مدیرعامل IBM، آرویند کریشنا، در پادکست Decoder ورج، این سوال را مطرح کرد که آیا هزینه‌های سرمایه‌ای که اکنون در پی دستیابی به AGI در حال انجام است، می‌تواند خود را جبران کند یا خیر. کریشنا گفت ارقام فعلی برای ساخت و تجهیز مراکز داده بزرگ هوش مصنوعی، صنعت را در مسیری قرار می‌دهد که حدود ۸ تریلیون دلار تعهدات تجمعی، سالانه حدود ۸۰۰ میلیارد دلار سود را تنها برای پوشش هزینه سرمایه نیاز دارد.

این ادعا مستقیماً به فرضیات مربوط به سخت‌افزار فعلی، استهلاک آن و انرژی گره خورده بود، نه هیچ پیش‌بینی بلندمدت محکمی، اما در زمانی مطرح می‌شود که ما شاهد بوده‌ایم چندین شرکت با پروژه‌های زیرساختی بی‌سابقه و چند ساله، از یکدیگر پیشی می‌گیرند.

کریشنا تخمین زد که تجهیز یک مرکز هوش مصنوعی یک گیگاواتی با سخت‌افزار محاسباتی حدود ۸۰ میلیارد دلار هزینه دارد. مسئله این است که استقرارهای در این مقیاس از مرحله طراحی به مراحل برنامه‌ریزی عملیاتی در حال حرکت هستند، با شرکت‌های پیشرو هوش مصنوعی که استقرارهایی با ده‌ها گیگاوات — و در برخی موارد، بیش از ۱۰۰ گیگاوات — را پیشنهاد می‌کنند. کریشنا گفت که در مجموع، اعلامیه‌های عمومی و خصوصی به حدود صد گیگاوات ظرفیت برنامه‌ریزی شده فعلی اختصاص یافته به بارهای کاری کلاس AGI اشاره دارد.

با ۸۰ میلیارد دلار به ازای هر گیگاوات، مجموع به ۸ تریلیون دلار می‌رسد. او این ارقام را به چرخه‌های پنج ساله بازسازی که در ناوگان شتاب‌دهنده‌ها رایج است، گره زد و استدلال کرد که نیاز به جایگزینی بیشتر سخت‌افزار داخل آن مراکز داده در این بازه زمانی، تأثیر فزاینده‌ای بر الزامات هزینه‌های سرمایه‌ای بلندمدت ایجاد می‌کند. او همچنین احتمال دستیابی معماری‌های فعلی مبتنی بر LLM به AGI را بین صفر تا ۱ درصد بدون اشکال جدیدی از یکپارچه‌سازی دانش قرار داد.

کریشنا به استهلاک به عنوان بخشی از محاسبه اشاره کرد که سرمایه‌گذاران آن را کمتر از حد واقعی ارزیابی می‌کنند. شتاب‌دهنده‌های هوش مصنوعی معمولاً طی پنج سال مستهلک می‌شوند، و او استدلال کرد که سرعت تغییرات معماری به این معنی است که ناوگان‌ها باید جایگزین شوند نه اینکه عمرشان تمدید شود. او گفت: «شما باید همه آن را در پنج سال استفاده کنید زیرا در آن زمان، باید آن را دور بیندازید و دوباره پر کنید.»

انتقادات اخیر بازار مالی بر نگرانی‌های مشابهی متمرکز شده است. به عنوان مثال، سرمایه‌گذار مایکل بری، سوالاتی را مطرح کرده است که آیا هایپراسکیلرها می‌توانند به کشش فرضیات عمر مفید ادامه دهند اگر افزایش عملکرد و اندازه‌های مدل، بازنشستگی سریع‌تر GPUهای قدیمی را اجبار کند.

رئیس IBM گفت که در نهایت، او انتظار دارد ابزارهای هوش مصنوعی مولد در شکل فعلی خود، بهره‌وری سازمانی قابل توجهی را به ارمغان بیاورند، اما نگرانی او رابطه بین مقیاس فیزیکی زیرساخت هوش مصنوعی نسل بعدی و اقتصاد مورد نیاز برای پشتیبانی از آن است. بنابراین، شرکت‌هایی که به این پردیس‌های عظیم چند گیگاواتی و برنامه‌های فشرده بازسازی متعهد می‌شوند، باید بازدهی را نشان دهند که با هزینه‌های سرمایه‌ای بی‌سابقه‌ای که کریشنا تشریح کرد، مطابقت داشته باشد.