اروپا برای ۷ گیگافکتوری هوش مصنوعی فراخوان داد؛ چرا مسابقهٔ واقعی AI حالا زیرساخت است

اتحادیهٔ اروپا برای ساخت هفت «گیگافکتوری هوش مصنوعی» فراخوان داده است؛ مجموعه‌هایی بسیار بزرگ که قرار است توان محاسباتی، دیتاسنتر، شبکه، ذخیره‌سازی و خدمات لازم برای آموزش و اجرای مدل‌های پیشرفته را در یک مقیاس صنعتی کنار هم قرار دهند. این خبر را نباید با افتتاح هفت ساختمان آماده اشتباه گرفت. هنوز مسیر انتخاب سرمایه‌گذاران، محل ساخت، مجوزها و اتصال به شبکه برق پیش روست. با این حال، خودِ تصمیم مهم است: اروپا پذیرفته که در دورهٔ هوش مصنوعی، توان محاسباتی فقط یک سرویس ابری نیست؛ بخشی از توان اقتصادی و استقلال فناوری است.

مقیاس این برنامه نشان می‌دهد موضوع از یک پروژه آزمایشی بزرگ‌تر شده است. کمیسیون اروپا پیش‌تر گفته بود برای این طرح ده‌ها پیشنهاد از کشورهای عضو دریافت کرده و به دنبال ترکیب سرمایهٔ عمومی و خصوصی است. هدف فقط ساختن یک ابررایانهٔ درخشان برای عکس‌های تبلیغاتی نیست. یک گیگافکتوری باید بتواند برای پژوهشگران، شرکت‌های نوپا، صنعت، نهادهای عمومی و سازندگان مدل ظرفیت واقعی ایجاد کند. یعنی رقابت AI به نقطه‌ای رسیده که نقشهٔ آن را فقط آزمایشگاه‌های مدل و اپلیکیشن‌ها تعیین نمی‌کنند؛ زمین، برق، تراشه، فیبر نوری و تیم بهره‌برداری هم وارد داستان شده‌اند.

تا همین چند سال قبل، بیشتر گفت‌وگوها حول نام مدل‌ها می‌چرخید: کدام مدل بهتر می‌نویسد، کدام مدل کد دقیق‌تری تولید می‌کند و کدام شرکت رکورد بنچمارک را جابه‌جا کرده است. این سؤال‌ها هنوز مهم‌اند، اما نیمهٔ پنهان ماجرا بزرگ‌تر شده است. یک مدل قدرتمند، بدون GPU کافی، حافظهٔ پرسرعت، اتصال شبکهٔ مناسب و ظرفیت دیتاسنتری که بتواند هفته‌ها و ماه‌ها بار سنگین را تحمل کند، فقط یک ایده روی کاغذ است. حتی وقتی مدل ساخته شد، هر پاسخ، تصویر، ویدئو یا agent به محاسبه نیاز دارد و آن محاسبه هزینه، انرژی و زمان می‌خواهد.

همین‌جا تفاوت میان نمایش توانایی و ساختن یک کسب‌وکار پایدار معلوم می‌شود. ممکن است یک شرکت در روز معرفی محصول، تجربه‌ای خیره‌کننده نشان دهد؛ اما اگر نتواند برای هزاران یا میلیون‌ها کاربر پاسخ سریع، قیمت قابل پیش‌بینی و دسترسی پایدار فراهم کند، مزیتش زود فرسوده می‌شود. برنامهٔ اروپا در اصل پاسخی به همین واقعیت است. فناوری AI دارد از مرحله‌ای عبور می‌کند که تنها بهترین الگوریتم برنده باشد و وارد مرحله‌ای می‌شود که بهترین سیستمِ تحویل، بهره‌برداری و اعتمادسازی مزیت می‌سازد.

برای مردم، عبارت «ابر» حس چیزی سبک و نامرئی دارد؛ اما AI بزرگ به شکل عجیبی فیزیکی است. رک‌های پردازشی گرما تولید می‌کنند، آب یا سامانه‌های پیچیدهٔ خنک‌سازی می‌خواهند، باید به شبکه برق متصل شوند و در بسیاری از مناطق برای دریافت ظرفیت برق ماه‌ها یا سال‌ها منتظر می‌مانند. یک برنامهٔ محاسباتی بلندپروازانه اگر از روز اول دربارهٔ برق، پست انتقال، آب، گرما، نویز، پایداری شبکه و رضایت جامعهٔ محلی فکر نکند، در عمل با تأخیر روبه‌رو می‌شود؛ حتی اگر سرمایه و تراشه را هم داشته باشد.

این همان دلیل مهمی است که گیگافکتوری را از یک دیتاسنتر معمولی جدا می‌کند. موضوع فقط زیادکردن تعداد سرورها نیست؛ باید طراحی شود که هر وات برق چگونه به کار مفید تبدیل می‌شود، چه بخشی از گرمای تولیدشده قابل استفادهٔ مجدد است، بار محاسباتی چه زمانی جابه‌جا می‌شود و هنگام محدودیت شبکه چه خدمتی اولویت دارد. برای مدیران محصول هم این یک درس مستقیم دارد: هزینهٔ هر قابلیت AI دیگر فقط هزینهٔ API نیست. معماری انتخاب مدل، اندازهٔ درخواست، cache، زمان پاسخ و محل پردازش، همه روی قیمت و قابلیت اطمینان محصول اثر دارند.

وقتی صحبت از کمبود ظرفیت AI می‌شود، نام GPU زودتر از هر چیز به ذهن می‌آید. GPU واقعاً مهم است، اما یک خوشهٔ بزرگ با یک قطعه ساخته نمی‌شود. حافظهٔ HBM، بسته‌بندی پیشرفته، سوییچ‌های شبکه، کابل‌ها، SSDها، سیستم ذخیره‌سازی و نرم‌افزار زمان‌بندی باید با هم کار کنند. اگر ارتباط میان تراشه‌ها کند باشد یا ظرفیت حافظه و ذخیره‌سازی با بار کار هماهنگ نشود، گران‌ترین پردازنده‌ها هم زمان زیادی را منتظر می‌مانند. در مقیاس گیگافکتوری، همین دقیقه‌های تلف‌شده به هزینه‌های بزرگ تبدیل می‌شوند.

از همین رو، خبر اروپا فقط دربارهٔ خرید تراشه نیست؛ دربارهٔ ساخت زنجیره‌ای است که بتواند آن تراشه را واقعاً مفید کند. برای تیم‌های کوچک‌تر نیز نسخهٔ ساده‌تری از همین اصل وجود دارد. همیشه گران‌ترین مدل را برای هر درخواست انتخاب نکنید. دسته‌بندی، جست‌وجو، خلاصه‌سازی و استخراج داده را از کارهای استدلالی یا حساس جدا کنید؛ ورودی‌های تکراری را cache کنید؛ و پیش از افزودن قابلیت تازه، میزان استفاده و هزینهٔ واقعی آن را اندازه بگیرید. زیرساخت خوب، در نهایت یعنی محاسبه را به جایی ببریم که واقعاً ارزش می‌سازد.

یکی از انگیزه‌های اروپا، وابستگی به چند عرضه‌کنندهٔ بزرگ آمریکایی و آسیایی است. این نگرانی قابل فهم است: هر سازمانی که تنها از یک مسیر به توان محاسباتی، مدل یا داده دسترسی دارد، در برابر تغییر قیمت، محدودیت ظرفیت یا سیاست‌های عرضه‌کننده آسیب‌پذیر می‌شود. اما راه‌حل سالم، ساختن دیوار بلند دور فناوری نیست. استقلال فناوری زمانی ارزش دارد که انتخاب بیشتری ایجاد کند: امکان استفاده از چند ابر، اجرای بارهای حساس در محیط‌های مناسب، دسترسی عادلانه‌تر برای پژوهش و امکان جابه‌جایی بدون از دست دادن داده و قابلیت عملیاتی.

اگر گیگافکتوری‌ها فقط به پروژه‌های بزرگ و شناخته‌شده برسند، اثرشان محدود می‌ماند. ارزش واقعی زمانی ایجاد می‌شود که شرکت‌های کوچک، دانشگاه‌ها و تیم‌های حوزه‌های تخصصی هم بتوانند با قواعد روشن ظرفیت بگیرند. قراردادهای شفاف، قیمت قابل فهم، محدودیت‌های امنیتی منطقی و مستندات خوب از تعداد تبلیغات مهم‌ترند. AI بومیِ باکیفیت فقط مدلی نیست که در یک منطقه آموزش دیده باشد؛ سامانه‌ای است که مردم و کسب‌وکارها بتوانند به شکل پایدار، قابل حسابرسی و قابل پیش‌بینی از آن استفاده کنند.

هیچ شرکتی لازم نیست برای واکنش به این خبر، یک دیتاسنتر بسازد یا قراردادهای بزرگ سخت‌افزاری ببندد. حرکت عاقلانه‌تر این است که وابستگی محاسباتی خود را بشناسد. کدام فرایند واقعاً به مدل بزرگ نیاز دارد؟ کجا سرعت پاسخ برای کاربر مهم است؟ چه داده‌ای نباید بی‌حساب از مرز یا از کنترل سازمان خارج شود؟ اگر عرضه‌کنندهٔ فعلی گران، کند یا محدود شد، آیا مسیر جایگزین دارید؟ پاسخ این سؤال‌ها یک نقشهٔ عملیاتی می‌سازد که از هر شعار AI ارزشمندتر است.

برای کسب‌وکارهای فارسی‌زبان، پیام حتی روشن‌تر است: دسترسی به فناوری پیشرفته همیشه با نوسان قیمت، محدودیت خدمات و دشواری پرداخت همراه است. پس باید محصول را طوری ساخت که به یک مدل یا یک سرویس گره نخورد. لایهٔ مدل را از منطق اصلی جدا کنید، خروجی را ارزیابی کنید، دادهٔ حساس را حداقلی بفرستید و برای زمان اختلال یک مسیر دستی یا مدل جایگزین داشته باشید. موج بعدی AI به تیم‌هایی پاداش می‌دهد که فقط مصرف‌کنندهٔ قابلیت نیستند؛ معماری، هزینه و ریسک خود را هم می‌فهمند.

عدد هفت جذاب است، اما شاخص‌های مهم‌تر تازه بعداً روشن می‌شوند: چه مکان‌هایی انتخاب می‌شوند، برق آن‌ها از کجا می‌آید، چه مقدار از ظرفیت واقعاً در اختیار پژوهش و شرکت‌های کوچک قرار می‌گیرد، چه فناوری خنک‌سازی به کار می‌رود و زمان ساخت تا بهره‌برداری چقدر است. باید دید آیا برنامه‌ها به اتصال واقعی به شبکه و تأمین تجهیزات می‌رسند یا در مرحلهٔ اعلام سرمایه می‌مانند. همچنین تفاوت دارد که ظرفیت برای آموزش مدل‌های عظیم رزرو شود یا برای inference و خدماتی که کاربران هر روز لمس می‌کنند.

مسابقهٔ AI قرار نیست با یک اعلامیه تمام شود. در سال‌های آینده، برندگان فقط شرکت‌هایی نخواهند بود که مدل‌های چشمگیر معرفی می‌کنند؛ کشورها و کسب‌وکارهایی پیش می‌افتند که بتوانند قدرت پردازش را با انرژی قابل اتکا، قوانین روشن، امنیت، استعداد و یک تجربهٔ کاربری واقعی پیوند بزنند. فراخوان اروپا برای گیگافکتوری‌ها یک علامت واضح است: پشت هر پاسخ هوشمند، یک زیرساخت واقعی ایستاده و از این لحظه به بعد، همان زیرساخت بخش بزرگی از رقابت را تعیین می‌کند.