مارکس، شرکتهای سهامی و بحران سرمایهگذاری در هوش مصنوعی
نویسنده: حمید اخوی
تحلیل کارل مارکس در جلد سوم «سرمایه» درباره شرکتهای سهامی، اعتبار، تمرکز سرمایه و اجتماعیشدن تولید، چارچوبی همچنان نیرومند برای فهم اقتصاد سیاسی هوش مصنوعی فراهم میکند. اهمیت این چارچوب در آن است که فناوری را نه پدیدهای مستقل و خنثی، بلکه درون مناسبات مالکیت، اعتبار، سود، رقابت و دولت بررسی میکند. پرسش اصلی فقط این نیست که مدلهای هوش مصنوعی چه تواناییهایی دارند؛ بلکه این است که این تواناییها در چه ساختاری تولید میشوند، چه کسانی هزینه آن را میپردازند، چه کسانی مالک زیرساختها هستند و منافع حاصل چگونه توزیع میشود.
مارکس توضیح میدهد که با گسترش شرکتهای سهامی، سرمایهای که بر شیوهای اجتماعی از تولید استوار است، شکل «سرمایه اجتماعی» به خود میگیرد. پروژههایی که از توان سرمایهداران منفرد خارجاند، با گردآوری پساندازها، اعتبار و سرمایههای پراکنده جامعه امکانپذیر میشوند. اما اجتماعیشدن سرمایه و تولید لزوماً به اجتماعیشدن مالکیت و تصمیمگیری نمیانجامد. صنعت هوش مصنوعی نمونه برجسته همین تناقض است: مدلها حاصل انباشت تاریخی زبان، علم، هنر، نرمافزار، دادههای عمومی، فعالیت کاربران، نیروی کار متخصص، دانشگاهها، بودجههای دولتی و زنجیره جهانی تراشهاند؛ بااینحال کنترل مدلها، مراکز داده، تراشهها و درآمدها در دست شمار اندکی از شرکتها باقی مانده است.
۱. از راهآهن تا دیتاسنتر: اجتماعیشدن مقیاس تولید
مارکس برای توضیح نقش شرکتهای سهامی از راهآهنها و مؤسسات عظیمی سخن میگفت که ایجادشان از توان سرمایههای منفرد خارج بود. امروز همان منطق در هوش مصنوعی دیده میشود. آموزش و اجرای مدلهای مرزی به هزاران پردازنده، مراکز داده عظیم، شبکه برق، خنککننده، زمین، آب، فیبر نوری و قراردادهای بلندمدت انرژی نیاز دارد. این زیرساختها صنایع سنگین عصر جدیدند.
سرمایهای که این زیرساخت را میسازد در ظاهر خصوصی است، اما در واقع از شبکهای اجتماعی از صندوقهای بازنشستگی، پساندازهای عمومی، اعتبار بانکی، قراردادهای دولتی، پژوهش دانشگاهی و کار میلیونها تولیدکننده داده تشکیل شده است. تولید بهشدت اجتماعی شده، ولی مالکیت و قدرت تصمیمگیری خصوصی و متمرکز مانده است.
۲. اعتبار، آیندهفروشی و سرمایه موهوم
مارکس نظام اعتباری را هم وسیله شتاببخشیدن به تولید و هم پایه سفتهبازی میدانست. در صنعت هوش مصنوعی، بخش مهمی از ارزشگذاریها بر انتظار آینده استوار است: شرکتها نه فقط محصول کنونی، بلکه وعده هوش عمومی مصنوعی، اتوماسیون فراگیر و تسلط بر بازارهای آینده را میفروشند. استارتاپی ممکن است درآمد محدود، هزینه محاسباتی سنگین و مدل کسبوکار نامطمئن داشته باشد، اما بر اساس تیم پژوهشی یا دسترسی به مدل، میلیاردها دلار ارزشگذاری شود.
باید میان ارزش واقعی فناوری و ارزش مالی انتظارها تمایز گذاشت. یک مدل میتواند از نظر علمی و اجتماعی مهم باشد، ولی شرکت مالک آن هنوز راهی برای سودآوری پایدار نداشته باشد. برعکس، تبلیغات و قراردادهای متقابل میتوانند ارزش بازار را بالا ببرند، بیآنکه بازده اقتصادی متناسبی ایجاد شده باشد. مفهوم «سرمایه موهوم» برای فهم این فاصله ضروری است.
۳. وعده بهرهوری و فاصله آزمایش تا اقتصاد کلان
هوش مصنوعی در تهیه پیشنویس، خلاصهسازی، برنامهنویسی، خدمات مشتری و تحلیل اسناد میتواند سرعت کار را افزایش دهد؛ اما میزان بهرهوری به کیفیت داده، نوع کار، مهارت کاربر، امکان راستیآزمایی و طراحی سازمان بستگی دارد. کاربران توانمند در پرسشگری و ارزیابی خروجی سود بیشتری میبرند، در حالی که دیگران ممکن است با خطا، توهمزایی و اعتماد بیش از حد روبهرو شوند.
افزایش توانایی مدلها بهطور خودکار به جهش تولید ناخالص داخلی تبدیل نمیشود. سازمانها باید فرایند کار، آموزش، مسئولیت حقوقی، امنیت داده و تقسیم کار را بازطراحی کنند. تاریخ برق و رایانه نیز نشان میدهد که میان اختراع فناوری و ظهور کامل آثار بهرهوری آن فاصله وجود دارد.
۴. محدودیتهای مادی: برق، آب، تراشه و زمین
هوش مصنوعی فناوریای نامادی نیست. مراکز داده مصرف برق و آب بالایی دارند و به شبکه انتقال، نیروگاه و تجهیزات خنککننده وابستهاند. تمرکز مراکز داده در مناطقی مانند ویرجینیا فشار جدی بر زیرساخت عمومی و قیمت انرژی وارد میکند. کمبود تراشههای پیشرفته نیز نشان میدهد که هوش مصنوعی به زنجیرهای جهانی از طراحی، ماشینآلات لیتوگرافی، ساخت و مواد اولیه وابسته است.
دولتها با یارانه، محدودیت صادرات، قراردادهای دفاعی و سیاست صنعتی در این زنجیره مداخله میکنند. بنابراین این ادعا که بازار خصوصی بهتنهایی صنعت هوش مصنوعی را ساخته است، با واقعیت سازگار نیست.
۵. انحصار و وابستگی متقابل غولهای فناوری
صنعت هوش مصنوعی ساختاری لایهای و متمرکز دارد. در تراشه، ابر و مدلهای مرزی، شمار محدودی شرکت بر گلوگاههای اصلی مسلطاند. شرکتی که مشتریان ابری بیشتر دارد، داده و درآمد بیشتری برای توسعه مدل گرد میآورد؛ و شرکتی که مدل قویتری دارد، مشتریان بیشتری به ابر خود جذب میکند. قراردادهای تراشه، سرمایهگذاری متقابل و مشارکتهای ابری این چرخه را تقویت میکنند.
سرمایهگذاری شرکتهای ابری در آزمایشگاههای هوش مصنوعی اغلب با تعهد استفاده از همان زیرساخت همراه است. بخشی از سرمایه تزریقشده در قالب خرید محاسبات به سرمایهگذار بازمیگردد و وابستگی استارتاپ را عمیقتر میکند. سرمایه صنعتی، مالی و انحصاری در یک مدار به هم میپیوندند.
۶. آیا حباب هوش مصنوعی در حال فروپاشی است؟
باید میان وجود عناصر حبابی و فروپاشی محتوم تفاوت گذاشت. هوش مصنوعی ظرفیتهای واقعی و همزمان ارزشگذاریهای اغراقآمیز دارد. رشد درآمد خدمات ابری و کاربردهای عملی نشان میدهد با پدیدهای صرفاً خیالی روبهرو نیستیم؛ اما هزینه سرمایهای عظیم، نبود شفافیت درباره بازده پروژهها و وعدههای مبهم هوش عمومی مصنوعی، بخشهایی از بازار را حبابی میکند.
بحران محتمل است بهصورت تصفیه سرمایه، ورشکستگی یا ادغام استارتاپهای ضعیف و تمرکز بیشتر بازار ظاهر شود. همانگونه که حباب داتکام اینترنت را از میان نبرد، ترکیدن بخشی از حباب هوش مصنوعی نیز ممکن است زیرساخت را حفظ و مالکیت را متمرکزتر کند.
۷. دولت؛ ناظر بیرونی یا شریک در انباشت؟
دولت از آغاز بخشی از فرایند انباشت بوده است: بودجه پژوهش دانشگاهی، اینترنت، نیمهرساناها، قراردادهای دفاعی، یارانه انرژی، آموزش نیروی انسانی و حفاظت حقوقی از مالکیت فکری. در بحران نیز دولت میتواند برق و زیرساخت تأمین کند، قراردادها را تضمین کند، خدمات بخرد و مقرراتی وضع کند که فقط شرکتهای بزرگ توان تحمل هزینه آن را داشته باشند. دولت صرفاً ناظر بیرونی نیست؛ شرایط عمومی انباشت را سازمان میدهد.
۸. از نقد جبرگرایانه تا تحلیل تناقض
مارکس از تناقضها و گرایشها سخن میگوید، نه جدول زمانی قطعی فروپاشی. سرمایهداری بارها از طریق نابودی سرمایههای ضعیف، مداخله دولت، بازارهای جدید و بازسازماندهی کار از بحران عبور کرده است. بحران هوش مصنوعی نیز خودبهخود نظمی عادلانه نمیسازد؛ حتی میتواند تمرکز مالکیت، اخراج، کاهش دستمزد و نظارت را افزایش دهد. گذار اجتماعی نیازمند آزادی، آگاهی عمومی، سازمانیابی و طرح جایگزین است.
۹. مارکس و یانیس واروفاکیس: از سرمایه اجتماعی تا سرمایه ابری
مارکس نشان میدهد که شرکت سهامی، سرمایه خصوصی را به شکلی اجتماعی درمیآورد، اما منطق کالا، سود، اعتبار و انباشت را حفظ میکند. واروفاکیس از «سرمایه ابری» سخن میگوید: شبکه الگوریتمها، حسابها، داده رفتاری و سامانههای توصیهگر که میتوانند رفتار را جهت دهند و دسترسی به بازار را کنترل کنند. پلتفرمها قلمروهای خصوصیای میشوند که مالکشان قواعد ورود، دیدهشدن و دسترسی به مشتری را تعیین میکند.
بااینحال سرمایه ابری را نباید پایان سرمایهداری دانست. شرکتهای فناوری همچنان نیروی کار استخدام میکنند، کالا و خدمات میفروشند و برای سود رقابت میکنند. دقیقتر آن است که از شکل متمرکز، مالیشده و پلتفرمی سرمایهداری سخن بگوییم که در آن سود، رانت، درآمد مالی و فرماندهی الگوریتمی درهم آمیختهاند.
۱۰. مارکس، واروفاکیس و دارون عجماوغلو
مارکس بر مالکیت و تضاد تولید اجتماعی با تصاحب خصوصی تمرکز میکند؛ واروفاکیس بر استخراج اجاره و فرمانروایی الگوریتمی؛ و دارون عجماوغلو بر جهت فناوری، بازار کار و توزیع بهرهوری. عجماوغلو میان هوش مصنوعی یاریدهنده و جایگزینکننده تفاوت میگذارد. فناوری میتواند توان کارگر، پزشک، معلم و مهندس را افزایش دهد، یا فقط برای کاهش نیروی انسانی و شکستن قدرت چانهزنی طراحی شود.
ترکیب این سه دیدگاه نشان میدهد که انتخاب نوع فناوری، تابع ساختار انگیزهها و قدرت است. سود کوتاهمدت ممکن است شرکت را به اتوماسیون اخراجمحور سوق دهد، حتی اگر فناوری یاریدهنده برای جامعه سودمندتر باشد.
۱۱. سه حباب تاریخی: راهآهن، داتکام و هوش مصنوعی
در هر سه مورد، فناوری واقعی و تحولآفرین بود، اما اعتبار و تبلیغات ظرفیت آینده را به درآمد قطعی و فوری تبدیل کردند. پس از بحران راهآهن، ریلها و ایستگاهها باقی ماندند؛ پس از داتکام، فیبر نوری و مراکز داده باقی ماندند. در هوش مصنوعی نیز مراکز داده، تراشهها، مدلها و نیروی متخصص از میان نمیروند؛ ممکن است با قیمت پایینتر به تملک غولهای بزرگ درآیند. بحران مالی، بدون سیاست عمومی و سازمانیابی اجتماعی، اغلب قدرت سرمایه بزرگ را افزایش میدهد.
۱۲. مطالعات موردی: انویدیا، مایکروسافت و OpenAI، آمازون و متا
انویدیا نمونه تبدیل یک گلوگاه فنی به رانت انحصاری است؛ معماری پردازنده، CUDA و شبکه توسعهدهندگان خروج از اکوسیستم را پرهزینه میکنند. رابطه مایکروسافت و OpenAI سرمایهگذاری، فروش زیرساخت و کنترل کانال توزیع را به هم پیوند میدهد. آمازون از طریق AWS، بازار آنلاین، تبلیغات و لجستیک چند نوع قدرت را ترکیب میکند. متا از داده و توجه کاربران برای تبلیغات و پیشبینی رفتار بهره میبرد؛ کاربران ارزش شبکه را تولید میکنند، اما مالکیت داده، مدل و درآمد خصوصی میماند.
۱۳. آیا «تکنوفئودالیسم» نام مناسبی است؟
این اصطلاح توجه را به فرمانروایی خصوصی، وابستگی و اجاره در قلمروهای پلتفرمی جلب میکند، اما ممکن است استمرار کار مزدی، تولید کالا، رقابت جهانی و بازار مالی را پنهان سازد. اصطلاحهایی مانند «سرمایهداری پلتفرمی رانتی»، «سرمایهداری ابری» یا «سرمایهداری انحصاری الگوریتمی» شاید دقیقتر باشند. استعاره تکنوفئودالیسم مفید است، به شرط آنکه جایگزین تحلیل روابط تولید نشود.
۱۴. نتیجه نظری: هوش مصنوعی میدان نزاع بر سر مالکیت و جهت فناوری
فناوری به خودی خود نظام اجتماعی تازهای ایجاد نمیکند. اگر مالکیت، اعتبار و انحصار دستنخورده بمانند، بهرهوری بیشتر میتواند به تمرکز ثروت، کاهش قدرت نیروی کار، نظارت و استخراج اجاره منجر شود. اگر نهادهای عمومی، تعاونی، دانشگاهی و مدنی بر داده، زیرساخت و جهت فناوری اثر بگذارند، همان ظرفیتها میتوانند زمان کار اجباری را کاهش دهند، آموزش و درمان را گسترش دهند و تصمیمگیری عمومی را آگاهانهتر کنند.
این تحلیل با تز مرکزی کتاب «نظم اجتماعی نوین در عصر آگاهی» پیوند دارد: تضاد میان تولید اجتماعی و مالکیت خصوصی در عصر هوش مصنوعی به سطح تازهای رسیده است. مسئله فقط تنظیم فناوری نیست، بلکه بازاندیشی مالکیت، مشارکت در قدرت و توزیع منافع است. داده و شناخت نباید مواد خام رایگان انباشت خصوصی باشند؛ شهروندانی که در تولیدشان مشارکت دارند باید در تصمیمگیری و منافع نیز سهم داشته باشند.
هوش مصنوعی نه گورکن خودکار سرمایهداری است و نه نجاتدهنده خودکار بشریت. میتواند ابزار تمرکز بیسابقه قدرت باشد یا زیرساختی برای برنامهریزی شفاف، کاهش کار اجباری، گسترش آموزش و مشارکت مستقیم شهروندان. تعیین این مسیر به بلوغ اجتماعی، آزادی و توان جامعه برای تبدیل تولید اجتماعی شناخت به مشارکت اجتماعی در قدرت بستگی دارد.
منابع منتخب
Marx, Joint-Stock Companies, and the AI Investment Crisis
By Hamid Akhavi
Karl Marx’s analysis in Volume III of Capital—of joint-stock companies, credit, concentration, and the socialization of production—still provides a powerful framework for understanding the political economy of artificial intelligence. It treats technology not as an autonomous and neutral phenomenon but as something developed within relations of ownership, credit, profit, competition, and state power. The central question is not only what AI systems can do, but under what structure they are produced, who pays their costs, who owns their infrastructure, and how their benefits are distributed.
Marx argued that joint-stock companies gave capital based on a social mode of production a directly social form. Projects beyond the means of individual capitalists became possible by pooling society’s savings and credit. Yet the socialization of capital and production does not necessarily socialize ownership or decision-making. AI makes this contradiction especially visible. Contemporary models depend on the accumulated inheritance of language, science, art, software, public data, user activity, skilled labor, universities, public funding, electrical grids, and global semiconductor chains. Nevertheless, control over models, data centers, chips, interfaces, and revenues remains concentrated in a small number of corporations.
1. From Railways to Data Centers: The Socialization of Scale
Marx used railways and other giant enterprises to explain why joint-stock organization became necessary. Frontier AI reproduces the same logic on a larger scale. Training and running advanced models requires thousands of processors, vast data centers, power grids, cooling systems, land, water, fiber networks, and long-term energy contracts. These are the heavy industries of the new era.
The capital that builds them appears private, but it is assembled from a social network of pension funds, public savings, bank credit, government contracts, university research, and the activity of millions of data producers. Production has become intensely social while ownership and strategic power remain private and concentrated.
2. Credit, Selling the Future, and Fictitious Capital
Marx saw credit as both an accelerator of production and a foundation for speculation. In AI, much valuation rests on expectations about the future: companies sell not merely present products but promises of artificial general intelligence, widespread automation, dramatic labor-cost reductions, and future market dominance. A startup may have limited revenue, high computing costs, and an uncertain business model while receiving a multibillion-dollar valuation because of its research team, model access, or cloud contracts.
We must distinguish the real scientific and social value of a technology from the financial value of expectations. A model may be genuinely important while its owner lacks a sustainable path to profitability. Conversely, marketing, cross-investment, and a limited supply of shares may inflate market value without a corresponding economic return. Marx’s concept of fictitious capital is crucial for understanding this gap.
3. Productivity Promises and the Distance from Experiment to Macroeconomy
AI can accelerate drafting, summarization, programming, customer service, and document analysis. But productivity depends on data quality, task type, user skill, verification, and organizational design. People able to question and evaluate output may gain substantially, while inexperienced users may face hallucinations, errors, and misplaced confidence.
Improved model capability does not automatically produce an explosion in gross domestic product. Organizations must redesign workflows, training, legal responsibility, data security, and divisions of labor. The histories of electricity and computing also show a delay between invention and the full emergence of productivity gains.
4. Material Limits: Electricity, Water, Chips, and Land
AI is not immaterial. Data centers consume large amounts of electricity and water and depend on transmission systems, power generation, and cooling equipment. Geographic concentration—especially in places such as Virginia—places pressure on public infrastructure and electricity prices. Advanced chips likewise depend on a global chain of American design, European lithography, East Asian fabrication, and materials from many countries.
Governments intervene through subsidies, export controls, defense contracts, and industrial policy. The claim that private markets alone created the AI industry is therefore inconsistent with the historical record.
5. Monopoly and the Interdependence of Technology Giants
AI has a layered and concentrated structure. A few companies dominate critical bottlenecks in chips, cloud services, and frontier models. More cloud customers produce more revenue and data for model development; stronger models draw more customers into the owner’s cloud. Chip agreements, cross-investment, and cloud partnerships reinforce this cycle.
Cloud investment in AI laboratories is often tied to commitments to use the investor’s infrastructure. Part of the capital injection returns to the investor as purchases of computing services, deepening the startup’s structural dependence. Industrial, financial, and monopoly capital become intertwined in a single circuit.
6. Is the AI Bubble Collapsing?
We should distinguish between the existence of bubble-like elements and proof of an inevitable collapse. AI combines real productive capacities with exaggerated valuations. Cloud revenues and practical applications show that it is not imaginary. At the same time, enormous capital expenditures, limited transparency about returns, and vague promises of AGI give parts of the market a speculative character.
A crisis is more likely to appear as the devaluation of capital, bankruptcy or absorption of weaker startups, and further market concentration. The dot-com crash did not eliminate the internet; it preserved the infrastructure while concentrating ownership. A partial AI crash could produce the same result.
7. The State: External Regulator or Partner in Accumulation?
The state has always been part of the accumulation process through university funding, the internet, semiconductor research, defense contracts, energy subsidies, education, and legal protection of intellectual property. During a crisis it may provide electricity and infrastructure, guarantee contracts, purchase AI services, and impose regulations whose costs only the largest companies can bear. The state is not merely an outside observer; it organizes the general conditions of accumulation.
8. From Determinism to the Analysis of Contradiction
Marx analyzed contradictions and tendencies, not a fixed timetable for collapse. Capitalism has repeatedly survived crises by destroying weaker capitals, using state intervention, opening markets, and reorganizing work. An AI crisis will not automatically create a just order. It may instead intensify ownership concentration, layoffs, wage pressure, and surveillance. Social transition requires freedom, public awareness, organization, and a credible alternative.
9. Marx and Yanis Varoufakis: From Social Capital to Cloud Capital
Marx showed how the joint-stock company gives private capital a social form while preserving commodity production, credit, profit, and accumulation. Varoufakis describes “cloud capital”: the network of algorithms, accounts, behavioral data, and recommendation systems that can shape conduct and control market access. Platforms become private territories whose owners set the rules of entry, visibility, ranking, and access to customers.
Cloud capital should not, however, be mistaken for the end of capitalism. Technology companies still hire wage labor, sell commodities and services, and compete for profit. It is more accurate to see a concentrated, financialized, platform form of capitalism in which industrial profit, monopoly rent, financial income, and algorithmic command are combined.
10. Marx, Varoufakis, and Daron Acemoglu
Marx focuses on ownership and the contradiction between social production and private appropriation; Varoufakis on rent extraction and algorithmic command; and Daron Acemoglu on technological direction, labor markets, and the distribution of productivity gains. Acemoglu distinguishes AI that assists workers from AI that simply replaces them. Technology can expand the capabilities of workers, doctors, teachers, and engineers, or it can be designed mainly to cut employment and weaken bargaining power.
Together these approaches show that technological choice is shaped by incentives and power. Short-term profit may favor displacement-oriented automation even when worker-augmenting technology would create greater social value.
11. Three Historical Bubbles: Railways, Dot-Com, and AI
In all three cases the technology was real and transformative, but credit and promotion converted future potential into claims of immediate and certain revenue. Railways and stations remained after the railway crashes; fiber networks and data centers remained after dot-com. AI data centers, chips, models, and skilled workers will also remain and may be acquired cheaply by the largest corporations. Without public policy and social organization, financial crises often strengthen big capital.
12. Case Studies: NVIDIA, Microsoft and OpenAI, Amazon, and Meta
NVIDIA illustrates how a technical bottleneck can become monopoly rent: processor architecture, CUDA, and a developer ecosystem make exit costly. Microsoft’s relationship with OpenAI joins investment, infrastructure sales, and distribution control. Amazon combines several forms of power through AWS, online markets, advertising, and logistics. Meta converts user data and attention into advertising and behavioral prediction. Users reproduce network value while ownership of the data, models, and revenue remains private.
13. Is “Technofeudalism” the Right Name?
The term draws attention to private rule, dependency, and rent within platform territories, but it may obscure the continued importance of wage labor, commodity production, global competition, and financial markets. “Rentier platform capitalism,” “cloud capitalism,” or “algorithmic monopoly capitalism” may be more precise. Technofeudalism remains a useful metaphor so long as it does not replace analysis of the relations of production.
14. Theoretical Conclusion: AI as a Struggle over Ownership and Technological Direction
Technology does not create a new social order by itself. If ownership, credit, and monopoly remain unchanged, higher productivity can produce greater wealth concentration, weaker labor power, surveillance, and rent extraction. If public, cooperative, academic, and civic institutions gain influence over data, infrastructure, and technological direction, the same capacities can reduce compulsory labor, expand education and health care, and support more conscious public decision-making.
This analysis directly supports the central thesis of A New Social Order in the Age of Consciousness: the contradiction between social production and private ownership has reached a new level in the age of AI. The question is not merely how to regulate technology, but how to rethink ownership, participation in power, and the distribution of benefits. Data and knowledge must not remain free raw materials for private accumulation; citizens who help produce them should share in decision-making and benefits.
AI is neither capitalism’s automatic gravedigger nor humanity’s automatic savior. It can become an instrument of unprecedented concentration or an infrastructure for transparent planning, reduced compulsory labor, expanded education, and direct citizen participation. The direction will depend on social maturity, freedom, organization, and society’s ability to turn the social production of knowledge into social participation in power.
Age of Consciousness عصر آگاهی 