مقاله جدید a16z: از معادن رمزنگاری تا ابر هوش مصنوعی، چرا «ابر جدید» هرچه بیشتر رشد می‌کند، بیشتر هزینه می‌کند؟

عنوان اصلی: نمودارهای هفته: سر در ابرهای نوین نویسنده اصلی: موسس استرنشتاین، a16z

یادداشت سردبیر: در زمینه سرمایه‌گذاری جدید در قدرت محاسباتی که توسط هوش مصنوعی تولید می‌شود، بحث در مورد زیرساخت‌های هوش مصنوعی در حال تغییر از «آیا GPU کافی وجود دارد» به «چه کسی می‌تواند به طور پایدار قدرت محاسباتی ارائه دهد» است. وقتی نیاز به آموزش و استنتاج مدل‌ها و گسترش مراکز داده به توافقی عمومی تبدیل شده است، یک سوال بنیادی‌تر شروع به ظهور می‌کند: آیا رشد سریع نیاز به قدرت محاسباتی واقعاً می‌تواند به سود و جریان نقدی پایدار تبدیل شود؟

در مقاله «نمودارهای هفته» منتشر شده توسط a16z New Media، نویسنده موسس استرنشتاین از شرکت‌های ابر جدید مانند CoreWeave، Nebius و Applied Digital شروع می‌کند و به بحث در مورد رشد، ارزیابی و تضاد سودآوری در بازار قدرت محاسباتی هوش مصنوعی می‌پردازد و این موضوع را به رقابت در SaaS افقی، مسیریابی مدل‌ها و رقابت در استعدادهای آزمایشگاه‌های پیشرفته گسترش می‌دهد.

در این مقاله، نویسنده به سادگی به این سوال پاسخ نمی‌دهد که آیا نیاز به هوش مصنوعی قوی است یا خیر، بلکه مسائل ساختاری بنیادی‌تری را در مورد معاملات هوش مصنوعی کنونی تجزیه و تحلیل می‌کند: اینکه زیرساخت‌های موجود چگونه دوباره قیمت‌گذاری می‌شوند، چرا رشد درآمد با بهبود انتظارات بازار همزمان نیست و چرا تمرکز رقابت در صنعت هوش مصنوعی از گسترش صرف به کارایی و بازده تغییر می‌کند.

نخست، کشف مجدد ارزش زیرساخت‌ها. 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 دارایی‌های مشابه دوباره در حال وقوع است. برخی از شرکت‌های ابر جدید که قبلاً به استخراج ارزهای دیجیتال خدمت می‌کردند، اکنون تجربه عملی در زمینه برق، اتاق‌های سرور، سیستم‌های خنک‌کننده و محاسبات با چگالی بالا دارند؛ پس از انفجار نیاز به هوش مصنوعی، این قابلیت‌ها به سرعت به عرضه کمیاب قدرت محاسباتی تبدیل شدند. این بدان معناست که رقابت در زیرساخت‌های هوش مصنوعی کاملاً از صفر آغاز نمی‌شود و مزیت‌های اولیه معمولاً از ترکیب مجدد دارایی‌های قدیمی، منابع انرژی و توانایی‌های مهندسی ناشی می‌شود.

دوم، همزیستی رشد سریع درآمد و عدم قطعیت در سودآوری. رشد درآمد اولیه شرکت‌های ابر جدید مانند CoreWeave، یک بار از مرحله ابتدایی غول‌های ابری مانند AWS بیشتر بود، اما بازار سرمایه به این رشد به همان اندازه پاسخ نداد. دلیل این است که ابر جدید یک کسب‌وکار نرم‌افزاری سبک معمولی نیست. خرید GPU، دسترسی به برق، ساخت مراکز داده، استهلاک تراشه‌ها و بهره وام با افزایش مقیاس همزمان افزایش می‌یابند و حتی ممکن است سریع‌تر از رشد درآمد افزایش یابند. این بدان معناست که گسترش درآمد فقط می‌تواند نشان دهد که نیاز به قدرت محاسباتی هوش مصنوعی قوی است، اما به طور خودکار نمی‌تواند نشان دهد که مدل کسب‌وکار دارای نرخ 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.

سوم، ارزش نرم‌افزار در حال تفکیک مجدد بر اساس تأثیر هوش مصنوعی است. در گذشته، بازار نگران بود که هوش مصنوعی تولیدی به طور کلی حصارهای شرکت‌های SaaS را تضعیف کند، اما عملکرد Atlassian نشان می‌دهد که هوش مصنوعی نیز می‌تواند ابزاری برای افزایش هزینه‌های مشتری و چسبندگی محصولات باشد. در عین حال، نرم‌افزارهای امنیت سایبری و قابل مشاهده همچنان ارزش‌گذاری بالایی را دریافت می‌کنند، زیرا هوش مصنوعی خطرات بالقوه را افزایش می‌دهد و وابستگی شرکت‌ها به راه‌حل‌های بالغ را افزایش می‌دهد. این بدان معناست که آنچه به عنوان «آخرالزمان SaaS» شناخته می‌شود، به طور یکنواخت اتفاق نخواهد افتاد. اینکه آیا هوش مصنوعی محصولات جایگزین، کاهش قیمت یا افزایش تقاضا است، به یک استاندارد جدید برای تفکیک ارزش‌گذاری نرم‌افزار تبدیل شده است.

چهارم، کاربردهای هوش مصنوعی در حال تغییر از «انباشتن توکن» به بهینه‌سازی توکن هستند. در گذشته، شرکت‌ها معمولاً تمایل داشتند که به طور مستقیم از قوی‌ترین مدل‌ها استفاده کنند یا به تیم‌های مهندسی بودجه‌ای برای آزمایش بدهند؛ 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 هر توکن نیز به طور ضروری به معنای کاهش کل هزینه‌های هوش مصنوعی نیست: وقتی هزینه واحد کاهش می‌یابد و زمینه‌های کاربرد افزایش می‌یابد، کل مصرف توکن و اندازه کل بازار همچنان ممکن است افزایش یابد. کارایی و تقاضا نه تنها متضاد نیستند، بلکه ممکن است یک چرخه تقویت‌کننده یکدیگر باشند.

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

محتوای اصلی:

زیر سایه «ابر جدید»

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

بنابراین، این شرکت راه‌آهن یک شبکه ارتباطی در طول 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 به طور 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 با اختصار انگلیسی «Sprint» شناخته شد. دارایی‌هایی که قبلاً به راه‌آهن خدمت می‌کردند، به این ترتیب به زیرساخت‌های اصلی انقلاب مخابراتی تبدیل شدند.

تنها راه‌آهن نبود که شبکه‌های فیزیکی موجود را به زیرساخت‌های تجاری بزرگ‌تر تبدیل می‌کرد.

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 بعداً به فروش رفت و در نهایت به WorldCom تغییر نام داد. تا 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 اینترنت پرسرعت به مصرف‌کنندگان 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 به شدت در حال تغییر و قیمت‌گذاری مجدد هستند تا نیازهای یک فناوری نوظهور را برآورده کنند - این همان چیزی است که به آن شرکت‌های «ابر جدید» (neocloud) می‌گویند.

به طور خلاصه، شرکت‌های ابر جدید عمدتاً در زمینه استخراج ارزهای دیجیتال انرژی و قدرت محاسباتی فشرده فعالیت می‌کردند، و سپس طوفان هوش مصنوعی به وجود 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 کنونی قرار می‌گیرد.

البته، این مقایسه به معنای مشابهت دقیق نیست. اما اگر به سه شرکت بزرگ ابر جدید که در بورس هستند نگاه کنیم، رشد درآمد آن‌ها واقعاً چشمگیر است.

ما فقط می‌توانیم درآمد کسب‌وکار ابری در مراحل ابتدایی غول‌های خدمات ابری را تخمین بزنیم، اما روند کلی کاملاً واضح است: شرکت‌های ابر جدید با سرعت بسیار بالایی در حال رشد هستند و به وضوح از سرعت رشد سه غول خدمات ابری در مراحل ابتدایی خود پیشی می‌گیرند.

لازم به ذکر است که در کل بازار فروش قدرت محاسباتی، شرکت‌های ابر جدید در حال حاضر هنوز تنها بازیگران نسبتاً کوچکی هستند.

آن‌ها هنوز راه زیادی برای رسیدن به حجم غول‌های خدمات ابری دارند.

درآمدی که غول‌های خدمات ابری در هر فصل تولید می‌کنند، چندین مرتبه بیشتر از شرکت‌های ابر جدید است. اما در عین حال، CoreWeave تنها در حدود 25 فصل، به درآمد 2.6 میلیارد دلاری دست یافته است که AWS در 40 فصل اول خود به آن رسید. بار دیگر تأکید می‌کنیم: سرعت رشد این شرکت‌ها واقعاً بسیار سریع است.

با چنین سرعت بالایی و سوار بر موج صنعت هوش مصنوعی، به طور منطقی باید سرمایه‌گذاران بسیار هیجان‌زده باشند. تا حدی واقعاً همین‌طور است، اما واقعیت کمی پیچیده‌تر است.

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

بنابراین، این داستان به طور کلی هنوز خوب است، اما برای بزرگ‌ترین شرکت‌های ابر جدید، جذابیت به وضوح کمتر است.

عملکرد بازار اخیر نسبتاً ساکت بوده است، که بخشی از دلیل آن این است که بسیاری از انتظارات رشد ممکن است در ارزیابی‌ها منعکس شده باشد.

برای شرکت‌های سرمایه‌بر مانند ابر جدید، نسبت قیمت به فروش مناسب‌ترین معیار ارزیابی نیست، اما هنوز هم به وضوح مسئله را توضیح می‌دهد. Nebius و Applied Digital که کوچک‌تر و سریع‌تر رشد می‌کنند، ارزش‌گذاری بالاتری نسبت به CoreWeave که بزرگ‌تر است، دارند. درآمد CoreWeave هنوز در حال دو برابر شدن است، اما دیگر به سرعت 400 تا 450 درصدی شرکت‌های برتر نمی‌رسد.

اگر بخواهیم بگوییم که آیا واقعاً مشکلی برای شرکت‌های ابر جدید وجود دارد، این مشکل نه در رشد، بلکه در سودآوری بلندمدت است. شرکت‌های ابر جدید نیاز به سرمایه‌گذاری مداوم در تراشه‌ها، برق و زیرساخت‌های فیزیکی برای گسترش مقیاس دارند و این هزینه‌ها هم کم نیستند:

به عنوان مثال، درآمد CoreWeave به طرز قابل توجهی افزایش یافته است، اما هزینه‌های سرمایه‌گذاری حتی بیشتر از آن است. سایر هزینه‌های کلان شامل استهلاک تراشه‌ها است که مبلغ استهلاک آن بیش از نیمی از درآمد را تشکیل می‌دهد و همچنین هزینه‌های بهره ناشی از قرض گرفتن برای ساخت زیرساخت‌های گران‌قیمت که همچنان در حال افزایش است.

این مقاله قصد ندارد قضاوت کند که آیا شرکت جدیدی موفق خواهد شد یا اینکه آیا قیمت سهام فعلی آن منطقی است یا خیر. صرف‌نظر از داغ بودن موضوع، آنچه واقعاً می‌خواهیم بیان کنیم این است که شرکت جدید به نوعی نماد کشمکش‌های صعودی و نزولی در کل معاملات هوش مصنوعی است.

از یک سو، آنها در بازاری عمودی قرار دارند که به طور قابل توجهی بزرگتر از آنچه همه انتظار داشتند، و همچنان در حال گسترش است - بازار قدرت محاسباتی - و سرعت رشد تاریخی نادری را ایجاد کرده‌اند؛ از سوی دیگر، هزینه‌های ساخت چنین شرکت‌هایی در بالاترین سطح تاریخی خود قرار دارد و نیاز به سرمایه‌گذاری‌های بزرگ و استهلاک مداوم زیرساخت‌های ثابت دارد.

بازگشت SaaS افقی؟

در زیر به‌روزرسانی مختصری از نقشه بازار در حال تغییر «آخرالزمان SaaS» ارائه می‌دهیم. شرکتی که در فروش گسترده سهام نرم‌افزار به شدت آسیب دیده بود، در ماه گذشته عملکرد نسبتاً خوبی داشته است.

در 30 روز معاملاتی گذشته، شرکت‌های نرم‌افزار افقی در میان سهام ETF نرم‌افزار IGV از عملکرد بالایی برخوردار بوده‌اند - هرچند از زمان جمع‌آوری این داده‌ها، آنها بخشی از افزایش را از دست داده‌اند.

به طور کلی، اصول بنیادی این شرکت‌ها همچنان قوی است. به ویژه Atlassian، که برخلاف انتظارات قبلی بازار، تحت تأثیر هوش مصنوعی به سمت افول نرفته است.

این شرکت نرم‌افزار تولیدی موفق به دستیابی به «دو پیش‌بینی فراتر از انتظار» در عملکرد و راهنمایی خود شده است: درآمد کسب‌وکار ابری 31 درصد نسبت به سال گذشته افزایش یافته و سرعت رشد سفارشات معوق حتی بیشتر است. اما سیگنال کلیدی‌تر شاید این باشد که هوش مصنوعی در حال تبدیل شدن به یک محرک برای رشد کسب‌وکار است، نه یک مانع. Atlassian اعلام کرده است که دستیار هوش مصنوعی آن، Rovo، به طور 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، به طور کلی نسبت قیمت به فروش پیش‌بینی شده‌ای کمتر از سطح مربوط به خط روند «رشد - نسبت ارزش‌گذاری» دارند.

یک بار دیگر تأکید می‌کنیم که 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 به هیچ وجه کافی نیست.

البته، اگر کسب‌وکار نرم‌افزاری شما در زمینه امنیت سایبری یا قابلیت مشاهده باشد، این موضوع کاملاً متفاوت است - برای این شرکت‌ها، آنچه به عنوان «آخرالزمان SaaS» شناخته می‌شود هرگز اتفاق نیفتاده است.

بخش امنیت سایبری همچنان به طور قابل توجهی از سایر دسته‌ها در ETF نرم‌افزار IGV پیشی می‌گیرد. در این زمینه، هوش مصنوعی به عنوان یک عامل مثبت عمل می‌کند: بازار به طور کلی بر این باور است که هوش مصنوعی درک افراد از خطرات امنیت سایبری را افزایش داده است و هیچ مشتری شرکتی به «برنامه‌نویسی احساسی» (vibe coding) تکیه نمی‌کند تا یک راه‌حل امنیتی موقت برای خود بسازد.

این منطق در نهایت آیا می‌تواند برقرار بماند، البته هنوز نیاز به زمان دارد تا آزمایش شود. اما حداقل در حال حاضر، وضعیت شرکت‌های نرم‌افزاری سنتی به هیچ وجه یکسان نیست.

سرمایه‌گذاران به شدت به این موضوع توجه دارند که آیا هوش مصنوعی به هر شرکتی سود می‌رساند یا باعث تضعیف آن می‌شود و با هر دسته جدید از داده‌ها، قضاوت‌های قبلی خود را اصلاح می‌کنند - که این نیز کاملاً منطقی است.

حرکت به سمت مرزهای کارایی سرمایه‌گذاری توکن

نقشه بازار در حال تحول در مورد استفاده از مدل‌ها، مصرف توکن و مدیریت هزینه‌های توکن، همچنان به روش‌های مختلف جالبی در حال تکامل است.

به عنوان مثال، Databricks.

در مورد سوالاتی مانند «کدام مدل را باید استفاده کنیم» و «کدام مدل بهترین است»، Databricks رویکرد برنده-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 به طور 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 و نتایج واقعی آنها را بسیار راضی کرده است.

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

به طور کلی، تلاش برای دستیابی به «مرزهای کارایی» در هزینه‌های توکن به سختی می‌تواند چیز بدی باشد. این به این معنی است که تقاضا همچنان در حال افزایش است و کاربردها نه تنها در مرزهای عملکردی پیشرفته ادامه می‌یابند، بلکه به مدل‌های با قابلیت‌های کمتر نیز گسترش می‌یابند. در روایت‌های اولیه بدبینانه، این مدل‌های ضعیف‌تر به سرعت در نظر گرفته می‌شدند که از دور خارج خواهند شد.

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

شاخص شدت قیمت توکن Silicon Data نشان می‌دهد که شدت قیمت کلی در حال کاهش است، به ویژه با توجه به اینکه مدل‌های باز با قیمت پایین‌تر در بازار در حال گسترش هستند و سهم بیشتری را به خود اختصاص می‌دهند.

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

واقعاً مهم این است که تقاضای کلی همچنان در حال افزایش است و قیمت‌گذاری و انتخاب مدل به تدریج به سمت مرزهای کارایی حرکت می‌کند، که فقط این رشد را بیشتر تحریک خواهد کرد. به ویژه قابل توجه است که «تقاضای هوش مصنوعی» یا «پذیرش هوش مصنوعی» یک مفهوم واحد و همگن نیست. بین کاربران سنگین و سایر کاربران هنوز فاصله زیادی وجود دارد. این به وضوح نشان می‌دهد که «همیشه از بهترین مدل استفاده کنید» ممکن است برای برخی از شرکت‌ها مناسب باشد، اما قطعاً برای همه شرکت‌ها مناسب نیست.

امروز، بازار به سرعت در حال شکل‌گیری گزینه‌های بیشتری است. به طور کلی، این یک خبر خوب است.

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

داده‌های Ramp معمولاً به سمت شرکت‌های فناوری تمایل دارند، بنابراین هنگام تفسیر باید به این نکته توجه کرد. اما داده‌ها نشان می‌دهند که شرکت‌های در رتبه 10 درصد برتر، هزینه هوش مصنوعی به ازای هر نفر تقریباً 50 برابر شرکت‌های میانه دارند.

این توزیع احتمالاً تصادفی نیست. شرکت‌هایی که می‌توانند از هزینه‌های هوش مصنوعی ارزش بیشتری استخراج کنند، احتمالاً همان شرکت‌هایی هستند که بیشترین سرمایه‌گذاری را انجام می‌دهند - حتی اگر همه شرکت‌ها اینگونه نباشند، حداقل تعداد قابل توجهی از شرکت‌ها با این قاعده مطابقت دارند.

تحلیل Boston Consulting Group از 107 شرکت عمومی نشان می‌دهد که شرکت‌هایی که در دو گروه پنج‌گانه برتر از نظر استفاده از توکن قرار دارند، سرعت رشد درآمدشان به طور قابل توجهی بیشتر از سایر شرکت‌ها است.

آنچه می‌خواهیم بیان کنیم این است که تقاضای توکن و کارایی استفاده در حال تقویت یکدیگر هستند: هرچه ارزش بیشتری از شرکت‌ها به دست آید، توکن بیشتری نیز مصرف می‌شود.

این فرآیند البته شامل تعادل مکرر بین سرمایه‌گذاری و بازده است و تحقیق و توسعه همیشه شامل برخی هزینه‌های اولیه خواهد بود. اما برای اکثریت قریب به اتفاق شرکت‌ها، «انباشتن توکن» به طور نامحدود هرگز یک استراتژی موثر نبوده است.

بنابراین، این که شرکت‌ها در آینده کمتر مجبور به اتخاذ چنین رویکردی باشند، به وضوح یک خبر خوب است.

نبرد برای جذب استعداد در آزمایشگاه‌های پیشرفته

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

Dario Amodei اخیراً ابراز نگرانی کرده است که او نگران است که کارکنان در حال قرار دادن پول در اولویت نسبت به مأموریت هستند. از داده‌های Levels.fyi به نظر می‌رسد این نگرانی چندان بی‌اساس نیست.

اگر به طور کامل بر اساس داده‌ها قضاوت کنیم، حقوقی که Anthropic به مهندسان خود می‌دهد بسیار بالا است و به طور قابل توجهی از مهندسان هم‌سطح در شرکت‌هایی مانند گوگل و تسلا بیشتر است.

به نظر می‌رسد که پیوستن به تیم فنی واقعاً یک فرصت 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 ------ منابع انسانی هر آزمایشگاه دارای همپوشانی‌های زیادی است، اما تفاوت‌های قابل توجهی نیز وجود دارد:

هر دو شرکت از شرکت‌های فناوری با ارزش بازار بسیار بالا تعدادی از استعدادها را استخدام کرده‌اند، اما تنها OpenAI از انویدیا و تسلا نیرو جذب کرده است و این استخدام‌ها در سال 2026 اتفاق افتاده است.

Databricks، Snowflake (به تازگی)، Palantir و DeepMind نیز از منابع مشترک استعدادهای هر دو شرکت هستند.

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

اما به نظر می‌رسد که همپوشانی‌ها به همین جا ختم می‌شود. Anthropic از شرکت‌های SaaS تعدادی از استعدادها را استخدام کرده است، در حالی که OpenAI تقریباً هیچ استخدامی از این نوع نداشته است؛ OpenAI به طور گسترده‌ای از اینترنت مصرفی، بازارهای پلتفرم و شرکت‌های فناوری تبلیغاتی نیرو جذب کرده است، در حالی که استخدام Anthropic در این زمینه‌ها نسبتاً کمتر است، به جز Airbnb، Netflix و Uber.

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