תחזית הבסיס של גולדמן זאקס להוצאה של 7.6 טריליון דולר על השקעות הון בבינה מלאכותית (AI) תלויה בסופו של דבר בכמה זמן סיליקון ייעודי ל‑AI יישאר שימושי. רשתות מבוזרות מבטיחות התייעלויות עלות משמעותיות אך ממשיכות להתמודד עם בעיות השהיה (Latency), ומומחים טוענים שהיתכנותן לטווח ארוך תתבסס על מתן עדיפות ליכולת אימות (Verifiability) על פני ביצועים גולמיים.
מומחים אומרים שהוכחות ZK מעניקות ל-DePINs יתרון ככל שהדרישות לאמון ב-AI עולות

נקודות עיקריות
- גולדמן זאקס מציינת הוצאה של 7.6 טריליון דולר עד 2031, בהתאם לשאלה האם שבבים מחזיקים יותר מ‑3 שנים.
- מומחים מ‑StealthEX ומ‑Cysic מזהירים שהשהיית DePIN מגבילה AI מבוזר לעבודות אצווה (Batch) על פני צ’אט חי.
- חברות Onchain כמו Maple עשויות לגשר על פער האשראי של 5 עד 50 מיליון דולר עבור מרכזי נתונים מדרג 2 עד 2028.
קו הבסיס של 7.6 טריליון דולר
דוח עדכני של גולדמן זאקס מעביר את הדיון מהשאלה האם קיים ביקוש לבינה מלאכותית (AI) אל השאלה אילו גורמים בצד ההיצע יקבעו את העלות בפועל של ההקמה. הדוח צופה 7.6 טריליון דולר בהוצאות הון על AI כקו בסיס, אך מדגיש שמספר זה רגיש מאוד ל״משתנים מכריעים״, כולל אורך החיים השימושי של סיליקון ל‑AI.
אריכות ימים זו נתפסת כגורם הקריטי ביותר משום שחדשנות מהירה עלולה להפוך שבבים סטנדרטיים—שבדרך כלל מחזיקים ארבע עד שש שנים—למיושנים בתוך שלוש שנים, ולגרום לעלויות לזנק. מנגד, ״מודל מדורג״ שבו שבבים ישנים ממוחזרים למשימות פשוטות יותר, כגון הסקה (Inference), עשוי לייצב עלויות.
מורכבות מרכזי הנתונים ואלסטיות הביקוש לחישוב (Compute) הם משתנים נוספים שסביר שישפיעו על היקף ההון שיושקע בתשתיות AI בחמש השנים הקרובות. מחסור בקיבולת רשת החשמל, בכוח אדם מיומן ובציוד חשמלי ייעודי נתפסים גם הם כגורמים שמאריכים את משך ההקמה.
במקביל, דוח נפרד ממסגר את הוצאות התשתית האדירות הללו כאבן היסוד של ״כלכלת מכונות״ מתהווה. בפרדיגמה זו, סוכני AI הופכים לשחקנים הכלכליים המרכזיים, מבצעים עסקאות בתדירות גבוהה ומנהלים הקצאת משאבים באופן עצמאי. מחברי הדוח טוענים שמערכות פיננסיות מדור קודם, המאופיינות במחזורי סליקה איטיים ובמסגרות קשיחות של הכר את הלקוח (KYC), אינן מותאמות באופן יסודי למהירות של מסחר סוכני (Agentic).
תשתית מבוזרת והפשרה של ההשהיה
בהתאם לכך, הוא מציב את הקריפטו והפרוטוקולים המבוזרים כ״מסילות כלכליות״ חיוניות וחסרות הרשאה (Permissionless) הנדרשות כדי לאפשר את השינוי הזה. עם זאת, ספקנים נותרו זהירים ומטילים ספק אם רשתות תשתית פיזית מבוזרת (DePINs) יכולות באמת לצמצם את דרישות ההון התופחות של ה‑AI.
ואדים טאשיצקי, ראש תחום הצמיחה ב‑StealthEX, מציין כי בעוד שרשתות מבוזרות יכולות להציע חיסכון עלויות משמעותי, הן מתמודדות עם מגבלות פיזיות. בעוד שספק מבוזר כמו Akash עשוי להשכיר GPU מסוג H100 ב‑1.48 דולר לשעה לעומת 12.30 דולר ב‑Amazon Web Services, הפשרה היא במהירות.
״ספקיות הענן הגדולות יכולות לעשות [עבודה מהירה] כי ה‑GPU שלהן יושבים ליד אחד את השני באותו בניין, מחוברים בכבלים מיוחדים שמעבירים נתונים במיקרו‑שניות,״ אמר טאשיצקי. הוא הסביר שרשתות מבוזרות, שתופרות יחד GPUs במדינות שונות דרך האינטרנט הציבורי, מוסיפות השהיה של מילי‑שניות. ההשהיה הזו הופכת תזמור מבוזר לתחרותי עבור עבודות אצווה וכיוונון‑עדין (Fine-tuning), אך ללא מתאים להגשת צ׳אטבוטים חיים בהיקף גדול, שבהם חוויית המשתמש תלויה בתגובות כמעט מיידיות.
ליאו פאן, מייסד Cysic, הדהד את הדברים הללו והתעקש שהסקה מבוזרת אינה מתאימה לעומסי עבודה בעלי השהיה נמוכה. עם זאת, פאן טען שהשהיה היא אמת מידה שגויה להשוואה בין פלטפורמות מבוזרות לבין ענקיות ענן (Hyperscalers) כמו AWS.
״הבעיה הקשה אינה חישוב מבוזר אלא גילוי, תזמון ואימות (Attestation). הטריז אינו מחיר‑לטוקן; זה אימותיות,״ אמר פאן. הוא ציין שסביבות ביצוע מהימנות (TEEs) ואימותי אפס‑ידע (ZK) מאפשרים לרשתות מבוזרות להתחרות במגזרים שבהם אמון ואימות חשובים יותר מ״השהיית זנב״ (Tail latency).
אשראי Onchain ופער המימון
מעבר לחישוב, המיקוד עובר לשאלה כיצד ממומנים פרויקטים עתירי הון אלה. בעוד שלאשראי פרטי מסורתי יש הון רב, הוא לעיתים קרובות מתעלם מעסקאות קטנות יותר או לא סטנדרטיות. אשראי Onchain מציע יתרונות מובחנים, כגון מתן אפשרות למשקיעים קמעונאיים להשתתף בהכנסות של מרכזי נתונים שבעבר הוגבלו לשותפים מוגבלים מוסדיים. בנוסף, פלטפורמות כמו Maple ו‑Centrifuge יכולות לסנדיקט הלוואות בטווח של 5 עד 50 מיליון דולר—סגמנט שלרוב זוכה להתעלמות מצד חברות כמו Apollo בשל עלויות חיתום גבוהות יחסית לעמלות.
לבסוף, אשראי Onchain מאפשר מודלים חדשים של ״תשלום‑לפי‑הסקה״ (Pay-per-inference), שבהם ההכנסה משתנה בהתאם לשימוש ב‑GPU. מודלים כאלה משתלבים באופן טבעי יותר במבני חלוקת הכנסות ממוטקנת (Tokenized revenue-share) מאשר בחוזי שכירות מסורתיים קשיחים ל‑20 שנה.
למרות הפוטנציאל הזה, מומחים מזהים ארבעה ״שערים״ שנותרו סגורים בפני אימוץ מוסדי: אכיפה משפטית בבתי משפט לפשיטות רגל, היעדר תשתית אורקל עמידה לשיבוש (Tamper-evident) לשירות אמות מידה (Covenants), אי‑ודאות רגולטורית עבור נתחי מימון של מיליארדי דולרים, ומוצרים לא סטנדרטיים של מיסוי וחשבונאות.
הקונצנזוס מציע ציר זמן ריאלי של 12 עד 24 חודשים כדי שעסקאות סינדיקציה בינוניות יצברו תאוצה Onchain, כאשר חוב ביניים (Mezzanine) ברובו Onchain צפוי להיות במרחק של שלוש עד חמש שנים. פריצות הדרך הראשונות צפויות להגיע ממפעילים מדרג 2 ולא ממובילי תעשייה כמו Coreweave.

טירוף תשתיות הבינה המלאכותית מתגבר כאשר מטא מתחייבת להשקיע עד 27 מיליארד דולר בנביוס
חקור את מרוץ החימוש בבינה המלאכותית של 2026, כאשר מטא משקיעה 27 מיליארד דולר בכוח מחשוב ענן עם קבוצת Nebius. read more.
קרא עכשיו
טירוף תשתיות הבינה המלאכותית מתגבר כאשר מטא מתחייבת להשקיע עד 27 מיליארד דולר בנביוס
חקור את מרוץ החימוש בבינה המלאכותית של 2026, כאשר מטא משקיעה 27 מיליארד דולר בכוח מחשוב ענן עם קבוצת Nebius. read more.
קרא עכשיו
טירוף תשתיות הבינה המלאכותית מתגבר כאשר מטא מתחייבת להשקיע עד 27 מיליארד דולר בנביוס
קרא עכשיוחקור את מרוץ החימוש בבינה המלאכותית של 2026, כאשר מטא משקיעה 27 מיליארד דולר בכוח מחשוב ענן עם קבוצת Nebius. read more.















