NVIDIA سه عامل بازده سرمایه‌گذاری در کارخانه‌های هوش مصنوعی را تشریح کرد

بازده کارخانه‌های هوش مصنوعی به گفته NVIDIA فقط به قدرت پردازشی سخت‌افزار وابسته نیست؛ ظرفیت فروش توکن، مدت‌زمان درآمدزایی تجهیزات و گستره کاربردهای ممکن نیز در توجیه سرمایه‌گذاری نقش دارند. این شرکت در مطلبی که اول اکتبر ۲۰۲۶ منتشر کرده، می‌گوید ساخت هر مگاوات ظرفیت چنین مراکزی حدود ۶۰ میلیون دلار هزینه دارد و اپراتورها برای سرمایه‌گذاری در این مقیاس به چشم‌اندازی روشن از بازگشت سرمایه نیاز دارند.

سه عامل مؤثر بر بازده کارخانه‌های هوش مصنوعی

NVIDIA بازده یک کارخانه هوش مصنوعی را با سه مؤلفه توضیح می‌دهد: توان بالقوه درآمدزایی در صورت فروش تمام خروجی، عمر مفید سخت‌افزار و میزان تقاضا برای توکن‌هایی که مرکز می‌تواند تولید کند. منظور از توکن، واحدی از متن یا داده است که مدل هوش مصنوعی هنگام پردازش با آن کار می‌کند.

طبق استدلال این شرکت، بالا بودن یک مؤلفه ضعف دو مؤلفه دیگر را جبران نمی‌کند. ظرفیت تولید بالا زمانی ارزش اقتصادی دارد که مشتری برای خروجی آن وجود داشته باشد؛ تقاضای زیاد نیز به‌تنهایی کافی نیست، اگر تجهیزات خیلی زود توان کار در ظرفیت کامل را از دست بدهند. NVIDIA همچنین می‌گوید این عوامل به هم وابسته‌اند: پشتیبانی از بارهای کاری متنوع‌تر می‌تواند به جذب تقاضا و ادامه درآمدزایی در گذر زمان کمک کند.

این چارچوب بخشی از استدلال تجاری NVIDIA درباره طراحی زیرساخت‌هایش است و باید در همین زمینه خوانده شود. این شرکت می‌گوید پلتفرم آن برای افزایش توان عملیاتی، طولانی‌تر کردن عمر مفید تجهیزات و گسترش نوع کاربردها طراحی شده است.

تولید بیشتر با محدودیت توان ثابت

در مراکز داده، میزان برق در دسترس می‌تواند سقف توان پردازشی را تعیین کند. از همین رو، NVIDIA شاخص «توکن بر ثانیه به‌ازای هر مگاوات» را برای سنجش ظرفیت درآمدزایی مهم می‌داند: با توان برق ثابت، تولید توکن بیشتر می‌تواند به فروش بیشتر منجر شود و کاهش هزینه هر توکن نیز، به گفته شرکت، حاشیه سود را افزایش می‌دهد.

NVIDIA با استناد به داده‌های SemiAnalysis AgentX می‌گوید سامانه Vera Rubin NVL72 بیش از ۳۰ برابر توان عملیاتی به‌ازای هر مگاوات نسبت به GB300 NVL72 ارائه می‌کند. همین تحلیل، برای مدل DeepSeek V4 Pro، کاهش هزینه هر یک میلیون توکن را تا ۴۵ برابر گزارش می‌کند. این ارقام ادعاهایی بر پایه مقایسه و شرایط تحلیل یادشده‌اند و در مطلب NVIDIA به SemiAnalysis نسبت داده شده‌اند.

شرکت دلیل این بهبود را طراحی هماهنگ بخش‌های گوناگون سامانه می‌داند؛ از مدل‌ها و نرم‌افزار گرفته تا پردازنده، شبکه و حافظه. NVIDIA همچنین استدلال می‌کند ارزان‌تر شدن تولید توکن لزوماً تقاضا برای پردازش را کم نمی‌کند: کاهش هزینه می‌تواند استفاده از هوش مصنوعی را در کاربردهای بیشتری اقتصادی کند و در نتیجه مصرف پردازش افزایش یابد.

عمر اقتصادی سخت‌افزار پس از عرضه نسل تازه

یکی دیگر از محورهای مطلب، ادامه استفاده از نسل‌های قدیمی‌تر است. NVIDIA می‌گوید هر بار کاری به جدیدترین سخت‌افزار نیاز ندارد و مناسب‌ترین سامانه به پیچیدگی و شکل آن کار بستگی دارد. این شرکت GPU مدل A100 را مثال می‌زند که در سال ۲۰۲۰ عرضه شد و به گفته NVIDIA، شش سال بعد همچنان در استفاده تجاری است. همچنین شرکت می‌گوید CoreWeave رزرو ظرفیت برخی از واحدهای معرفی‌شده در سال ۲۰۲۰ را تا سال ۲۰۲۹ تمدید کرده است.

NVIDIA برای توضیح ارزش باقی‌مانده تجهیزات به چند تحلیل دیگر نیز استناد می‌کند. طبق مطلب این شرکت، Sprout در سپتامبر ۲۰۲۶ افزایش طول دوره استهلاک سرورها نزد اپراتورهای بزرگ را بررسی کرده است؛ این دوره، برآورد حسابداری از زمان پایان درآمدزایی تجهیزات است و لزوماً با عمر فیزیکی آن‌ها یکی نیست. همین مطلب از برآورد Microsoft درباره فعالیت ناوگان NVIDIA V100 به‌مدت ۸٫۴ سال در برابر عمر حسابداری شش‌ساله یاد می‌کند.

همچنین NVIDIA به داده‌های Silicon Data اشاره می‌کند که بر اساس آن، A100 شش‌ساله هنوز حدود یک‌چهارم قیمت اولیه ارزش دارد؛ در حالی که برنامه استهلاک پنج‌ساله، ارزش آن را بیش از یک سال پیش به صفر رسانده بود. این نمونه‌ها، طبق استدلال شرکت، نشان می‌دهند که عمر اقتصادی سخت‌افزار می‌تواند از برآوردهای حسابداری فراتر برود. NVIDIA می‌گوید CUDA، پلتفرم نرم‌افزاری برنامه‌نویسی GPUهایش، در نسل‌های مختلف کار می‌کند و به همین دلیل ورود معماری تازه الزاماً تجهیزات موجود را بی‌استفاده نمی‌کند.

تنوع کاربردها می‌تواند تقاضا را پایدارتر کند

مفهوم سوم در توضیح NVIDIA، انعطاف‌پذیری یا توان اجرای انواع کارهاست. به گفته این شرکت، زیرساخت‌هایش می‌توانند مدل‌های باز و اختصاصی را در حوزه‌هایی مانند زبان، بینایی، زیست‌شناسی، فیزیک و رباتیک اجرا کنند؛ همچنین کاربردها از پردازش داده و آموزش مدل تا پس‌آموزش و استنتاج را دربرمی‌گیرند. NVIDIA از مراکز ابری بزرگ و سازمانی تا برنامه‌های حاکمیتی و سامانه‌های لبه‌ای را از محل‌های استفاده نام می‌برد.

این شرکت می‌گوید زیرساخت‌های GPU آن برای پردازش علمی، شبیه‌سازی، گرافیک و کارهای دیگری که لزوماً هوش مصنوعی نیستند نیز به کار می‌روند. به استدلال NVIDIA، این تنوع باعث می‌شود سخت‌افزار در صورت تغییر ترکیب تقاضا همچنان کاربرد داشته باشد. نقش CUDA در این چارچوب، فراهم کردن نرم‌افزاری مشترک برای اجرای بارهای کاری مختلف روی نسل‌های گوناگون تجهیزات عنوان شده است.

این خبر برای چه کسانی اهمیت دارد

این بحث برای اپراتورهای مراکز داده، ارائه‌دهندگان خدمات ابری و شرکت‌هایی اهمیت دارد که درباره خرید یا اجاره زیرساخت هوش مصنوعی تصمیم می‌گیرند؛ زیرا هزینه اولیه بالا، دسترسی به برق و مدت استفاده از تجهیزات می‌تواند محاسبه اقتصادی پروژه را تغییر دهد. برای خریداران، ارقام عملکردی و طول عمر اعلام‌شده باید در کنار نوع بار کاری و شرایط واقعی استفاده سنجیده شوند. مطلب NVIDIA تصویری از منطق تجاری سازنده ارائه می‌کند، اما بخش مهمی از شواهد آن به تحلیل‌هایی ارجاع دارد که خود شرکت انتخاب و نقل کرده است.