وقتی ظرفیت محاسباتی به وثیقه مالی تبدیل می‌شود
When Computing Capacity Becomes Financial Collateral
وقتی ظرفیت محاسباتی به وثیقه مالی تبدیل می‌شود
۱۵ اوت ۲۰۲۶
مهم‌ترین تحول تازه
مهم‌ترین تحول تازه در ادامه روند چند روز گذشته، بیش از آنکه معرفی یک مدل جدید باشد، به ساختار مالکیت و تأمین مالی زیرساخت هوش مصنوعی مربوط است. مجموعه اخبار ۱۴ و ۱۵ اوت نشان می‌دهد که تضاد میان تولید اجتماعی و مالکیت خصوصی اکنون از مالکیت داده و مدل فراتر رفته و به مرحله‌ای رسیده است که خودِ ظرفیت محاسباتی به یک دارایی مالی تبدیل می‌شود.
NVIDIA و وال‌استریت: مالی‌شدن ظرفیت محاسباتی
NVIDIA با شش مجموعه بزرگ مالی، از جمله BlackRock، Blackstone، Goldman Sachs و KKR، برای ایجاد سازوکارهایی با هدف بسیج بیش از ۵۰۰ میلیارد دلار سرمایه شخص ثالث برای زیرساخت هوش مصنوعی همکاری کرده است. نکته مهم‌تر این است که تجهیزات NVIDIA می‌توانند پشتوانه و وثیقه این تأمین مالی قرار گیرند؛ یعنی GPU و تجهیزات مرکز داده عملاً وارد همان منطق مالی می‌شوند که در آن دارایی‌های فیزیکی مبنای اعتبار و بدهی قابل معامله قرار می‌گیرند.
از منظر کتاب «نظم اجتماعی نوین در عصر آگاهی»، این تحول اجازه می‌دهد مفهوم «مالکیت ظرفیت» را دقیق‌تر کنیم. سرمایه دیگر فقط کارخانه، داده یا مدل را مالک نیست؛ حق دسترسی به ظرفیت تبدیل دانش اجتماعی به قدرت محاسباتی نیز به دارایی مالی تبدیل می‌شود. بنابراین مالی‌شدن سرمایه از خود ابزار تولید به «توان تولید» گسترش می‌یابد.
نشانه‌ای از محدودیت همین مدل: کاهش تعهد NVIDIA در پروژه OpenAI
گزارش‌های تازه نشان می‌دهند NVIDIA میزان ضمانت مورد انتظار برای پروژه مرکز داده OpenAI در اوهایو را از رقم مورد بحث حدود ۲۵۰ میلیارد دلار به کمتر از ۱۲۰ میلیارد دلار کاهش داده است.
این تغییر مهم است، زیرا نشان می‌دهد حتی در اوج رونق AI، مسئله تأمین سرمایه و ریسک پروژه‌های عظیم مرکز داده جدی شده است. نیاز اجتماعی و اقتصادی به محاسبات در حال افزایش است، اما مقیاس سرمایه مورد نیاز چنان بزرگ شده که حتی بزرگ‌ترین شرکت‌های این صنعت برای تأمین آن به شبکه پیچیده‌ای از بانک‌ها، صندوق‌ها، بیمه‌ها و تضمین‌های مالی نیاز دارند.
از منظر کتاب، اینجا تضاد دیگری آشکار می‌شود: تولید AI بیش از پیش به فعالیت میلیون‌ها کاربر، توسعه‌دهنده و تولیدکننده دانش وابسته است، اما ورود به سطح بالای تولید مستلزم سرمایه‌ای در مقیاس ده‌ها یا صدها میلیارد دلار است. بنابراین اجتماعی‌شدن تولید هم‌زمان با افزایش مانع مالکیت ابزار تولید پیش می‌رود.
مدل‌های open-weight گسترش می‌یابند، اما زیرساخت همچنان گلوگاه است
مدل‌های باز چینی مانند محصولات Moonshot و Z.ai فشار قابل توجهی بر بازار وارد کرده‌اند و Meta و NVIDIA نیز توسعه مدل‌های open-weight را افزایش داده‌اند. داده‌های اخیر نشان می‌دهد استفاده کسب‌وکارها از پلتفرم‌های ارائه‌دهنده مدل‌های open-weight در حال افزایش است.
اما یک تناقض مهم باقی می‌ماند. Meta می‌تواند در یک سال ده‌ها میلیارد دلار برای زیرساخت AI هزینه کند، در حالی که ظرفیت خوشه‌های محاسباتی جدید حتی پیش از راه‌اندازی ممکن است فروخته شود.
این داده تقریباً به‌صورت تجربی نشان می‌دهد که بازبودن مدل با بازبودن قدرت تولید یکی نیست. دانش می‌تواند اجتماعی‌تر شود، اما اگر اجرای مؤثر آن نیازمند زیرساختی باشد که تنها تعداد محدودی قادر به تأمین آن هستند، قدرت اقتصادی همچنان متمرکز می‌ماند.
دولت نیز وارد مناقشه مالکیت مدل‌ها شده است
بحث مدل‌های open-weight اکنون از یک تصمیم مهندسی به مسئله سیاست صنعتی، امنیت ملی و رقابت ژئوپولیتیکی تبدیل شده است. وقتی دانش و مدل به نیروی تولیدی استراتژیک تبدیل می‌شوند، دولت نیز وارد سازمان‌دهی شرایط مالکیت و دسترسی می‌شود. بنابراین ساختار قدرت AI فقط رابطه سرمایه و کار نیست؛ سرمایه، دولت، فناوری و زیرساخت در یک شبکه قدرت قرار می‌گیرند.
زیرساخت AI مستقیماً منابع اجتماعی را مصرف می‌کند
مصرف برق مراکز داده هوش مصنوعی به سرعت رو به افزایش است و برنامه‌ریزی شبکه‌های برق را در برخی مناطق تغییر داده است. نکته مهم این است که توقف یا کاهش توسعه بعضی مراکز داده بلافاصله پیش‌بینی رشد مصرف برق را تغییر می‌دهد.
این نمونه روشنی از وابستگی مالکیت خصوصی به منابع اجتماعی است. مرکز داده، مدل و درآمد می‌توانند خصوصی باشند، اما برق، آب، زمین، شبکه و آثار زیست‌محیطی در قلمرو جامعه قرار دارند. هوش مصنوعی نشان می‌دهد پیشرفته‌ترین تولید «اطلاعاتی» بشر در واقع به یک زیربنای عظیم مادی و اجتماعی وابسته است.
خودکارسازی هنوز «پایان کار» نیست، اما وارد بازار کار شده است
داده‌های اخیر نشان می‌دهند AI در مواردی به‌عنوان یکی از عوامل تعدیل نیرو اعلام شده است، هرچند داده‌های کلان اشتغال هنوز اثر فراگیر و قطعی AI را نشان نمی‌دهند.
بنابراین پرسش مهم‌تر همچنان مالکیت افزایش بهره‌وری است. اگر AI بتواند همان محصول را با ساعات کار انسانی کمتر تولید کند، جامعه عملاً «زمان» تولید کرده است. در ساختار کنونی این زمان می‌تواند به کاهش اشتغال و افزایش بازده سرمایه تبدیل شود؛ در نظم اجتماعی دیگری می‌تواند به کاهش ساعت کار و افزایش آزادی انسان تبدیل شود.
جمع‌بندی: وقتی ظرفیت محاسباتی به وثیقه مالی تبدیل می‌شود
تحولات این هفته اجازه می‌دهد زنجیره‌ای را که در گزارش‌های گذشته شکل گرفته بود کامل‌تر کنیم:
نکته تعیین‌کننده این است که بخش نخست این زنجیره ــ دانش، داده و بخش مهمی از نوآوری ــ بیش از پیش اجتماعی تولید می‌شود؛ اما هرچه به سمت ظرفیت محاسباتی، سرمایه و بازار حرکت می‌کنیم، تمرکز مالکیت افزایش می‌یابد.
در مرحله کنونی هوش مصنوعی، تضاد تولید اجتماعی و مالکیت خصوصی از مالکیت محصول فراتر رفته است: ظرفیت تبدیل دانش اجتماعی به قدرت تولیدی، خود به دارایی خصوصی، وثیقه مالی و موضوع انباشت سرمایه تبدیل می‌شود.
این تحول شاید از معرفی هر مدل تازه‌ای مهم‌تر باشد؛ زیرا نشان می‌دهد مسئله اصلی آینده AI فقط این نیست که «چه کسی هوش مصنوعی بهتری می‌سازد؟» بلکه این است که «چه کسی ظرفیت مادی و مالی تبدیل دانش جمعی بشر به قدرت اقتصادی را در اختیار دارد؟»
When Computing Capacity Becomes Financial Collateral
August 15, 2026
The Most Important New Development
The most important development of the past several days is not the introduction of a new model, but a deeper transformation in the ownership and financing structure of artificial intelligence infrastructure. The news of August 14 and 15 suggests that the contradiction between social production and private ownership has moved beyond data and models. We are now entering a stage in which computing capacity itself is becoming a financial asset.
NVIDIA and Wall Street: The Financialization of Computing Capacity
NVIDIA has been working with six major financial institutions, including BlackRock, Blackstone, Goldman Sachs, and KKR, on mechanisms designed to mobilize more than $500 billion in third-party capital for AI infrastructure. The crucial point is that NVIDIA equipment can serve as collateral for this financing. GPUs and data-center hardware are therefore entering the same financial logic in which physical assets become the basis for credit, leverage, and tradable debt.
From the perspective of the book “A New Social Order in the Age of Awareness,” this development sharpens the concept of “ownership of capacity.” Capital no longer merely owns the factory, the data, or the model. The right of access to the capacity that converts socially produced knowledge into computational power is itself becoming a financial asset. Financialization is extending from ownership of the means of production to ownership of productive capability itself.
A Sign of the Limits of This Model: NVIDIA Reduces Its Commitment to the OpenAI Project
Recent reporting indicates that NVIDIA reduced the expected guarantee associated with an OpenAI data-center project in Ohio from a figure under discussion of roughly $250 billion to less than $120 billion.
This matters because it shows that even at the height of the AI boom, financing and risk are becoming serious constraints on gigantic data-center projects. Social and economic demand for computing is rising, yet the scale of capital required is so large that even the biggest firms in the sector increasingly depend on complex networks of banks, funds, insurers, and financial guarantees.
A second contradiction therefore becomes visible. AI production depends more and more on the activity of millions of users, developers, researchers, and knowledge producers, while entry into the upper tier of production requires tens or even hundreds of billions of dollars. The socialization of production is advancing at the same time that the barrier to ownership of the means of production is rising.
Open-Weight Models Are Expanding, but Infrastructure Remains the Bottleneck
Open Chinese models from firms such as Moonshot and Z.ai are putting pressure on the market, while Meta and NVIDIA have also accelerated the development of open-weight systems. Business use of platforms that serve open-weight models has been increasing.
Yet the basic contradiction remains. A company such as Meta can spend tens of billions of dollars in a single year on AI infrastructure, while capacity in newly built compute clusters can be sold out even before they officially launch.
This is powerful empirical evidence that openness of the model is not the same thing as openness of productive power. Knowledge can become more socially accessible, but if effective deployment depends on infrastructure that only a small number of actors can finance and operate, economic power remains concentrated.
The State Is Also Entering the Struggle over Model Ownership
The debate over open-weight models has moved beyond engineering choices. It has become an issue of industrial policy, national security, and geopolitical competition. Once knowledge and models become strategic productive forces, the state begins to organize the conditions of ownership and access. The structure of AI power is therefore not simply a relationship between capital and labor; capital, the state, technology, and infrastructure increasingly form a single power network.
AI Infrastructure Directly Consumes Social Resources
Electricity demand from AI data centers is rising rapidly and is already changing power-grid planning in some regions. The suspension or slowing of individual data-center projects can immediately alter forecasts for future electricity demand.
This is a clear example of the dependence of private ownership on social resources. The data center, the model, and the revenue stream may be privately owned, but electricity, water, land, grid infrastructure, and environmental consequences belong to the social sphere. AI demonstrates that the most advanced form of “informational” production is in fact dependent on a vast material and social foundation.
Automation Is Not Yet the “End of Work,” but It Is Entering the Labor Market
Recent labor-market reporting shows that AI is being cited in some cases as a factor in workforce reductions, although economy-wide data still do not show a broad and conclusive employment shock caused by AI.
The deeper question is therefore the ownership of productivity gains. If AI allows the same output to be produced with fewer human labor hours, society has effectively produced “time.” Under the current ownership structure, that time can appear as layoffs and higher returns to capital. Under a different social order, the same technological gain could appear as shorter working hours and greater human freedom.
Conclusion: When Computing Capacity Becomes Financial Collateral
The developments of this week allow us to extend the chain that has emerged in earlier reports:
The decisive point is that the first part of this chain — knowledge, data, and much of innovation — is increasingly socially produced. Yet as we move toward computing capacity, finance, and markets, ownership becomes more concentrated.
At the present stage of artificial intelligence, the contradiction between social production and private ownership has moved beyond ownership of the final product. The capacity to transform social knowledge into productive power is itself becoming private property, financial collateral, and an object of capital accumulation.
This development may be more important than the release of any new model. The central question for the future of AI is no longer simply, “Who can build the best artificial intelligence?” It is increasingly, “Who owns the material and financial capacity to transform humanity’s collective knowledge into economic power?”
این گفتگو را دنبال کنید | Continue the Conversation
اگر این نوشته برای شما جالب بود، برای دریافت مقالات و پژوهش‌های تازه عضو شوید. | If you found this article useful, subscribe to receive new articles and research directly in your inbox.
