تحلیل جامع سرمایه‌گذاری، ساختار مالی و اقتصاد سیاسی هوش مصنوعی در عصر آگاهی

۱. ابعاد کلان سرمایه‌گذاری‌ها، مشارکت‌ها و ادغام‌ها

هوش مصنوعی از مرحلهٔ آزمایشگاهی وارد مرحلهٔ صنعتی‌سازی شده است: تراشه، مرکز داده، شبکه، انرژی، مدل‌های پایه و نرم‌افزار سازمانی اکنون یک زنجیرهٔ تولید واحد می‌سازند. این تحول فقط فناوری تازه‌ای برای بازار نیست؛ نیروی مولدی است که شیوهٔ تولید، توزیع دانش، سازمان کار و در نتیجه امکان یک نظم اجتماعی تازه را دگرگون می‌کند.

هزینه‌های سرمایه‌ای (CapEx) غول‌های فناوری (Hyperscalers)

• مقیاس سرمایه‌گذاری: در سال ۲۰۲۶، پنج بازیگر اصلی زیرساخت—Amazon، Alphabet، Microsoft، Meta و Oracle—برنامه‌ها و برآوردهای سرمایه‌ای در مقیاس چندصد میلیارد دلار دارند. رقم دقیق در طول سال تغییر می‌کند و همهٔ این مخارج نیز صرفاً هوش مصنوعی نیست؛ اما مرکز داده، تراشه، شبکه و برق محرک اصلی رشد آن است.
• تمرکز زیرساختی: به‌جای نسبت قطعی و اثبات‌نشدهٔ «۷۵٪»، باید گفت بخش بزرگی از افزایش سرمایه‌گذاری به شتاب‌دهنده‌های Nvidia و AMD، تراشه‌های اختصاصی Google، Amazon و Microsoft، مراکز داده، شبکه و قراردادهای بلندمدت انرژی مربوط است. این تمرکز، قدرت اقتصادی را در گلوگاه‌های تراشه، ابر و برق فشرده می‌کند.

سرمایه‌گذاری‌های چرخه‌ای و مشارکت‌های استراتژیک

• Microsoft و OpenAI: رابطهٔ سرمایه‌گذار، عرضه‌کنندهٔ ابر و شریک تجاری سبب شده است سرمایه، ظرفیت پردازش و توزیع مدل در یک مدار به‌هم‌پیوسته قرار گیرد. جزئیات مالی این رابطه قراردادی و متغیر است؛ بنابراین نباید آن را صرفاً «دریافت سهم از سود» توصیف کرد.
• Amazon، Google و Anthropic: Amazon تا مرحلهٔ اعلام‌شدهٔ رسمی چهار میلیارد دلار در Anthropic سرمایه‌گذاری کرد و AWS را ابر اصلی آن قرار داد؛ همکاری شامل Trainium و Inferentia نیز بود. Google نیز سرمایه‌گذار و شریک ابری Anthropic است. این معاملات نمونه‌ای از «سرمایه‌گذاری چرخه‌ای»اند: سرمایه به شرکت مدل‌ساز می‌رود و بخشی از تقاضای همان شرکت به خدمات ابر و تراشهٔ سرمایه‌گذار بازمی‌گردد.

۲. مدل‌های درآمدزایی شرکت‌های هوش مصنوعی (Revenue Models)

شرکت‌های هوش مصنوعی جریان‌های درآمدی خود را در ۴ محور اصلی ساختاردهی کرده‌اند:

• اشتراک کاربران (B2C): طرح‌های پلکانی برای دسترسی به مدل‌ها، کدنویسی، پژوهش و تولید محتوا. قیمت‌ها و سقف مصرف مرتب تغییر می‌کنند؛ بنابراین معیار تحلیلی مهم‌تر، نسبت قیمت اشتراک به هزینهٔ واقعی استنتاج و محدودیت ظرفیت است.
• فروش دسترسی API (API Usage-based / Token Pricing): اصلی‌ترین منبع درآمدی برای توسعه‌دهندگان و شرکت‌ها بر اساس تعداد توکن ورودی/خروجی.
• قراردادهای سازمانی (B2E Enterprises & On-Prem): ارائه مدل‌های سفارشی‌سازی شده، امنیت بالای داده، و عدم استفاده از داده‌های شرکت برای آموزش.
• لایسنس‌دهی و حق امتیاز زیرساخت (Cloud & Copilot Integrations): فروش ابزارهای ادغام‌شده در نرم‌افزارهای سازمانی (مانند Microsoft 365 Copilot).

۳. تحلیل مالی، وضعیت درآمد و سودآوری شرکت‌های پیشرو

۴. چالش ساختار هزینه‌ای: آموزش (Training) در برابر استنتاج (Inference)

۵. اقتصاد استنتاج و اثر ذخیره‌سازی زمینه (Prompt Caching)

محاسبه هزینه API بر اساس فرمول زیر صورت می‌گیرد:

Total Cost = (Tokens_Input × P_Input) + (Tokens_Cached × P_Cached) + (Tokens_Output × P_Output)

نمونهٔ مقایسه‌ای؛ ارقام وابسته به مدل، تاریخ و الگوی مصرف

۶. تحلیل منطق سرمایه‌داری و نقد اقتصاد سیاسی هوش مصنوعی

تشدید بی‌سابقه مالکیت خصوصی و تمرکز انحصار

در عصر آگاهی، مالکیت دیگر صرفاً شامل «ابزار تولید فیزیکی» (کارخانه و زمین) نیست، بلکه «زیرساخت‌های شناختی و دانش انباشته بشری» به مالکیت خصوصی چند ابرشرکت معدود (Hyperscalers) درآمده است.

• تصاحب یک دارایی اجتماعی: مدل‌های بزرگ زبانی بر انباشت تاریخی دانش، زبان، هنر، کد، دادهٔ عمومی و کارِ نیروی انسانی تکیه دارند. همهٔ داده‌ها الزاماً عمومی یا بدون حق نیستند و منشأ داده‌ها نیز یکسان نیست؛ اما شکاف اصلی پابرجاست: ورودیِ اجتماعی و جمعی می‌تواند به خروجیِ خصوصی، بسته و انحصاری تبدیل شود.
• کالاسازی دسترسی به ظرفیت شناختی: توکن واحد فنیِ پردازش متن است، نه خودِ آگاهی. بااین‌حال، وقتی دسترسی به مدل، داده و محاسبه تنها از مسیر پرداخت و مجوز خصوصی ممکن می‌شود، بخشی از ظرفیت تولید دانش، تحلیل و کدنویسی به کالایی قابل‌اندازه‌گیری و فروش تبدیل می‌شود.
• شکل‌گیری انحصار چندجانبه: توسعهٔ مدل پیشرو به شبکه‌ای محدود از Nvidia، AMD، TSMC، Broadcom، ASML و ارائه‌دهندگان بزرگ ابر مانند AWS، Azure، Google Cloud و Oracle وابسته شده است. تعبیر «فئودالیسم دیجیتال» می‌تواند استعاره‌ای از وابستگی باشد، اما مفهوم دقیق‌تر، انحصار چندجانبه و کنترل خصوصی بر گلوگاه‌های زیرساخت است.

تناقض ساختاری سرمایه‌داری: هزینه‌های کمرشکن و تعمیق بحران‌ها

• فشار بر بازده سرمایه: تزریق صدها میلیارد دلار به تراشه، مرکز داده و انرژی، هزینهٔ ثابت را بالا می‌برد و خطر ظرفیت بلااستفاده یا بازگشت دیرهنگام سرمایه را تشدید می‌کند. این واقعیت به‌تنهایی «نزول نرخ سود» را اثبات نمی‌کند، اما شرکت‌ها را به گسترش بازار، قفل‌کردن مشتری و استخراج رانت از زیرساخت سوق می‌دهد.
• بحران اضافه تولید و کاهش قدرت خرید: سرمایه‌داری از هوش مصنوعی برای جایگزینی یا تضعیف نیروی کار انسانی استفاده می‌کند تا هزینه‌های تولید را کاهش دهد. اما ماشین‌ها کالا یا خدمات AI را خریداری نمی‌کنند؛ این انسان‌ها و نیروهای کار هستند که خریدار نهایی‌اند. بیکارسازی و کاهش سطح دستمزدها، قدرت خرید کل جامعه را پایین آورده و بازار را با بحران عدم تحقق سود مواجه می‌سازد.
• فشار انرژی و محیط‌زیست: مراکز داده در سال ۲۰۲۴ حدود ۴۱۵ تراوات‌ساعت، نزدیک به ۱٫۵٪ برق جهان، مصرف کردند و آژانس بین‌المللی انرژی مصرف نزدیک به ۹۴۵ تراوات‌ساعت در ۲۰۳۰ را برآورد می‌کند. مسئله فقط مقدار برق نیست؛ مکان، منبع انرژی، فشار بر شبکه، آب و توزیع هزینه‌ها نیز تعیین‌کننده است.

۷. مکانیسم‌های عملیاتی «مالکیت اجتماعی بر هوش مصنوعی»

اگر هوش مصنوعی از انحصار خصوصی خارج شود، صرف انتقال آن به دولت کافی نیست. هدف باید «مالکیت اجتماعیِ دموکراتیک» باشد: جامعه از راه نهادهای منتخب، شوراهای محل کار و محله، نظارت عمومی، آزادی نقد و حسابرسی مستقل در تعیین هدف‌ها و تخصیص منابع مشارکت کند. معیار موفقیت نیز رفاه، آگاهی، آزادی و توسعهٔ انسانی است، نه صرفاً سود یا قدرت اداری.

الگوی تخصیص و دسترسی اجتماعی

• سهمیه پایه رایگان به عنوان حق شهروندی (Universal Basic Compute): هر شهروند ماهانه میزان مشخصی ظرفیت پردازش و توکن رایگان دریافت می‌کند تا نیازهای آموزشی، پژوهشی و خلاقانه خود را برطرف سازد.
• تخصیص بر اساس ارزش اجتماعی (Social Utility): پروژه‌های دارو، بهداشت عمومی، آموزش و محیط‌زیست در چارچوب ظرفیت مصوب و معیارهای شفاف اجتماعی اولویت بالاتر می‌گیرند؛ «اولویت نامحدود» نه فنی است و نه دموکراتیک.
• قیمت‌گذاری شفاف بر مبنای هزینهٔ اجتماعی: برای مصرف تجاریِ مازاد، قیمت باید هزینهٔ انرژی، استهلاک، نیروی کار، امنیت، توسعه، جبران آثار محیط‌زیستی و ذخیرهٔ سرمایه‌گذاری آینده را منعکس کند. وعدهٔ کاهش ثابت «تا ۹۰٪» بدون دادهٔ عملیاتی معتبر نیست

۸. زنجیرهٔ قدرت: چه شرکت‌هایی چه چیزی را کنترل می‌کنند؟

برای فهم اقتصاد سیاسی هوش مصنوعی، نباید همهٔ بازیگران را «شرکت AI» نامید. زنجیره چند لایه دارد و قدرت در گلوگاه‌های متفاوت انباشته می‌شود:

تجهیزات ساخت تراشه: ASML ماشین‌های لیتوگرافی پیشرفته را می‌سازد؛ TSMC تولید قراردادی بسیاری از تراشه‌های پیشرو را بر عهده دارد؛ شرکت‌هایی مانند SK Hynix، Samsung و Micron حافظهٔ پهن‌باند بالا را تأمین می‌کنند. هر اختلال در این لایه می‌تواند کل زنجیره را محدود کند.

طراحی شتاب‌دهنده و شبکه: Nvidia با GPU، شبکه و CUDA یک زیست‌بوم یکپارچه ساخته است؛ AMD رقیب مهم شتاب‌دهنده است؛ Broadcom در تراشه‌های سفارشی و شبکه نقش دارد. Nvidia در سال مالی ۲۰۲۶ حدود ۲۱۵٫۹ میلیارد دلار درآمد کل و حدود ۱۹۴ میلیارد دلار درآمد مرکز داده گزارش کرد و حاشیهٔ سود ناخالص آن حدود ۷۱٫۱٪ بود. این ارقام نشان می‌دهد بخش بزرگی از ارزش فعلاً در گلوگاه سخت‌افزار و پلتفرم نرم‌افزاری متمرکز است. [منبع: گزارش مالی Nvidia]

ابر و مرکز داده: AWS، Microsoft Azure، Google Cloud و Oracle Cloud ظرفیت محاسباتی، ذخیره‌سازی، شبکه و توزیع سازمانی را کنترل می‌کنند. شرکت‌هایی مانند CoreWeave نیز به‌عنوان ارائه‌دهندهٔ تخصصی GPU رشد کرده‌اند. این لایه فقط میزبان مدل نیست؛ با قرارداد، اعتبار ابری و دسترسی به تراشه تعیین می‌کند چه کسی می‌تواند مدل بسازد و با چه هزینه‌ای.

مدل و کاربرد: OpenAI، Anthropic، Google DeepMind، Meta، xAI، Mistral و شرکت‌های مدل‌ساز چینی در لایهٔ مدل رقابت می‌کنند؛ اما بسیاری از آنها برای آموزش و استنتاج به لایه‌های بالاتر وابسته‌اند. OpenAI اعلام کرده است نرخ درآمد سالانه‌اش از ۲ میلیارد دلار در ۲۰۲۳ به بیش از ۲۰ میلیارد دلار در ۲۰۲۵ رسیده است. Anthropic نیز طبق گزارش Reuters تا پایان ژوئیهٔ ۲۰۲۶ از نرخ سالانه‌شدهٔ ۶۵ میلیارد دلار عبور کرد. اینها «نرخ سالانه‌شده» هستند، نه لزوماً درآمد حسابرسی‌شدهٔ یک سال کامل. [منبع: گزارش رسمی OpenAI] [منبع: Reuters درباره Anthropic]

توزیع و مشتری: Microsoft 365، GitHub، Google Workspace، Salesforce، ServiceNow، Adobe و پلتفرم‌های نرم‌افزاری دیگر، AI را به جریان روزمرهٔ کار می‌برند. Microsoft در گزارش سه‌ماههٔ سوم سال مالی ۲۰۲۶ گفت کسب‌وکار AI آن از نرخ درآمد سالانه‌شدهٔ ۳۷ میلیارد دلار گذشته و نسبت به سال قبل ۱۲۳٪ رشد کرده است. [منبع: گزارش رسمی Microsoft]

نتیجهٔ سیاسی روشن است: رقابت میان مدل‌ها الزاماً به رقابت واقعی در زیرساخت منجر نمی‌شود. ممکن است ده‌ها محصول ظاهراً متفاوت، در نهایت به چند سازندهٔ تراشه، چند ابر و چند شبکهٔ توزیع وابسته باشند. بنابراین سیاست ضدانحصار باید مالکیت، قراردادهای ابری، دسترسی به تراشه، قابلیت انتقال داده و هزینهٔ خروج مشتری را هم‌زمان ببیند.

۹. کار، نابرابری و مسئلهٔ قدرت خرید

برآورد سازمان بین‌المللی کار نشان می‌دهد یک نفر از هر چهار شاغل جهان در حرفه‌ای کار می‌کند که تا اندازه‌ای در معرض هوش مصنوعی مولد است؛ ۳٫۳٪ اشتغال جهانی در بالاترین سطح مواجهه قرار دارد. در کشورهای پردرآمد، سهم مواجهه بیشتر است و در بالاترین سطح، زنان بیش از مردان در معرض تغییر شغلی‌اند. نتیجهٔ اصلی گزارش این نیست که همهٔ این مشاغل حذف می‌شوند؛ «دگرگونی وظایف» محتمل‌تر از حذف کامل شغل است. [منبع: گزارش ILO]

این تمایز مهم است. خطر فقط بیکاری مستقیم نیست. اگر مالک ابزار هوشمند بتواند همان محصول را با نیروی کمتر تولید کند، بدون نهادهای مشارکت در قدرت، سهم بهره‌وری به سود و ارزش سهام منتقل می‌شود؛ شدت نظارت بر کارکنان افزایش می‌یابد؛ مهارت‌ها از نیروی کار جدا و در سامانهٔ شرکت تثبیت می‌شود؛ و قدرت چانه‌زنی مزدبگیران کاهش می‌یابد. حتی اگر تعداد کل مشاغل ثابت بماند، کیفیت کار، استقلال حرفه‌ای و سهم نیروی کار از درآمد می‌تواند افت کند.

در منطق نظم اجتماعی نوین، افزایش بهره‌وری باید به کاهش زمان کار، افزایش دستمزد اجتماعی، آموزش مادام‌العمر و گسترش خدمات عمومی تبدیل شود. پرسش محوری نباید «چند شغل حذف می‌شود؟» باشد، بلکه باید پرسید: مالک بهره‌وری کیست، چه کسی دربارهٔ کاربرد فناوری تصمیم می‌گیرد و ثمرهٔ زمان آزادشده چگونه میان جامعه تقسیم می‌شود؟

۱۰. انرژی، آب و زیرساخت عمومی

آژانس بین‌المللی انرژی برآورد کرده است مراکز داده در سال ۲۰۲۴ حدود ۴۱۵ تراوات‌ساعت برق، نزدیک به ۱٫۵٪ مصرف برق جهان، استفاده کردند و این رقم ممکن است تا ۲۰۳۰ به حدود ۹۴۵ تراوات‌ساعت برسد. یک مرکز دادهٔ متمرکز بر AI می‌تواند به‌اندازهٔ حدود صد هزار خانوار برق مصرف کند و بزرگ‌ترین پروژه‌های در حال ساخت چندین برابر این مقدار ظرفیت دارند. [منبع: گزارش IEA]

این ارقام نباید به نتیجهٔ سادهٔ «AI ذاتاً ضد محیط‌زیست است» منجر شود. هوش مصنوعی می‌تواند شبکهٔ برق، طراحی مواد، حمل‌ونقل و بهره‌وری انرژی را بهبود دهد. مسئلهٔ تعیین‌کننده، حکومت‌داری است: چه مدل‌هایی با چه ارزش اجتماعی آموزش داده می‌شوند؛ برق از چه منبعی می‌آید؛ هزینهٔ تقویت شبکه را چه کسی می‌پردازد؛ مصرف آب چگونه گزارش می‌شود؛ و آیا جامعهٔ محلی حق رد یا تغییر پروژه را دارد.

نمونهٔ روشن پیوند AI و انرژی، برنامهٔ اعلام‌شدهٔ Google برای سرمایه‌گذاری حدود ۱۵٫۱ میلیارد دلار در زیرساخت AI فنلاند طی دو سال و قرارداد ۲۲ ساله برای خرید بخشی از برق یک نیروگاه هسته‌ای است. چنین قراردادهایی نشان می‌دهد زیرساخت شناختی آینده بدون سیاست انرژی، برنامه‌ریزی سرزمینی و نظارت عمومی قابل تصور نیست. [منبع: Reuters درباره سرمایه‌گذاری Google در فنلاند]

۱۱. از مالکیت عمومی تا مالکیت اجتماعی و مشارکت در قدرت

مالکیت دولتی می‌تواند انحصار خصوصی را محدود کند، اما به‌خودی‌خود مالکیت اجتماعی نیست. اگر داده، مدل و مرکز داده در اختیار دستگاهی غیرشفاف قرار گیرد و شهروندان، کارکنان و جوامع محلی حق تصمیم و اعتراض نداشته باشند، فقط شکل تمرکز عوض شده است. مفهوم دقیق‌تر در امتداد کتاب «نظم اجتماعی نوین در عصر آگاهی» چنین است:

مالکیت اجتماعی یعنی حقوق کنترل و منافع، از راه مشارکت در قدرت، میان نهادهای جامعه به هم پیوند بخورد: نهاد ملی منتخب اهداف کلان و بودجه را تصویب کند؛ شوراهای محل کار دربارهٔ کاربرد AI در فرایند تولید تصمیم بگیرند؛ شوراهای محله و شهر بر آثار محلی مرکز داده، انرژی و خدمات عمومی نظارت کنند؛ دانشگاه‌ها و انجمن‌های حرفه‌ای استانداردهای علمی و ایمنی را ارزیابی کنند؛ و دادگاه، رسانه و حسابرس مستقل امکان اعتراض و افشاگری را تضمین کنند.

این ساختار بر چند حق پایه استوار است: حق دسترسی برابر به ظرفیت محاسباتی پایه؛ حق حریم خصوصی و منع نظارت فراگیر؛ حق توضیح و اعتراض به تصمیم‌های خودکار؛ حق انتقال داده و انتخاب ارائه‌دهنده؛ حق مشارکت کارکنان پیش از خودکارسازی؛ حق پژوهش مستقل دربارهٔ مدل‌های پرخطر؛ و حق برخورداری جامعه از بخشی از بازده اقتصادی داده و زیرساخت مشترک.

بنابراین واژهٔ کلیدی «توزیع قدرت» به معنای واگذاری از بالا نیست؛ «مشارکت در قدرت» است. شهروند مصرف‌کنندهٔ منفعل یک سامانهٔ دولتی یا خصوصی نیست، بلکه شریک تصمیم‌گیری دربارهٔ هدف، بودجه، داده، ارزیابی و تقسیم منافع است.

۱۲. داده و دانش به‌مثابه دارایی مشترک اجتماعی

مدل‌های پایه بدون زبان، دانش، تجربه و دادهٔ تولیدشده در جامعه شکل نمی‌گیرند. بااین‌حال، اجتماعی‌بودن منشأ دانش به معنای بی‌اعتباری حق مؤلف، حریم خصوصی یا رضایت نیست. نظم تازه باید میان چهار دسته تمایز بگذارد: دادهٔ شخصی و حساس که اصل بر منع استفادهٔ بدون رضایت است؛ آثار دارای حق که نیازمند مجوز و جبران‌اند؛ دادهٔ عمومیِ تأمین‌شده با بودجهٔ عمومی که باید تا حد امکان در خدمت منفعت عمومی باشد؛ و دادهٔ جمعی جوامع که قواعد استفاده از آن باید با مشارکت همان جوامع تعیین شود.

پیشنهاد عملی، ایجاد «تراست‌های دادهٔ اجتماعی» است. این نهادها از طرف اعضا دربارهٔ دسترسی، ناشناس‌سازی، مجوز، سهم درآمد و امکان خروج مذاکره می‌کنند. در کنار آن، یک «صندوق دانش و محاسبهٔ عمومی» می‌تواند از مالیات بر رانت زیرساخت، حق بهره‌برداری از دادهٔ عمومی و بازده سهام اجتماعی تأمین شود و منابع را به مدل‌های باز، زبان‌های کم‌منبع، آموزش، سلامت و پژوهش پایه اختصاص دهد.

بازبودن نیز صفر و یک نیست. وزن‌های باز، دادهٔ مستند، کد ارزیابی، گزارش انرژی، کارت مدل و امکان حسابرسی هرکدام سطحی از شفافیت‌اند. مدل‌های بسیار پرخطر ممکن است به انتشار کامل وزن نیاز نداشته باشند، اما باید زیر نظارت چندنهادی، آزمون مستقل و گزارش عمومی قرار گیرند. شفافیت بدون ظرفیت نظارت واقعی کافی نیست.

۱۳. برنامه‌ریزی هوشمندِ دموکراتیک

هوش مصنوعی امکان تازه‌ای برای برنامه‌ریزی فراهم می‌کند: تحلیل هم‌زمان موجودی، تقاضا، ظرفیت تولید، انرژی، حمل‌ونقل، نیازهای سلامت و آثار محیط‌زیستی. اما الگوریتم نباید جای سیاست و انتخاب اجتماعی را بگیرد. برنامه‌ریزی هوشمند باید سه سطح داشته باشد:

سطح ملی، هدف‌های قابل‌اندازه‌گیری مانند مسکن، سلامت، آموزش، انرژی پاک، امنیت غذایی و کاهش زمان کار را تعیین می‌کند. بودجه و محدودیت‌های زیست‌محیطی آشکار و قابل مناقشه‌اند.

سطح بخشی و منطقه‌ای، ظرفیت‌ها و محدودیت‌های واقعی را ثبت می‌کند. اتحادیه‌ها، شوراهای حرفه‌ای، تعاونی‌ها، دانشگاه‌ها، شهرداری‌ها و بنگاه‌ها گزینه‌های اجرایی را پیشنهاد می‌دهند.

سطح محل کار و محله، اطلاعات نزدیک به واقعیت و بازخورد پیامدها را فراهم می‌کند. تصمیم نهایی باید مسیر اعتراض، بازنگری و تصحیح داشته باشد.

در این نظام، AI ابزار «پیش‌بینی و مقایسهٔ سناریوها» است، نه حاکم. مدل باید نشان دهد اگر منابع به گزینهٔ الف یا ب تخصیص یابد، پیامد محتمل برای زمان انتظار، اشتغال، انرژی، نابرابری و کیفیت چیست. ارزش‌ها—مثلاً تقدم سلامت بر تبلیغات یا کاهش ساعت کار بر سود خصوصی—از فرایند دموکراتیک می‌آیند، نه از تابع هدف پنهان مهندسان.

۱۴. تقسیم دستاورد بهره‌وری

برای آن‌که AI به بحران تقاضا و تمرکز ثروت نینجامد، چهار سازوکار باید هم‌زمان عمل کند:

نخست، کاهش تدریجی هفتهٔ کاری بدون کاهش متناسب دستمزد، متناسب با رشد بهره‌وری هر بخش. دوم، صندوق گذار شغلی که آموزش را به حق و زمانِ باحقوق تبدیل کند، نه وام شخصی. سوم، سهم کارکنان و جامعه از سود ناشی از خودکارسازی از طریق مالکیت اجتماعی، تعاونی یا مالیات بر رانت. چهارم، تضمین خدمات پایه—سلامت، آموزش، مسکن، اینترنت و ظرفیت محاسباتی—تا قدرت زندگی شهروند فقط به فروش نیروی کار وابسته نباشد.

در این چارچوب، «درآمد پایه» می‌تواند نقش مکمل داشته باشد، اما جای حق کار باکیفیت، خدمات عمومی و مشارکت در قدرت را نمی‌گیرد. پرداخت نقدی بدون تغییر مالکیت ممکن است بخشی از درآمد عمومی را دوباره به اجاره، اشتراک و پلتفرم‌های انحصاری بازگرداند.

۱۵. نقشهٔ گذار پنج‌ساله

سال اول: شفافیت و حقوق. ثبت عمومی مدل‌های پرکاربرد دولتی؛ گزارش قراردادهای ابری، مصرف انرژی و آب؛ ارزیابی اثر الگوریتمی؛ حق اعتراض؛ منع اخراج صرفاً خودکار؛ و تشکیل شوراهای کارکنان برای تصمیم‌های AI.

سال دوم: زیرساخت مشترک. ایجاد ظرفیت محاسباتی عمومی برای دانشگاه، سلامت، آموزش و تعاونی‌ها؛ استاندارد قابلیت انتقال داده؛ خرید دولتی چندتأمین‌کننده‌ای؛ و جلوگیری از قفل‌شدن در یک ابر یا یک مدل.

سال سوم: مالکیت اجتماعی. راه‌اندازی صندوق دانش و محاسبه، تراست‌های داده، سهام اجتماعی در پروژه‌های برخوردار از یارانهٔ عمومی و سازوکار بازگشت بخشی از منافع به جامعه.

سال چهارم: برنامه‌ریزی مشارکتی. اتصال داده‌های ناشناس و حسابرسی‌شدهٔ بخش‌های انرژی، سلامت، حمل‌ونقل و تولید؛ انتشار سناریوها؛ و رأی‌گیری و بازبینی چندسطحی دربارهٔ اولویت‌ها.

سال پنجم: تقسیم زمان و ثروت. کاهش ساعات کار در بخش‌هایی که بهره‌وری پایدار افزایش یافته است؛ گسترش خدمات پایه؛ سنجش نابرابری، آزادی، کیفیت کار و پایداری؛ و اصلاح نهادی بر اساس نتایج واقعی.

این گذار نه جهش فرمانی از بالا است و نه انتظار منفعلانه برای فروپاشی بازار. فرایندی آزمایشی، قانون‌مند، برگشت‌پذیر و قابل حسابرسی است که ظرفیت اجتماعی را مرحله‌به‌مرحله می‌سازد.

۱۶. پاسخ به سه اعتراض

اعتراض نخست: «برنامه‌ریزی همیشه شکست می‌خورد.» پاسخ این است که شرکت‌های بزرگ خود با داده و الگوریتم، زنجیرهٔ عرضه و سرمایه‌گذاری را برنامه‌ریزی می‌کنند؛ مسئله وجود یا نبود برنامه‌ریزی نیست، بلکه مقیاس، اطلاعات، پاسخ‌گویی و هدف آن است. برنامه‌ریزی دموکراتیک باید از تمرکز اداری، هدف واحد و پنهان‌کاری دوری کند و امکان آزمون‌های محلی و بازنگری داشته باشد.

اعتراض دوم: «مالکیت اجتماعی نوآوری را از بین می‌برد.» بخش بزرگی از زیربنای AI بر دانشگاه، پژوهش عمومی، اینترنت، نیمه‌رسانا و نیروی انسانی آموزش‌دیده با منابع اجتماعی بنا شده است. نوآوری به انگیزه نیاز دارد، اما انگیزه فقط انحصار و ثروت شخصی نیست؛ اعتبار علمی، استقلال حرفه‌ای، مأموریت عمومی، دستمزد مناسب و امکان ساختن نیز انگیزه‌اند. نظام پیشنهادی می‌تواند بنگاه خصوصی و تعاونی را حفظ کند، ولی گلوگاه‌های بنیادی را تابع قواعد عمومی و رقابت منصفانه سازد.

اعتراض سوم: «AI برای دموکراسی بیش از حد پیچیده است.» پیچیدگی دلیل حذف مردم نیست؛ دلیل ساخت نهادهای تخصصیِ پاسخ‌گو است. همان‌گونه که بودجه، دارو یا شبکهٔ برق با ترکیب تخصص، قانون و نظارت عمومی اداره می‌شود، AI نیز به کارشناسی مستقل، نمایندگی ذی‌نفعان و حق اعتراض نیاز دارد.

۱۷. جمع‌بندی: نیروی مولد تازه و امکان نظم تازه

هوش مصنوعی تناقض دیرینهٔ تولید اجتماعی و مالکیت خصوصی را در سطحی تازه آشکار می‌کند. دانش، داده، زبان، نیروی کار، دانشگاه، شبکهٔ برق و زنجیرهٔ جهانی تراشه در تولید آن شریک‌اند، اما حق تصمیم و بازده اقتصادی در دست شمار محدودی از مالکان زیرساخت متمرکز می‌شود. این تمرکز نه نتیجهٔ اجتناب‌ناپذیر فناوری، بلکه نتیجهٔ قواعد مالکیت و قدرت است.

نظم اجتماعی نوین در عصر آگاهی از ملی‌سازی ساده یا حکومت الگوریتمی به‌دست نمی‌آید. پایهٔ آن مالکیت اجتماعیِ دموکراتیک، مشارکت در قدرت، آزادی نقد، کثرت‌گرایی، حقوق داده، حسابرسی مستقل و تقسیم دستاورد بهره‌وری است. AI باید توان جامعه برای دیدن گزینه‌ها و هماهنگی منابع را افزایش دهد؛ تصمیم دربارهٔ اهداف همچنان انسانی، سیاسی و عمومی می‌ماند.

پرسش نهایی این نیست که آیا ماشین از انسان باهوش‌تر می‌شود. پرسش این است که آیا جامعه به‌اندازه‌ای آگاه و سازمان‌یافته می‌شود که قدرت تازهٔ ماشین را به آزادی، فراغت، برابری و شکوفایی همگانی تبدیل کند. این همان نقطه‌ای است که «عصر آگاهی» می‌تواند از نام یک دوره به بنیاد یک نظم اجتماعی نوین بدل شود.

منابع منتخب

گزارش رسمی OpenAI دربارهٔ رشد درآمد

گزارش مالی سه‌ماههٔ سوم سال مالی ۲۰۲۶ Microsoft

گزارش مالی سال مالی ۲۰۲۶ Nvidia

گزارش Reuters دربارهٔ نرخ درآمد سالانه‌شدهٔ Anthropic

اعلام رسمی Amazon دربارهٔ سرمایه‌گذاری در Anthropic

گزارش آژانس بین‌المللی انرژی دربارهٔ انرژی و AI

گزارش سازمان بین‌المللی کار دربارهٔ AI مولد و مشاغل

گزارش Reuters دربارهٔ سرمایه‌گذاری Google در زیرساخت AI فنلاند

یادداشت روش‌شناختی: ارقام درآمدی شرکت‌های خصوصی، به‌ویژه OpenAI و Anthropic، غالباً «نرخ سالانه‌شده» یا گزارش رسانه‌ای‌اند و با درآمد تحقق‌یافته و حسابرسی‌شدهٔ یک سال کامل یکسان نیستند. ارقام و قیمت‌های این صنعت سریع تغییر می‌کنند؛ این متن داده‌ها را تا سپتامبر ۲۰۲۶ بازبینی کرده است.

بازگشت به صفحهٔ اصلی