چرا غول‌های فناوری از دیتاسنترها دست نمی‌کشند؟ پشت پرده جنگ میلیاردی هوش مصنوعی

با اختصاص بیش از 725 میلیارد دلار بودجه توسط 4 غول تکنولوژی (گوگل، متا، مایکروسافت و آمازون) در نیمه اول سال 2026، جهان وارد فاز جدیدی از توسعه زیرساخت هوش مصنوعی شده است. این سرمایه گذاری در دیتاسنتر برای پاسخ به عطش پایان‌ناپذیر مدل‌های زبانی بزرگ انجام می‌شود. در این مطلب به‌طور دقیق تحلیل می‌کنیم که چرا غول‌های فناوری دیتاسنتر می‌سازند و چگونه این تصمیمات مهندسی، آینده فناوری را شکل می‌دهد.

چرا دیتاسنتر به مهم‌ترین دارایی غول‌های فناوری تبدیل شده است؟

دیتاسنترها دیگر صرفاً انباری برای ذخیره اطلاعات نیستند، بلکه امروزه به کارخانه‌های تولید هوش مصنوعی تبدیل شده‌اند. شرکت‌های فناوری در سال ۲۰۲۶ برای پاسخ به رشد سریع سرویس‌های هوشمند، به‌جای تمرکز صرف بر ذخیره اطلاعات، روی ساخت دیتاسنترهای قدرتمند سرمایه‌گذاری می‌کنند. در قلب این تحول، «زیرساخت هوش مصنوعی» (AI Infrastructure) قرار دارد؛ AI Infrastructure به شبکه‌ای درهم‌تنیده از سخت‌افزارهای پردازشی و نرم‌افزار گفته می‌شود که برای مقیاس‌پذیری بالا طراحی شده است. این زیرساخت، پایه اصلی مراکز داده AI و یکی از مهم‌ترین عوامل در رقابت هوش مصنوعی میان شرکت‌های بزرگ فناوری است. به همین دلیل، پاسخ به سوال چرا غول‌های فناوری دیتاسنتر می‌سازند به یک موضوع ساده برمی‌گردد؛ هر شرکتی که بتواند قدرت پردازشی بیشتر، مقرون به‌صرفه‌تر و سریع‌تر ارائه بدهد، فرصت بیشتری برای توسعه خدمات هوش مصنوعی خواهد داشت.

انفجار تقاضا برای هوش مصنوعی (AI Infrastructure)

رشد ابزارهای هوش مصنوعی باعث شد ساخت دیتاسنتر از یک پروژه فنی به یک اولویت اقتصادی تبدیل شود. دلیل اصلی این تغییر، تفاوت میان دو مرحله مهم در چرخه هوش مصنوعی یعنی AI Training و AI Inference است.

• AI Training مرحله آموزش اولیه مدل‌ها است. در این مرحله، مدل‌های زبانی بزرگ با حجم عظیمی از داده‌ها آموزش می‌بینند و به هزاران ساعت پردازش نیاز دارند.
• در مقابل، AI Inference زمانی اتفاق می‌افتد که کاربران از یک مدل آماده استفاده می‌کنند و سیستم باید در هر لحظه به میلیون‌ها درخواست پاسخ دهد.

​در سال ۲۰۲۶، با وجود هزینه‌های زیاد آموزش اولیه، حدود ۸۰ تا ۹۰ درصد از بار عملیاتی روزانه مراکز داده بر دوش مرحله AI Inference است. برای مدیریت این حجم عظیم از درخواست‌های لحظه‌ای کاربران، پردازش موازی از طریق سرورهای گرافیکی (GPU Server) اهمیت زیادی پیدا کرده است؛ چراکه این کارت‌های گرافیک، برخلاف پردازنده‌های معمولی، توانایی انجام همزمان هزاران محاسبه پیچیده را دارند.

نقش دیتاسنتر در آموزش و اجرای مدل‌های هوش مصنوعی

برای توسعه مدل‌های زبانی بزرگ (LLM)، شرکت‌ها به هزاران GPU Server نیاز دارند که باید با سرعت بالا به یکدیگر متصل باشند. این تجهیزات در قالب Hyperscale Data Center جمع‌آوری می‌شوند تا مانند یک ابررایانه یکپارچه عمل کنند.

در این معماری، دیگر فقط تعداد سرورها مهم نیست و شبکه ارتباطی، ظرفیت ذخیره‌سازی، مصرف برق دیتاسنتر و سیستم مدیریت منابع نیز باید کاملاً هماهنگ باشند. به همین دلیل ساخت دیتاسنتر هوش مصنوعی به یک پروژه چندلایه تبدیل شده است.

چرا Google، Microsoft، Amazon و Meta سرمایه‌گذاری در دیتاسنترها را افزایش داده‌اند؟

اما چرا غول‌های فناوری دیتاسنتر می‌سازند؟ یکی از مهم‌ترین دلایل، رقابت برای تسلط بر بازار خدمات هوش مصنوعی است. گزارش‌های مالی سه‌ماهه سال ۲۰۲۶ نشان می‌دهد آمازون بودجه سرمایه‌ای خود را به حدود ۲۲۰ میلیارد دلار رسانده است؛ زیرا ظرفیت فعلی AWS تا پایان ۲۰۲۷ پاسخگوی رشد تقاضا نخواهد بود.

همزمان، Google Cloud و Azure در تلاش هستند خدمات AI Compute بیشتری به شرکت‌هایی مانند OpenAI ارائه بدهند. در طرف دیگر این میدان، شرکت متا (Meta AI) قرار دارد که فضای ابری نمی‌فروشد، اما برای توسعه مدل‌ها و محصولات هوشمند اختصاصی خود، به‌شدت تشنه زیرساخت‌های پردازشی گسترده‌تر است. این رقابت باعث شده است سرمایه‌گذاری در دیتاسنتر به یکی از بزرگ‌ترین هزینه‌های شرکت‌های فناوری تبدیل شود.

مقایسه دیتاسنتر سنتی با دیتاسنتر هوش مصنوعی؛ تفاوت در چیست؟

دیتاسنتر سنتی بر پایه CPU ساخته می‌شود و برای پردازش‌های عمومی مانند وب‌سایت، ایمیل و برنامه‌های سازمانی طراحی شده است. در مقابل، دیتاسنتر هوش مصنوعی بر پایه GPU Server، شبکه فیبر نوری پرسرعت و فناوری‌هایی مانند NVLink ساخته می‌شود.

تفاوت اصلی و فاحش این دو معماری در حجم پردازش و مصرف انرژی است. در دیتاسنترهای معمولی، مصرف برق هر رک حدود ۱۰ کیلووات است، اما رک‌هایی مانند NVIDIA GB200 NVL72 به ۱۲۰ تا ۱۳۰ کیلووات برق نیاز دارند؛ این یعنی افزایشی بیش از ۱۰ برابری در تراکم انرژی که معماری ساختمان و سیستم‌های خنک‌کننده دیتاسنترها را به‌طور کامل دگرگون کرده است.

ویژگی	دیتاسنتر سنتی	دیتاسنتر هوش مصنوعی
نوع پردازنده	CPU	NVIDIA GPU
چگالی برق رک	حدود ۱۰ کیلووات	۱۲۰ تا ۱۳۰ کیلووات
سیستم خنک‌کننده	خنک‌کننده هوا	Liquid Cooling
کاربرد	وب، ایمیل و پردازش عمومی	AI Training و AI Inference
شبکه	استاندارد	فیبر نوری پرسرعت و NVLink
معماری پردازشی	سرورهای مستقل	خوشه‌های پردازشی متصل

پشت پرده ساخت دیتاسنترهای میلیارد دلاری؛ چالش‌هایی فراتر از هوش مصنوعی

ساخت یک دیتاسنتر هوش مصنوعی، فقط به خرید تراشه‌های پردازشی خلاصه نمی‌شود. شرکت‌ها باید همزمان مشکلاتی مانند تامین برق، ساخت ساختمان، شبکه ارتباطی و خنک سازی دیتاسنتر را مدیریت کنند. در واقع، در سال ۲۰۲۶، دیگر نرم‌افزار مانع اصلی توسعه نیست، بلکه این محدودیت‌های فیزیکی دنیای واقعی هستند که به مهم‌ترین سد راه توسعه مراکز داده AI تبدیل شده‌اند.

چرا ارزش پردازنده‌های گرافیکی (GPU) از ساختمان دیتاسنتر بیشتر شده است؟

یک رک کامل NVIDIA GB200 NVL72 در سال ۲۰۲۶ بین ۲ تا ۳ میلیون دلار قیمت دارد؛ دلیل اصلی این قیمت نجومی، استفاده از تراشه‌های قدرتمند گرافیکی در دل این رک‌هاست. به همین دلیل، در بسیاری از پروژه‌های جدید، ارزش سخت‌افزارهای پردازشی داخل ساختمان از ارزش کل زمین و سازه بیشتر می‌شود. این موضوع نشان می‌دهد پردازنده‌های گرافیکی (GPU) اکنون به اصلی‌ترین دارایی فیزیکی در پروژه‌های ساخت دیتاسنتر تبدیل شده‌اند.

هزینه‌های اصلی ساخت یک دیتاسنتر AI شامل چه بخش‌هایی است؟

هزینه‌های اصلی ساخت دیتاسنتر شامل موارد زیر است:

• تامین فضا و مجوز: خرید زمین و دریافت مجوزهای قانونی ساخت؛
• زیرساخت انرژی: نصب ترانسفورماتورها و اتصال پایدار به شبکه برق محلی؛
• سخت‌افزار پردازشی: خرید GPU Server، تجهیزات شبکه و پردازنده‌های قدرتمند؛
• سیستم خنک‌سازی: پیاده‌سازی فناوری‌های کنترل دما مانند Liquid Cooling؛
• امنیت و ذخیره‌سازی: مدیریت داده‌ها، امنیت ابری و سیستم‌های بک‌آپ.

برق، خنک‌سازی و زمین؛ سه چالش بزرگ توسعه مراکز داده

​مراکز داده جدید، دیگر ساختمان‌های کوچک و معمولی نیستند؛ بسیاری از دیتاسنترهای هوش مصنوعی اکنون به پردیس‌های عظیمی با ظرفیت ۱۰۰ تا ۷۵۰ مگاوات تبدیل شده‌اند. تامین این حجم از انرژی، به یک چالش اساسی برای شبکه‌های برق محلی تبدیل شده است. به همین دلیل، شرکت‌ها همواره به‌دنبال خرید زمین‌هایی در نزدیکی منابع تولید برق پایدار هستند تا علاوه‌بر تضمین پایداری شبکه، هزینه‌های انتقال انرژی را نیز کاهش بدهند.

ازطرف‌دیگر، گرمای تولیدشده توسط GPU Server‌های جدید باعث شده روش‌های قدیمی تهویه کافی نباشند. به همین دلیل، فناوری Liquid Cooling یا خنک‌سازی مایع مستقیم از یک گزینه جانبی به یکی از استانداردهای اصلی و الزامی در ساخت دیتاسنتر تبدیل شده است.

برای ارزیابی اینکه یک دیتاسنتر تا چه حد در مدیریت مصرف برق (به‌ویژه در بخش خنک‌سازی) موفق عمل کرده است، از شاخصی به نام PUE استفاده می‌شود:

• PUE = کل انرژی مصرفی مرکز داده ÷ انرژی مصرفی تجهیزات پردازشی

هرچه این عدد به «۱» نزدیک‌تر باشد، نشان‌دهنده هدررفت کمتر انرژی است. در سال ۲۰۲۶، دیتاسنترهای پیشرفته هوش مصنوعی با اتکا به سیستم‌های خنک‌سازی مایع، در تلاش‌اند تا مقدار PUE را به حدود ۱.۲ کاهش بدهند که یک دستاورد مهندسی بزرگ محسوب می‌شود.

آینده اقتصاد دیجیتال؛ آیا سرمایه‌گذاری در دیتاسنتر بازگشت مالی دارد؟

سرمایه گذاری در دیتاسنتر هزینه بسیار بالایی دارد، اما درآمد خدمات هوش مصنوعی و Cloud Computing در حال رشد است. به ‌عنوان مثال، گزارش‌های Q2 2026 نشان داد درآمد Cloud Computing شرکت‌هایی مانند گوگل ۶۳ درصد افزایش داشته است.

بااین‌حال، تحلیلگران نسبت به فشار این هزینه‌ها بر جریان نقدینگی آزاد (Free Cash Flow) شرکت‌ها نگرانی دارند. در نهایت، بازگشت سرمایه به یک عامل کلیدی، یعنی توانایی شرکت‌ها برای فروش سرویس‌های هوش مصنوعی، رایانش ابری و AI Compute وابسته است.

آینده رقابت شرکت‌های فناوری؛ آیا برنده کسی است که دیتاسنتر بیشتری دارد؟

برخلاف تصور اولیه، برنده رقابت هوش مصنوعی فقط شرکتی نیست که دیتاسنتر بیشتری داشته باشد. در این رقابت، عامل تعیین‌کننده، «کاهش هزینه به‌ازای هر واحد پردازشی» و «توانایی یکپارچه‌سازی و اجرای بهینه‌تر نرم‌افزار روی سخت‌افزار» است. به‌عبارت دیگر، کیفیت و بازدهی زیرساخت بر کمیت آن غلبه می‌کند.

آینده رایانش ابری و اجاره ساعتی پردازنده‌ها (GPU as a Service)

رایانش ابری در حال تغییر مدل درآمدی خود است. این روزها سرویس‌هایی مانند Azure و AWS به‌جای فروش فضای ذخیره‌سازی، قدرت پردازشی ساعتی ارائه می‌کنند.

این مدل جدید که تحت عنوان GPU as a Service (GaaS) شناخته می‌شود، به شرکت‌ها اجازه می‌دهد بدون ساخت دیتاسنتر اختصاصی، از قدرت پردازشی بالا استفاده کنند. در سال ۲۰۲۶ هزینه اجاره پردازنده‌های Blackwell حدود ۴.۵۰ تا ۱۴ دلار در ساعت است. با این تغییر در مدل قیمت‌گذاری، شرکت‌ها می‌توانند بودجه پروژه‌های خود را بسیار دقیق‌تر پیش‌بینی کنند. برای مثال، برآورد مالی یک پروژه معمولاً با این فرمول محاسبه می‌شود:

• هزینه آموزش مدل هوش مصنوعی = تعداد سرورهای GPU × قیمت اجاره ساعتی × مدت زمان آموزش

این رقابت چه تاثیری بر کاربران و کسب‌وکارها خواهد داشت؟ ازیک‌سو، کاربران خدمات هوش مصنوعی سریع‌تر و دقیق‌تری دریافت می‌کنند. ازسوی‌دیگر، افزایش تقاضا برای تراشه، برق و تجهیزات باعث فشار بیشتر بر زنجیره تامین فناوری شده است. به همین دلیل، قیمت برخی تجهیزات پایه ممکن است تحت تاثیر نیاز گسترده شرکت‌های بزرگ قرار بگیرد.

با وجود رشد فضای ابری، چرا خرید سرور اختصاصی همچنان یک ضرورت است؟

با وجود توسعه Hyperscale Data Center، بسیاری از سازمان‌های مالی، شرکت‌های خصوصی و مجموعه‌هایی که روی مدل‌های زبانی بزرگ اختصاصی کار می‌کنند، به دلیل امنیت و حریم خصوصی نمی‌توانند به سرورهای اشتراکی وابسته باشند. بنابراین خرید سرور اختصاصی برای سازمان‌هایی که به کنترل داده، منابع پردازشی ایزوله و معماری پایدار نیاز دارند، می‌تواند گزینه مناسب‌تری نسبت به پرداخت هزینه‌های ساعتی و سنگین فضای ابری باشد.

سخن پایانی؛ دیتاسنترها زیرساخت اقتصاد هوش مصنوعی هستند

​در نهایت، اگر بخواهیم به سوال اصلی یعنی «چرا غول‌های فناوری دیتاسنتر می‌سازند؟» پاسخ بدهیم، همه‌چیز در یک جمله خلاصه می‌شود: در سال ۲۰۲۶، ساخت دیتاسنترهای پردازشی، مسیر اصلی توسعه خدمات هوش مصنوعی است. سرمایه گذاری در دیتاسنتر، مدیریت مصرف برق دیتاسنتر و توسعه زیرساخت هوش مصنوعی مشخص می‌کند کدام شرکت‌ها سهم بیشتری از اقتصاد دیجیتال آینده خواهند داشت. انتخاب میان فضای ابری و سرور اختصاصی نیز به نیاز امنیتی و حجم پردازش هر کسب‌وکار بستگی دارد.