تامین مالی هوش مصنوعی با وثیقه تراشه‌های استنتاجی

افزایش بی‌سابقه تقاضا برای توسعه مراکز داده مقیاس‌بزرگ و تامین تراشه‌های نسل جدید در سال ۲۰۲۶، تمرکز نهادهای مالی و صندوق‌های سرمایه‌گذاری بین‌المللی را بیش از پیش به سمت **تامین مالی زیرساخت هوش مصنوعی** معطوف کرده است؛ رویکردی استراتژیک که فراتر از یک موج فناورانه ساده، به محرک اصلی تحول در ساختار اعتباری بانک‌ها و مدل‌های نوین سرمایه‌گذاری خطرپذیر تبدیل شده و نقشی تعیین‌کننده در جهت‌دهی به جریان نقدینگی اقتصاد دیجیتال ایفا می‌کند.

بازار جهانی هوش مصنوعی در سال ۲۰۲۶ با یک چرخش استراتژیک و بسیار مهم روبه‌رو شده است. اگر تا پیش از این، تمام توجه سرمایه‌گذاران و غول‌های فناوری معطوف به خرید گران‌قیمت‌ترین پردازنده‌های گرافیکی (GPU) برای آموزش مدل‌های زبانی بزرگ (LLM) بود، اکنون تمرکز اصلی بر روی «اجرا» و «تجاری‌سازی» ارزان‌قیمت این مدل‌ها قرار گرفته است. در همین راستا، استارتاپ ابری General Compute موفق به دریافت یک وام ۴۰۰ میلیون دلاری از شرکت سرمایه‌گذاری Upper90 شده است؛ قراردادی که به عنوان نخستین نمونه از تامین مالی با وثیقه قرار دادن تراشه‌های تخصصی استنتاج (Inference) شناخته می‌شود.

این رویداد فراتر از یک توافق مالی ساده میان دو شرکت است. این قرارداد نشان‌دهنده بلوغ زنجیره تامین مالی در حوزه فناوری و تغییر نگرش بازار به زیرساخت‌های پردازشی است. در شرایطی که هزینه‌های سرسام‌آور اجرای هوش مصنوعی به یکی از بزرگ‌ترین چالش‌های استارتاپ‌ها و موسسات مالی تبدیل شده، ظهور مدل‌های تامین مالی مبتنی بر دارایی (Asset-Backed Lending) برای سخت‌افزارهای استنتاجی، مسیر جدیدی را برای توسعه پایدار اقتصاد دیجیتال هموار می‌کند.

چرخش از آموزش به استنتاج

استارتاپ General Compute که در زمینه ارائه خدمات ابری تخصصی هوش مصنوعی (Neocloud) فعالیت می‌کند، اعلام کرده است که این تسهیلات ۴۰۰ میلیون دلاری را برای خرید تراشه‌های استنتاجی نسل جدید SambaNova به کار خواهد گرفت. تراشه‌های مورد استفاده در این پروژه (مدل SN50)، برخلاف پردازنده‌های گرافیکی سنتی که برای آموزش مدل‌های سنگین طراحی شده‌اند، به طور ویژه برای اجرای سریع، کم‌مصرف و بهینه مدل‌های آموزش‌دیده (Inference) توسعه یافته‌اند.

تامین مالی این پروژه توسط شرکت Upper90 انجام شده است؛ نهادی مالی که پیش از این در سال ۲۰۲۱ با تامین مالی خرید پردازنده‌های گرافیکی برای شرکت Crusoe، الگوی موفقی از وام‌دهی با وثیقه سخت‌افزار را پایه‌گذاری کرده بود. تفاوت کلیدی قرارداد جدید در این است که برای اولین بار، تراشه‌های غیراز انویدیا و مشخصاً تراشه‌های بهینه‌سازی‌شده برای استنتاج به عنوان وثیقه ملکی (Collateral) پذیرفته شده‌اند. این تراشه‌ها نیازی به سیستم‌های پیچیده و گران‌قیمت خنک‌کننده مایع ندارند و می‌توان آن‌ها را با سرعت بالا در دیتاسنترهای معمولی مستقر کرد.

این تغییر رویکرد سخت‌افزاری، هم‌زمان با تحولات بزرگ‌تری در بازار رخ می‌دهد؛ جایی که حتی ورود شرکت‌هایی مانند OpenAI به بازار سخت‌افزار نشان‌دهنده تلاش همه‌جانبه بازیگران بزرگ برای کاهش وابستگی به معماری‌های پردازشی سنتی و انحصاری است.

چرا این موضوع مهم است؟ اقتصاد توکن‌ها و فین‌تک

اهمیت این رویداد را باید در اقتصاد عملیاتی هوش مصنوعی جستجو کرد. آموزش یک مدل هوش مصنوعی یک هزینه ثابت و اولیه (Upfront Cost) است، اما اجرای روزانه آن و پاسخ‌گویی به میلیون‌ها درخواست کاربران (Inference)، یک هزینه جاری و مستمر (Operational Cost) به شمار می‌رود. برای بخش فین‌تک و بانکداری دیجیتال که به شدت به پردازش‌های بلادرنگ، تحلیل رفتار مشتریان و ارزیابی ریسک وابسته هستند، هزینه هر توکن (Token Cost) نقشی حیاتی در حاشیه سود بازی می‌کند.

استفاده از تراشه‌های تخصصی استنتاج مانند SN50 می‌تواند سرعت پردازش را تا ۱۶ برابر نسبت به ابرهای مبتنی بر GPU افزایش و هزینه‌ها را به شدت کاهش دهد. این امر به معنای اقتصادی شدن به‌کارگیری مدل‌های متن‌باز (Open-Source) برای کسب‌وکارهای متوسط و کوچک است. از سوی دیگر، با بهبود بازارهای مالی و تامین مالی استارتاپ‌ها در سال‌های اخیر، ابزارهای بدهی مبتنی بر دارایی به جای رقیق کردن سهام (Equity Dilution)، به گزینه‌ای جذاب برای رشد استارتاپ‌های زیرساختی تبدیل شده‌اند.

اثر احتمالی بر بازیگران بازار و فین‌تک

توسعه ابرهای تخصصی هوش مصنوعی (Neoclouds) تهدیدی جدی برای انحصار غول‌های ابری سنتی مانند آمازون (AWS) و مایکروسافت (Azure) به شمار می‌رود. این تحول اثرات مستقیمی بر بخش‌های مختلف اکوسیستم مالی دارد:

• کاهش هزینه خدمات مالی هوش مصنوعی: بانک‌ها و شرکت‌های پرداخت می‌توانند سیستم‌های کشف تقلب و چت‌بات‌های پشتیبانی خود را با کسری از هزینه‌های قبلی اجرا کنند.

• تنوع‌بخشی به ابزارهای وثیقه‌گذاری: نهادهای مالی و بانک‌های سرمایه‌گذاری اکنون متوجه شده‌اند که دارایی‌های فناورانه تخصصی (مانند تراشه‌های استنتاجی) ارزش نقدشوندگی بالایی دارند و می‌توانند به عنوان وثیقه‌های معتبر در ساختار بدهی قرار گیرند.

• رشد مدل‌های بومی و متن‌باز: با کاهش هزینه استنتاج، شرکت‌ها تمایل کمتری به پرداخت هزینه‌های سنگین لایسنس به شرکت‌های بزرگ دارنده مدل‌های انحصاری خواهند داشت و به سمت شخصی‌سازی مدل‌های متن‌باز روی خواهند آورد.

نسبت این موضوع با ایران: فرصت‌ها و چالش‌های زیرساختی

هرچند اکوسیستم فناوری ایران به دلیل محدودیت‌های بین‌المللی و تحریم‌ها با چالش‌های جدی در دسترسی مستقیم به آخرین نسل سخت‌افزارهای پردازشی روبه‌رو است، اما روند جهانی چرخش به سمت «بهینه‌سازی استنتاج» سیگنال‌های مهمی برای ایران دارد:

در بازار ایران، به دلیل محدودیت شدید منابع مالی و پهنای باند، آموزش مدل‌های زبانی بزرگ بومی بسیار هزینه‌بر و گاه غیرتوجیهی است. با این حال، تمرکز بر روی توسعه زیرساخت‌های استنتاجی ارزان‌قیمت و استفاده از مدل‌های متن‌باز شخصی‌سازی‌شده، منطقی‌ترین راهکار برای توسعه هوش مصنوعی در فین‌تک ایران است. بانک‌ها و هلدینگ‌های بزرگ فناوری در ایران می‌توانند با الگوبرداری از مدل‌های تامین مالی بدهی، سرمایه‌گذاری‌های خود را به سمت دیتاسنترهای تخصصی استنتاج هدایت کنند تا علاوه بر کاهش مصرف انرژی، سرعت پردازش تراکنش‌ها و تحلیل‌های مالی را بهبود بخشند.

جمع‌بندی

قرارداد ۴۰۰ میلیون دلاری General Compute نشان داد که دوران تمرکز صرف بر روی قدرت پردازش خام برای آموزش مدل‌ها به پایان رسیده و بازار وارد فاز «کارآمدی اقتصادی» شده است. پذیرش تراشه‌های استنتاجی به عنوان وثیقه مالی، نقطه عطفی در ادغام بازارهای مالی و زیرساخت‌های هوش مصنوعی است. برای فعالان صنعت فین‌تک، این تحول نویدبخش کاهش چشمگیر هزینه‌های عملیاتی و امکان‌پذیر شدن پیاده‌سازی ابزارهای پیشرفته‌تر هوش مصنوعی در مقیاس بزرگ است.

سؤالات متداول (FAQ)

۱. تراشه استنتاجی (Inference Chip) چه تفاوتی با تراشه آموزش (Training Chip) دارد؟

تراشه‌های آموزش برای پردازش حجم عظیمی از داده‌ها جهت ساخت و یادگیری اولیه مدل‌ها طراحی شده‌اند و بسیار گران‌قیمت و پرمصرف هستند. در مقابل، تراشه‌های استنتاجی برای اجرای سریع و کم‌هزینه مدل‌هایی که قبلاً آموزش دیده‌اند، بهینه‌سازی شده‌اند.

۲. چرا پذیرش تراشه استنتاجی به عنوان وثیقه وام اهمیت دارد؟

این اقدام نشان می‌دهد نهادهای مالی سنتی اکنون ارزش تجاری و نقدشوندگی بالایی برای سخت‌افزارهای تخصصی هوش مصنوعی (خارج از انحصار انویدیا) قائل هستند و ریسک سرمایه‌گذاری در این حوزه کاهش یافته است.

۳. این تحول چه تاثیری بر هزینه خدمات هوش مصنوعی در فین‌تک دارد؟

با توسعه ابرهای تخصصی استنتاج، هزینه پردازش هر توکن کاهش می‌یابد که این امر منجر به ارزان‌تر شدن خدماتی مانند چت‌بات‌های بانکی، سیستم‌های کشف تقلب و تحلیل‌های اعتبارسنجی هوش مصنوعی می‌شود.

۴. چرا استارتاپ‌ها به جای ابرهای بزرگی مثل AWS به سراغ Neocloudها می‌روند؟

ابرهای نوظهور یا Neocloudها به طور اختصاصی برای بارهای کاری هوش مصنوعی طراحی شده‌اند و به دلیل استفاده از سخت‌افزارهای بهینه، سرعت بالاتر و هزینه بسیار کمتری نسبت به ارائه‌دهندگان سنتی خدمات ابری دارند.

۵. آیا این مدل تامین مالی در ایران نیز قابل اجراست؟

بله، هلدینگ‌های مالی و بانک‌های ایرانی می‌توانند به جای خرید تجهیزات گران‌قیمت آموزش، مدل‌های تامین مالی خود را بر روی توسعه دیتاسنترهای استنتاجی متمرکز کنند که با ساختار اقتصادی و محدودیت‌های انرژی کشور سازگاری بیشتری دارد.

برای دنبال کردن تحلیل‌های بیشتر درباره فین‌تک، بانکداری دیجیتال و اقتصاد نوآوری، گزارش‌های تخصصی را در رسانه پی‌کار دنبال کنید.

با توسعه زیرساخت‌های پردازشی در سال ۲۰۲۶، تامین مالی هوش مصنوعی با وثیقه تراشه‌های استنتاجی به عنوان یکی از روش‌های نوین و کارآمد برای کاهش ریسک اعتباری پروژه‌های فناوری مطرح شده است. این رویکرد جدید که جزئیات آن در گزارش اخیر TechCrunch پیرامون قراردادهای چندصد میلیون دلاری این حوزه بررسی شده، نشان‌دهنده تغییر پارادایم در وثیقه‌گذاری دارایی‌های سخت‌افزاری است؛ موضوعی که تحلیلگران پی‌کار در بخش مقالات تخصصی به ارزیابی پتانسیل‌های پیاده‌سازی و چالش‌های رگولاتوری آن در بازار مالی ایران پرداخته‌اند.