a16z تحلیل قدرت محاسباتی AI: درآمد دو برابر، فشار بر قیمت سهام، هزینه‌های سرمایه‌ای شگفت‌انگیز

عنوان اصلی: نمودارهای هفته: سر در ابرهای نوین

نویسنده اصلی: موسس استرنشتاین، a16z

یادداشت سردبیر: در زمینه سرمایه‌گذاری جدید در قدرت محاسباتی به‌دلیل پیشرفت AI، بحث در مورد زیرساخت‌های AI از "آیا GPU کافی وجود دارد؟" به "چه کسی می‌تواند به‌طور پایدار قدرت محاسباتی ارائه دهد؟" تغییر کرده است. با توافق بر سر نیاز به آموزش مدل‌ها، استنتاج و گسترش مراکز داده، یک سوال بنیادی‌تر شروع به ظهور کرده است: آیا رشد سریع تقاضای قدرت محاسباتی می‌تواند به واقع به سود و جریان نقدی پایدار تبدیل شود؟

در مقاله‌ای که در "نمودارهای هفته" منتشر شده است، نویسنده موسس استرنشتاین از شرکت‌های جدید ابری مانند CoreWeave، Nebius و Applied Digital شروع می‌کند و به بررسی رشد بازار قدرت محاسباتی AI، ارزیابی و تضاد سودآوری می‌پردازد و این موضوع را به SaaS افقی، مسیریابی مدل و رقابت در استعدادهای آزمایشگاه‌های پیشرفته گسترش می‌دهد.

در این مقاله، نویسنده به سادگی قضاوت نمی‌کند که آیا تقاضای AI قوی است یا خیر، بلکه معاملات فعلی AI را به مجموعه‌ای از سوالات ساختاری بنیادی‌تر تجزیه می‌کند: چگونه زیرساخت‌های موجود دوباره قیمت‌گذاری می‌شوند، چرا رشد درآمد با بهبود انتظارات بازار همزمان نیست و چرا تمرکز رقابت در صنعت AI از گسترش صرف به کارایی و بازده تغییر می‌کند.

اولین نکته، کشف مجدد ارزش زیرساخت‌هاست. در گذشته، زمین‌های کنار راه‌آهن، خطوط لوله گاز طبیعی و شبکه‌های تلویزیونی کابلی برای صنایع خاصی خدمت می‌کردند و سپس به زیرساخت‌های مخابراتی و اینترنتی تبدیل شدند. امروز، ارزیابی مجدد مشابهی در حال وقوع است. برخی از شرکت‌های جدید ابری که قبلاً به استخراج ارزهای دیجیتال خدمت می‌کردند، اکنون دارای تجربه عملیاتی در زمینه برق، اتاق‌های سرور، سیستم‌های خنک‌کننده و محاسبات با چگالی بالا هستند؛ پس از انفجار تقاضای AI، این قابلیت‌ها به سرعت به تأمین قدرت محاسباتی کمیاب تبدیل شدند. این بدان معناست که رقابت در زیرساخت‌های AI کاملاً از صفر شروع نمی‌شود و مزایای اولیه معمولاً از ترکیب مجدد دارایی‌های قدیمی، منابع انرژی و توانایی‌های مهندسی ناشی می‌شود.

دومین نکته، هم‌زیستی رشد بالای درآمد و عدم قطعیت در سودآوری است. رشد درآمد اولیه شرکت‌های جدید ابری مانند CoreWeave، یک‌بار از مراحل ابتدایی غول‌های ابری مانند AWS فراتر رفت، اما بازار سرمایه به همان اندازه به آن اعتبار نداد. دلیل این امر این است که شرکت‌های جدید ابری، کسب‌وکارهای نرم‌افزاری با دارایی سبک نیستند. خرید GPU، دسترسی به برق، ساخت مراکز داده، استهلاک تراشه و هزینه‌های بهره بدهی با افزایش مقیاس به‌طور همزمان افزایش می‌یابند و حتی ممکن است سریع‌تر از رشد درآمد افزایش یابند. این بدان معناست که گسترش درآمد تنها می‌تواند نشان‌دهنده تقاضای قوی برای قدرت محاسباتی AI باشد، اما به‌طور خودکار نمی‌تواند نشان‌دهنده این باشد که مدل کسب‌وکار دارای بازده سرمایه کافی است. آنچه بازار واقعاً منتظر آن است، این است که آیا این شرکت‌ها می‌توانند سفارشات و درآمد را به جریان نقدی آزاد پایدار تبدیل کنند.

سومین نکته، ارزش نرم‌افزار در حال تفکیک مجدد بر اساس تأثیر AI است. در گذشته، بازار نگران بود که AI تولیدی به‌طور کلی حصارهای شرکت‌های SaaS را تضعیف کند، اما عملکرد Atlassian نشان می‌دهد که AI نیز ممکن است ابزاری برای افزایش هزینه‌های مشتری و چسبندگی محصول باشد. در عین حال، نرم‌افزارهای امنیت سایبری و قابلیت مشاهده همچنان ارزش‌گذاری بالایی را دریافت می‌کنند، زیرا AI خطرات بالقوه را افزایش می‌دهد و وابستگی شرکت‌ها به راه‌حل‌های بالغ را افزایش می‌دهد. این بدان معناست که آنچه به‌عنوان "آخرالزمان SaaS" شناخته می‌شود، به‌طور یکنواخت اتفاق نخواهد افتاد. اینکه آیا AI به‌عنوان یک محصول جایگزین، قیمت‌ها را کاهش می‌دهد یا تقاضا را افزایش می‌دهد، به‌طور فزاینده‌ای به یک استاندارد جدید برای تفکیک ارزش نرم‌افزار تبدیل می‌شود.

چهارمین نکته، کاربردهای AI در حال تغییر از "انباشت توکن" به بهینه‌سازی توکن هستند. در گذشته، شرکت‌ها معمولاً تمایل داشتند که به‌طور مستقیم از قوی‌ترین مدل‌ها استفاده کنند یا به تیم‌های مهندسی بودجه‌ای برای آزمایش خود بدهند؛ اما اکنون، شرکت‌هایی مانند Databricks شروع به استفاده از مسیریابی هوشمند می‌کنند تا مدل‌های مختلف با قیمت و عملکرد متفاوت را بر اساس دشواری وظیفه تطبیق دهند و در عین حفظ اثر، هزینه‌ها را کاهش دهند. کاهش قیمت واحد توکن نیز به‌طور خودکار به معنای کاهش کل هزینه‌های AI نیست: زمانی که هزینه واحد کاهش می‌یابد و سناریوهای کاربردی افزایش می‌یابند، مجموع مصرف توکن و اندازه کل بازار همچنان ممکن است افزایش یابد. کارایی و تقاضا نه تنها با یکدیگر متضاد نیستند، بلکه ممکن است یک چرخه تقویت‌کننده یکدیگر را تشکیل دهند.

اگر این مقاله را به یک قضاوت فشرده کنیم، این است که: زیرساخت‌های AI ثابت کرده‌اند که می‌توانند رشد سریع ایجاد کنند، اما مرحله بعدی پیروزی و شکست به این بستگی دارد که آیا شرکت‌ها می‌توانند رشد را به کارایی سرمایه بالاتر تبدیل کنند. به این معنا، موضوع مورد بحث در این مقاله دیگر تنها این نیست که آیا CoreWeave می‌تواند به غول ابری نسل بعدی تبدیل شود، بلکه این است که آیا کل صنعت AI می‌تواند از گسترش قدرت محاسباتی به بازده تجاری پایدار منتقل شود.

سر در "ابرهای نوین"

در اوایل قرن بیستم، شرکت راه‌آهن اقیانوس آرام جنوبی در زمین‌های پاک‌سازی شده‌ای که به اتصال شهرها و شهرک‌های مختلف ایالات متحده کمک می‌کرد، دارای تعداد زیادی حق ساخت و ساز بلااستفاده بود. دامنه حقوق راه‌آهن بسیار وسیع‌تر از خود ریل بود و بنابراین کریدورهای زیادی برای توسعه باقی مانده بود.

بنابراین، این شرکت راه‌آهن یک شبکه ارتباطی در امتداد خط آهن ایجاد کرد و آن را "سیستم تلفن داخلی راه‌آهن اقیانوس آرام جنوبی" نامید. تا دهه 1970، این شرکت شروع به تجاری‌سازی این شبکه و باز کردن آن برای کاربران گسترده‌تر کرد.

سپس، دو اتفاق به‌طور همزمان رخ داد: از یک سو، الگوی انحصاری بازار تلفن‌های بین‌المللی به پایان رسید؛ از سوی دیگر، کابل‌های فیبر نوری شروع به داشتن قابلیت تجاری شدند. کریدورهای ارتباطی قبلی به خطوط فیبر نوری تبدیل شدند و این شبکه بعدها به‌عنوان "Sprint" شناخته شد. دارایی‌هایی که قبلاً به راه‌آهن خدمت می‌کردند، به این ترتیب به زیرساخت‌های اصلی انقلاب مخابراتی تبدیل شدند.

تبدیل شبکه‌های فیزیکی موجود به زیرساخت‌های تجاری با مقیاس بزرگ تنها مختص شرکت‌های راه‌آهن نبود.

در دهه 1980، شرکت ویلیامز (Williams Company) خطوط لوله گاز طبیعی بلااستفاده را به کانال‌های فیبر نوری تبدیل کرد و WilTel را تأسیس کرد. این شرکت بعدها فروخته شد و در نهایت به WorldCom تغییر نام داد. در دهه 1990، کابل‌های کواکسیال یک‌طرفه که برای کسب‌وکار تلویزیون کابلی نصب شده بودند، نیز یک دوره ارتقاء بزرگ و پرهزینه را تجربه کردند و در نهایت به زیرساخت‌های ارائه خدمات اینترنتی پرسرعت توسط Comcast و Charter تبدیل شدند.

این موضوع به نوع دیگری از شرکت‌ها اشاره دارد: آن‌ها نیز دارای زیرساخت‌های موجود هستند و این دارایی‌ها اکنون به‌طور قابل توجهی در حال تغییر و قیمت‌گذاری مجدد هستند تا نیازهای یک فناوری نوظهور را برآورده کنند - این همان چیزی است که به آن شرکت‌های "ابرهای نوین" (neocloud) گفته می‌شود.

به‌طور خلاصه، شرکت‌های جدید ابری معمولاً در زمینه استخراج ارزهای دیجیتال با انرژی و قدرت محاسباتی بالا فعالیت می‌کردند و سپس طوفان AI به‌وجود آمد. ناگهان، هر کسی که حق استفاده از برق، زیرساخت و تجربه ساخت و مدیریت بارهای محاسباتی با شدت بالا را داشته باشد - در مورد CoreWeave، این شامل تعداد زیادی GPU نیز می‌شود - در یکی از داغ‌ترین مسیرهای فعلی قرار می‌گیرد.

البته، این مقایسه به‌طور دقیق هم‌رده نیست. اما اگر به سه شرکت بزرگ جدید ابری که در حال حاضر در بورس هستند نگاه کنیم، رشد درآمد آن‌ها واقعاً قابل توجه است.

ما تنها می‌توانیم درآمد کسب‌وکار ابری در مراحل ابتدایی غول‌های خدمات ابری را تخمین بزنیم، اما روند کلی کاملاً واضح است: شرکت‌های جدید ابری با سرعت بسیار بالایی در حال رشد هستند و به‌وضوح از سرعت رشد مراحل ابتدایی سه غول خدمات ابری فراتر رفته‌اند.

باید اشاره کرد که در کل بازار فروش قدرت محاسباتی، شرکت‌های جدید ابری در حال حاضر تنها بازیگران نسبتاً کوچکی هستند.

آن‌ها هنوز راه طولانی برای رسیدن به اندازه غول‌های خدمات ابری دارند.

غول‌های خدمات ابری هر فصل درآمدی چندین برابر بیشتر از شرکت‌های جدید ابری تولید می‌کنند. اما در عین حال، CoreWeave تقریباً تنها در 25 فصل به درآمد 2.6 میلیارد دلاری دست یافته است که AWS پس از 40 فصل به آن رسید. دوباره تأکید می‌کنم: سرعت رشد این شرکت‌ها واقعاً بسیار سریع است.

با چنین سرعت بالایی در رشد و سوار شدن بر موج صنعت AI، به‌طور منطقی باید سرمایه‌گذاران بسیار هیجان‌زده باشند. تا حدی واقعاً همین‌طور است، اما واقعیت کمی پیچیده‌تر است.

اگرچه عملکرد گزارش‌های مالی اخیر این شرکت‌ها به‌طور کلی خوب بوده است، اما در سال گذشته، قیمت سهام CoreWeave همچنان حدود 16 درصد کاهش یافته است؛ تنها Nebius به نقطه اوج قبلی خود نزدیک‌تر است.

بنابراین، این داستان به‌طور کلی هنوز خوب است، اما برای بزرگ‌ترین شرکت جدید ابری، جذابیت به‌وضوح کمتر است.

عملکرد بازار در حال حاضر نسبتاً آرام است و بخشی از دلیل آن این است که بسیاری از انتظارات رشد ممکن است قبلاً در ارزیابی‌ها منعکس شده باشد.

برای شرکت‌های جدید ابری که سرمایه‌بر هستند، نسبت قیمت به فروش بهترین معیار ارزیابی نیست، اما هنوز هم به‌طور بصری توضیح‌دهنده است. Nebius و Applied Digital که اندازه کوچکتری دارند و رشد سریع‌تری دارند، ارزش‌گذاری بالاتری نسبت به CoreWeave دارند که اندازه بزرگ‌تری دارد. درآمد CoreWeave هنوز در حال دو برابر شدن است، اما دیگر به سرعت 400 تا 450 درصدی شرکت‌های پیشرو نمی‌رسد.

اگر بگوییم که شرکت‌های جدید ابری واقعاً با چه مشکلی مواجه هستند، این مشکل رشد نیست، بلکه توانایی سودآوری بلندمدت است. شرکت‌های جدید ابری برای گسترش مقیاس خود نیاز به سرمایه‌گذاری مداوم در تراشه‌ها، برق و زیرساخت‌های فیزیکی دارند و این هزینه‌ها نیز کم نیستند:

به‌عنوان مثال، در مورد CoreWeave، رشد درآمد آن واقعاً قابل توجه است، اما هزینه‌های سرمایه‌ای آن حتی بیشتر از آن است. سایر هزینه‌های کلان شامل استهلاک تراشه‌هاست - که مبلغ استهلاک آن بیش از نیمی از درآمد را تشکیل می‌دهد - و هزینه‌های بهره‌ای که به‌دلیل ساخت زیرساخت‌های گران‌قیمت به‌صورت وام گرفته شده و همچنان در حال افزایش است.

این مقاله قصد ندارد قضاوت کند که آیا شرکت‌های جدید ابری در نهایت موفق خواهند شد یا اینکه آیا قیمت سهام فعلی آن‌ها منطقی است یا خیر. به‌جز داغی موضوع، آنچه واقعاً می‌خواهیم بیان کنیم این است که شرکت‌های جدید ابری به‌طور خاص نمایانگر یک تصویر از کشمکش‌های صعودی و نزولی در کل معاملات AI هستند.

از یک سو، آنها در بازاری عمودی قرار دارند که از هر نظر فراتر از انتظارات قبلی است و همچنان در حال گسترش است - بازار محاسباتی - و سرعت رشد تاریخی نادری را ایجاد کرده‌اند؛ از سوی دیگر، هزینه‌های ساخت چنین شرکت‌هایی نیز در بالاترین سطح تاریخی قرار دارد و نیاز به سرمایه‌گذاری‌های بزرگ و زیرساخت‌های ثابت با استهلاک مداوم دارد.

بازگشت SaaS افقی؟

در اینجا به‌روزرسانی مختصری از نقشه بازار در حال تغییر "آخرالزمان SaaS" ارائه می‌دهیم. شرکتی که در فروش بزرگ سهام نرم‌افزاری به شدت آسیب دیده بود، در ماه گذشته عملکرد نسبتاً خوبی داشته است.

در 30 روز معاملاتی گذشته، شرکت‌های نرم‌افزاری افقی در میان سهام ETF نرم‌افزاری IGV در صدر قرار داشته‌اند - اگرچه از زمان جمع‌آوری این داده‌ها، آنها بخشی از افزایش خود را از دست داده‌اند.

به‌طور کلی، اصول بنیادین این شرکت‌ها همچنان قوی است. به‌ویژه Atlassian، که برخلاف انتظارات قبلی بازار، تحت تأثیر AI به افول نرفته است.

این شرکت نرم‌افزاری تولیدی به "دو برابر فراتر از انتظار" در عملکرد و پیش‌بینی دست یافته است: درآمد کسب‌وکار ابری 31 درصد نسبت به سال گذشته افزایش یافته و سرعت رشد سفارشات معوق حتی بیشتر است. اما سیگنال کلیدی‌تر ممکن است این باشد که AI در حال تبدیل شدن به یک محرک رشد کسب‌وکار است، نه یک مانع. Atlassian اعلام کرده است که دستیار AI آنها، Rovo، به‌طور گسترده‌ای مورد استفاده قرار گرفته است؛ در عین حال، مشتریانی که از Rovo استفاده می‌کنند، سرعت هزینه‌هایشان نزدیک به دو برابر کاربران غیر Rovo است.

این خبر خوبی برای Atlassian است، خبر خوبی برای Rovo است و همچنین خبر خوبی برای SaaS افقی است.

با این حال، ارزش‌گذاری کلی SaaS افقی هنوز کمی کمتر از سایر دسته‌های نرم‌افزاری است.

به جز چند استثنا، شرکت‌های SaaS افقی از جمله Atlassian، نسبت به سطحی که خط روند "رشد - نسبت ارزش‌گذاری" نشان می‌دهد، به‌طور کلی نسبت قیمت به فروش پیش‌بینی‌شده کمتری دارند.

یک بار دیگر تأکید می‌کنم، SaaS افقی فقط یک "ماه" نسبتاً خوب را پشت سر گذاشته است. برای اینکه بازار به این باور برسد که "آخرالزمان SaaS" لغو شده است، تنها یک ماه عملکرد به‌تنهایی کافی نیست.

البته، اگر کسب‌وکار نرم‌افزاری شما در زمینه امنیت سایبری یا قابلیت مشاهده باشد، این یک موضوع دیگر است - برای این شرکت‌ها، آنچه به‌عنوان "آخرالزمان SaaS" شناخته می‌شود، هرگز اتفاق نیفتاده است.

بخش امنیت سایبری همچنان به‌طور قابل توجهی از سایر دسته‌ها در ETF نرم‌افزاری IGV پیشی می‌گیرد. در این حوزه، AI به‌عنوان یک عامل مثبت عمل می‌کند: بازار به‌طور کلی بر این باور است که AI درک مردم از خطرات تهدیدات امنیت سایبری را افزایش داده است و هیچ مشتری شرکتی نمی‌تواند با "برنامه‌نویسی احساسی" (vibe coding) به‌طور موقت یک راه‌حل امنیتی برای خود بسازد.

آیا این منطق در نهایت می‌تواند درست باشد، البته نیاز به زمان دارد. اما حداقل در حال حاضر، وضعیت شرکت‌های نرم‌افزاری سنتی به‌هیچ‌وجه یکسان نیست.

سرمایه‌گذاران به شدت نگران این هستند که AI آیا به هر شرکتی سود می‌رساند یا آسیب می‌زند و با هر دسته جدید از داده‌ها، قضاوت‌های قبلی خود را اصلاح می‌کنند - که البته منطقی است.

حرکت به سمت مرزهای کارایی سرمایه‌گذاری توکن

نقشه بازار در اطراف استفاده از مدل‌ها، مصرف توکن و مدیریت هزینه‌های توکن، همچنان به‌طور جالبی در حال تحول است.

به‌عنوان مثال، Databricks.

در مورد سوالاتی مانند "کدام مدل را باید استفاده کنیم" و "کدام مدل بهترین است"، Databricks رویکرد برنده را اتخاذ نکرده و فقط به مهندسان یک بودجه نمی‌دهد تا خودشان تصمیم بگیرند چگونه هزینه کنند. آنها سوال دیگری مطرح کرده‌اند: "اگر ما یک راه‌حل توسعه دهیم که وظایف مناسب را به مدل‌های مناسب به‌طور خودکار اختصاص دهد، چه خواهد شد؟"

بدیهی است که Databricks تنها شرکتی نیست که این کار را انجام می‌دهد، اما آنها یک "مسیر هوشمند" (Smart Router) توسعه داده‌اند که نتایج آن آنها را بسیار راضی کرده است.

گفته می‌شود که مسیریاب Databricks قادر است در صورت نیاز از مدل‌های قوی‌تر و گران‌تر استفاده کند و در شرایط مناسب از مدل‌های ضعیف‌تر و ارزان‌تر استفاده کند و به این ترتیب "به‌طور مداوم هزینه متوسط وظایف را بیش از 30 درصد کاهش دهد".

به‌طور کلی، دنبال کردن "مرز کارایی" هزینه‌های توکن به‌طور قطع یک چیز خوب است. این به این معنی است که تقاضا همچنان در حال رشد است و سناریوهای کاربردی نه تنها در مرزهای عملکردی ادامه دارند، بلکه به مدل‌هایی با توانایی کمتر نیز گسترش می‌یابند. در روایت‌های اولیه بدبینانه، این مدل‌های غیر بهینه به‌سرعت در نظر گرفته می‌شدند که حذف خواهند شد.

همان‌طور که قبلاً اشاره کردیم، بهبود کارایی دامنه تقاضا را گسترش می‌دهد، که دقیقاً همان چیزی است که بازار امیدوار است ببیند، مشابه پارادوکس جیونز.

شاخص شدت قیمت توکن Silicon Data نشان می‌دهد که شدت قیمت کلی در حال کاهش است، به‌ویژه با توجه به اینکه مدل‌های باز با قیمت پایین‌تر در بازار در حال گسترش هستند.

اینجا لازم است که یک مفهوم که اغلب مورد سوءتفاهم قرار می‌گیرد را دوباره روشن کنیم: این شاخص‌ها هزینه شدت هزینه‌های توکن را اندازه‌گیری می‌کنند، نه مقدار مطلق دلار. این همچنین به تعداد مصرف توکن و هزینه کلی توکن بستگی دارد. این به این معنی است که حتی اگر قیمت هر توکن کاهش یابد، مقدار کل مصرف توکن و مقدار کل هزینه ممکن است همچنان افزایش یابد.

واقعاً مهم این است که تقاضای کلی همچنان در حال رشد است و قیمت‌گذاری و انتخاب مدل به‌تدریج به مرز کارایی می‌رسد که فقط این رشد را بیشتر تحریک می‌کند. به‌ویژه قابل توجه است که "تقاضای AI" یا "پذیرش AI" یک مفهوم واحد و همگن نیست. بین کاربران سنگین و سایر کاربران هنوز فاصله زیادی وجود دارد. این به‌وضوح نشان می‌دهد که "همیشه از بهترین مدل استفاده کنید" ممکن است برای برخی شرکت‌ها مناسب باشد، اما قطعاً برای همه شرکت‌ها مناسب نیست.

امروز، بازار به سرعت در حال شکل‌گیری گزینه‌های جایگزین بیشتری است. به‌طور کلی، این یک چیز خوب است.

بر اساس داده‌های پلتفرم مدیریت هزینه‌های شرکتی Ramp، همه شرکت‌ها در حال افزایش هزینه‌های AI هستند، اما فاصله بین هزینه‌های میانه و 10 درصد برتر شرکت‌ها و همچنین فاصله بین 10 درصد برتر و 1 درصد برتر بسیار زیاد است.

داده‌های Ramp معمولاً به سمت شرکت‌های فناوری متمایل است، بنابراین هنگام تفسیر باید به این نکته توجه کرد. اما داده‌ها نشان می‌دهند که هزینه‌های شرکت‌های رده‌بندی شده در 10 درصد برتر، به‌طور تقریبی 50 برابر هزینه‌های شرکت‌های میانه است.

این توزیع احتمالاً تصادفی نیست. شرکت‌هایی که می‌توانند از هزینه‌های AI ارزش بیشتری استخراج کنند، احتمالاً همان شرکت‌هایی هستند که بیشترین سرمایه‌گذاری را انجام می‌دهند - حتی اگر همه شرکت‌ها این‌گونه نباشند، حداقل بخش قابل توجهی از شرکت‌ها این الگو را دنبال می‌کنند.

تحلیل Boston Consulting Group از 107 شرکت عمومی نشان می‌دهد که شرکت‌هایی که در دو گروه پنج‌تایی برتر از نظر استفاده از توکن قرار دارند، سرعت رشد درآمدی به‌طور قابل توجهی بالاتر از سایر شرکت‌ها دارند.

آنچه می‌خواهم بیان کنم این است که تقاضای توکن و کارایی استفاده در حال تقویت یکدیگر هستند: هرچه ارزش بیشتری از شرکت‌ها به‌دست آید، توکن بیشتری نیز مصرف می‌شود.

این فرآیند قطعاً شامل تعادل بین سرمایه‌گذاری و بازده است و تحقیق و توسعه همیشه شامل برخی هزینه‌های اولیه است. اما برای اکثر شرکت‌ها، "انباشتن توکن" به‌طور نامحدود هرگز یک استراتژی مؤثر نبوده است.

بنابراین، اینکه شرکت‌ها در آینده به‌طور فزاینده‌ای نیازی به اتخاذ چنین رویکردی نداشته باشند، به‌وضوح یک چیز خوب است.

جنگ جذب استعداد در آزمایشگاه‌های پیشرفته

New Media به‌تازگی دو عضو برجسته تیم خود را به OpenAI اضافه کرده است، بنابراین در نهایت با چند نمودار جالب، وضعیت جذب استعداد در آزمایشگاه‌های AI پیشرفته را بررسی می‌کنیم.

Dario Amodei به‌تازگی ابراز نگرانی کرده است که کارکنان ممکن است پول را بر مأموریت مقدم بدانند. بر اساس داده‌های Levels.fyi، این نگرانی ممکن است بی‌پایه نباشد.

اگر به‌طور کامل بر اساس داده‌ها قضاوت کنیم، Anthropic به مهندسان خود حقوق بسیار بالایی می‌دهد و این حقوق به‌طور قابل توجهی بالاتر از مهندسان هم‌سطح در شرکت‌هایی مانند گوگل و تسلا است.

به نظر می‌رسد که پیوستن به تیم فنی واقعاً یک کار خوب است.

علاوه بر این، یک مجموعه داده دیگر نیز جالب است.

بر اساس داده‌های Live Data Technologies - که توسط Truist Securities جمع‌آوری و ارائه شده است - منابع استعداد در هر آزمایشگاه همپوشانی زیادی دارند و همچنین تفاوت‌های قابل توجهی وجود دارد:

دو شرکت از شرکت‌های بزرگ فناوری با ارزش بازار بالا، تعدادی از استعدادها را استخدام کرده‌اند، اما تنها OpenAI از انویدیا و تسلا نیرو جذب کرده است و این استخدام‌ها در سال ۲۰۲۶ انجام شده است.

Databricks، Snowflake (به تازگی)، Palantir و DeepMind نیز منابع مشترک نیروی انسانی این دو شرکت هستند.

هر دو آزمایشگاه همچنین از Salesforce و Stripe تعداد قابل توجهی از کارکنان را استخدام کرده‌اند.

اما به نظر می‌رسد که همپوشانی بین این دو شرکت به همین جا ختم می‌شود. Anthropic از شرکت‌های SaaS تعداد زیادی از استعدادها را استخدام کرده است، در حالی که OpenAI تقریباً هیچ‌کس را از این حوزه جذب نکرده است؛ در عوض، OpenAI به طور گسترده‌ای از شرکت‌های اینترنت مصرفی، بازارهای پلتفرم و فناوری تبلیغات نیرو جذب کرده است، در حالی که استخدام Anthropic در این زمینه‌ها نسبتاً کم است، به جز Airbnb، Netflix و Uber.

در مورد اینکه این تفاوت‌ها چه معنایی دارند، این موضوع را به خودتان واگذار می‌کنیم.