مسابقه برای تصاحب زمینهای دیتاسنتر: تعهدات ۱۰۰ میلیارد دلاری برای زیرساخت هوش مصنوعی در عمل چه نتیجهای دارد؟
تا سال ۲۰۲۶، اعداد و ارقامی که در مورد هزینههای زیرساخت هوش مصنوعی مطرح میشود تقریباً به مرز مضحک رسیده است. مایکروسافت برای سال مالی ۲۰۲۶، ۸۰ میلیارد دلار تعهد کرده است. هزینه سرمایهای گوگل در مجموع سالهای ۲۰۲۵ و ۲۰۲۶ به ۷۵ میلیارد دلار رسید. آمازون پیشبینی میکند تا سال ۲۰۲۸ بیش از ۱۰۰ میلیارد دلار هزینه کند. سافتبنک برای زیرساختهای هوش مصنوعی در آمریکا ۱۰۰ میلیارد دلار تعهد داد. متا نیز هزینه سرمایهای خود در سال ۲۰۲۵ را ۶۵ میلیارد دلار اعلام کرده است. اگر همه اینها را جمع کنید، به رقمی بیش از نیم تریلیون دلار میرسید. همه این پولها ظاهراً صرف یک هدف میشود: ساختن بستر فیزیکی برای اجرای هوش مصنوعی در مقیاس بزرگ.
سوالی که ارزش پرسیدن دارد این نیست که آیا این اعداد واقعی هستند یا نه. در اکثر موارد واقعی هستند. سوال این است که این پولها دقیقاً چه چیزی میخرند، چه کسی از این ارزش سود میبرد، و آیا این موج هزینهکردن به یک مزیت پایدار منجر میشود یا صرفاً یک مسابقه زمینگیری گرانقیمت است که در نهایت به بنبست میخورد.
پولها دقیقاً صرف چه چیزی میشود
ساخت دیتاسنتر در ظاهر ساده به نظر میرسد: ساختمانهای بزرگ، کلی سرور. اما واقعیت پیچیدهتر است. بزرگترین هزینه در یک دیتاسنتر مدرن هوش مصنوعی، ساختمان نیست، بلکه توان محاسباتی است. یک GPU از نوع Nvidia H200 حدود ۳۰ تا ۴۰ هزار دلار قیمت دارد. یک رک NVL72 که ۷۲ عدد از این GPUها را در خود جای میدهد، ۳ میلیون دلار یا بیشتر هزینه دارد. یک hyperscaler که ۱۰۰ هزار GPU بخرد (که تخمین محافظهکارانهای برای یک کلاستر آموزشی بزرگ است)، قبل از اینکه حتی یک سرور در رک قرار گیرد، ۳ تا ۴ میلیارد دلار هزینه کرده است.
معماری GB200 Blackwell انویدیا که از اواخر سال ۲۰۲۵ به صورت عمده عرضه شد، این هزینه را بیشتر هم کرد. یک رک NVL72 بلکول با ۷۲ GPU حدود ۳.۵ میلیون دلار قیمت دارد و تقاضا بسیار بیشتر از عرضه است. این یک پویایی غیرعادی ایجاد میکند: شرکتهایی که بیشترین هزینه را روی زیرساخت هوش مصنوعی میکنند، عمدتاً این پول را به یک تأمینکننده واحد میدهند. انویدیا در سال ۲۰۲۵ حدود ۹۲٪ از درآمد GPU دیتاسنتر را به خود اختصاص داد. از نظر مالی، این مسابقه زمینگیری زیرساخت، عمدتاً یک انتقال ثروت به نفع انویدیا است.
در زیر لایه GPU، هزینهها پراکنده میشود. شبکهسازی (InfiniBand، اترنت ۴۰۰G/800G) گران است. خنککنندگی - چه سیستم سنتی CHWS با آب سرد و چه خنککنندگی مستقیم مایع (DLC) برای رکهای GPU با چگالی بالا - به ازای هر مگاوات ظرفیت، ۱ تا ۳ میلیون دلار هزینه اضافه میکند. خود ساختمانها در بازارهای رده یک (شمال ویرجینیا، فینیکس، شیکاگو) با قیمتهای بالا خریداری میشوند و زمان ساخت آنها بین ۱۸ تا ۳۶ ماه است. و بعد برق مطرح میشود.
برق، گلوگاه واقعی است
یک دیتاسنتر ۱۰۰ مگاواتی - که اندازه قابل توجهی است اما برای یک کلاستر هوش مصنوعی استثنایی نیست - تقریباً به خروجی یک نیروگاه کوچک نیاز دارد که به طور مداوم کار کند. در مقیاس یک گیگاوات که hyperscalerها اکنون برای پردیسهای خود هدف گرفتهاند، شما به چیزی شبیه سد هوور نیاز دارید که فقط برای آن تأسیسات کار کند. شرکتهای برق برای این نوع افزایش ناگهانی تقاضا ساخته نشدهاند.
دستور کمیسیون تنظیمگر انرژی فدرال آمریکا در ژوئن ۲۰۲۶ که اپراتورهای شبکه را ملزم به تسریع در اتصال بارهای بزرگ کرد (دستورات "show cause" FERC به هر شش اپراتور شبکه منطقهای)، واکنشی مستقیم به برخورد hyperscalerها با سقف ظرفیت برق است. در شبکه PJM که بیشتر سواحل شرقی و غرب میانه آمریکا را پوشش میدهد، ۴۰۰ گیگاوات درخواست معوق برای اتصال وجود دارد. دیتاسنتری که امروز سایت خود را واجد شرایط کند، ممکن است چهار تا شش سال برای اتصال پایدار به شبکه منتظر بماند.
hyperscalerها با هممکانی با تولیدکنندگان برق، خود را تطبیق میدهند. مایکروسافت با Constellation Energy و دیگر اپراتورهای هستهای قراردادهایی امضا کرده تا ظرفیت هستهای موجود را دوباره راهاندازی یا مجوزدهی کند. گوگل با Kairos Power برای راکتورهای مدولار کوچک (SMR) قرارداد بسته است. آمازون پردیس دیتاسنتر Talen Energy را در مجاورت یک نیروگاه هستهای ۲.۵ گیگاواتی در پنسیلوانیا خریداری کرد. الگو کاملاً واضح است: فاز بعدی زیرساخت هوش مصنوعی، همزمان یک ساختوساز زیرساخت انرژی است که در آن دیتاسنترها با شهرها برای ظرفیت محدود شبکه رقابت میکنند.
بازیکنان جدید و چرا hyperscale دیگر فقط برای hyperscalerها نیست
الزامات سرمایهای زیرساخت هوش مصنوعی یک فرصت غیرعادی برای خریداران مالی ایجاد کرده است. CoreWeave که با سرمایه سهام انویدیا و تأمین مالی بدهی رشد کرد، تا سال ۲۰۲۵ به ارزش ۲۳ میلیارد دلار رسید و در اوایل ۲۰۲۶ وارد بازار سهام شد و به یکی از سریعترین شرکتهای زیرساخت تاریخ تبدیل گردید. مدل آن - خرید GPU در مقیاس بزرگ و اجاره آنها به توسعهدهندگان هوش مصنوعی که به ظرفیت پیک نیاز دارند - دقیقاً به این دلیل کار میکند که hyperscalerها بیشتر ظرفیت GPU خود را به بارهای کاری داخلی اختصاص دادهاند.
آدام سلیپسکی، مدیرعامل سابق AWS، در ژوئن ۲۰۲۶ شرکت Helix Digital Infrastructure را با ۱۰ میلیارد دلار سرمایه تعهد شده از KKR، یک مشارکت با انویدیا و صندوق ثروت ملی کویت به عنوان سرمایهگذار اصلی راهاندازی کرد. وعده آن یکپارچگی عمودی است: دیتاسنتر، تولید برق، انتقال و فیبر نوری زیر یک سقف. Crusoe Energy نیز مدل یکپارچه مشابهی را با استفاده از گازهای مشعلشده در میادین نفتی ساخت. تز اصلی در همه این موارد این است که مالکیت کامل زنجیره - توان محاسباتی، برق، اتصال - حاشیه سودی را ایجاد میکند که قابل رقابت نیست.
چه کسی واقعاً ارزش را تصاحب میکند
در هر ساختوساز زیرساختی، تأمینکنندگان آن ساختوساز اغلب بهتر از خود سازندگان عمل میکنند. دوران راهآهن، شرکتهای فولاد را ثروتمند کرد، نه فقط اپراتورهای راهآهن را. ساختوساز اینترنت، سیسکو و شرکتهای کابلی را غنی کرد. موج زیرساخت هوش مصنوعی نیز از الگوی مشابهی پیروی میکند:
انویدیا مستقیمترین ارزش را تصاحب میکند، با حاشیه سود ناخالص بالای ۷۰٪ در محصولات دیتاسنتر خود. صف تقاضا تا سال ۲۰۲۷ ادامه دارد. AMD با MI300X پیشرفتهایی داشته و TPUهای گوگل در داخل رقابتی هستند، اما اکوسیستم CUDA انویدیا هزینههای جابجایی ایجاد میکند که فروشندگان GPU کالایی نتوانستهاند از آن عبور کنند.
شرکتهای برق مانند Constellation، Vistra و NRG Energy شاهد دو برابر شدن قیمت سهام خود در سالهای ۲۰۲۴-۲۰۲۵ بودند زیرا سیگنال تقاضای هوش مصنوعی به بازارهای برق رسید. اپراتورهای هستهای به ویژه سود میبرند، زیرا برق هستهای بار پایه همیشهروشن (baseload) را فراهم میکند که بارهای کاری آموزش هوش مصنوعی نیاز دارند.
REITهای دیتاسنتر مانند Equinix و Digital Realty از تقاضای هممکانی سود میبرند، هرچند ساخت دیتاسنترهای شخصی توسط hyperscalerها میزان سود این REITها از ساختوسازهای شخصی هوش مصنوعی را محدود میکند.
تصاحب ارزش نامطمئنتر مربوط به خود hyperscalerها است. این سوال که آیا ۵۰۰ میلیارد دلار هزینه زیرساخت، درآمد متناظری از برنامههای کاربردی هوش مصنوعی ایجاد میکند یا نه، هنوز پاسخ روشنی ندارد. قیاس با دوران ابر دلگرمکننده است - AWS، Azure و GCP با هم بیش از ۴۰۰ میلیارد دلار درآمد سالانه ایجاد میکنند - اما لایه برنامههای کاربردی هوش مصنوعی زودتر و نامطمئنتر است. hyperscalerها شرط میبندند که محدودیتهای ظرفیت امروز، به خندقهای رقابتی فردا تبدیل میشود.
این در عمل به چه معناست
برای توسعهدهندگان و استارتاپها، مسابقه زمینگیری زیرساخت یک اثر متناقض دارد: باید در طول زمان توان محاسباتی را ارزانتر کند (ظرفیت بیشتر، رقابت بیشتر) اما در کوتاهمدت گرانتر (تقاضا بیش از عرضه، قیمتهای لحظهای بالا). شرکتهایی که در سالهای ۲۰۲۴-۲۰۲۵ قراردادهای تعهدشده برای دسترسی به GPU بستند، مزیت قابل توجهی دارند. آنهایی که اکنون وارد بازار میشوند یا قیمتهای لحظهای بالا میپردازند یا در صفهای طولانی انتظار قرار میگیرند.
برای شرکتهایی که استراتژی زیرساخت هوش مصنوعی را ارزیابی میکنند، نکته کلیدی این است که تصمیم "ساخت در مقابل خرید" به طور فزایندهای به افق زمانی و ویژگیهای بار کاری بستگی دارد. استنتاج عمومی و آزمایشها باید روی APIهای ابر مدیریتشده انجام شود. آموزش مدلهای اختصاصی بزرگ، اجرای استنتاج با توان بالا و پایدار در مقیاس، یا کار در محیطهای شدیداً تنظیمشده (جایی که دادهها نمیتوانند از کنترل شما خارج شوند) توجیهکننده زیرساخت اختصاصی یا شخصی است - اما با این درک که دسترسی به برق اکنون یک محدودیت انتخاب سایت است، به اندازه اتصال شبکه در دهه ۲۰۰۰ مهم است.
مسابقه زمینگیری برای همیشه ادامه نخواهد داشت. وقتی صفهای برق و ساختوساز - احتمالاً در سالهای ۲۰۲۷-۲۰۲۸ - برطرف شود، در دسترس بودن ظرفیت GPU عادی میشود. شرکتهایی که دسترسی به برق، روابط با تأمینکنندگان تراشه و سابقه کار در مقیاس بزرگ در دوره محدودیت را تضمین کنند، مزیت ساختاری خواهند داشت. بقیه میتوانند هرچه نیاز دارند اجاره کنند. اینکه یک شرکت در کدام سمت این خط قرار میگیرد، ممکن است با تصمیماتی تعیین شود که در ۱۸ ماه آینده گرفته میشوند.