کارشناسان می‌گویند اثبات‌های ZK با افزایش تقاضا برای اعتماد به هوش مصنوعی، به DePINها مزیت می‌دهند

مبنای ۷.۶ تریلیون دلاری

گزارش اخیر گلدمن ساکس report بحث را از این‌که آیا تقاضا برای هوش مصنوعی (AI) وجود دارد یا نه، به این‌که کدام عوامل سمتِ عرضه هزینهٔ واقعی توسعهٔ زیرساخت را تعیین خواهند کرد، منتقل می‌کند. این گزارش ۷.۶ تریلیون دلار هزینهٔ سرمایه‌ای هوش مصنوعی را به‌عنوان مبنا پیش‌بینی می‌کند، اما تأکید دارد که این رقم به‌شدت به «متغیرهای تعیین‌کننده» حساس است؛ از جمله عمر مفید سیلیکونِ هوش مصنوعی.

این ماندگاری مهم‌ترین عامل تلقی می‌شود، زیرا نوآوری سریع می‌تواند تراشه‌های استاندارد—که معمولاً چهار تا شش سال عمر دارند—را در سه سال منسوخ کند و باعث جهش شدید هزینه‌ها شود. در مقابل، «مدل لایه‌ای» که در آن تراشه‌های قدیمی‌تر برای وظایف ساده‌تر، مانند استنتاج (Inference)، دوباره استفاده می‌شوند، می‌تواند هزینه‌ها را تثبیت کند.

پیچیدگی دیتاسنتر و کشسانیِ (Elasticity) تقاضای محاسباتی از دیگر متغیرهایی هستند که احتمالاً بر میزان سرمایه‌گذاری روی زیرساخت هوش مصنوعی در پنج سال آینده اثر می‌گذارند. کمبود ظرفیت شبکهٔ برق، نیروی کار تخصصی و تجهیزات الکتریکی نیز از عواملی دانسته می‌شوند که روند توسعه را طولانی‌تر می‌کنند.

در همین حال، یک report جداگانه این هزینهٔ سرسام‌آور زیرساختی را سنگ‌بنای «اقتصاد ماشین» در حال ظهور معرفی می‌کند. در این پارادایم، عامل‌های هوش مصنوعی به بازیگران اصلی اقتصاد تبدیل می‌شوند، تراکنش‌های پُرفرکانس را اجرا می‌کنند و تخصیص منابع را به‌صورت مستقل مدیریت می‌کنند. نویسندگان این گزارش استدلال می‌کنند که نظام‌های مالی قدیمی، که با چرخه‌های تسویهٔ کند و چارچوب‌های سخت‌گیرانهٔ احراز هویت مشتری (KYC) شناخته می‌شوند، اساساً برای سرعت تجارت عامل‌محور (Agentic Commerce) مناسب نیستند.

زیرساخت غیرمتمرکز و بده‌بستانِ تأخیر

از این‌رو، این گزارش کریپتو و پروتکل‌های غیرمتمرکز را به‌عنوان «ریل‌های اقتصادی» ضروری و بدون نیاز به مجوز معرفی می‌کند که برای تسهیل این گذار لازم‌اند. با این حال، بدبین‌ها همچنان محتاط‌اند و می‌پرسند آیا شبکه‌های زیرساخت فیزیکی غیرمتمرکز (DePIN) واقعاً می‌توانند نیازهای سرمایه‌ای رو به افزایشِ هوش مصنوعی را کاهش دهند یا نه.

وادیم تاشیتسکی، رئیس رشد در StealthEX، می‌گوید در حالی که شبکه‌های غیرمتمرکز می‌توانند صرفه‌جویی قابل توجهی در هزینه‌ها فراهم کنند، با محدودیت‌های فیزیکی روبه‌رو هستند. برای نمونه، در حالی که یک ارائه‌دهندهٔ غیرمتمرکز مانند Akash ممکن است یک GPU مدل H100 را ساعتی ۱.۴۸ دلار اجاره دهد در مقایسه با ۱۲.۳۰ دلار در Amazon Web Services، بده‌بستان آن، سرعت است.

تاشیتسکی گفت: «ارائه‌دهندگان بزرگ ابر می‌توانند [کار سریع] انجام دهند چون GPUهایشان کنار هم در یک ساختمان قرار دارند و با کابل‌های ویژه‌ای به هم وصل شده‌اند که داده را در میکروثانیه جابه‌جا می‌کند.» او توضیح داد شبکه‌های غیرمتمرکز که GPUها را در کشورهای مختلف از طریق اینترنت عمومی به هم متصل می‌کنند، چند میلی‌ثانیه تأخیر اضافه می‌کنند. این تأخیر باعث می‌شود ارکستراسیون غیرمتمرکز برای کارهای دسته‌ای و ریزتنظیم (Fine-tuning) رقابتی باشد، اما برای ارائهٔ چت‌بات‌های زنده در مقیاس بالا—که تجربهٔ کاربر به پاسخ‌های تقریباً آنی وابسته است—مناسب نباشد.

لئو فن، بنیان‌گذار Cysic، نیز با این دیدگاه‌ها هم‌صدا شد و تأکید کرد استنتاج غیرمتمرکز برای بارهای کاری کم‌تأخیر مناسب نیست. با این حال، فن استدلال کرد که تأخیر معیار اشتباهی برای مقایسهٔ پلتفرم‌های غیرمتمرکز با هایپراسکیلرهایی مانند AWS است.

فن گفت: «مسئلهٔ سخت، محاسبات توزیع‌شده نیست؛ بلکه کشف، زمان‌بندی و گواهی‌کردن (Attestation) است. گُوِه (Wedge) قیمتِ هر توکن نیست؛ بلکه قابلیت راستی‌آزمایی است.» او اشاره کرد که محیط‌های اجرای مورد اعتماد (TEE) و گواهی‌های دانش صفر (ZK) به شبکه‌های غیرمتمرکز اجازه می‌دهند در حوزه‌هایی رقابت کنند که اعتماد و تأیید از «دُمِ تأخیر» (Tail Latency) مهم‌تر است.

اعتبار آن‌چین و شکاف تأمین مالی

فراتر از محاسبات، تمرکز در حال حرکت به سمت این است که این پروژه‌های سرمایه‌بر چگونه تأمین مالی می‌شوند. در حالی که اعتبار خصوصی سنتی سرمایهٔ کافی دارد، اغلب معاملات کوچک‌تر یا غیر استاندارد را نادیده می‌گیرد. اعتبار آن‌چین مزایای متمایزی ارائه می‌کند؛ از جمله این‌که به سرمایه‌گذاران خرد امکان می‌دهد در درآمد دیتاسنترها مشارکت کنند؛ درآمدی که پیش‌تر به شرکای محدودِ نهادی (Institutional Limited Partners) محدود بود. افزون بر این، پلتفرم‌هایی مانند Maple و Centrifuge می‌توانند وام‌هایی در بازهٔ ۵ تا ۵۰ میلیون دلار را سندیکا کنند—بازه‌ای که معمولاً شرکت‌هایی مانند Apollo به دلیل هزینه‌های بالای اعتبارسنجی نسبت به کارمزدها نادیده می‌گیرند.

در نهایت، اعتبار آن‌چین امکان مدل‌های نوآورانهٔ «پرداخت به‌ازای استنتاج» (Pay-per-inference) را فراهم می‌کند؛ جایی که درآمد همراه با میزان استفاده از GPU نوسان می‌کند. چنین مدل‌هایی به‌طور طبیعی‌تر در ساختارهای توکنایزشدهٔ مشارکت در درآمد (Revenue-share) می‌گنجند تا اجاره‌های سنتیِ سخت و ۲۰ ساله.

با وجود این ظرفیت، کارشناسان چهار «دروازه» را شناسایی می‌کنند که همچنان به روی پذیرش نهادی بسته است: قابلیت اجرا در دادگاه‌های ورشکستگی، نبود زیرساخت اوراکلِ ضد دست‌کاری برای اجرای تعهدات (Covenants)، ابهام مقرراتی برای ترانش‌های میلیارددلاری، و محصولات مالیاتی و حسابداریِ غیر استاندارد.

جمع‌بندی‌ها حاکی از آن است که بازهٔ زمانی واقع‌بینانه برای جاافتادن معاملات سندیکایی میان‌مقیاس به‌صورت آن‌چین، ۱۲ تا ۲۴ ماه است و بدهی مزانین (Mezzanine) با اکثریت آن‌چین احتمالاً سه تا پنج سال دیگر فاصله دارد. نخستین پیشرفت‌ها احتمالاً از سوی اپراتورهای ردهٔ ۲ رخ خواهد داد، نه رهبران صنعت مانند Coreweave.