مارکس، شرکتهای سهامی و بحران سرمایهگذاری در هوش مصنوعی
یادداشت پژوهشی برای کتاب «نظم اجتماعی در عصر آگاهی»
Screenshot
نویسنده: حمید اخوی
مقدمه
تحلیل کارل مارکس در جلد سوم «سرمایه» درباره شرکتهای سهامی، اعتبار، تمرکز سرمایه و اجتماعیشدن تولید، چارچوبی همچنان نیرومند برای فهم اقتصاد سیاسی هوش مصنوعی فراهم میکند. اهمیت این چارچوب در آن است که فناوری را نه بهصورت پدیدهای مستقل و خنثی، بلکه درون مناسبات مالکیت، اعتبار، سود، رقابت و دولت بررسی میکند. از این منظر، پرسش اصلی فقط این نیست که مدلهای هوش مصنوعی چه تواناییهایی دارند، بلکه این است که این تواناییها در چه ساختاری تولید میشوند، چه کسانی هزینه آن را میپردازند، چه کسانی مالک زیرساختها هستند و منافع حاصل از آن چگونه توزیع میشود.
در فصل بیستوهفتم جلد سوم «سرمایه»، مارکس توضیح میدهد که با گسترش شرکتهای سهامی، سرمایهای که بر شیوهای اجتماعی از تولید استوار است، مستقیماً شکل «سرمایه اجتماعی» به خود میگیرد. پروژههایی که از توان سرمایهداران منفرد خارجاند، با گردآوری پساندازها، اعتبارات و سرمایههای پراکنده جامعه امکانپذیر میشوند. اما این اجتماعیشدنِ سرمایه و تولید لزوماً به اجتماعیشدن مالکیت و تصمیمگیری نمیانجامد. برعکس، ممکن است ابزار تولیدی که محصول کار و منابع میلیونها انسان است، زیر کنترل گروهی بسیار محدود قرار گیرد. مارکس این وضعیت را «نفی سرمایه بهعنوان مالکیت خصوصی در درون خود شیوه تولید سرمایهداری» و در عین حال تناقضی خودمنحلکننده مینامد.
صنعت هوش مصنوعی امروز نمونهای برجسته از همین وضعیت است. مدلهای پیشرفته زبانی، تصویری و چندوجهی نه محصول کار یک فرد یا حتی یک شرکت منفرد، بلکه حاصل انباشت تاریخی زبان، علم، هنر، نرمافزار، دادههای عمومی، فعالیت کاربران، نیروی کار متخصص، شبکههای برق، دانشگاهها، بودجههای دولتی و زنجیرههای جهانی تولید تراشهاند. با این همه، کنترل نهایی بر مدلها، مراکز داده، تراشهها، رابطهای برنامهنویسی و درآمدهای حاصل از آنها در دست شمار اندکی از شرکتهای بزرگ باقی مانده است.
۱. از راهآهن تا دیتاسنتر: اجتماعیشدن مقیاس تولید
مارکس در توضیح نقش شرکتهای سهامی از راهآهنها و مؤسسات عظیمی سخن میگوید که ایجاد آنها از توان سرمایههای منفرد خارج بود. امروز همان منطق در مقیاسی بزرگتر در هوش مصنوعی دیده میشود. آموزش و اجرای مدلهای مرزی به هزاران پردازنده پیشرفته، مراکز داده عظیم، شبکههای انتقال برق، سیستمهای خنککننده، زمین، آب، فیبر نوری و قراردادهای بلندمدت انرژی نیاز دارد. این زیرساختها عملاً شبیه صنایع سنگین عصر جدیدند.
برای نمونه، شرکتهای مایکروسافت، آمازون، آلفابت و متا در سالهای اخیر هزینههای سرمایهای خود را بهشدت افزایش دادهاند. گزارشهای رسمی شرکتها نشان میدهد که بخش بزرگی از این مخارج به مراکز داده، سرورها، تراشههای هوش مصنوعی و شبکههای ابری اختصاص دارد. مایکروسافت در گزارش مالی سهماهه سوم سال مالی ۲۰۲۶، رشد درآمد ابری و هوش مصنوعی را محور عملکرد خود اعلام کرد. آمازون نیز برای گسترش AWS، تراشههای اختصاصی و ظرفیت مراکز داده سرمایهگذاری عظیمی را ادامه داده است. این ارقام نشان میدهند که هوش مصنوعی از مرحله یک نرمافزار کمهزینه عبور کرده و به صنعتی سرمایهبر تبدیل شده است.
اما نکته مارکسی دقیقاً همینجاست: سرمایهای که این زیرساخت را میسازد، در ظاهر متعلق به شرکتهای خصوصی است، ولی در واقع از شبکهای اجتماعی از منابع تشکیل شده است؛ صندوقهای بازنشستگی، سرمایهگذاران نهادی، پساندازهای عمومی، اعتبارات بانکی، قراردادهای دولتی، تحقیقات دانشگاهی و کار جمعی میلیونها تولیدکننده داده. بنابراین، تولید بهشدت اجتماعی شده است، اما مالکیت و قدرت تصمیمگیری همچنان خصوصی و متمرکز باقی میماند.
۲. اعتبار، آیندهفروشی و سرمایه موهوم
مارکس نظام اعتباری را از یک سو ابزاری برای شتاببخشیدن به تولید و از سوی دیگر پایهای برای سفتهبازی میداند. اعتبار فاصله میان امکانات واقعی تولید و ادعاهای مالی درباره آینده را گسترش میدهد. سهام، اوراق، ارزشگذاریهای استارتاپی و وعدههای درآمدی، ممکن است پیش از آنکه ارزش مصرفی و سود واقعی ایجاد شده باشد، بهصورت دارایی مالی خریدوفروش شوند.
در صنعت هوش مصنوعی، بخش مهمی از ارزشگذاریها بر انتظارات آینده استوار است. شرکتها نه فقط محصول کنونی خود، بلکه امکان دستیابی به هوش عمومی مصنوعی، اتوماسیون فراگیر، کاهش عظیم هزینه نیروی کار و تسلط بر بازارهای آینده را میفروشند. سرمایهگذار امروز پول میپردازد تا سهمی از درآمدی را به دست آورد که ممکن است سالها بعد ایجاد شود یا هرگز تحقق نیابد.
این منطق در استارتاپهایی دیده میشود که درآمد محدود، هزینه محاسباتی بالا و مدل کسبوکار نامطمئن دارند، اما بر اساس دسترسی به مدل، تیم پژوهشی یا قراردادهای ابری، ارزشگذاریهای چندمیلیارددلاری دریافت میکنند. در بسیاری از این شرکتها، هزینه ارائه هر خدمت هوش مصنوعی، بهویژه در مدلهای پیچیده، همچنان قابلتوجه است و رشد تعداد کاربران الزاماً به رشد سود منجر نمیشود. اگر هر درخواست کاربر هزینه استنتاج بالایی داشته باشد و قیمت اشتراک برای جذب مشتری پایین نگه داشته شود، رشد مصرف میتواند همزمان درآمد و زیان را افزایش دهد.
از این رو، تمایز میان «ارزش واقعی فناوری» و «ارزش مالی انتظارات» ضروری است. یک مدل ممکن است از نظر علمی و اجتماعی بسیار مهم باشد، اما شرکت مالک آن نتواند مدل سودآوری پایداری پیدا کند. برعکس، یک شرکت ممکن است با تبلیغات، قراردادهای متقابل و عرضه محدود سهام، ارزش بازار خود را بالا ببرد، بیآنکه هنوز بازده اقتصادی متناسبی ایجاد کرده باشد. این همان حوزهای است که مفهوم «سرمایه موهوم» مارکس برای تحلیل آن سودمند است.
۳. وعدههای بهرهوری و فاصله میان آزمایش و اقتصاد کلان
یکی از مهمترین پایههای رونق سرمایهگذاری در هوش مصنوعی، وعده افزایش عظیم بهرهوری است. گزارشهای مؤسسات مالی و مشاورهای برآورد کردهاند که هوش مصنوعی مولد میتواند طی سالهای آینده تریلیونها دلار به اقتصاد جهانی بیفزاید. این مطالعات لزوماً بیارزش یا ساختگی نیستند؛ بسیاری بر سناریوهای مشخص و فرضهای قابلبررسی استوارند. اما مشکل زمانی ایجاد میشود که سناریوی بالقوه بهعنوان نتیجهای قطعی و نزدیک ارائه شود.
شواهد تجربی تصویر پیچیدهتری نشان میدهند. هوش مصنوعی در برخی وظایف، مانند تهیه پیشنویس، خلاصهسازی، برنامهنویسی، خدمات مشتری و تحلیل اسناد، میتواند سرعت کار را افزایش دهد. در عین حال، میزان بهرهوری به کیفیت داده، نوع کار، مهارت کاربر، امکان راستیآزمایی و طراحی سازمانی بستگی دارد. پژوهشهای جدید نشان میدهند که حتی مدلهای بسیار پیشرفته در کارهای تخصصی حقوقی، پزشکی، مشاوره و بانکداری هنوز فاصله معناداری با کارشناسان انسانی دارند. همچنین بهرهوری میان کاربران یکسان توزیع نمیشود؛ کسانی که توانایی طرح پرسش، ارزیابی و اصلاح خروجی را دارند، سود بیشتری میبرند، در حالی که کاربران کمتجربه ممکن است با خطا، توهمزایی و اعتماد بیش از حد مواجه شوند.
بنابراین، افزایش توانایی مدلها بهطور خودکار به «انفجار تولید ناخالص داخلی» تبدیل نمیشود. برای تحقق بهرهوری کلان، سازمانها باید فرایندهای کاری، آموزش، مسئولیت حقوقی، امنیت داده و تقسیم کار را بازطراحی کنند. این فرایند زمانبر و پرهزینه است. تاریخ برق و رایانه نیز نشان میدهد که میان اختراع فناوری و ظهور کامل آثار بهرهوری آن معمولاً فاصله وجود دارد.
۴. محدودیتهای مادی: برق، آب، تراشه و زمین
روایت رایج هوش مصنوعی گاه آن را فناوریای تقریباً نامادی معرفی میکند، اما زیرساخت آن بهشدت مادی است. مراکز داده مصرف برق و آب بالایی دارند و به شبکههای انتقال، نیروگاهها و تجهیزات خنککننده وابستهاند. پژوهشهای جدید درباره تقاضای انرژی نشان میدهد که تمرکز جغرافیایی مراکز داده میتواند در مناطقی مانند ویرجینیا، اورگن و ایرلند فشار جدی بر شبکه برق وارد کند.
در ایالات متحده، رشد تقاضای برق مراکز داده به مسئلهای سیاسی تبدیل شده است. در سال ۲۰۲۶، دولت و شرکتهای بزرگ فناوری توافقهایی را مطرح کردند که بر اساس آن شرکتها باید بخشی از هزینه تولید و انتقال برق موردنیاز مراکز داده را خود تأمین کنند تا این هزینه مستقیماً به مصرفکنندگان عادی منتقل نشود. خودِ ضرورت چنین توافقی نشان میدهد که توسعه هوش مصنوعی صرفاً تصمیم خصوصی یک شرکت نیست؛ آثار آن بر زیرساخت عمومی، قیمت برق، محیط زیست و برنامهریزی منطقهای تحمیل میشود.
کمبود تراشههای پیشرفته نیز نمونه دیگری است. تولید این تراشهها به زنجیرهای جهانی شامل طراحی در آمریکا، ماشینآلات لیتوگرافی در اروپا، ساخت در شرق آسیا و مواد اولیه از کشورهای مختلف وابسته است. دولتها از طریق یارانه، محدودیت صادرات، قراردادهای دفاعی و سیاست صنعتی در این زنجیره مداخله میکنند. بنابراین، ادعای اینکه بازار خصوصی بهتنهایی صنعت هوش مصنوعی را ساخته است، با واقعیت سازگار نیست.
۵. انحصار و وابستگی متقابل غولهای فناوری
مارکس تأکید میکند که شرکتهای سهامی همزمان با گسترش مقیاس تولید، زمینه انحصار و ضرورت دخالت دولت را پدید میآورند. صنعت هوش مصنوعی امروز ساختاری لایهای و متمرکز دارد. در لایه تراشه، تعداد محدودی شرکت بر طراحی و تولید پردازندههای پیشرفته مسلطاند. در لایه ابر، آمازون، مایکروسافت و گوگل بخش بزرگی از زیرساخت را کنترل میکنند. در لایه مدلهای مرزی نیز تعداد کمی شرکت توان تأمین هزینه آموزش و استقرار در مقیاس جهانی را دارند.
این تمرکز فقط نتیجه برتری فنی نیست؛ اثر شبکهای و هزینه ورود نیز نقش دارد. شرکتی که مشتریان ابری بیشتر دارد، داده و درآمد بیشتری برای توسعه مدل جمع میکند. شرکتی که مدل قویتری دارد، مشتریان بیشتری به ابر خود جذب میکند. قراردادهای انحصاری تراشه، سرمایهگذاری متقابل و مشارکتهای ابری این چرخه را تقویت میکنند.
برای مثال، سرمایهگذاری شرکتهای ابری در آزمایشگاههای هوش مصنوعی اغلب همراه با تعهد استفاده از همان زیرساخت ابری است. در ظاهر، سرمایهای به استارتاپ تزریق میشود؛ اما بخشی از آن به شکل خرید خدمات محاسباتی به شرکت سرمایهگذار بازمیگردد. این رابطه میتواند درآمد اسمی و ارزشگذاری را افزایش دهد، اما همزمان وابستگی ساختاری استارتاپ را عمیقتر کند. از منظر مارکسی، این نوع گردش سرمایه نمونهای از درهمتنیدگی سرمایه صنعتی، مالی و انحصاری است.
۶. آیا حباب هوش مصنوعی در حال فروپاشی است؟
برای حفظ دقت تحلیلی باید میان «وجود عناصر حبابی» و «اثبات فروپاشی محتوم» تفاوت گذاشت. صنعت هوش مصنوعی همزمان دارای ظرفیتهای واقعی و ارزشگذاریهای اغراقآمیز است. رشد درآمد خدمات ابری، کاربردهای عملی در برنامهنویسی، پزشکی، آموزش و پژوهش، و افزایش تقاضا برای محاسبات نشان میدهد که با پدیدهای صرفاً خیالی روبهرو نیستیم. در مقابل، هزینههای سرمایهای عظیم، نبود شفافیت درباره بازده برخی پروژهها، ارزشگذاریهای بالا و وعدههای مبهم AGI نشان میدهد که بخشهایی از بازار میتوانند شکل حبابی داشته باشند.
بنابراین، محتملتر است که بحران نه به معنای ناپدیدشدن هوش مصنوعی، بلکه به شکل تصفیه سرمایه، ورشکستگی یا ادغام استارتاپهای ضعیف، کاهش ارزشگذاریها و تمرکز بیشتر بازار رخ دهد. تجربه حباب داتکام آموزنده است: بسیاری از شرکتها نابود شدند، اما اینترنت از میان نرفت؛ برعکس، زیرساخت باقی ماند و قدرت در دست تعداد کمتری از شرکتها متمرکز شد. در هوش مصنوعی نیز ممکن است ترکیدن بخشی از حباب، به جای پایان فناوری، انحصار را تقویت کند.
۷. دولت؛ ناظر بیرونی یا شریک در انباشت؟
در روایت بازار آزاد، دولت معمولاً مزاحم یا تنظیمگر بیرونی معرفی میشود. اما تاریخ صنعت هوش مصنوعی نشان میدهد که دولت از ابتدا بخشی از فرایند انباشت بوده است: بودجه پژوهش دانشگاهی، اینترنت، نیمهرساناها، قراردادهای دفاعی، یارانههای انرژی، آموزش نیروی انسانی و حفاظت حقوقی از مالکیت فکری همگی نقش داشتهاند.
در مرحله بحران نیز دولت میتواند به چند شکل وارد شود: تأمین زیرساخت برق، تضمین قراردادها، خرید خدمات هوش مصنوعی، حمایت از تولید تراشه، محدود کردن رقبا و تنظیم مقرراتی که هزینه رعایت آن فقط برای شرکتهای بزرگ قابلتحمل باشد. چنین مقرراتی ممکن است به نام ایمنی تصویب شوند، اما در عمل سد ورود برای شرکتهای کوچک ایجاد کنند. به این ترتیب، دولت نه صرفاً نجاتدهنده سرمایه شکستخورده، بلکه سازماندهنده شرایط عمومی انباشت سرمایه است.
۸. از نقد جبرگرایانه تا تحلیل تناقض
متن مارکس امکان نقد رادیکال سرمایهداری را فراهم میکند، اما استفاده دقیق از آن نیازمند پرهیز از جبرگرایی است. مارکس از تناقضها، گرایشها و بحرانها سخن میگوید، نه از جدول زمانی قطعی فروپاشی. سرمایهداری بارها توانسته است از طریق نابودی سرمایههای ضعیف، مداخله دولت، گسترش بازارهای جدید، کاهش هزینهها و بازسازماندهی کار، بحرانهای خود را پشت سر بگذارد.
از این رو، بحران هوش مصنوعی به خودی خود به نظمی عادلانهتر منجر نمیشود. حتی ممکن است نتیجه آن تمرکز بیشتر مالکیت، اخراج نیروی کار، کاهش دستمزدها و گسترش نظارت باشد. گذار اجتماعی نیازمند نهاد، سازمانیابی، آگاهی عمومی و طرح جایگزین است. فناوری فقط امکان مادی را فراهم میکند؛ جهت تاریخی آن را مناسبات اجتماعی تعیین میکنند.
۹. مقایسه مستقیم مارکس و یانیس واروفاکیس: از سرمایه اجتماعی تا سرمایه ابری
میان تحلیل مارکس از شرکتهای سهامی و نظریه «تکنوفئودالیسم» یانیس واروفاکیس پیوندی واقعی وجود دارد، اما این دو نظریه یک چیز نمیگویند. مارکس در جلد سوم «سرمایه» نشان میدهد که شرکت سهامی، سرمایه خصوصی را به شکلی اجتماعی درمیآورد: منابع هزاران و میلیونها نفر گردآوری میشود، تولید در مقیاسی عظیم سازمان مییابد و مدیران بر سرمایهای فرمان میرانند که الزاماً مالک شخصی آن نیستند. با وجود این، منطق بنیادین همچنان منطق سرمایهداری است: تولید کالا، رقابت، سود، اعتبار و انباشت سرمایه.
واروفاکیس یک گام فراتر میرود و استدلال میکند که در اقتصاد پلتفرمی، شکل تازهای از سرمایه پدید آمده است که آن را «سرمایه ابری» مینامد. منظور او فقط سرورها و مراکز داده نیست، بلکه شبکهای از الگوریتمها، حسابهای کاربری، دادههای رفتاری، زیرساخت ابری و سامانههای توصیهگر است که میتواند رفتار انسان را جهت دهد، خواستهها را شکل دهد و دسترسی به بازار را کنترل کند. از نگاه او، آمازون، اپاستور اپل یا پلتفرمهای تبلیغاتی صرفاً بازار نیستند؛ قلمروهای خصوصیای هستند که مالک پلتفرم قواعد ورود، دیدهشدن، قیمتگذاری، رتبهبندی و دسترسی به مشتری را تعیین میکند.
تفاوت اصلی در مفهوم درآمد است. در تحلیل مارکس، سود از فرایند تولید و استثمار نیروی کار ناشی میشود، هرچند بهره، سود بازرگانی و رانت نیز سهمهایی از ارزش اضافی را تصاحب میکنند. واروفاکیس میگوید در پلتفرمهای بزرگ، «اجاره ابری» اهمیت مرکزی یافته است: تولیدکننده، فروشنده، توسعهدهنده نرمافزار یا حتی مصرفکننده برای حضور در قلمرو دیجیتال باید بخشی از درآمد، داده یا توجه خود را به مالک پلتفرم واگذار کند. کمیسیون فروش در اپاستورها، هزینه تبلیغ برای دیدهشدن در آمازون، وابستگی کسبوکارها به رتبهبندی گوگل و اجبار استارتاپهای هوش مصنوعی به خرید ظرفیت ابری نمونههایی از این رابطهاند.
با این همه، نظریه واروفاکیس نباید جایگزین کامل تحلیل مارکس تلقی شود. شرکتهای بزرگ فناوری هنوز کار مزدی استخدام میکنند، کالا و خدمات میفروشند، در بازار سهام ارزشگذاری میشوند، برای سود رقابت میکنند و از زنجیرههای تولید جهانی تراشه، انرژی، ساختمان و نیروی کار استفاده میکنند. بنابراین میتوان گفت «سرمایه ابری» نه لزوماً پایان سرمایهداری، بلکه شکل بسیار متمرکز، مالیشده و پلتفرمی آن است؛ شکلی که در آن سود صنعتی، رانت انحصاری، درآمد مالی و قدرت فرماندهی الگوریتمی درهم آمیختهاند.
۱۰. مارکس، واروفاکیس و دارون عجماوغلو: سه سطح متفاوت تحلیل
مارکس بر ساختار مالکیت و تناقض میان اجتماعیشدن تولید و تصاحب خصوصی تمرکز میکند. واروفاکیس بر تغییر شکل قدرت در پلتفرمها، استخراج اجاره و فرمانروایی الگوریتمی تأکید دارد. دارون عجماوغلو، از زاویه اقتصاد نهادی و بازار کار، درباره این پرسش تحقیق میکند که چه نوع هوش مصنوعی توسعه مییابد، کدام وظایف را خودکار میکند و منافع بهرهوری چگونه توزیع میشوند.
عجماوغلو نسبت به وعدههای انفجار سریع تولید ناخالص داخلی محتاط است. برآورد او این است که آثار کلان هوش مصنوعی در یک دهه میتواند واقعی اما بسیار محدودتر از تبلیغات رایج باشد، زیرا فقط بخشی از وظایف اقتصادی واقعاً در معرض اتوماسیون سودمند قرار میگیرند و بسیاری از کارهای پیچیده به دانش زمینهای، قضاوت انسانی و امکان راستیآزمایی نیاز دارند. این دیدگاه، نقد مارکسی سرمایه موهوم را تکمیل میکند: اگر بازار بر اساس جهشهای بسیار بزرگ بهرهوری ارزشگذاری شود، اما دستاورد واقعی آهستهتر و محدودتر باشد، فاصله میان ارزش مالی و ارزش تولید شده افزایش مییابد.
عجماوغلو همچنین میان «هوش مصنوعی یاریدهنده» و «هوش مصنوعی جایگزینکننده» تفاوت میگذارد. فناوری میتواند توان کارگر، پزشک، معلم یا مهندس را افزایش دهد؛ یا صرفاً برای کاهش نیروی انسانی، شکستن قدرت چانهزنی و حذف مشاغل طراحی شود. از این منظر، مسئله فقط سطح پیشرفت فناوری نیست، بلکه جهت سرمایهگذاری و ساختار انگیزههاست. شرکتی که سود کوتاهمدت را از کاهش هزینه دستمزد میگیرد، ممکن است به اتوماسیون متوسط اما اخراجمحور بیشتر از فناوریای علاقهمند باشد که توانایی و استقلال نیروی کار را افزایش میدهد.
ترکیب این سه دیدگاه چارچوبی قویتر میسازد: مارکس توضیح میدهد چرا تولید اجتماعی با مالکیت متمرکز وارد تناقض میشود؛ واروفاکیس نشان میدهد چگونه پلتفرمها به قلمروهای خصوصیِ استخراج اجاره و کنترل رفتار تبدیل میشوند؛ و عجماوغلو روشن میکند که انتخاب نوع فناوری چگونه بر بهرهوری، دستمزد، نابرابری و کیفیت کار اثر میگذارد.
۱۱. سه حباب تاریخی: راهآهن، داتکام و هوش مصنوعی
مقایسه حباب هوش مصنوعی با راهآهن قرن نوزدهم و داتکام پایان قرن بیستم برای فهم ماهیت بحران ضروری است. در هر سه مورد، فناوری پایه واقعی و تحولآفرین بود؛ اما اعتبار، تبلیغات و رقابت سرمایهگذاران ظرفیت آینده را به درآمد قطعی و فوری تبدیل کردند.
در رونق راهآهن، شرکتها با فروش سهام و اوراق، سرمایه عظیمی برای خطوطی گرد آوردند که برخی از آنها تقاضای کافی نداشتند یا با هزینههایی بسیار بالاتر از برآورد ساخته شدند. سقوط ارزش سهام به ورشکستگی گسترده انجامید، اما ریلها و ایستگاهها باقی ماندند و بعدها زیربنای توسعه صنعتی شدند. بحران، فناوری را نابود نکرد؛ مالکیت را بازآرایی و صنعت را متمرکزتر کرد.
در حباب داتکام نیز داشتن نام اینترنتی، رشد کاربر و وعده تسلط بر بازار گاه مهمتر از درآمد و سود واقعی بود. بسیاری از شرکتها پس از سال ۲۰۰۰ از میان رفتند، اما فیبرهای نوری، مراکز داده، نرمافزارها و فرهنگ استفاده از اینترنت باقی ماندند. شرکتهایی که نقدینگی، زیرساخت و قدرت شبکهای داشتند، پس از بحران مسلطتر شدند.
هوش مصنوعی نیز میتواند همین الگو را تکرار کند. حتی اگر ارزشگذاری بسیاری از استارتاپها کاهش یابد، مراکز داده، تراشهها، مدلها و نیروی انسانی متخصص از بین نمیروند. آنها ممکن است با قیمت پایینتر به تملک غولهای بزرگ درآیند. بنابراین ترکیدن حباب میتواند نه به دموکراتیکشدن فناوری، بلکه به تمرکز شدیدتر مالکیت منجر شود. بحران مالی، در غیاب سیاست عمومی و سازمانیابی اجتماعی، اغلب قدرت سرمایههای بزرگتر را افزایش میدهد.
۱۲. مطالعات موردی: انویدیا، مایکروسافت و OpenAI، آمازون و متا
انویدیا نمونه روشن تبدیل یک گلوگاه فنی به رانت انحصاری است. معماری پردازندهها، نرمافزار CUDA، شبکه توسعهدهندگان و محدودیت ظرفیت تولید باعث شدهاند که خریداران تنها یک تراشه نخرند، بلکه وارد اکوسیستمی شوند که خروج از آن پرهزینه است. اینجا سود تولیدی با رانت ناشی از استاندارد فنی و کمیابی درهم میآمیزد.
رابطه مایکروسافت و OpenAI نمونه درهمتنیدگی سرمایه مالی، صنعتی و ابری است. سرمایهگذاری در آزمایشگاه مدلسازی با تعهد استفاده از زیرساخت Azure همراه میشود؛ بخشی از سرمایه تزریقشده در قالب خرید محاسبات به سرمایهگذار بازمیگردد. در عین حال مایکروسافت مدلها را در محصولات خود ادغام میکند و از رشد تقاضا برای ابر، نرمافزار و اشتراک بهره میبرد. این رابطه نشان میدهد که سرمایهگذاری، فروش زیرساخت و کنترل کانال توزیع میتوانند در یک مجموعه واحد ادغام شوند.
آمازون از طریق AWS، بازار آنلاین، تبلیغات و شبکه لجستیکی چند نوع قدرت را ترکیب میکند. فروشنده برای دسترسی به مشتری، انبار، ارسال، تبلیغ و رتبهبندی به زیرساخت آمازون وابسته میشود. ورود هوش مصنوعی به این ساختار میتواند قدرت پیشبینی تقاضا، قیمتگذاری، نظارت بر کارگران و هدایت انتخاب مصرفکنندگان را افزایش دهد. این همان جایی است که مفهوم «سرمایه ابری» واروفاکیس بیشترین قدرت توضیحی را دارد.
متا نمونهای متفاوت است. این شرکت ابر عمومی بزرگی مانند AWS یا Azure ندارد، اما از هوش مصنوعی برای بهینهسازی تبلیغات، افزایش زمان حضور کاربران و پیشبینی رفتار استفاده میکند. داده و توجه کاربران ماده خام اصلیاند. کاربران محتوایی تولید میکنند که ارزش شبکه را بالا میبرد، در حالی که مالکیت داده، مدل و درآمد تبلیغاتی خصوصی باقی میماند. این وضعیت نمونه روشن کار اجتماعیِ بدون دستمزد در بازتولید سرمایه پلتفرمی است.
۱۳. آیا «تکنوفئودالیسم» نام مناسبی است؟
استفاده از اصطلاح تکنوفئودالیسم یک مزیت و یک خطر دارد. مزیت آن این است که توجه را به فرمانروایی خصوصی، وابستگی، اجاره و نبود آزادی واقعی در قلمروهای پلتفرمی جلب میکند. فروشندهای که تمام مشتریانش در یک پلتفرماند، توسعهدهندهای که برای توزیع برنامه ناچار به پذیرش قواعد یک اپاستور است، یا استارتاپی که بدون ابر و تراشه شرکتهای بزرگ نمیتواند فعالیت کند، از نظر حقوقی مستقل اما از نظر اقتصادی وابسته است.
خطر اصطلاح آن است که استمرار روابط سرمایهداری را پنهان کند. فئودالیسم تاریخی بر مالکیت زمین، اجبارهای حقوقی و روابط شخصی تابعیت استوار بود، در حالی که اقتصاد دیجیتال همچنان بر کار مزدی، تولید کالا، رقابت جهانی و بازار مالی تکیه دارد. بنابراین شاید دقیقتر باشد از «سرمایهداری پلتفرمیِ رانتی»، «سرمایهداری ابری» یا «سرمایهداری انحصاری الگوریتمی» سخن گفته شود. با این حال، استعاره تکنوفئودالیسم برای نشاندادن کیفیت تازه قدرت دیجیتال مفید است، به شرط آنکه جایگزین تحلیل روابط تولید نشود.
۱۴. نتیجه نظری: هوش مصنوعی بهمثابه میدان نزاع بر سر مالکیت و جهت فناوری
جمعبندی مقایسه مارکس، واروفاکیس و اقتصاددانان معاصر این است که فناوری به خودی خود نظام اجتماعی تازهای ایجاد نمیکند. هوش مصنوعی مجموعهای از ظرفیتهای مادی است که درون نهادهای موجود شکل میگیرد. اگر مالکیت، اعتبار، بازار سرمایه و انحصار بدون تغییر باقی بمانند، افزایش بهرهوری میتواند به تمرکز ثروت، کاهش قدرت نیروی کار، گسترش نظارت و استخراج اجاره منجر شود. اگر نهادهای عمومی، تعاونی، دانشگاهی و مدنی بتوانند بر داده، زیرساخت و جهت توسعه فناوری اثر بگذارند، همان ظرفیتها میتوانند زمان کار اجباری را کاهش دهند، آموزش و درمان را گسترش دهند و تصمیمگیری عمومی را آگاهانهتر کنند.
بنابراین پرسش تعیینکننده این نیست که هوش مصنوعی «سرمایهداری را نابود میکند» یا «همه را ثروتمند میسازد». پرسش این است که چه کسی مالک ابزارهای شناخت است، چه کسی اهداف آنها را تعیین میکند، چه کسی خطرها و هزینهها را میپردازد و چه کسانی در منافع آن شریک میشوند.
پیوند با کتاب «نظم اجتماعی در عصر آگاهی»
این تحلیل مستقیماً با تز مرکزی کتاب «نظم اجتماعی در عصر آگاهی» پیوند دارد: تضاد میان تولید اجتماعی و مالکیت خصوصی در عصر هوش مصنوعی به سطحی تازه رسیده است. مدلهای هوش مصنوعی بر میراث مشترک زبان، علم، فرهنگ و دادههای میلیاردها انسان استوارند؛ زیرساخت آنها با سرمایه، دانش و منابع عمومی ساخته میشود؛ و آثار آنها بر کار، آموزش، انرژی و دموکراسی کل جامعه را دربرمیگیرد. با این حال، مالکیت مدلها، دادهها و ظرفیت محاسباتی در دست گروه کوچکی باقی مانده است.
این وضعیت نشان میدهد که مسئله فقط «تنظیم فناوری» نیست، بلکه بازاندیشی در مالکیت، مشارکت در قدرت و توزیع منافع است. نظم اجتماعی مبتنی بر آگاهی باید میان نوآوری و مالکیت اجتماعی، میان تخصص و نظارت دموکراتیک، و میان بهرهوری و کرامت انسانی رابطهای تازه برقرار کند. در چنین نظمی، داده و شناخت نباید صرفاً مواد خام رایگان برای انباشت خصوصی باشند؛ شهروندانی که در تولید آنها مشارکت دارند باید در تصمیمگیری، مالکیت و منافع نیز سهم داشته باشند.
هوش مصنوعی از این منظر نه گورکن خودکار سرمایهداری و نه نجاتدهنده خودکار بشریت است. این فناوری میدان تازهای از مبارزه اجتماعی است. میتواند ابزار تمرکز بیسابقه قدرت باشد، یا زیرساختی برای برنامهریزی شفاف، کاهش کار اجباری، گسترش آموزش و مشارکت مستقیم شهروندان. تعیین این مسیر به بلوغ اجتماعی، آزادی، سازمانیابی و توان جامعه برای تبدیل تولید اجتماعی شناخت به مشارکت اجتماعی در قدرت بستگی دارد.
منابع پایه برای ادامه پژوهش
کارل مارکس، سرمایه، جلد سوم، فصل ۲۷: نقش اعتبار در تولید سرمایهداری.
کارل مارکس، سرمایه، جلد سوم، فصل ۳۶: مناسبات پیشاسرمایهداری و نظام اعتباری.
گزارشهای رسمی روابط سرمایهگذاران مایکروسافت، آمازون، آلفابت و متا درباره هزینههای سرمایهای و زیرساخت هوش مصنوعی.
Goldman Sachs Research، گزارشهای مربوط به هوش مصنوعی، بهرهوری و رشد اقتصادی.
پژوهشهای جدید درباره فشار مراکز داده هوش مصنوعی بر شبکههای برق و مصرف انرژی.
مطالعات سنجش توانایی مدلهای مرزی در وظایف اقتصادی و تخصصی.
یانیس واروفاکیس، Technofeudalism: What Killed Capitalism و نوشتههای تکمیلی او درباره سرمایه ابری، اجاره ابری و Techlordism.
دارون عجماوغلو، The Simple Macroeconomics of AI، مقاله کاری NBER شماره ۳۲۴۸۷.
دارون عجماوغلو و پاسکوال رسترپو، پژوهشهای مربوط به اتوماسیون، دستمزد، نابرابری و جهت فناوری.
گزارشهای رسمی مالی و تماسهای سرمایهگذاران مایکروسافت درباره هزینه سرمایهای، ظرفیت پردازشی و درآمدهای ابری و هوش مصنوعی.
مطالعات تاریخی درباره حباب راهآهن بریتانیا و حباب شرکتهای اینترنتی سالهای ۱۹۹۵ تا ۲۰۰۱.
پیوندهای مستقیم منابع
۱. کارل مارکس، سرمایه، جلد سوم، فصل ۲۷، «نقش اعتبار در تولید سرمایهداری»:
https://www.marxists.org/archive/marx/works/1894-c3/ch27.htm
۲. یانیس واروفاکیس، گفتوگو درباره «تکنوفئودالیسم» و سرمایه ابری:
Q&A on Technofeudalism – interviewed by Lorenzo Tecleme for valori.it
۳. یانیس واروفاکیس، گفتوگو درباره تکنوفئودالیسم و سرمایه ابری در استنفورد:
Technofeudalism and Cloud Capital – a conversation hosted by Stanford in Government
۴. دارون عجماوغلو، The Simple Macroeconomics of AI، مقاله کاری NBER شماره ۳۲۴۸۷:
https://www.nber.org/papers/w32487
۵. اریک برینیولفسون و دانیل لی، The Economics of Generative AI، گزارش NBER:
https://www.nber.org/reporter/2024number1/economics-generative-ai
۶. مایکروسافت، گزارش رسمی مالی سهماهه سوم سال مالی ۲۰۲۶:
https://www.microsoft.com/en-us/investor/earnings/FY-2026-Q3/press-release-webcast
۷. مایکروسافت، جزئیات عملکرد بخش Intelligent Cloud و هزینههای زیرساخت هوش مصنوعی:
https://www.microsoft.com/en-us/Investor/earnings/FY-2026-Q3/intelligent-cloud-performance
۸. مایکروسافت، متن تماس مالی سهماهه سوم سال مالی ۲۰۲۶ و اطلاعات هزینه سرمایهای:
https://www.microsoft.com/en-us/investor/events/fy-2026/earnings-fy-2026-q3
هنوز نظری ثبت نشده است. شما اولین نظر را بنویسید.