Հինգ տրիլիոնի շեմին. ինչ է ասում Էնվիդիայի ռեկորդը արհեստական բանականության տնտեսության իրական գնի մասին

ԱՇՈՏ ՊՈՂՈՍՅԱՆ, YEREVAN ONLINE Mag-ի ԱՄՆ թղթակից

31 հոկտեմբերի, 2025 թ.

Երկու օր անց այն պահից, երբ Էնվիդիան դարձավ առաջին 5 տրիլիոն դոլարանոց ընկերությունը, Ուոլ Սթրիթը, Սիլիկոնյան հովիտը, Վաշինգտոնը և տեխնոլոգիական համայնքները փորձում են հասկանալ՝ սա նոր արդյունաբերական դարաշրջանի սկի՞զբ է, թե՞ գերտաքացած շուկայի ամենավառ ազդանշանը

Հինգ տրիլիոն դոլարը միայն բորսայական թիվ չէ։ Այն նոր չափման միավոր է մի տնտեսության համար, որտեղ հաշվողական հզորությունը վերածվել է արտադրական հումքի, տվյալների կենտրոնները՝ նոր գործարանների, գրաֆիկական մշակիչները՝ ռազմավարական ենթակառուցվածքի, իսկ արհեստական բանականությունը՝ ոչ միայն ծրագրային արտադրանքի, այլև էներգիայի, աշխատանքի, կրթության, ազգային անվտանգության և կապիտալի բաշխման հարցի։ Էնվիդիայի պատմական շուկայական շեմը, որը հատվեց հոկտեմբերի 29-ին, երկու օր անց դեռ ավելի շատ հարցեր է բացում, քան փակում։ Արդյո՞ք շուկան ճիշտ է գնահատում այն ընկերությունը, որի միկրոսխեմաները սնուցում են ժամանակակից արհեստական բանականության մոդելների մեծ մասը։ Արդյո՞ք ամպային հսկաները, մոդելներ կառուցող լաբորատորիաները և ներդրողները իրական արտադրողականության ալիք են տեսնում։ Թե՞ մենք կանգնած ենք մի փուլի առաջ, որտեղ տեխնոլոգիական հեղափոխության իրականությունը խառնվել է ֆինանսական գերտաքացած ոգևորությանն։

Այս ռեկորդը պետք է կարդալ ոչ թե որպես մեկ ընկերության հաղթանակի պատմություն, այլ որպես ամբողջական տնտեսական քարտեզ։ Այդ քարտեզում կա Էնվիդիա՝ իր գրաֆիկական արագացուցիչներով, Կուդա ծրագրային էկոհամակարգով, ցանցային լուծումներով և արհեստական բանականության սպասարկիչային համակարգերով։ Կան Մայքրոսոֆթ, Ամազոն, Գուգլ, Մետա, Օրաքլ և ՔորՈւիվ նման ամպային ու տվյալների կենտրոնային խաղացողներ, որոնք հարյուրավոր միլիարդավոր դոլարների ծախսային ցիկլ են մտել։ Կան Օփեն ԷյԱյ, Անթրոպիք, Էքս ԷյԱյ, Միստրալ և այլ մոդելային ընկերություններ, որոնց աճը կախված է ոչ միայն գաղափարներից, այլև հասանելի հաշվարկային հզորությունից։ Կան ներդրողներ, որոնք արհեստական բանականությունը համարում են հաջորդ երկարատև արտադրողականության ալիքը։ Կան կենտրոնական բանկեր, վերլուծաբաններ և շուկայի վետերաններ, որոնք զգուշացնում են՝ նույնիսկ ճիշտ տեխնոլոգիան կարող է սխալ գնով դառնալ վտանգավոր ակտիվ։

Եվ կա նաև փոքր շուկաների, այդ թվում՝ Հայաստանի ու հայկական տեխնոլոգիական սփյուռքի հարցը։ Եթե արհեստական բանականության տնտեսության կենտրոնում այսօր գիգավատներով տվյալների կենտրոններն ու տասնյակ հազարավոր արագացուցիչներով հաշվողական համախմբերն են, արդյո՞ք փոքր տեխնոլոգիական էկոհամակարգերը դատապարտված են միայն սպառողի դերում մնալու։ Կարճ պատասխանը՝ ոչ։ Բայց մասնակցության կանոնները փոխվել են։ Հայկական նորաստեղծ ընկերությունների, ինժեներների, համալսարանների և սփյուռքի մասնագետների համար Էնվիդիայի 5 տրիլիոնանոց շեմը ոչ թե ուրիշների չափերի հանդեպ հիացմունք է պահանջում, այլ սառը վերլուծություն՝ որտեղ է արժեքը ստեղծվում, որտեղ է կախվածությունը խորանում, և որտեղ կարող են փոքր, ճկուն, բարձրակարգ թիմերը գտնել իրենց տեղը։

Էնվիդիայի պատմությունը երկար ժամանակ չէր ընկալվում որպես համաշխարհային տնտեսական իշխանության պատմություն։ Ընկերությունը հայտնի էր գրաֆիկական մշակիչներով, խաղային համակարգիչներով, վիզուալ հաշվարկով և պրոֆեսիոնալ գրաֆիկայով։ Բայց հենց այդ ոլորտներում ձևավորված տեխնոլոգիական տրամաբանությունը հետագայում դարձավ արհեստական բանականության ենթակառուցվածքային հիմքը։

գրաֆիկական մշակիչը, սկզվերելք նախատեսված էր մեծ թվով միանման հաշվարկներ արագ կատարելու համար։ Տեսախաղերի, եռաչափ գրաֆիկայի և տեսապատկերման աշխարհում դա նշանակում էր միաժամանակ մշակել միլիոնավոր պիքսելներ, գույներ, ստվերներ և երկրաչափական օբյեկտներ։ Նեյրոնային ցանցերի վերելքի հետ պարզ դարձավ, որ նույն տեսակի զուգահեռ հաշվարկներն անհրաժեշտ են նաև մեքենայական ուսուցման համար։ Խորը ուսուցման մոդելները, մեծ լեզվային մոդելները, տեսողական ճանաչման համակարգերը և ստեղծարար արհեստական բանականության համակարգերը պահանջում են հսկայական քանակի մատրիցային գործողություններ։ գրաֆիկական արագացուցիչները այդ աշխատանքի համար ավելի հարմար էին, քան ընդհանուր նշանակության կենտրոնական մշակիչները։

Բայց Էնվիդիայի վերելքը միայն միկրոսխեմայի ճարտարապետության հետևանք չէ։ Կարևորագույն գործոնը ծրագրային շերտն էր։ Կուդա էկոհամակարգը, գրադարանները, մշակողների գործիքները, արդյունավետացված շրջանակները և տարիների ընթացքում կուտակված ինժեներական փորձը Էնվիդիային վերածեցին ոչ թե պարզապես միկրոսխեմա վաճառողի, այլ ամբողջական հարթակի մատակարարի։ արհեստական բանականության թիմերի համար որոշիչն այն չէ միայն, թե որ միկրոսխեման է տեսականորեն արագ։ Որոշիչ է, թե որ միջավայրում է մոդելը հեշտ կառուցվում, ուսուցանվում, օպտիմիզացվում, վերահսկվում և տեղափոխվում արտադրական միջավայր։

Այստեղից էլ առաջացավ Էնվիդիայի իրական ուժը։ Ընկերությունը չդարձավ աշխարհի ամենաարժեքավորներից մեկը միայն այն պատճառով, որ արագ միկրոսխեմաներ ուներ։ Այն դարձավ կենտրոնական հանգույց, որովհետև իր շուրջ ձևավորվեց կախվածության շղթա՝ ծրագրավորողներից մինչև ամպային օպերատորներ, արհեստական բանականության լաբորատորիաներից մինչև պետական գերհամակարգիչներ, սպասարկիչ արտադրողներից մինչև բարձր արագության ցանցային սարքավորումներ։ Ժամանակակից արհեստական բանականության համակարգը մեկ մշակիչի հարց չէ։ Դա միկրոսխեմաների, հիշողության, ցանցերի, սառեցման, տվյալների, ծրագրային գրադարանների, մոդելային ճարտարապետության և կապիտալի համակցություն է։ Էնվիդիան այդ համակցության կենտրոնում է։

Նույն պահին պետք է ճշգրտել մի կարևոր բան․ Էնվիդիան դասական իմաստով սեփական գործարաններով միկրոսխեմա արտադրող չէ։ Այն հիմնականում նախագծում է միկրոսխեմաներ և համակարգեր, իսկ ամենաառաջադեմ արտադրությունը կախված է Թի Էս Էմ Սիի նման արտադրական գործարաններից, բարձր թողունակությամբ հիշողության մատակարարներից, առաջադեմ փաթեթավորման կարողություններից և ամբողջ գլոբալ կիսահաղորդչային շղթայից։ Այսինքն՝ Էնվիդիայի ուժը նաև նրա խոցելիությունն է։ Այն ունի բացառիկ դիրք արհեստական բանականության շուկայի պահանջարկի կողմում, բայց այդ դիրքը կախված է Թայվանից, Կորեայից, ամերիկյան արտահանման կանոններից, էներգետիկ համակարգերից և բազմաթիվ մատակարարներից, որոնցից յուրաքանչյուրը կարող է դառնալ սահմանափակող օղակ։

Շուկայական կապիտալիզացիան ընկերության իրական գանձարանը չէ։ 5 տրիլիոն դոլարը չի նշանակում, որ Էնվիդիայի հաշիվներին այդքան կանխիկ փող կա։ Դա նշանակում է, որ ներդրողները ընկերության բաժնետոմսերը գնահատում են այնպես, որ ամբողջ ընկերության բորսայական արժեքը հասել է այդ շեմին։ Այդ թիվը ապագայի մասին շուկայի հավաքական դատողությունն է՝ ապագա վաճառքների, շահույթի, շահույթի միջակայքերի, մրցակցային առավելության, պահանջարկի տևողության և ռիսկերի մասին։

Ներդրողների լավատեսության հիմքերը հասկանալի են։ Էնվիդիայի վերջին հրապարակված ֆինանսական արդյունքները ցույց էին տալիս, որ ընկերության եկամտի հիմնական շարժիչը տվյալների կենտրոնային բիզնեսն է։ Երկրորդ ֆինանսական եռամսյակում ընկերության ընդհանուր եկամուտը հասել էր 46.7 միլիարդ դոլարի, իսկ տվյալների կենտրոնային ուղղությունը՝ 41.1 միլիարդ դոլարի։ Դա նշանակում է, որ Էնվիդիայի պատմությունը այլևս խաղային գրաֆիկական արագացուցիչների պատմություն չէ։ Այն դարձել է արհեստական բանականության ենթակառուցվածքի վաճառքի պատմություն։

Հոկտեմբերի վերջին ընկերության շուրջ լավատեսությունը ուժեղացավ նաև այն պատճառով, որ գործադիր տնօրեն Ջենսեն Հուանգը Վաշինգտոնում խոսեց հսկայական պատվերների տեսանելիության, Բլեքվել և Ռուբին սերունդների պահանջարկի, ինչպես նաև ԱՄՆ էներգետիկայի նախարարության համար յոթ նոր արհեստական բանականության գերհամակարգիչների կառուցման ծրագրերի մասին։ Շուկան նման հայտարարությունները կարդաց որպես ազդակ, որ պահանջարկը կարճաժամկետ գովազդային ալիք չէ, այլ երկար կապիտալային ցիկլ։

Բայց շուկայական արժեքը չափում է սպասումը, ոչ թե երաշխիքը։ Այդ սպասումը կարող է արդարանալ, եթե արհեստական բանականությունը արագ մտնի ձեռնարկությունների աշխատանքային հոսքեր, բարձրացնի արտադրողականությունը, ստեղծի նոր եկամուտներ և արդարացնի տվյալների կենտրոնների հսկայական կապիտալ ծախսերը։ Այն կարող է ճնշման տակ հայտնվել, եթե ամպային ընկերությունները ծախսեն ավելի արագ, քան հաճախորդները պատրաստ են վճարել, եթե մոդելների ուսուցման արժեքը չիջնի բավարար արագությամբ, եթե մրցակիցները կրճատեն Էնվիդիայի շահույթի միջակայքերը, կամ եթե կարգավորիչ ու աշխարհաքաղաքական սահմանափակումները խանգարեն վաճառքի շուկաներին։

Այսպիսով 5 տրիլիոնը երկու բան է միաժամանակ։ Մի կողմից՝ այն նշան է, որ հաշվարկային հզորությունը դարձել է 21-րդ դարի ռազմավարական ակտիվներից մեկը։ Մյուս կողմից՝ այն հիշեցում է, որ երբ շուկան մեկ ընկերության մեջ խտացնում է այդքան մեծ ակնկալիք, հիասթափության գինը կարող է տարածվել ամբողջ շուկայի վրա։

Արհեստական բանականության մասին հանրային խոսակցությունը հաճախ սկսվում է խոսակցական ծրագրերից, նկարներ գեներացնող գործիքներից, կոդ գրող օգնականներից կամ ավտոմատացված գործակալներից։ Բայց այդ ամենի ֆիզիկական հիմքը շատ ավելի երկրային է։ Այն գտնվում է տվյալների կենտրոններում՝ հսկայական շենքերում, որտեղ հազարավոր կամ տասնյակ հազարավոր միկրոսխեմաներ աշխատում են միասին, սնվում են էլեկտրական ցանցից, սառեցվում են ջրով կամ օդով, կապվում են բարձր արագության օպտիկական և ցանցային համակարգերով և վարձակալվում են ամպային ծառայությունների միջոցով։

«Ամպը» իրականում ուրիշի համակարգիչն է, բայց արհեստական բանականության դարաշրջանում այդ համակարգիչը դարձել է արդյունաբերական օբյեկտ։ Եթե անցյալում տվյալների կենտրոնները հիմնականում պահում էին վեբ ծառայություններ, բիզնես տվյալներ, էլեկտրոնային փոստ, տեսանյութեր և սովորական ամպային ծրագրեր, ապա այժմ դրանք պետք է սպասարկեն մեծ լեզվային մոդելների ուսուցում, միլիարդավոր հարցումների արտածում, կոդային օգնականներ, որոնման նոր սերունդներ, գիտական սիմուլյացիաներ, դեղերի հայտնաբերման մոդելներ և ռոբոտիկայի փորձարկումներ։

Այստեղ է Էնվիդիայի, ամպային հսկաների և ներդրումային շուկայի կապը։ Էնվիդիան մատակարարում է ամենապահանջված արագացուցիչները և ամբողջական սպասարկիչային համակարգերը։ Ամպային ընկերությունները դրանք գնում են կամ ինտեգրում են իրենց տվյալների կենտրոններում։ արհեստական բանականության լաբորատորիաները և ձեռնարկությունները այդ հզորությունը վարձակալում են՝ մոդելներ ուսուցանելու կամ կիրառություններ գործարկելու համար։ Ներդրողները գնահատում են Էնվիդիային և ամպային հսկաներին այն ենթադրությամբ, որ այս հաշվարկային պահանջարկը տարիներով կաճի։

Սա նոր կապիտալային շղթա է։ Չիպը վաճառվում է սպասարկիչ արտադրողին կամ ամպային ընկերությանը։ Սերվերը տեղադրվում է տվյալների կենտրոնում։ Տվյալների կենտրոնը պահանջում է հող, էներգիա, ցանցային կապ, սառեցում և երկարաժամկետ ֆինանսավորում։ Ամպային հզորությունը վաճառվում է արհեստական բանականության ընկերություններին կամ ձեռնարկություններին։ Այդ ընկերությունները պետք է ստեղծեն արտադրանք, որը վերջնական հաճախորդը պատրաստ է վճարել։ Եթե շղթայի վերջում վճարող հաճախորդը բավարար մեծ չէ, ամբողջ շղթայի սկզբի գնահատումները կասկածի տակ են ընկնում։

Հենց այս պատճառով Էնվիդիայի 5 տրիլիոնանոց արժեքը չի կարելի դիտել միայն որպես կիսահաղորդչային պատմություն։ Այն տվյալների կենտրոնների, ամպային հաշվարկի, էներգետիկ ներդրումների, ձեռնարկությունների ծրագրային ծախսերի և բորսայական կապիտալի համատեղ պատմություն է։

Ներդրողների լավատեսությունը ունի մի քանի շերտ։ Առաջինը պարզ է՝ եկամուտներն աճում են արագ, իսկ պահանջարկը դեռ գերազանցում է առաջարկը։ Երբ շուկայի ամենահարուստ հաճախորդները՝ ամպային հսկաները, մրցում են նույն սարքավորումների համար, մատակարարը ստանում է գնային ուժ։ Էնվիդիայի դեպքում այդ ուժը պայմանավորված է ոչ միայն միկրոսխեմայի հզորությամբ, այլև ամբողջական համակարգային առաջարկով՝ գրաֆիկական մշակիչ, կենտրոնական մշակիչ, ցանցային կապ, սպասարկիչային ճարտարապետություն, ծրագրային գրադարաններ և արդյունավետացված միջավայր։

Երկրորդ շերտը սակավությունն է։ արհեստական բանականության համար անհրաժեշտ հաշվարկային հզորությունը պարզապես խանութից գնվող ապրանք չէ։ Այն սահմանափակված է առաջադեմ կիսահաղորդչային արտադրությամբ, բարձր թողունակությամբ հիշողությամբ, փաթեթավորման կարողությամբ, սպասարկիչային ինտեգրմամբ, էլեկտրական հզորությամբ և տվյալների կենտրոնի պատրաստության ժամկետով։ Եթե հաճախորդը ցանկանում է մեծ մոդել ուսուցանել այսօր, նրան պետք են ոչ միայն փող, այլև հասանելի գրաֆիկական արագացուցիչներ, տեղ, էներգիա և ինժեներական թիմ։ Սակավության պայմաններում շուկան բարձր է գնահատում այն ընկերությանը, որը վերահսկում է ամենակարևոր բաղադրիչը։

Երրորդ շերտը արհեստական բանականության կիրառությունների լայնությունն է։ Լավատես ներդրողների համար սա պարզապես խոսակցական ծրագիրների շուկա չէ։ Նրանք տեսնում են կոդավորման ավտոմատացում, հաճախորդների սպասարկում, ֆինանսական վերլուծություն, գիտական հետազոտություն, բժշկական պատկերների մշակում, դեղերի նախագծում, արտադրական ռոբոտիկա, ինքնավար համակարգեր, կիբեռանվտանգություն, կրթական գործիքներ և ձեռնարկությունների ներքին գիտելիքի որոնում։ Եթե այս կիրառություններից մի մասը դառնա զանգվածային և շահութաբեր, հաշվարկային հզորության պահանջարկը կարող է երկար տարիներ աճել։

Չորրորդ շերտը մակրոտնտեսական է։ Բազմաթիվ ներդրողներ արհեստական բանականությունը դիտում են որպես արտադրողականության հնարավոր մեծ ալիք։ Եթե արհեստական բանականության գործիքները թույլ տան ավելի արագ գրել ծրագրային կոդ, ավելի արդյունավետ կառավարել մատակարարման շղթաներ, արագացնել հետազոտությունը, կրճատել վարչական ծախսերը կամ բացել ամբողջովին նոր ծառայություններ, ապա այսօրվա ծախսերը կարող են հետագայում երևալ որպես անհրաժեշտ ենթակառուցվածքային ներդրում։ Այդ տրամաբանությամբ տվյալների կենտրոնները համեմատվում են երկաթուղու, էլեկտրացանցերի, հեռահաղորդակցության կամ ինտերնետային մանրաթելային ցանցերի վաղ կառուցման հետ։

Բայց այդ համեմատությունը նաև զգուշացնող կողմ ունի։ Պատմության մեջ ենթակառուցվածքային մեծ ցիկլերը հաճախ ճիշտ են եղել երկարաժամկետ առումով, բայց սխալ՝ կարճաժամկետ գնագոյացման տեսանկյունից։ 1990-ականների ինտերնետային ենթակառուցվածքները իսկապես փոխեցին աշխարհը, բայց դա չխանգարեց, որ բազմաթիվ ընկերություններ և ներդրողներ ծանր կորուստներ կրեն, երբ ակնկալիքները շատ առաջ անցան եկամուտներից։

Արհեստական բանականության վերելքի շուրջ ամենալուրջ բանավեճը ոչ թե այն է, թե արդյոք արհեստական բանականությունը կարևոր է։ Այդ հարցի պատասխանը շուկայի մեծ մասի համար արդեն դրական է։ Բանավեճը հետևյալն է․ արդյո՞ք արհեստական բանականության տնտեսական արժեքը այնքան արագ և այնքան մեծ կլինի, որքան ենթադրում են այսօրվա գնահատումները։

Կասկածողները մի քանի փաստարկ ունեն։ Առաջինը կապիտալ ծախսերի արագ աճն է։ Ամպային հսկաները և մոդելային ընկերությունները հայտարարում են տվյալների կենտրոնների, միկրոսխեմաների և էներգետիկ ենթակառուցվածքների վրա հսկայական ծախսերի մասին։ Այս ծախսերը միանգամից չեն վերադառնում եկամտի տեսքով։ գրաֆիկական արագացուցիչները թանկ են, արագ հնանում են, պահանջում են սպասարկում, էներգիա և սառեցում։ Եթե հաճախորդների վճարունակ պահանջարկը ուշանա, այդ ակտիվները կարող են ծանրանալ ընկերությունների հաշվեկշիռների և շահույթի միջակայքերի վրա։

Երկրորդը եկամուտների որակն է։ Երբ նույն էկոհամակարգի ընկերությունները միմյանց մեջ ներդրումներ են անում, երկարաժամկետ պատվերներ են հայտարարում, մատակարարման ու վարձակալության պայմանագրեր են կնքում, շուկան պետք է տարբերակի իրական վերջնական պահանջարկը ֆինանսական կառուցվածքից։ Էնվիդիայի՝ Օփեն ԷյԱյի հետ մինչև 100 միլիարդ դոլարի ներդրումային մտադրություն ունեցող համաձայնությունը, Օփեն ԷյԱյի՝ Էյ Էմ Դիի հետ 6 գիգավատանոց գործարքը, ՔորՈւիվի և Էնվիդիայի փոխկապակցված հարաբերությունները, Օրաքլի և այլ ամպային խաղացողների դերերը միասին ցույց են տալիս մի շուկա, որտեղ փողի, միկրոսխեմաների և ամպային հզորության հոսքերը շատ սերտորեն միահյուսված են։ Դա կարող է լինել առողջ էկոհամակարգային կապիտալիզմ։ Բայց դա կարող է նաև դժվարացնել հարցը՝ ով է վերջնական գնորդը և ինչ չափով է պահանջարկը գալիս իրական արտադրական կիրառությունից։

Երրորդը շուկայական կենտրոնացումն է։ Երբ Էնվիդիայի նման ընկերությունը դառնում է ինդեքսների մեծ բաղադրիչ, նրա բաժնետոմսի շարժը ազդում է ոչ միայն ակտիվ բորսայական առևտրականների, այլև միլիոնավոր մարդկանց պասիվ ներդրումային ներդրումային փաթեթների, կենսաթոշակային ֆոնդերի և բորսայում շրջանառվող ֆոնդերի վրա։ Սա անհատական ընկերության ռիսկը դարձնում է համակարգային շուկայական տրամադրության մաս։ Եթե արհեստական բանականության նկատմամբ սպասումները հանկարծ մեղմանան, ազդեցությունը կարող է տարածվել ոչ միայն Էնվիդիայի, այլև կիսահաղորդիչների, ամպային ընկերությունների, էներգետիկ ենթակառուցվածքների և լայն ֆոնդային շուկայի վրա։

Չորրորդը մրցակցությունն է։ Էյ Էմ Դին, Բրոդքոմը, Գուգլի թենզորային մշակիչները, Ամազոնի Թրեյնիում և Ինֆերենտիա միկրոսխեմաները, Մայքրոսոֆթի սեփական արագացուցիչները և Չինաստանի տեղական նախագծերը բոլորը ցույց են տալիս, որ խոշոր հաճախորդները չեն ցանկանում ամբողջությամբ կախված լինել մեկ մատակարարից։ Էնվիդիայի առավելությունը դեռ մեծ է, հատկապես ծրագրային էկոհամակարգի և ամբողջական համակարգերի մակարդակում։ Բայց երբ շուկան չափազանց մեծ է, բոլոր խոշոր խաղացողները փորձում են կրճատել կախվածությունը և շահույթի միջակայքերը։

Այս ամենը չի նշանակում, որ Էնվիդիայի արժեքը անպայման պղպջակ է։ Դա նշանակում է, որ շուկան պետք է տարանջատի երկու բան՝ տեխնոլոգիական հեղափոխության իրականությունը և ակտիվների գնի արդարացվածությունը։ արհեստական բանականությունը կարող է լինել իրական, օգտակար և փոխակերպող, իսկ որոշ արհեստական բանականության ակտիվներ միաժամանակ կարող են լինել չափազանց թանկ։

Մայքրոսոֆթը, Ամազոնը, Գուգլը, Մետան և Օրաքլը այս վերելքի առանցքային գնորդներն են։ Նրանք ունեն դրամական հոսքեր, տվյալների կենտրոնների փորձ, հաճախորդային բազա և ինժեներական կարողություն։ Բայց նրանց դիրքը երկակի է։ Մի կողմից նրանք Էնվիդիայի խոշորագույն հաճախորդներից են։ Մյուս կողմից նրանք ձգտում են նվազեցնել այդ կախվածությունը՝ սեփական միկրոսխեմաներով, այլընտրանքային մատակարարներով և ավելի արդյունավետ մոդելային ճարտարապետություններով։

Ամպային բիզնեսի տրամաբանությունը պարզ է։ Եթե ձեռնարկությունները ցանկանում են օգտագործել արհեստական բանականություն, բայց չեն կարող կամ չեն ցանկանում սեփական տվյալների կենտրոն կառուցել, նրանք վարձակալում են հաշվարկային հզորություն ամպային հարթակներից։ Այդ հարթակները, իրենց հերթին, պետք է նախապես գնեն սարքավորումներ և կառուցեն հզորություն։ Սա կապիտալատար բիզնես է։ Առաջին փուլում ծախսը մեծ է, եկամուտը՝ ուշացած։ Բայց եթե պահանջարկը պահպանում է աճը, ամպային ընկերությունները դառնում են արհեստական բանականության տնտեսության վճարային դարպասները։

Գուգլի դիրքը տարբեր է, որովհետև այն ունի սեփական թենզորային արագացուցիչների երկար փորձ և միաժամանակ վաճառում է ամպային արհեստական բանականության ծառայություններ։ Ամազոնը փորձում է ամրապնդել Ամազոնի ամպային ծառայությունների դիրքը սեփական միկրոսխեմաներով և Էնվիդիա համակարգերով։ Մայքրոսոֆթը կապված է Օփեն ԷյԱյի հետ և միաժամանակ զարգացնում է սեփական ամպային ենթակառուցվածքը։ Մետան արհեստական բանականությունը դիտում է որպես իր գովազդային, սոցիալական և ապագա արտադրանքների հիմք, բայց դրա համար մեծ քանակի միկրոսխեմաներ և տվյալների կենտրոններ է պահանջում։ Օրաքլը փորձում է ամպային մրցավազքում դիրքավորվել որպես մեծ արհեստական բանականության հաշվարկների մատակարար։

Այս բոլոր ընկերությունների համար հիմնական հարցը նույնն է․ արդյո՞ք արհեստական բանականության ծախսերը կվերածվեն եկամտի այնքան արագ, որ արդարացնեն կապիտալ ծախսերը։ Ներդրողները պատրաստ են հանդուրժել մեծ ծախսեր, եթե տեսնում են ամպային եկամուտների աճ, ձեռնարկությունների պայմանագրեր, բարձր օգտագործում և հստակ շահույթի միջակայք։ Բայց նրանք արագ կոշտանում են, երբ ծախսերի պատմությունը առաջ է անցնում եկամուտների պատմությունից։

Այս իմաստով Էնվիդիան շահում է ամպային հսկաների մրցակցությունից, բայց նաև կախված է նրանց ներդրումային կարգապահությունից։ Եթե բոլորը միաժամանակ կառուցեն, Էնվիդիան կարող է ունենալ հսկայական վաճառքներ։ Եթե շուկան սկսի հարցնել, թե արդյոք այդ հզորությունը լիարժեք օգտագործվում է, Էնվիդիայի հաճախորդները կարող են դանդաղեցնել պատվերները կամ ավելի ագրեսիվ գնալ սեփական միկրոսխեմաների ուղղությամբ։

Արհեստական բանականության տնտեսությունը հաճախ ներկայացվում է որպես ծրագրային հեղափոխություն, բայց դրա ամենաակնհայտ սահմանափակող ռեսուրսներից մեկը էլեկտրաէներգիան է։ Տվյալների կենտրոնները պահանջում են կայուն, մեծածավալ և հաճախ տեղային առումով դժվար հասանելի էներգիա։ արհեստական բանականության հաշվողական համախմբերը հատկապես խիտ են․ նույն շենքում կենտրոնացած են շատ ավելի մեծ հաշվարկային հզորություն և ջերմություն, քան ավանդական տվյալների կենտրոններում։

Միջազգային էներգետիկ գնահատումները ցույց են տալիս, որ տվյալների կենտրոնների էլեկտրաէներգիայի սպառումը մինչև տասնամյակի վերջ կարող է ավելի քան կրկնապատկվել և հասնել մոտ 945 տերավատ-ժամի։ ԱՄՆ-ում տվյալների կենտրոնների սպառումն արդեն դարձել է էլեկտրացանցերի պլանավորման կարևոր գործոն։ Որոշ նահանգներում և համայնքներում արհեստական բանականության տվյալների կենտրոնների հայտերը առաջացնում են ոչ միայն տնտեսական ոգևորություն, այլև հանրային դիմադրություն՝ գների, ջրի սպառման, աղմուկի, հողօգտագործման և արտանետումների պատճառով։

Այս հարցը չի լուծվում պարզ կարգախոսներով։ արհեստական բանականության պաշտպանները նշում են, որ տվյալների կենտրոնները կարող են արագացնել գիտական հայտնագործությունները, օպտիմալացնել էներգետիկ համակարգերը, օգնել կլիմայական մոդելավորմանը և բարձրացնել արտադրողականությունը։ Քննադատները հակադարձում են, որ եթե արհեստական բանականության ծառայությունները հիմնականում ծառայում են ցածրարժեք ավտոմատացված բովանդակությանը կամ գովազդային արդյունավետացմանն, ապա այդքան մեծ էներգետիկ ծախսը դժվար է արդարացնել։

Իրական խնդիրը առաջնահերթությունների և թափանցիկության մեջ է։ Որքանո՞վ են տվյալների կենտրոնները կառուցվում այն վայրերում, որտեղ կա բավարար էներգիա։ Որքանո՞վ են ընկերությունները ֆինանսավորում նոր արտադրական հզորություններ, այլ ոչ թե պարզապես վերցնում գոյություն ունեցող ցանցային ռեսուրսը։ Որքանո՞վ են օգտագործում վերականգնվող էներգիա, միջուկային պայմանագրեր, պահեստավորում կամ գազային կայաններ։ Որքանո՞վ են համայնքները տեղյակ, թե ինչ են ստանում և ինչ են կորցնում։

արհեստական բանականության վերելքի էներգետիկ կողմը նաև հայկական դիտանկյունից կարևոր է։ Հայաստանը փոքր էներգետիկ համակարգ ունի, և մեծ տվյալների կենտրոնների կառուցումը միշտ պետք է գնահատվի ոչ թե միայն «տեխնոլոգիական հպարտության», այլև էներգետիկ անվտանգության, սակագների, ցանցային կայունության և ջրային ռեսուրսների տեսանկյունից։ Փոքր շուկայի համար ճիշտ ռազմավարությունը պարտադիր չէ կրկնել ԱՄՆ-ի գիգավատային մրցավազքը։ Կարող է ավելի խելամիտ լինել կենտրոնանալ էներգաարդյունավետ արհեստական բանականության լուծումների, սմարթ ցանցերի, մոդելների արդյունավետացման, փոքր մոդելների կիրառման և հատուկ ոլորտային ծրագրերի վրա։

Էնվիդիայի շուկայական արժեքը նաև ցույց է տալիս, որ միկրոսխեմաները դարձել են աշխարհաքաղաքական գործիք։ ԱՄՆ-ի և Չինաստանի միջև տեխնոլոգիական մրցակցությունը հենց արհեստական բանականության արագացուցիչների շուրջ է ամենասուր ձևով երևում։ Վաշինգտոնը սահմանափակում է ամենաառաջադեմ միկրոսխեմաների արտահանումը Չինաստան՝ վախենալով, որ դրանք կարող են օգտագործվել ռազմական, հետախուզական կամ ռազմավարական արհեստական բանականության կարողությունների զարգացման համար։ Էնվիդիան, իր հերթին, փորձում է պահել մուտքը Չինաստանի մեծ շուկա՝ պնդելով, որ ամերիկյան տեխնոլոգիական ստեքի տարածումը նաև ԱՄՆ ազդեցության գործիք է։

2025-ին Էյչ-20 միկրոսխեմաների շուրջ քաղաքականությունը ցույց տվեց, թե որքան բարդ է այս հավասարակշռությունը։ Մի փուլում սահմանափակումները խստացվեցին, հետո թույլտվությունների ու եկամուտների մասնաբաժնի շուրջ քննարկումները նոր քաղաքական և իրավական հարցեր բացեցին։ Բլեքվել սերնդի ամենաառաջադեմ միկրոսխեմաները Չինաստանի համար շարունակում են մնալ հատկապես զգայուն թեմա։ Հոկտեմբերի վերջին ԱՄՆ-Չինաստան բանակցությունների համատեքստում շուկան ուշադրությամբ հետևում էր, թե արդյոք Էնվիդիայի միկրոսխեմաները կդառնան առևտրային սակարկության մաս։ Առնվազն հոկտեմբերի 31-ի առավոտյան այդ հարցում վերջնական ազատականացում չկար։

Ազգային անվտանգության տեսանկյունից կան երկու մրցակցող տրամաբանություններ։ Առաջինը՝ սահմանափակել Չինաստանի հասանելիությունը ամենահզոր հաշվարկային ռեսուրսներին, որպեսզի դանդաղեցվի ռազմական կամ ռազմավարական արհեստական բանականության զարգացումը։ Երկրորդը՝ թույլ չտալ, որ Չինաստանը ամբողջությամբ անցնի սեփական տեխնոլոգիական էկոհամակարգի և ամերիկյան ընկերությունները կորցնեն շուկան, տվյալները, մշակողներին ու ազդեցությունը։ Էնվիդիայի գործադիր թիմը հաճախ շեշտում է երկրորդ տրամաբանությունը։ Վաշինգտոնի անվտանգության շրջանակներում ուժեղ է առաջինը։

Մատակարարման շղթան էլ ավելի բարդ է։ Էնվիդիայի առաջադեմ միկրոսխեմաները կախված են Թի Էս Էմ Սիի արտադրությունից, բարձր թողունակությամբ հիշողությունից, առաջադեմ փաթեթավորումից, լիթոգրաֆիական սարքավորումներից, սպասարկիչային հավաքումից և գլոբալ լոգիստիկայից։ Թայվանի աշխարհաքաղաքական ռիսկը, ԱՄՆ արդյունաբերական քաղաքականությունը, Չինաստանի սահմանափակումները, հումքային շուկաները և արտադրական հզորության սակավությունը բոլորը կարող են ազդել արհեստական բանականության տնտեսության վրա։ Սա նշանակում է, որ արհեստական բանականությունը ոչ միայն ալգորիթմների մրցավազք է, այլև արտադրական գործարանների, նավահանգիստների, էներգիայի, արտահանման լիցենզիաների և դիվանագիտության մրցավազք։

արհեստական բանականության վերելքը նաև աշխատանքային շուկայի հարց է։ Ընկերությունները խոսում են արտադրողականության աճի մասին, բայց աշխատողները և կրթական համակարգերը հարցնում են՝ ում աշխատանքն է փոխվելու, ումն է վերանալու, և ով է ստանալու նոր արժեքի բաժինը։

Լավատեսական սցենարում արհեստական բանականությունը լրացնում է մարդուն։ Ծրագրավորողը ավելի արագ է գրում և ստուգում կոդը։ Իրավաբանը արագ գտնում է փաստաթղթեր։ Բժիշկը ավելի լավ է դասավորում պատկերային հետազոտությունները։ Ուսուցիչը ստանում է անհատականացված նյութեր։ Փոքր ընկերությունը կարողանում է անել այն, ինչի համար նախկինում մեծ թիմ էր պետք։ Այս սցենարում արհեստական բանականությունը դառնում է արտադրողականության գործիք, իսկ աշխատողների պահանջարկը տեղափոխվում է ավելի բարձր որակավորում պահանջող խնդիրների։

Մտահոգիչ սցենարում արհեստական բանականությունը կրճատում է հատկապես մուտքային, կիսաստանդարտ և կրկնվող սպիտակօձիքային աշխատանքները։ Եթե ընկերությունները որոշեն, որ կրտսեր վերլուծաբանների, աջակցման մասնագետների, բովանդակության խմբագիրների, սկզբնական մակարդակի ծրագրավորողների կամ վարչական աշխատողների մի մասը կարելի է փոխարինել գործիքներով, աշխատանքային շուկայի ամենախոցելի մասը դառնում է կարիերայի առաջին աստիճանը։ Խնդիրը միայն տվյալ աշխատատեղերի քանակը չէ։ Խնդիրն այն է, որ առանց մուտքային աստիճանների դժվար է պատրաստել ապագա ավագ մասնագետներին։

Այս հարցը հայկական կրթական միջավայրի համար շատ կոնկրետ հետևանք ունի։ Եթե ուսանողները սովորում են միայն գործիքներ օգտագործել, բայց չեն հասկանում համակարգային ծրագրավորում, ալգորիթմներ, մաթեմատիկա, տվյալների կառուցվածքներ, վիճակագրություն, ցանցեր, տվյալների բազաներ, անվտանգություն և դոմենային գիտելիք, նրանք դառնում են նույն գործիքների կողմից հեշտ փոխարինելի։ Եթե նրանք օգտագործում են արհեստական բանականությունը որպես արագացուցիչ՝ խորքային գիտելիքի վրա, նրանց արժեքը աճում է։

Նոր աշխատաշուկան պահանջում է ոչ թե միայն «արհեստական բանականության հրահանգ» հմտություն, այլ հիբրիդային մասնագիտություններ։ Տվյալագետ, ով հասկանում է բիզնես գործընթաց։ Ինժեներ, ով հասկանում է էներգետիկ սահմանափակում։ Ծրագրավորող, ով հասկանում է անվտանգություն և մոդելային ռիսկ։ Բժշկական մասնագետ, ով կարող է գնահատել արհեստական բանականության գործիքի սխալը։ Իրավաբան, ով հասկանում է տվյալների գաղտնիություն։ Լեզվաբան, ով կարող է աշխատել փոքր լեզուների և որակյալ տվյալների վրա։ Հայկական կրթության համար սա հնարավորություն է, եթե այն արագորեն վերակազմակերպվի ոչ թե մակերեսային գործիքների, այլ հիմքային ու կիրառական հմտությունների շուրջ։

Հայկական նորաստեղծ ընկերությունների համար Էնվիդիայի պատմության ամենակարևոր դասը այն չէ, որ բոլորը պետք է միկրոսխեմա արտադրեն կամ տվյալների կենտրոն կառուցեն։ Դասը այն է, որ մեծ տեխնոլոգիական ալիքներում արժեքը հաճախ ստեղծվում է շերտերով։ Ոմանք վաճառում են «բահերն ու քլունգները»՝ միկրոսխեմաներ, ամպային հզորություն, մշտադիտարկում, անվտանգություն, տվյալների խողովակներ։ Ոմանք կառուցում են հիմքային մոդելներ։ Ոմանք այդ մոդելները դարձնում են հատուկ ոլորտային արտադրանք։ Ոմանք ինտեգրում են դրանք բանկային, առողջապահական, կրթական, արտադրական կամ պետական համակարգերում։ Ոմանք ապահովում են համապատասխանություն, գաղտնիություն, տեղայնացում, գնահատում և վերահսկում։

Հայկական թիմերի համար ամենաիրատեսական և ուժեղ հնարավորությունները կարող են լինել մի քանի ուղղությամբ։

Առաջինը կիրառական արհեստական բանականությունը է կոնկրետ ոլորտներում։ Փոքր շուկայի թերությունը այն է, որ տեղական պահանջարկը սահմանափակ է։ Բայց առավելությունն այն է, որ թիմերը կարող են արագ փորձարկել լուծումներ, եթե ունեն լավ դոմենային գործընկերներ։ Առողջապահական փաստաթղթերի ավտոմատացում, ֆինանսական ռիսկի վերլուծություն, իրավական փաստաթղթերի որոնում, կրթական անհատականացում, կիբեռանվտանգության վերլուծություն, արտադրական որակի հսկողություն, գյուղատնտեսական մշտադիտարկում, սփյուռքի լեզվական և մշակութային տվյալների գործիքներ՝ այս ամենը կարող է լինել ոչ թե Էնվիդիայի հետ մրցակցություն, այլ Էնվիդիայի ստեղծած ենթակառուցվածքի վրա արժեքի կառուցում։

Երկրորդը մոդելների արդյունավետությունն է։ Երբ գրաֆիկական արագացուցիչները թանկ են, արժեքավոր է դառնում այն ամենը, ինչ նվազեցնում է հաշվարկային ծախսը՝ փոքր մոդելներ, արդյունավետացում, քվանտացում, ժամանակավոր պահեստավորում, տվյալների խելացի ընտրություն, արտածման արագացում, մշտադիտարկում, մոդելների գնահատում։ Փոքր թիմը կարող է մրցակցել հենց այստեղ, որովհետև հաճախ խնդիրը ոչ թե միլիարդավոր դոլարների ենթակառուցվածք է, այլ բարձրակարգ ինժեներական մտածողություն։

Երրորդը տվյալների շերտն է։ արհեստական բանականության համակարգերը պահանջում են որակյալ, մաքուր, իրավականորեն թույլատրելի և դոմենային արժեք ունեցող տվյալներ։ Շատ ընկերություններ ունեն տվյալներ, բայց չունեն դրանք արհեստական բանականության համար պատրաստելու կարողություն։ Տվյալների կառավարման, գաղտնիության, որոնման, գիտելիքի բազաների, փաստաթղթային աշխատանքային գործընթացների և գնահատման գործիքները կարող են լինել ավելի կայուն բիզնես, քան հերթական ընդհանուր խոսակցական ծրագիրը։

Չորրորդը անվտանգությունն ու վստահելիությունն են։ արհեստական բանականության մոդելները սխալվում են, հորինում են, կարող են արտահոսել տվյալներ, ենթարկվել հրահանգային ներարկման, օգտագործվել խարդախության կամ կիբեռհարձակման մեջ։ արհեստական բանականության անվտանգության, մոդելային վերահսկման, ստուգման, համապատասխանության վերահսկման և բացատրելիության շուկան դեռ ձևավորվում է։ Սա հնարավորություն է հատկապես այն թիմերի համար, որոնք ունեն ուժեղ մաթեմատիկական, ծրագրային և անվտանգության կրթություն։

Հինգերորդը հայերեն և փոքր լեզուների տեխնոլոգիաներն են։ Գլոբալ մեծ մոդելները սովորաբար լավ են աշխատում անգլերենում, բայց փոքր լեզուների, մասնագիտական բառապաշարի, իրավական փաստաթղթերի, բժշկական տվյալների կամ մշակութային նրբությունների հարցում դեռ կան բացեր։ Հայերեն արհեստական բանականության գործիքների շուկան փոքր է, բայց հայերենը կարող է լինել փորձադաշտ փոքր լեզուների համար ընդհանուր տեխնոլոգիաներ ստեղծելու ուղղությամբ՝ տվյալների հավաքում, որակի գնահատում, տառադարձում, խոսքի ճանաչում, որոնում, թարգմանություն, կրթական օգնականներ։

Հայկական նորաստեղծ ընկերությունը չպետք է փորձի պատճենել Սիլիկոնյան հովտի ամենաթանկ շերտը։ Պետք է գտնի այն շերտը, որտեղ փոքր թիմը կարող է ստեղծել չափելի արժեք, վաճառել գլոբալ շուկային և օգտվել սփյուռքի կապերից։

ԱՄՆ-ում գտնվող հայկական տեխնոլոգիական համայնքի համար այս վերելքը ունի հատուկ նշանակություն։ Հայ ինժեներներ, տվյալագետներ, արտադրանքի ղեկավարներ, ներդրողներ և հետազոտողներ աշխատում են հենց այն ընկերություններում ու շուկաներում, որտեղ ձևավորվում է արհեստական բանականության ենթակառուցվածքը։ Նրանց դերը միայն անհատական կարիերան չէ։ Նրանք կարող են դառնալ կապող շերտ՝ Հայաստանի կրթական միջավայրի, նորաստեղծ ընկերությունների և համաշխարհային տեխնոլոգիական պահանջարկի միջև։

Այստեղ անհրաժեշտ է պրագմատիկ մոտեցում։ Սփյուռքը չի կարող միայն ոգևորությամբ փոխարինել կապիտալին, շուկային կամ ինստիտուցիոնալ կարողությանը։ Բայց այն կարող է փոխանցել շուկայի իրական պահանջները։ Որ հմտություններն են պահանջվում։ Ինչպիսի որակի ինժեներական մշակույթ է անհրաժեշտ։ Ինչպես են կառուցվում տվյալների անվտանգ համակարգերը։ Ինչպես են խոշոր կազմակերպական հաճախորդները գնում տեխնոլոգիա։ Ինչպես է նորաստեղծ ընկերությունը մտնում ամերիկյան շուկա։ Ինչ սխալներ են անում փոքր թիմերը, երբ փորձում են արհեստական բանականության արտադրանք կառուցել առանց հստակ հաճախորդային ցավի։

Հայկական տեխնոլոգիական սփյուռքի ամենաարժեքավոր ներդրումը կարող է լինել ոչ թե մեկանգամյա խորհրդատվությունը, այլ համակարգված կապը՝ մենթորություն, արտադրանքի ստուգում, տեխնիկական ճարտարապետության գնահատում, ամերիկյան հաճախորդների հետ փորձնական ծրագրեր, համալսարանների հետ համատեղ դասընթացներ, հետազոտական ծրագրեր և ներդրումային կարգապահություն։ արհեստական բանականության տնտեսության մեջ փոքր էկոհամակարգը շահում է, երբ արագ է սովորում և ճիշտ է ընտրում իր շերտը։

Էնվիդիայի 5 տրիլիոնանոց պատմությունը կրթական համակարգի համար ունի սթափեցնող ուղերձ։ Արհեստական բանականության դարաշրջանում միայն գործիքային հմտությունը արագ է հնանում։ Այսօր տարածված գործիքը վաղը կարող է փոխվել։ Բայց հիմքային գիտելիքը՝ մաթեմատիկա, վիճակագրություն, ալգորիթմներ, համակարգային ինժեներիա, էլեկտրոնիկա, լեզվաբանություն, դոմենային գիտություն, մնում է արժեքի աղբյուր։

Հայաստանի համալսարանները և տեխնոլոգիական կրթական կենտրոնները պետք է տարբերակեն երեք մակարդակ։ Առաջինը արհեստական բանականության գրագիտությունն է՝ բոլոր մասնագիտությունների համար։ Բժիշկը, իրավաբանը, տնտեսագետը, լրագրողը, ուսուցիչը պետք է հասկանան, թե ինչպես օգտագործել արհեստական բանականության գործիքներ և ինչ սահմանափակումներ ունեն դրանք։ Երկրորդը կիրառական ինժեներիան է՝ ծրագրավորողների, տվյալագետների և արտադրանքի թիմերի համար։ Երրորդը խորքային հետազոտությունն ու համակարգային ճարտարապետությունն է՝ այն մարդկանց համար, ովքեր կարող են աշխատել մոդելների, արդյունավետացման, միկրոսխեմային մտածողության, ցանցերի և բարձր արդյունավետության հաշվարկների հետ։

Եթե կրթական համակարգը մնա միայն արագ դասընթացների մակարդակում, այն կարտադրի մասնագետներ, որոնք օգտագործում են պատրաստի գործիքներ, բայց չեն կարող կառուցել բարդ համակարգեր։ Եթե այն կարողանա միավորել հիմքային գիտությունը, անգլերեն տեխնիկական միջավայրը, գործնական նախագծերը և սփյուռքի կապերը, Հայաստանը կարող է պատրաստել այնպիսի ինժեներներ, որոնք փոքր շուկայից դուրս կաշխատեն գլոբալ արժեքի շղթաներում։

Առաջինը տեխնոլոգիական կախվածությունն է։ Եթե հայկական ընկերությունները ամբողջությամբ կառուցեն իրենց ծառայությունները մեկ ամպային հարթակի, մեկ մոդելի կամ մեկ ծրագրային միջերեսի վրա, նրանք կախված կլինեն գներից, հասանելիությունից, կանոններից և արտաքին քաղաքականությունից։ Սա չի նշանակում հրաժարվել ամպից։ Դա նշանակում է նախագծել ճարտարապետություն, որը նվազեցնում է մատակարարային կախվածությունը, պահպանում է տվյալների վերահսկողությունը և հնարավորություն է տալիս անհրաժեշտ պահին փոխել մատակարարին։

Երկրորդը ծախսային ռիսկն է։ արհեստական բանականության արտադրանք կառուցելը կարող է թվալ հեշտ, քանի դեռ փոքր փորձարկումներ են արվում։ Բայց արտադրական միջավայրում արտածման ծախսերը, արձագանքի ուշացումը, տվյալների պահպանումը, մշտադիտարկումը, անվտանգությունը և հաճախորդների սպասարկումը կարող են արագ ուտել շահույթի միջակայքը։ Փոքր նորաստեղծ ընկերությունը պետք է իր բիզնես մոդելը հաշվարկի ոչ թե ցուցադրական տարբերակի, այլ իրական օգտագործման ծավալի համար։

Երրորդը աշխատաշուկայի անհավասարությունն է։ Նրանք, ովքեր արագ սովորում են արհեստական բանականության գործիքներ և ունեն հիմքային գիտելիք, կարող են բարձրացնել իրենց արտադրողականությունը։ Նրանք, ովքեր մնում են կրկնվող աշխատանքի մեջ և չեն վերապատրաստվում, կարող են ճնշման տակ հայտնվել։ Սա սոցիալական խնդիր է, ոչ միայն տեխնոլոգիական։ Պետք են վերապատրաստման ծրագրեր, բայց ոչ ձևական։ Պետք են գործնական, չափելի և շուկայի հետ կապված ծրագրեր։

Չորրորդը տվյալների և իրավական ռիսկն է։ արհեստական բանականության գործիքների օգտագործումը պետական, բժշկական, ֆինանսական կամ կրթական համակարգերում պահանջում է տվյալների պաշտպանության հստակ կանոններ։ Փոքր շուկաներում հաճախ կա գայթակղություն արագ ներդնել գործիքներ՝ առանց բավարար ստուգման։ Դա կարող է բերել գաղտնիության խախտումների, սխալ որոշումների և վստահության կորստի։

Հինգերորդը չափազանցված սպասումներն են։ Եթե ամեն նորաստեղծ ընկերություն իրեն հայտարարում է «արհեստական բանականության ընկերություն», բայց չունի պաշտպանելի տեխնոլոգիա, տվյալների առավելություն կամ շուկայի հստակ խնդիր, էկոհամակարգը կարող է արագ հոգնել աղմուկից։ Լուրջ արհեստական բանականության ռազմավարությունը սկսվում է ոչ թե պիտակից, այլ հաճախորդի ցավից, տվյալների հասանելիությունից, որակի չափումից և տնտեսական հաշվարկից։

Էնվիդիայի 5 տրիլիոնանոց շեմը ցույց է տալիս, որ համաշխարհային տնտեսության մեջ կապիտալը նորից տեղափոխվում է ենթակառուցվածք։ 2010-ականներին տեխնոլոգիական արժեքի մեծ մասը հաճախ ընկալվում էր որպես ծրագրային մասշտաբայնություն՝ հավելվածներ, սոցիալական ցանցեր, առցանց շուկաներ, ծրագրային ապահովումը որպես ծառայություն։ արհեստական բանականության դարաշրջանում ծրագրային արժեքը չի վերանում, բայց նրա հիմքում նորից հայտնվում է ծանր կապիտալը՝ միկրոսխեմաներ, տվյալների կենտրոններ, էներգիա, օպտիկա, սպասարկիչներ, սառեցում, մատակարարման շղթաներ։

Սա փոխում է մրցակցությունը։ Մեծ ընկերությունները առավելություն ունեն, որովհետև կարող են ֆինանսավորել տվյալների կենտրոններ և երկարաժամկետ միկրոսխեմային պայմանագրեր։ Բայց փոքր ընկերությունները կարող են շահել, եթե նրանք կառուցում են վերին շերտում՝ կիրառություններ, արդյունավետացում, տվյալների աշխատանքային գործընթացներ, անվտանգություն, ոլորտային լուծումներ։ Այսինքն՝ արհեստական բանականության տնտեսությունը միաժամանակ կենտրոնացնում է ենթակառուցվածքը և բացում նոր կիրառական շուկաներ։

Այն նաև փոխում է ազգային տնտեսությունների ռազմավարությունը։ Երկրները այլևս չեն կարող տեխնոլոգիական քաղաքականությունը դիտել միայն որպես ծրագրավորողների կրթություն։ Պետք է մտածել էներգիայի, տվյալների, կիբեռանվտանգության, միկրոսխեմային մատակարարման, ամպային կախվածության, պետական գնումների, կրթության և գիտության միասնական քաղաքականության մասին։ Մեծ երկրները փորձում են կառուցել սեփական արհեստական բանականության ենթակառուցվածք։ Փոքր երկրները պետք է որոշեն՝ ինչ չափի ինքնիշխանություն է իրատեսական, որտեղ է պետք համագործակցել, և որտեղ է պետք պահպանել վերահսկողություն։

Հայաստանի համար սա նշանակում է, որ «ազգային արհեստական բանականության ռազմավարություն» արտահայտությունը դատարկ է, եթե այն չի պատասխանում մի քանի կոնկրետ հարցի։ Որտե՞ղ են պահվելու զգայուն տվյալները։ Ո՞ր ոլորտներում է պետությունը պատրաստ դառնալ խելացի պատվիրատու։ Ինչպե՞ս են համալսարանները պատրաստելու ոչ միայն օգտագործողներ, այլև համակարգեր կառուցողներ։ Ինչպե՞ս է սփյուռքը կապվելու տեղական թիմերի հետ։ Ինչպե՞ս են նորաստեղծ ընկերությունները ստանալու ոչ միայն գրաֆիկական արագացուցիչների վարկային ռեսուրսներ, այլև շուկայի հասանելիություն։ Ինչպե՞ս է էներգետիկ համակարգը գնահատելու տվյալների կենտրոնների պահանջարկը։

Էնվիդիայի ռեկորդը հեշտ է ներկայացնել որպես հաղթական վերնագիր։ Բայց լուրջ ընթերցումը պահանջում է սառնասրտություն։ Ընկերությունը դարձել է արհեստական բանականության տնտեսության կենտրոններից մեկը, որովհետև տարիներ շարունակ կառուցել է այն, ինչ շուկան այժմ ամենաշատն է ուզում՝ արագացվող հաշվարկի ամբողջական հարթակ։ Նրա հաջողությունը իրական է, եկամուտները՝ մեծ, պահանջարկը՝ տեսանելի, դիրքը՝ բացառիկ։ Բայց հենց այդ պատճառով ռիսկերը նույնպես մեծ են։

Ներդրողները պետք է հարցնեն ոչ միայն «որքան կարող է աճել Էնվիդիան», այլև «ինչ պետք է տեղի ունենա, որ այս գնահատումը արդարանա»։ Տեխնոլոգիական ընկերությունները պետք է հարցնեն ոչ միայն «քանի գրաֆիկական արագացուցիչ կարող ենք ստանալ», այլև «ինչ արժեք ենք ստեղծում այդ գրաֆիկական արագացուցիչներով»։ Պետությունները պետք է հարցնեն ոչ միայն «ինչպես հաղթել արհեստական բանականության մրցավազքում», այլև «ինչ գին ենք վճարում էներգիայով, անվտանգությամբ և կախվածությամբ»։ Աշխատողները պետք է հարցնեն ոչ միայն «արհեստական բանականությունը կվերցնի՞ իմ աշխատանքը», այլև «ինչ հմտություն է ինձ դարձնում արհեստական բանականության օգտագործող, ոչ թե նրա կողմից հեշտ փոխարինվող օղակ»։

Հայկական տեխնոլոգիական համայնքի համար այս պատմությունը կարող է դառնալ օգտակար, եթե այն չընկալվի որպես հեռավոր ամերիկյան շուկայի լուր։ Էնվիդիայի 5 տրիլիոն դոլարը հայ ինժեների, հիմնադրի կամ ուսանողի համար պետք է լինի ազդանշան, որ աշխարհում արժեքի շղթաները վերադասավորվում են։ Մի շերտում կան գիգավատներ, տրիլիոններ և պետությունների մրցակցություն։ Մյուս շերտում կան փոքր թիմերի համար բացված խնդիրներ՝ տվյալների որակ, մոդելների արդյունավետություն, անվտանգություն, տեղայնացում, ոլորտային ինտեգրում, կրթություն և վստահելիություն։

Արհեստական բանականության վերելքը ոչ փրկություն է, ոչ աղետ։ Այն կապիտալի, գիտության, ենթակառուցվածքի և իշխանության արագ վերադասավորում է։ Էնվիդիայի ռեկորդը այդ վերադասավորման ամենատեսանելի նշանն է։ Բայց իրական հարցը դեռ բաց է․ արդյո՞ք այս հսկայական հաշվարկային մեքենան կվերածվի լայն արտադրողականության, նոր գիտության և ավելի արդյունավետ տնտեսության, թե՞ դրա մի մասը կդառնա չափազանց թանկ կառուցվածք՝ չափազանց դանդաղ եկամտաբերությամբ։ Այսօր պատասխանն արդեն ոչ ոք չի կարող տալ մեկ նախադասությամբ։ Շուկան ընտրել է հավատալ մեծ պատմությանը։ Հաջորդ տարիները պետք է ցույց տան՝ այդ պատմությունը որքանով է տնտեսություն, և որքանով՝ գերտաքացած ոգևորություն։