انقلاب هوش مصنوعي و آينده بورس

ماجراي اخير انويديا، فراتر از حاشيه‌هاي شخصي و سياسي پيرامون مديرعامل يكي از ارزشمندترين شركت‌هاي فناوري جهان، بار ديگر يك مساله بنيادين را در رقابت هوش مصنوعي آشكار كرده است: در جهاني كه قدرت اقتصادي و ژئوپليتيكي به‌طور فزاينده‌اي با دسترسي به فناوري‌هاي راهبردي گره‌ خورده، آيا مي‌توان يك فناوري تعيين‌كننده را در انحصار يك كشور نگه داشت؟

گزارش‌هاي منتشر شده درباره تلاش شركت‌هاي چيني براي رزرو ظرفيت پردازشي مبتني بر تراشه‌هاي پيشرفته انويديا در مراكز داده خارج از چين، حساسيت واشنگتن را نسبت به شكاف‌هاي موجود در نظام كنترل صادرات افزايش داده است. نگراني اصلي اين است كه حتي اگر صادرات مستقيم تراشه‌هاي پيشرفته به چين محدود شود، شركت‌هاي چيني همچنان بتوانند از طريق دسترسي از راه دور به مراكز داده مستقر در كشورهاي ديگر، از قدرت محاسباتي آنها استفاده كنند. ادعاهاي مطرح ‌شده درباره ارتباطات احتمالي برخي افراد با نهادهاي اطلاعاتي چين نيز به اين مناقشه ابعاد سياسي و امنيتي تازه‌اي بخشيده است؛ ادعاهايي كه هنوز به‌طور مستقل اثبات نشده و با انكار طرف‌هاي مرتبط روبه‌رو است. با اين ‌حال، اهميت ماجرا فقط در سرنوشت يك مدير يا يك شركت خلاصه نمي‌شود. مساله اصلي اين است كه كنترل تراشه‌ها ديگر صرفا به معناي كنترل محل فروش و استقرار آنها نيست؛ دسترسي به قدرت محاسباتي، حتي از راه دور و از طريق زيرساخت‌هاي مستقر در كشورهاي ثالث، به يكي از ميدان‌هاي اصلي رقابت تبديل شده است.

در چنين شرايطي، انويديا در موقعيتي متناقض قرار مي‌گيرد. منطق تجاري اين شركت، گسترش بازار و حفظ وابستگي بازيگران جهاني به زيرساخت و محصولات امريكايي را اقتضا مي‌كند؛ اما منطق امنيت ملي واشنگتن ممكن است محدود كردن همين دسترسي را ضروري بداند. براي يك شركت جهاني، بازار چين بخشي از فرصت اقتصادي است؛ براي سياستگذار امريكايي، همان بازار مي‌تواند بخشي از مساله امنيتي باشد. اين تعارض نشان مي‌دهد كه رقابت هوش مصنوعي ديگر فقط مسابقه‌اي ميان آزمايشگاه‌ها و شركت‌هاي فناوري نيست؛ سياست صنعتي، امنيت ملي، تجارت جهاني و منافع بنگاه‌ها در آن به يكديگر گره‌ خورده‌اند. اما پشت اين مناقشه، پرسشي بزرگ‌تر قرار دارد: آيا امريكا مي‌تواند براي هميشه بر فناوري‌اي كه خود در توسعه آن پيشتاز بوده، انحصار ايجاد كند و مانع دسترسي رقبايي مانند چين شود؟

رقابت واشنگتن و پكن بر سر هوش مصنوعي را نبايد صرفا با مقايسه تعداد تراشه‌ها، ظرفيت مراكز داده يا عملكرد چند مدل پيشرفته تحليل كرد. اين رقابت چندلايه است و داده‌هاي جديد نيز پيچيدگي آن را نشان مي‌دهند. بر اساس گزارش شاخص هوش مصنوعي دانشگاه استنفورد در سال ۲۰۲۶، فاصله عملكرد مدل‌هاي پيشرفته امريكايي و چيني عملا به ‌شدت كاهش‌ يافته و دو كشور از اوايل سال ۲۰۲۵ چندين بار جايگاه خود را در صدر ارزيابي‌ها جابه‌جا كرده‌اند. در ارزيابي مارس ۲۰۲۶، برتري مدل پيشروي امريكايي نسبت به رقيب چيني در يكي از معيارهاي مقايسه عملكرد، تنها حدود ۲.۷ درصد گزارش شده است. با اين‌ حال، اين نزديكي در عملكرد مدل‌ها به معناي برابري در تمام لايه‌هاي رقابت نيست: امريكا همچنان در توليد مدل‌هاي پيشرفته‌تر، سرمايه‌گذاري خصوصي و زيرساخت محاسباتي مزيت دارد؛ در حالي كه چين در حجم انتشارات علمي، استنادها، ثبت اختراعات و نصب ربات‌هاي صنعتي پيشتاز است. براي درك بهتر اين تفاوت، كافي است به ارقام سرمايه‌گذاري خصوصي در سال ۲۰۲۵ نگاه كنيم: سرمايه‌گذاري خصوصي هوش مصنوعي در امريكا حدود ۲۸۵.۹ ميليارد دلار و در چين حدود ۱۲.۴ ميليارد دلار برآورد شده است. اين فاصله چشمگير است، اما نبايد آن را به معناي فاصله مشابه در كل منابع مالي دو كشور تلقي كرد، زيرا بخش مهمي از حمايت مالي چين از طريق صندوق‌هاي راهبري دولتي و سازوكارهاي عمومي انجام مي‌شود و در آمار سرمايه‌گذاري خصوصي به‌طور كامل منعكس نمي‌شود؛ بنابراين امريكا در سرمايه و زيرساخت مزيت مهمي دارد، اما چين نيز در حال‌ توسعه ظرفيت‌هاي علمي، صنعتي و فناورانه‌اي است كه نمي‌توان آنها را با يك شاخص مالي ناديده گرفت.

از سوي ديگر، دانش فني را نمي‌توان مانند يك محموله تجاري در مرز متوقف كرد. وقتي روش‌ها، معماري‌ها، مدل‌هاي قابل ‌استفاده و تجربه توسعه فناوري در اكوسيستم جهاني منتشر مي‌شوند، امكان بازتوليد و بهبود آنها در نقاط ديگر جهان نيز افزايش مي‌يابد. كنترل صادرات و محدودسازي دسترسي به زيرساخت‌هاي پيشرفته مي‌تواند فاصله رقبا را حفظ كند، اما لزوما به معناي توقف نوآوري نيست. تجربه سال‌هاي اخير نشان داده است كه محدوديت منابع مي‌تواند همزمان انگيزه‌اي براي بهينه‌سازي، توسعه سخت‌افزار جايگزين و استفاده كارآمدتر از مدل‌ها ايجاد كند. به همين دليل، انحصار دايمي دانش و توانمندي فناورانه هدفي بسيار دشوار و شايد دست‌نيافتني است. هدف واقع‌بينانه‌تر قدرت‌هاي پيشرو نه جلوگيري مطلق از انتشار فناوري، بلكه حفظ فاصله رقابتي و كنترل سرعت تبديل دانش به ظرفيت صنعتي و اقتصادي است. با اين ‌همه، حتي اگر رقابت بر سر ساخت پيشرفته‌ترين مدل‌هاي هوش مصنوعي همچنان ادامه داشته باشد، يك تغيير مهم در حال شكل‌گيري است: مزيت رقابتي آينده الزاما در اختيار بازيگري نخواهد بود كه قدرتمندترين مدل را ساخته؛ ممكن است به بازيگري منتقل شود كه بهتر از ديگران بتواند اين فناوري را به بهره‌وري، درآمد، محصولات جديد و قدرت اقتصادي تبديل كند. هوش مصنوعي زماني به مزيت اقتصادي تبديل مي‌شود كه از سطح نمايش توان فني فراتر برود و در فرآيندهاي واقعي توليد و ارايه خدمات جاي بگيرد. كاهش توقف خطوط توليد، پيش‌بيني خرابي تجهيزات، بهينه‌سازي مصرف انرژي، كاهش ضايعات، مديريت موجودي، پيش‌بيني تقاضا، بهبود كيفيت محصول و افزايش دقت تصميم‌گيري، نمونه‌هايي از حوزه‌هايي هستند كه در آنها ارزش اقتصادي فناوري قابل ‌اندازه‌گيري است. اين تمايز ميان استفاده از فناوري و خلق ارزش از آن، صرفا يك فرض نظري نيست. در پيمايش جهاني مك‌كينزي در سال ۲۰۲۶، نزديك به ۹۰ درصد سازمان‌ها استفاده منظم از هوش مصنوعي را دست‌كم در يكي از كاركردهاي كسب‌وكار خود گزارش كرده‌اند؛ اما تنها ۴۴ درصد گفته‌اند كه استفاده از هوش مصنوعي در سطح كل سازمان آنها در حال گسترش و مقياس‌پذيري است... 

در پژوهش ديگري از همين مجموعه، تنها ۱۱ درصد مديران گفته‌اند سازمان‌شان به مرحله بازآفريني شيوه انجام كار باهوش مصنوعي رسيده است. در همين گروه محدود، ۴۸ درصد از تحقق ارزش‌سازماني معنادار خبر داده‌اند؛ در حالي كه اين نسبت در سازمان‌هاي متمركز بر خودكارسازي ۲۴ درصد و در مرحله صرفا توانمندسازي ۱۳ درصد بوده است. اين ارقام نشان مي‌دهد مساله اصلي ديگر فقط دسترسي به ابزار نيست؛ توانايي بازطراحي فرآيندها و تبديل استفاده از فناوري به نتيجه اقتصادي است. ممكن است يك شركت به پيشرفته‌ترين مدل جهان دسترسي نداشته باشد، اما با اتصال يك مدل موجود به داده‌هاي اختصاصي، دانش تخصصي و فرآيندهاي عملياتي خود، ارزشي ايجاد كند كه براي رقبا به‌ سادگي قابل ‌تكرار نباشد. در واقع، مزيت رقابتي فقط در خود مدل يا الگوريتم خلاصه نمي‌شود؛ داده‌هاي اختصاصي، شناخت عميق از صنعت، دسترسي به مشتري، اعتماد بازار، توان يكپارچه‌سازي با سامانه‌هاي موجود و قابليت اجراي راهكار در محيط واقعي، مي‌توانند به منابع پايدارتر مزيت تبديل شوند. از همين ‌جا مي‌توان آينده مدل‌هاي كسب‌وكار در عصر هوش مصنوعي را نيز بهتر فهميد. بخشي از ارزش در اختيار سازندگان مدل‌هاي پايه و تامين‌كنندگان زيرساخت باقي خواهد ماند؛ اما فرصت‌هاي بزرگي در لايه‌هاي ديگري شكل مي‌گيرد: شركت‌هايي كه راهكارهاي تخصصي براي يك صنعت مشخص طراحي مي‌كنند، كسب‌وكارهايي كه داده‌هاي اختصاصي و ارزشمند در اختيار دارند، مجموعه‌هايي كه هوش مصنوعي را به نرم‌افزارها و فرآيندهاي موجود سازمان‌ها متصل مي‌كنند و كارآفريناني كه همزبان فناوري را مي‌فهمند و هم مساله واقعي صنعت را مي‌شناسند. حتي در لايه زيرساخت نيز فرصت‌ها به توليد تراشه محدود نيست؛ بهينه‌سازي پردازش، مديريت مصرف انرژي، خنك‌سازي مراكز داده، امنيت، ذخيره‌سازي و كاهش هزينه اجراي مدل‌ها، خود مي‌توانند زمينه شكل‌گيري كسب‌وكارهاي جديد باشند. در اين ميان، ممكن است كارآفرين آينده الزاما سازنده يك مدل هوش مصنوعي نباشد؛ فقط كسي باشد كه مساله‌اي پرهزينه و حل ‌نشده در يك صنعت را شناسايي مي‌كند و با تركيب مدل‌هاي موجود، داده، تخصص و شناخت بازار، راه‌حلي تجاري و مقياس‌پذير براي آن مي‌سازد. به بيان ديگر، با گسترش دسترسي به ابزارهاي هوش مصنوعي، ارزش اقتصادي مي‌تواند از خود فناوري به سمت كيفيت كاربرد، شناخت مساله، داده و توانايي استقرار آن در محيط واقعي حركت كند. اين تحول فقط به شركت‌ها محدود نمي‌ماند؛ جغرافياي رقابت اقتصادي را نيز تغيير مي‌دهد. شهرهايي كه دانشگاه، نيروي انساني متخصص، سرمايه، زيرساخت، بنگاه‌هاي صنعتي و نظام حكمراني كارآمد را به يكديگر متصل كنند، ظرفيت بيشتري براي بهره‌برداري اقتصادي از هوش مصنوعي خواهند داشت. سيليكون‌ولي با پيوند دانشگاه، سرمايه خطرپذير و شركت‌هاي فناوري شناخته مي‌شود؛ شنژن از مزيت توليد، زنجيره تامين و مهندسي سخت‌افزار بهره مي‌برد و بنگلور توانسته است بر پايه نيروي انساني متخصص و صنعت خدمات فناوري اطلاعات جايگاه مهمي در اقتصاد ديجيتال پيدا كند. اين شهرها الگوهاي يكساني ندارند؛ هر كدام بر تركيب متفاوتي از مزيت‌هاي اقتصادي، نهادي و انساني تكيه كرده‌اند. نكته مشترك آنها نيز صرفا دسترسي به فناوري نيست، بلكه توانايي تبديل دانش، سرمايه و زيرساخت به شبكه‌اي از بنگاه‌ها، بازارها و فعاليت‌هاي اقتصادي است. از اين منظر، شهر آينده لزوما شهري نيست كه پيشرفته‌ترين مدل هوش مصنوعي را اختراع مي‌كند؛ شهري است كه سريع‌تر و موثرتر از ديگران اقتصاد خود را با ظرفيت‌هاي اين فناوري بازطراحي مي‌كند. براي شهرهاي صنعتي، اين بازطراحي مي‌تواند از كارخانه و زنجيره تامين آغاز شود؛ براي شهرهاي تجاري، از لجستيك و خدمات و براي شهرهايي كه با بحران منابع روبه‌رو هستند، از مديريت هوشمند انرژي، آب و زيرساخت. در چنين رقابتي، مزيت يك شهر در تعداد شركت‌هاي فناوري آن نيست، در ميزان پيوند ميان شركت‌هاي فناوري و اقتصاد واقعي شهر سنجيده مي‌شود. اين بحث براي ايران اهميتي دوچندان دارد. بخش مهمي از گفت‌وگوهاي داخلي درباره هوش مصنوعي بر ساخت مدل‌هاي بومي، ايجاد زيرساخت‌هاي محاسباتي و دستيابي به جايگاه در رقابت جهاني متمركز شده است. اين اهداف مي‌توانند بخشي از سياست توسعه فناوري باشند، اما اگر به معيار اصلي موفقيت تبديل شوند، ممكن است ما را از پرسش مهم‌تري دور كنند: هوش مصنوعي قرار است كدام مساله اقتصادي ايران را حل كند و چه ارزش قابل ‌اندازه‌گيري‌اي به وجود آورد؟ ايران در دسترسي به تراشه‌هاي پيشرفته، سرمايه‌گذاري بين‌المللي، زيرساخت محاسباتي، همكاري‌هاي جهاني و حفظ نيروي انساني متخصص با محدوديت‌هايي جدي مواجه است. اين محدوديت‌ها صرفا برداشت تحليلي نيستند. در گزارش ارائه‌ شده از سوي ايران به كميسيون علم‌وفناوري براي توسعه سازمان ملل متحد در دوره ۲۰۲۴ تا ۲۰۲۵، كمبود سرمايه‌گذاري، محدوديت دسترسي به زيرساخت و توان محاسباتي، كمبود نيروي انساني متخصص و مهاجرت آنها، از جمله موانع توسعه هوش مصنوعي در كشور عنوان شده‌اند. همچنين در شاخص آمادگي دولت‌ها براي هوش مصنوعي آكسفورد اينسايتس در سال ۲۰۲۴، ايران در رتبه ۹۱ از ميان ۱۹۳ كشور قرار گرفته است. البته اين رتبه‌بندي آمادگي دولت‌ها براي بهره‌گيري از هوش مصنوعي را مي‌سنجد و نبايد آن را معادل رتبه علمي يا توان فني كشور دانست. از اين‌رو، رقابت مستقيم براي ساخت مدل‌هايي در مقياس بزرگ و همسطح پيشروترين بازيگران جهان، دست‌كم در كوتاه‌مدت، راهبردي بسيار پرهزينه و دشوار خواهد بود. اما اين محدوديت‌ها به معناي بسته ‌بودن همه مسيرهاي خلق ارزش نيست. ايران مجموعه‌اي از مسائل پيچيده و پرهزينه دارد كه مي‌توانند ميدان مناسبي براي توسعه كاربردهاي تخصصي هوش مصنوعي باشند: بهره‌وري انرژي در صنايع، نگهداري پيش‌بينانه تجهيزات در فولاد و معدن، مديريت آب در كشاورزي، كاهش ضايعات و بهينه‌سازي زنجيره سرد در صنايع غذايي، پيش‌بيني تقاضا و مديريت موجودي، و بهبود عملكرد شبكه‌هاي حمل‌ونقل و لجستيك. در بسياري از اين حوزه‌ها، حتي بهبود محدود اما مستمر در بهره‌وري مي‌تواند ارزش اقتصادي قابل ‌توجهي ايجاد كند؛ به‌ويژه در اقتصادي كه با محدوديت منابع، نوسان هزينه‌ها و اختلال در زنجيره‌هاي تامين روبه‌رو است. با اين‌ حال، تبديل اين ظرفيت‌ها به مزيت رقابتي صرفا با خريد نرم‌افزار يا راه‌اندازي چند پروژه آزمايشي اتفاق نمي‌افتد. پژوهشي درباره نظام نوآوري فناوري هوش مصنوعي در ايران كه در سال ۲۰۲۵ منتشر شده، سه گلوگاه اصلي را برجسته مي‌كند: ضعف در بسيج منابع، مشروعيت و پذيرش نهادي و شكل‌گيري بازار. اين مطالعه همچنين به پراكندگي نهادي، تمركز جغرافيايي، ضعف ارتباط دانشگاه و صنعت، نااطميناني اقتصاد كلان و كاستي‌هاي حكمراني داده اشاره مي‌كند. اين يافته‌ها يك نكته سياستي مهم دارند: مساله توسعه هوش مصنوعي در ايران فقط كمبود فناوري يا زيرساخت نيست؛ گسست ميان توليد دانش، تقاضاي نوآورانه و توان تجاري‌سازي نيز مانع جدي است. دسترسي به داده‌هاي باكيفيت، امكان اتصال سامانه‌هاي سازماني، سرمايه‌گذاري در مهارت نيروي انساني، اعتماد بنگاه‌ها، چارچوب‌هاي روشن حكمراني داده و وجود بازار براي محصولات توسعه‌يافته، از پيش‌نيازهاي اين تحولند. اگر بنگاه‌ها داده‌هاي خود را در اختيار نگذارند، اگر سازمان‌ها امكان بازطراحي فرآيندهايشان را فراهم نكنند و اگر سياستگذاري به‌ جاي تسهيل نوآوري به صدور مجوز و ايجاد ساختارهاي اداري محدود شود، حتي بهترين ابزارهاي فناورانه نيز اثر اقتصادي محدودي خواهند داشت. در چنين شرايطي، ايجاد نهادها و مراكز جديد به‌تنهايي راه‌حل نيست؛ آنچه اهميت دارد، اتصال موثر بازيگران، دسترسي به منابع و شكل‌گيري تقاضاي واقعي براي محصولات و خدمات هوش مصنوعي است. در عين‌ حال، نبايد افق بازار را به داخل كشور محدود كرد. راهكارهايي كه براي مسائل خاص اقتصاد ايران توسعه مي‌يابند، در صورت طراحي درست مي‌توانند براي اقتصادهاي داراي مسائل مشابه در منطقه نيز كاربرد داشته باشند؛ از مديريت منابع آب و انرژي گرفته تا صنايع غذايي، معدن، لجستيك و نگهداري تجهيزات صنعتي. به ‌اين‌ ترتيب، مساله‌اي كه در ابتدا ناشي از محدوديت‌هاي داخلي به نظر مي‌رسد، مي‌تواند به نقطه شروع شكل‌گيري يك محصول رقابت‌پذير در بازارهاي ديگر تبديل شود. البته تحقق چنين مسيري به توان صادرات خدمات، دسترسي به بازارهاي منطقه‌اي، امكان همكاري‌هاي فناورانه و مدل‌هاي تجاري سازگار با محدوديت‌هاي بين‌المللي وابسته است؛ بنابراين اين فرصت را نبايد با يك مزيت آماده و تضمين‌شده اشتباه گرفت.در نهايت، مناقشه بر سر انويديا و محدودسازي دسترسي چين به تراشه‌هاي پيشرفته، فقط روايتي از تلاش امريكا براي حفظ برتري فناورانه نيست؛ نشانه‌اي از ورود اقتصاد جهان به مرحله‌اي است كه در آن، مرز ميان فناوري، تجارت، امنيت و سياست صنعتي بيش از گذشته درهم‌تنيده شده است. با اين‌ حال، آينده اقتصاد جهاني را نمي‌توان فقط بر اساس اينكه كدام كشور قدرتمندترين تراشه يا پيشرفته‌ترين مدل را در اختيار دارد، پيش‌بيني كرد. رقابت اصلي در مرحله بعد، بر سر توانايي تبديل فناوري به بهره‌وري، كسب‌وكار، بازار و قدرت اقتصادي خواهد بود. كشورهايي كه اين پيوند را بهتر برقرار كنند، حتي اگر سازنده همه فناوري‌هاي پايه نباشند، مي‌توانند سهم مهمي از ارزش اقتصاد آينده را به دست آورند. براي ايران نيز شايد پرسش تعيين‌كننده اين نباشد كه چگونه در ساخت بزرگ‌ترين مدل هوش مصنوعي جهان با قدرت‌هاي پيشرو رقابت كند؛ شايد اين باشد كه چگونه از ظرفيت هوش مصنوعي براي حل مسائل واقعي اقتصاد، افزايش بهره‌وري بنگاه‌ها و ساختن مزيت‌هاي رقابتي تازه استفاده كند؟ در عصر هوش مصنوعي، داشتن فناوري مهم است؛ اما توانايي تبديل آن به ارزش اقتصادي است كه برندگان را مشخص خواهد كرد.