‌های سخت‌افزار، الگوهای هزینه‌ای تثبیت شوند. کاهش قیمت GPUها و شتاب‌دهنده‌های تخصصی، به همراه بهبود بهره‌وری نرم‌افزارها و فشرده‌سازی مدل‌ها، می‌تواند هزینهٔ هر واحد کار محاسباتی را به‌طور معناداری پایین بیاورد و سرمایه‌گذاری‌های بعدی را مقرون‌به‌صرفه‌تر سازد.

این تغییر فاز یعنی از مرحلهٔ «ساخت سریع زیرساخت» به مرحلهٔ «استفاده بهینه و مقیاس‌پذیری» می‌تواند باعث شود توجه از هزینه‌های بلوکی به نرخ بازگشت سرمایهٔ کاربردی معطوف شود. همچنین، کاهش هزینه‌های سخت‌افزار و ظهور مدل‌های کم‌هزینه‌تر (به‌واسطهٔ تکنیک‌هایی مانند کوانتیزه‌سازی و پرونینگ) فشار بر روی شرکت‌ها برای حفظ تراز سرمایه‌گذاری را کاهش می‌دهد و به آنها امکان می‌دهد روی بهینه‌سازی فرایندها، آموزش نیروی انسانی و توسعهٔ محصولات جدید تمرکز کنند. برای سرمایه‌گذاران، این روند نشان می‌دهد که دورهٔ ناپایداری سرمایه‌گذاری ممکن است به تدریج به دوره‌ای از رشد پایدار و بازدهی معقول تبدیل شود.

What to watch next: models, chips and competition

• Model evolution: تحول مدل‌ها — مدل‌های سریع‌تر و دقیق‌تر حسابرسی ارزش را برای کسانی که می‌توانند ارزش را به‌سرعت جذب کنند تغییر می‌دهد. توسعهٔ مدل‌های مولد، بهینه‌سازی معماری‌های ترنسفورمر، و الگوریتم‌های آموزش کارآمدتر همگی بر رقابت برای تسلط بر بازار تأثیر خواهند گذاشت و تعیین می‌کنند چه شرکت‌هایی قابلیت ارائهٔ محصولات مبتنی بر هوش مصنوعی با کیفیت و هزینه کم را دارند.
• Hardware cycle: چرخهٔ سخت‌افزار — کاهش قیمت GPUها و تسریع‌کننده‌های تخصصی اقتصاد استفاده‌کنندگان از هوش مصنوعی را تغییر خواهد داد. تحولات در طراحی چیپ‌ها، توسعهٔ NPUها و ارتقا در معماری‌های توزیع‌شده محاسباتی می‌تواند هزینهٔ محاسبه را به‌ازای هر عملیات کاهش دهد و مدل کسب‌وکاری شرکت‌ها را بازتعریف کند.
• Market consolidation: تمرکز بازار — ارائه‌دهندگان ابر و پلتفرم‌های بزرگ ممکن است سرمایه‌گذاری‌های اولیه را تجمیع کنند، همان‌طور که در موج‌های فناوری گذشته رخ داد. این کنسولیدیشن می‌تواند منجر به استانداردسازی خدمات، کاهش هزینه‌ها برای استفاده‌کنندگان نهایی و ایجاد بازیگران مسلطی شود که از اقتصاد مقیاس بهره‌مند می‌شوند.

رونمایی‌های اخیر محصول نشان می‌دهد چشم‌انداز با چه سرعتی در حال تغییر است. گوگل مدل Gemini 2.5 Computer Use را منتشر کرد که توانمندی‌های مرور وب طبیعی‌تر و تعامل بلادرنگ را تقویت می‌کند و امکاناتی برای کاربری‌های پیچیده‌تر فراهم می‌سازد. همچنین علی‌بابا مدلی عظیم با حدود یک تریلیون پارامتر معرفی کرده تا در مقیاس و عملکرد با ChatGPT و Google Gemini رقابت کند. این توسعه‌ها هم شتاب نوآوری را نشان می‌دهد و هم رقابت فشرده بر سر تسلط بر قدرت محاسبات و مقیاس مدل‌ها را برجسته می‌سازد؛ رقابتی که نه‌فقط بین شرکت‌های فناوری بزرگ، بلکه بین تأمین‌کنندگان سخت‌افزار، ارائه‌دهندگان ابر و استارتاپ‌های تخصصی در جریان است.

What this means for businesses and investors

برای شرکت‌ها، پیام عملیاتی است: درجاهایی سرمایه‌گذاری کنید که هوش مصنوعی به‌وضوح بهره‌وری را افزایش می‌دهد، اما پروژه‌ها را طوری طراحی کنید که ماژولار و قابل‌انتقال باشند تا در صورت تغییر فناوری یا کاهش قیمت‌ها دچار زیان نشوید. رویکرد معماری مبتنی بر API، کانتینریزاسیون و استفاده از لایه‌های انتزاعی محاسباتی می‌تواند ریسک قفل‌شدن در سخت‌افزار یا سرویس خاص را کاهش دهد. علاوه بر این، سازمان‌ها باید در نیروی انسانی و آموزش مهارت‌های مرتبط با داده و هوش مصنوعی سرمایه‌گذاری کنند تا از منافع بهره‌وری به‌صورت پایدار بهره‌مند شوند.

برای سرمایه‌گذاران، پیام ظریف‌تر است — هوش مصنوعی یک تحول چندساله است، نه یک جنون کوتاه‌مدت. این واقعیت به معنای نیاز به انتخاب‌های دقیق و افق سرمایه‌گذاری بلندمدت است؛ یعنی تمرکز بر شرکت‌هایی که قابلیت ایجاد پذیرش پایدار را دارند، مدل‌های کسب‌وکار روشن و بازدهٔ اقتصادی درازمدت ارائه می‌دهند، و همچنین ارائه‌دهندگان زیرساخت که از مقیاس‌پذیری گسترده سود می‌برند. سرمایه‌گذاری در سه حوزهٔ کلیدی می‌تواند جذاب باشد: شرکت‌های نوآور در نرم‌افزارهای هوش مصنوعی و مدل‌های مولد، سازندگان سخت‌افزار و تسریع‌کننده‌ها (GPU، NPU، ASIC)، و ارائه‌دهندگان خدمات ابری که توانایی تجمیع و ارائهٔ خدمات در مقیاس بزرگ را دارند.

جمع‌بندی گلدمن: بازار هوش مصنوعی در حال گرم شدن است، اما هنوز به‌صورت حباب و بی‌پایه دیده نمی‌شود. داستان اصلی را کسانی رقم خواهند زد که شرط‌های زیرساختی را به‌خوبی مدیریت کنند، هوش مصنوعی را در جریان‌های کاری روزمره سازمان‌ها ادغام نمایند و بتوانند با سرعت تغییرات اقتصاد سخت‌افزار و مدل‌ها تطبیق یابند. در نهایت، موفقیت در این عرصه ترکیبی از نوآوری در مدل‌ها، کارایی در استفاده از سخت‌افزار و توانایی تجاری‌سازی راه‌حل‌های مبتنی بر هوش مصنوعی است.