قیمت توکن رو چطور باید تحلیل کرد؟
هوش مصنوعیخلاصهٔ کاملتر
بندیکت ایوانز مینویسه دربارهٔ قیمت توکن فقط دو چیز رو با اطمینان میشه گفت: الان تو کمبود عرضهایم، و این وضعیت ناپایداره. سؤالی که آخر همهٔ این تحلیلها میمونه اینه که مدلهای پایه قدرت قیمتگذاری و اهرم راهبردی پایدار پیدا میکنن، یا تبدیل میشن به تأمینکنندهٔ زیرساخت کالایی با حاشیهٔ سود کم. به نظر او هر دینامیکی که الان میبینیم به گزینهٔ دوم اشاره میکنه.
سمت عرضه، بیش از هزار میلیارد دلار مخارج سرمایهای دیتاسنتر تو راهه، بهرهوری اینفرنس سریع بهتر میشه و مدلهای تازه تو مصرف توکن خیلی کاراتر (یا خیلی پرمصرفتر) از قبلیهان. سمت تقاضا هم فشار نیمهٔ اول امسال عمدتاً از یه کاربرد اومده: توسعهٔ نرمافزار. ایوانز یادآوری میکنه این در واقع بازار کوچیکیه — اگه یه کاربرد مصرفی با صدها میلیون کاربر روزانه به تطبیق محصول-بازار میرسید، زیرساخت امروز به هیچ قیمتی جوابگو نبود.
یه لایه بالاتر، گزارشها میگن اینفرنس امروز حاشیهٔ ناخالص ۴۰ تا ۵۰ درصد داره. ولی این عدد استهلاک سرور رو با عمر مفید نامعلوم حساب میکنه و هزینهٔ آموزش مدل بعدی رو — که فعلاً خیلی بزرگتر از درآمده — اصلاً توش نیست. تئوری میگه اینفرنس هزینهٔ نهاییه و آموزش هزینهٔ ثابت، پس با درآمد کافی میشه به سوددهی رسید؛ ولی نمیدونیم هزینهٔ آموزش چطور تغییر میکنه.
نویسنده میگه مدلسازی از پایین به بالا جواب نمیده — مثل ساختن پیشبینی پنجسالهٔ بازار براودبند تو سال ۱۹۹۸ میمونه؛ اکسل خوشگل از آب درمیاد ولی متغیرهای نامعلوم زیادن. پس سراغ نگاه بالا به پایین میره و چهار سؤال کلیدی رو مطرح میکنه.
اول: چند نفر حاضرن پول بدن که بالای منحنی، یعنی روی فرانتیر، باشن؟ خیلی از کاربردها با یه مدل کوچیک و قدیمی و شاید اپنسورس روی گوشی یا سرور خودی هم خوب کار میکنن. دوم: آیا فرانتیر همچنان معنادار جلو میره و اونقدر سریع که از فشار نزولی قیمت جلو بزنه؟ سوم: آیا رقابت شدید بین مدلهای فرانتیر ادامه پیدا میکنه، یا میدون کوچیک میشه و اثر شبکهای پیدا میشه؟ چهارم: چقدر از ارزش کاربردهای گرانقیمت رو خود مدل میگیره و چقدرش باید تو ابزار، فرایند، دادهٔ اختصاصی و کانال فروش پیچیده بشه؟
هیچکدوم از اینها دوگانه نیستن. تو یه سرش دو سه ذهن غولپیکر نصف دنیا رو میگردونن و قدرت قیمتگذاری عظیمی دارن؛ تو اون سرش مدلهای زبانی شبیه دیتابیس میشن — میلیونها تاشون هست و ارزش تو چیزیه که روش میسازی، چون هر شرکت SaaS در نهایت یه «رَپر دیتابیس»ه.
ایوانز مقایسه با فیبر نوری و حباب داتکام رو رد میکنه: ساخت فیبر خیلی جلوتر از تقاضا بود، درحالیکه ساخت زیرساخت هوش مصنوعی خیلی عقبتر از تقاضاست؛ ضمن اینکه فیبر عمدتاً هزینهٔ ثابت بود و اینجا رشد مصرف یعنی خرید سختافزار بیشتر. به نظرش مقایسهٔ بهتر دیتای موبایله: اونجا هم هجوم ناگهانی مصرف ظرفیت رو غرق کرد، و فروش «بیت» هم مثل فروش «توکن» یه معیار مبهم بود که به ارزش کاربر ربط شفافی نداشت. نتیجه؟ صنعتی با درآمد سالانهٔ هزار میلیارد دلار که سهامش جایی نرفت و ارزش رو لایههای بالاتر برداشتن.
صنعت نیمههادی هم پژواک دیگهایه: قانون راک میگفت هزینهٔ یه کارخونهٔ پیشرفته هر چهار سال دو برابر میشه، و آخرش تعداد بازیگرها از دهها تا به عملاً یکی رسید. ولی حتی TSMC با انحصار عملی روی فرانتیر، سود خالص سال گذشتهش ۵۳ میلیارد دلار بود — کمتر از نصف اپل بهتنهایی. جمعبندی ایوانز اینه که آنالوژی قدرت پیشبینی نداره، ولی این نمونهها تجربی نشون میدن یه چیز میتونه همزمان بسیار مهم، بسیار گران و جهانتغییرده باشه و باز طیف وسیعی از سرنوشتهای ممکن داشته باشه.
نکات کلیدی:
- دو قطعیت: کمبود عرضهٔ فعلی، و ناپایداری این وضعیت
- حاشیهٔ ناخالص اینفرنس حدود ۴۰ تا ۵۰٪ گزارش شده، بدون احتساب هزینهٔ آموزش مدل بعدی
- فشار امسال عمدتاً از یه کاربرد اومده: توسعهٔ نرمافزار
- چهار سؤال تعیینکننده: ارزش فرانتیر، سرعت پیشروی فرانتیر، شدت رقابت، و محل تصاحب ارزش
- مقایسهٔ بهتر با فیبر نیست، با دیتای موبایله — صنعتی عظیم که ارزشش رو لایهٔ بالاتر برداشت
- بدون یه تغییر که هنوز نمیبینیم، مسیر پیشفرض «زیرساخت کالایی» شدنه
