غول‌های هوش مصنوعی پشتوانه مالی ۱۵۰ میلیارد دلاری برای خود ساختند

استارتاپ‌های هوش مصنوعیِ سیلیکون‌ولی امسال طبق گزارش‌ها رکورد ۱۵۰ میلیارد دلار جذب سرمایه داشته‌اند.
به گزارش فایننشال تایمز FT این اقدام بخشی از تلاش این شرکت‌هاست تا اگر رونق سرمایه‌گذاری در هوش مصنوعی سال آینده فروکش کرد، از خودشان محافظت کنند.

این گزارش که به داده‌های Pitchbook استناد می‌کند، نشان می‌دهد میزان سرمایه‌گذاری امسال از رکورد قبلی ۹۲ میلیارد دلار در سال ۲۰۲۱ عبور کرده است؛ شرکت‌هایی مثل OpenAI و Anthropic هم توجه جدی سرمایه‌گذاران را به خود جلب کرده‌اند.
سرمایه‌گذاران خطرپذیر و کارشناسان صنعت به FT گفته‌اند این سرمایه‌ها هم رشد شرکت‌ها را تأمین می‌کند و هم در صورت افت سرمایه‌گذاری—به‌دلیل نگرانی‌ها درباره هزینه‌های سنگین زیرساخت‌های هوش مصنوعی—به‌عنوان یک حاشیه امن عمل می‌کند.
لوکاس سویشر، شریک شرکت Coatue که در OpenAI، Databricks و SpaceX سرمایه‌گذاری کرده، می‌گوید:
«باید تا وقتی آفتاب می‌تابد، علوفه جمع کرد. ممکن است سال ۲۰۲۶ اتفاق غیرمنتظره‌ای بیاورد… وقتی بازار این امکان را می‌دهد، یک ترازنامه مستحکم بسازید.»
به گفته FT، سطح سرمایه‌گذاری برای سال ۲۰۲۵ هم با چند دور جذب سرمایه رکوردشکن بالا رفته است: ۴۱ میلیارد دلار برای OpenAI، ۱۳ میلیارد دلار برای Anthropic و سرمایه‌گذاری ۱۴ میلیارد دلاری متا روی استارتاپ برچسب‌گذاری داده‌ها یعنی Scale AI.
این گزارش اضافه می‌کند که فشار هزینه‌ها باعث شده دورهای جذب سرمایه پرتکرارتر شود؛ به‌ویژه برای شرکت‌هایی که روی مدل‌های «مرزی» (frontier) هوش مصنوعی کار می‌کنند؛ مدل‌هایی که به توان محاسباتی عظیم و تراشه‌های گران‌قیمت نیاز دارند.
به گفته منابع نزدیک به شرکت، درآمد OpenAI در سال جاری حدود ۱۳ میلیارد دلار است. با این حال، این استارتاپ هر سال میلیاردها دلار ضرر می‌دهد، چون در حال توسعه مدل‌ها، محصولات و زیرساخت‌های خود است.
در خبر دیگری از دنیای هوش مصنوعی، PYMNTS روز دوشنبه با آدام هایَت، معاون راهبرد مقابله با تقلب در پلتفرم هماهنگ‌سازی پرداخت Spreedly، درباره نقش این فناوری در پیشگیری از تقلب گفت‌وگو کرد.
این گزارش می‌گوید هرچند هوش مصنوعی به‌درستی به‌خاطر نقشش در «دموکراتیزه شدن تقلب» توجه زیادی جلب کرده، اما کلاهبرداران انحصار هوش مصنوعی را در اختیار ندارند.
با این حال، ظهور هوش مصنوعی و کاربردهایش در طرح‌های تقلبِ رایج و هرچه صنعتی‌تر، زمان‌بندی‌ها را فشرده‌تر کرده و سطح انتزاعی را که انسان‌ها باید در آن عمل کنند بالا برده است.
هایَت می‌گوید:
«تشخیص خوب از بد دارد به کاری تبدیل می‌شود که حتی بررسی دستیِ خوب هم از عهده‌اش برنمی‌آید. قبلاً می‌شد با اضافه کردن نیروی انسانی مسئله را حل کرد، اما حالا این کار خیلی سخت‌تر شده است.»