آیا در آستانه بحران قیمت‌گذاری توکن‌ها یا «توکناپوکالیپس» هستیم؟

مایکروسافت به‌تازگی تغییرات ساختاری گسترده‌ای را در سیستم قیمت‌گذاری سرویس گیت‌هاب کوپایلت (GitHub Copilot) اعلام کرده است؛ تحولی چنان عمیق و چالش‌برانگیز که یکی از کاربران شبکه اجتماعی ردیت، از آن با عنوان آغاز دوران «توکناپوکالیپس» (Tokenpocalypse) یاد کرد. در آخرین بخش از پادکست اقتصادی تک‌کرانچ (TechCrunch Equity)، من به همراه کیرستن کوروسک و شان اوکان به بررسی پیامدهای این سیاست جدید بر زیست‌بوم هوش مصنوعی پرداختیم. واقعیت این است که با توجه به برنامه شرکت‌های بزرگ این حوزه نظیر آنتروپیک برای ورود به بازار بورس و فشارهای فزاینده سهامداران برای شفاف‌سازی مسیرهای سودآوری، احتمالاً به زودی شاهد افزایش قیمت و اعمال محدودیت‌های شدیدتر در حجم استفاده از دیگر محصولات هوش مصنوعی خواهیم بود؛ چرا که شرکت‌ها ناگزیرند هزینه‌های عملیاتی سرسام‌آور خود را مهار کنند. در این گفتگو، شان اوکان این پرسش اساسی را مطرح کرد که «آیا آزمایشگاه‌های توسعه هوش مصنوعی می‌توانند هزینه‌های پردازش را کاهش داده و روند پیشرفت فناوری را به گونه‌ای هدایت کنند که با میزان بودجه و تمایل مشتریان به پرداخت همخوانی داشته باشد؟» از سوی دیگر، کیرستن کوروسک معتقد بود این وضعیت نشان‌دهنده سرعت شتابان تحولات این حوزه است. به باور او، شرکت‌ها تنها ظرف شش ماه گذشته شیفته رویکرد حداکثرسازی توکن‌ها (Token-maximizing) شدند و حالا به دلیل هزینه‌های گزاف مالی، مجبور به عقب‌نشینی از آن هستند. وی افزود با توجه به اینکه شرکت‌ها در حال تنظیم اسناد عرضه اولیه (S-1) خود هستند، مایه تأسف و تعجب است که چطور می‌توان این حجم از ریسک‌های متغیر را در اسناد مالی ثبت کرد، آن هم در حالی که بازار دقیقاً مقابل چشمان ما در حال دگرگونی است.

در ادامه، بخشی از متن این گفتگو را که برای وضوح بیشتر و خلاصه شدن ویرایش شده است، مرور می‌کنیم: آنتونی ها: شان، زمانی که در حال برنامه‌ریزی برای این اپیزود بودیم، تو این پدیده را "Tokenpocalypse" نامیدی. تمایل دارم ابعاد این دیدگاه را بیشتر بشکافیم. ما نمونه مشخص مایکروسافت را داریم که در سرویس گیت‌هاب کوپایلت تصمیم گرفته به جای دریافت اشتراک با نرخ ثابت، مبنای هزینه‌ها را بر اساس میزان مصرف هر توکن محاسبه کند. در حال حاضر، این اکوسیستم به شدت به تزریق نقدینگی از سوی سرمایه‌گذاران خطرپذیر وابسته است. در نتیجه، خدماتی که در ظاهر برای کاربر نهایی رایگان یا بسیار ارزان به نظر می‌رسند، در واقع هزینه‌های زیرساختی سنگینی دارند. اکنون به نقطه‌ای رسیده‌ایم که این هزینه‌های واقعی باید به مصرف‌کننده و مشتری سازمانی منتقل شوند. این اتفاق چه تأثیری بر الگوی رفتاری بازار خواهد داشت؟ هنوز ابعاد کامل آن روشن نیست، اما قطعاً فرآیندی دشوار و پرچالش خواهد بود. شان اوکان: نکته جالب اینجاست که فکر می‌کنی چه تعداد از ریسک‌های مالی مربوط به مصرف توکن در فرم S-1 شرکت آنتروپیک گنجانده شده باشد؟ این یک چالش جدی است. یکی از مصادیقی که پیش‌تر هم در برنامه به آن اشاره کرده‌ام و مدام در بازار تکرار می‌شود، تجربه شرکت اوبر (Uber) است؛ مجموعه‌ای که تنها در عرض یک ماه و نیم از موضعِ «ما بودجه این بخش را بسیار سریع‌تر از پیش‌بینی‌ها صرف کردیم» به موضعِ «هزینه‌ها بسیار بالا است، باید محدودیت‌های جدی وضع کرده و سقف استفاده داخلی را کاهش دهیم» تغییر جهت داد.

این روند واقعاً نگران‌کننده است. وقتی شرکتی در ابعاد اوبر با آن حجم از مصرف داده، ناگهان ناچار به اعمال چنین صرفه‌جویی شدیدی می‌شود، یک سوال بزرگ به ذهن خطور می‌کند: آیا آزمایشگاه‌های هوش مصنوعی توانایی فنی کاهش هزینه‌ها را دارند تا سرعت رشد تکنولوژی را با توان مالی مشتریان هماهنگ کنند؟ نکته تامل‌برانگیز دیگر این است که در زمان عرضه اولیه چت‌جی‌پی‌تی، هیچ مدل کسب‌وکاری یا استراتژی مالی دقیقی پشت تعیین نرخ اشتراک ۲۰ دلار در ماه برای نسخه پلاس وجود نداشت؛ این صرفاً یک عدد فرضی بود که از آن زمان تاکنون به عنوان مبنا قرار گرفته است. اگرچه کاربران برای دسترسی به مدل‌های پیشرفته‌تر تمایل به پرداخت مبالغ بالاتر دارند، اما حتی این درآمدهای اشتراکی نیز برای پوشش هزینه‌های سرسام‌آور پردازش و سرورها کافی نیست. بنابراین، معمای اصلی پایداری مالی این بازار است. کیرستن کوروسک: تمامی این شواهد به من ثابت می‌کند که تحولات این صنعت با چه سرعت سرسام‌آوری پیش می‌روند. اگر منصفانه نگاه کنیم، کل جریان توکن‌ماکسیمایزینگ تنها در عرض شش ماه به اوج خود رسید و اکنون به یک رویکرد منفی تبدیل شده است. این حجم از تغییرات و مکانیسم‌های قیمت‌گذاری، پیش از آنکه مدل‌های تجاری مستحکم و پایداری در اطراف آزمایشگاه‌های هوش مصنوعی شکل بگیرد، به بازار تحمیل شد.

در این میان، نهادهای حاکمیتی نیز تلاش می‌کنند تا با حداکثر سرعت خود را به این موج برسانند. در همین هفته، دونالد ترامپ فرمان اجرایی جدیدی را امضا کرد؛ مصوبه‌ای با دامنه محدود که هدف از آن، ایجاد چارچوبی قانونی برای بررسی و نظارت دولت بر مدل‌های هوش مصنوعی فوق‌پیشرفته است. تمامی این رویدادها هم‌زمان در حال رخ دادن هستند و من شخصاً هرگز چنین شتاب و پویایی شدیدی را در هیچ بازار دیگری تجربه نکرده‌ام. به همین دلیل است که مشتاقانه منتظر انتشار اظهارنامه‌های ثبت‌نام بورس (S-1) شرکت‌های این حوزه هستم تا بخش عوامل ریسک آن‌ها را مطالعه کنم. واقعاً چطور می‌توان ریسک‌های بازاری را مکتوب کرد که روز به روز و پیش چشم ما در حال دگرگونی است؟ آنتونی ها: شان، مثال اوبر که درباره هزینه‌های هوش مصنوعی آن‌ها گفتی بسیار هوشمندانه بود. نام اوبر از این جهت در تحلیل‌های مربوط به حوزه هوش مصنوعی تکرار می‌شود که منتقدانِ معتقد به وجود حباب اقتصادی، همواره به عدم سودآوری این ساختارها اشاره می‌کنند. پیش از این نیز کارشناسان بارها درباره زیان‌ده بودن مدل اولیه اوبر صحبت می‌کردند، اما آن شرکت در نهایت توانست با رسیدن به مقیاس اقتصادی انبوه، آن شکاف مالی را پر کند و به سودآوری برسد.

بله، این تحلیل درست است. اما نباید فراموش کرد اوبر برای دستیابی به این هدف مجبور شد ساختار درونی خود را در ابعاد مختلفی بازتعریف کند. اوبرِ امروز با نسخه اولیه آن کاملاً متفاوت است؛ ورود به حوزه‌های تجاری جدید و بازنگری بنیادین در نحوه تعامل با رانندگان و مسافران، همگی تغییراتی اجباری بودند تا این شرکت را به سودآوری برسانند. بنابراین، شرکت‌های فعال در حوزه هوش مصنوعی نیز اگر تمایل به بقا در بازار دارند، ناگزیرند تن به تحولات ساختاری مشابهی بدهند. شان اوکان: اما پرسش نهایی این است که آیا این آزمایشگاه‌های هوش مصنوعی پلتفرم رقیب یا اهرم فشاری در اختیار دارند تا در طول زمان، مانند سیاست اوبر با رانندگانش، هزینه‌های تامین‌کنندگان یا نیروی کار خود را فشرده و محدود کنند؟ آیا ساختار آن‌ها به اندازه کافی انعطاف‌پذیر است؟ هنوز پاسخی برای آن نداریم و تماشای این تقابل در آینده بسیار جذاب خواهد بود.