وقتی گوگل به متا گفت «نه»: ماجرای بحران ظرفیت Gemini که صنعت AI را تکان داد

در دنیای هوش مصنوعی که هر روز شاهد رقابت‌های تازه‌ای هستیم، خبری منتشر شد که نشان می‌دهد حتی غول‌های فناوری هم با محدودیت‌های فیزیکی روبه‌رو هستند. گوگل به متا گفته که نمی‌تواند تمام ظرفیت Gemini AI که درخواست کرده را تأمین کند. این ماجرا فقط یک اختلاف تجاری ساده نیست؛ بلکه نشانه‌ای از بحران عمیق‌تر در زیرساخت هوش مصنوعی جهانی است.

ماجرا از کجا شروع شد؟ تصمیمی که متا را شوکه کرد

طبق گزارش Financial Times که در ۲۹ ژوئن ۲۰۲۶ منتشر شد، گوگل در حدود مارس امسال به متا اعلام کرد که نمی‌تواند تمام ظرفیت محاسباتی Gemini AI را که متا درخواست کرده، تأمین کند. این تصمیم برای هر دو طرف سخت بود: گوگل یکی از بزرگ‌ترین مشتریان خود را ناامید کرد، و متا مجبور شد استراتژی AI خود را از صفر بازنگری کند.

متا که از اوت ۲۰۲۵ قرارداد حداقل ۱۰ میلیارد دلاری و شش‌ساله برای سرورها و ذخیره‌سازی Google Cloud امضا کرده بود، انتظار داشت که بتواند به راحتی از مدل‌های Gemini برای کارهای داخلی خود استفاده کند. اما واقعیت تلخ‌تر از آن بود که در بورد ریوم متا تصور می‌شد.

چرا متا به Gemini نیاز داشت؟

متا در ابتدا برای سه دلیل اصلی به Gemini متکی بود. این استفاده گسترده نشان می‌دهد که چرا محدودیت ناگهانی گوگل ضربه سنگینی به عملیات روزانه متا وارد کرد:

۱. ایمن‌سازی محتوا: حذف خودکار محتوای مضر از فیسبوک، اینستاگرام و واتس‌اپ. این سیستم‌ها روزانه میلیون‌ها پست و تصویر را اسکن می‌کنند.

۲. شناسایی کلاه‌برداری: تشخیص و پاکسازی اسکم‌ها، فیشینگ و حساب‌های جعلی. با توجه به حجم بالای تلاش‌های کلاه‌برداری، این یک کار ۲۴/۷ است.

۳. ابزارهای توسعه داخلی: کمک به کدنویسی، چت‌بات‌های سازمانی و اتوماسیون فرآیندها برای هزاران مهندس متا.

دلیل ترجیح Gemini بر Llama (مدل اوپن‌سورس خود متا) ساده بود: Gemini در کارهای عملی صنعتی بهتر عمل می‌کرد. این اعتراف ضمنی از سوی متا نشان می‌داد که مدل‌های Llama، علی‌رغم اوپن‌سورس بودن و هزینه صفر، هنوز برای کاربردهای سنگین به اندازه کافی بالغ نبودند.

بحران ظرفیت محاسباتی: مشکلی که همه را درگیر کرده

این ماجرا نشانه یک مشکل بزرگ‌تر است که تمام صنعت فناوری با آن دست و پنجه نرم می‌کند. تقاضا برای GPU (پردازنده‌های گرافیکی) و TPU (واحدهای پردازش تنسور) به‌قدری زیاد شده که حتی گوگل با تمام امکانات و زیرساختش نمی‌تواند همه درخواست‌ها را پاسخ دهد.

صنعت هوش مصنوعی به یک دلیل ساده با بحران ظرفیت روبه‌رو است: رشد تقاضا بسیار سریع‌تر از رشد عرضه بوده است. در سال ۲۰۲۴، شرکت‌ها فکر می‌کردند می‌توانند با خرید ابری منابع محاسباتی مسئله را حل کنند. اما در ۲۰۲۶، حتی ابرهای عمومی هم به ظرفیت خود رسیده‌اند.

پاسخ متا: ظهور Muse Spark و تغییر استراتژی

متا نشست و منتظر نماند. مارک زاکربرگ تصمیم گرفت که وابستگی به مدل‌های خارجی را به حداقل برساند و مسیر توسعه داخلی را با جدیت دنبال کند. نتیجه این تصمیم استراتژیک، Muse Spark بود - اولین مدل از خانواده جدید Muse که توسط Meta Superintelligence Labs از صفر ساخته شد.

Muse Spark نه تنها یک مدل جدید، بلکه نشانه یک تغییر بنیادین در فلسفه متا است. برخلاف Llama که کد آن کاملاً آزاد بود، Muse Spark یک دارایی اختصاصی متا است و در دسترس عموم قرار نمی‌گیرد. طراحی شده برای کارآیی بالا با مصرف کمتر - کسانی که با کمتر بیشتر می‌کنند، زنده می‌مانند. متا ادعا می‌کند Muse Spark با ده برابر کمتر محاسبه، قابلیت مشابه Llama 4 Maverick را دارد.

جالب اینجاست که Muse Spark در رتبه‌بندی جهانی جای چهارم را گرفته - بعد از Claude Opus 4.6، GPT-5.4 و Gemini 3.1 Pro، اما جلوتر از Claude Sonnet 4.6. این نشان می‌دهد متا با فشار گوگل، نه تنها مانده بلکه مدلی رقابتی ساخته است.

این ماجرا درسی سخت برای همه شرکت‌ها است: وابستگی به یک تأمین‌کننده خارجی حتی برای غول‌هایی مثل متا خطرناک است. مارک زاکربرگ یک درس گران قیمت گرفت: اگر می‌خواهی در دنیای AI بازی کنی، باید زیرساخت خودت را داشته باشی.

اما این درس فقط برای متا نیست. هر شرکتی که به مدل‌های خارجی وابسته است - حتی اگر قرارداد چند میلیارد دلاری داشته باشد - باید خطر قطع یا محدود شدن دسترسی را در نظر بگیرد. در دنیای جدید، خودکفایی AI یک انتخاب نیست، یک ضرورت است.

Muse Spark چگونه کار می‌کند؟ تکنولوژی فشرده‌سازی تفکر

متا برای رسیدن به این کارایی بالا، یک رویکرد نوآورانه به نام Thought Compression یا فشرده‌سازی تفکر را به کار گرفته است. این تکنیک در مرحله یادگیری تقویتی مدل را مجبور می‌کند که با تعداد توکن کمتری به پاسخ درست برسد.

به زبان ساده: Muse Spark یاد گرفته که سریع‌تر فکر کند بدون اینکه دقتش کم شود. این مثل این است که یک دانشجوی باهوش را آموزش دهید که به جای نوشتن ۱۰ صفحه، خلاصه‌ای موثر در ۱ صفحه بنویسد - همان کیفیت، کمتر منبع.

تأثیر بر کارمندان متا: محدودیت‌های داخلی

یکی از تأثیرات کمتر گفته شده این بحران، محدودیت‌هایی بود که بر کارمندان خود متا اعمال شد. طبق گزارشات منابع داخلی، تیم‌های مهندسی متا با سقف استفاده از ابزارهای AI روبه‌رو شدند.

این یعنی چی؟ یعنی حتی مهندسان متا - که در یکی از پیشرفته‌ترین شرکت‌های AI دنیا کار می‌کنند - نمی‌توانستند به آزادی از Gemini برای کدنویسی، دیباگ یا نوشتن مستندات استفاده کنند. سقف ماهانه برای هر مهندس اعمال شد که منجر به کاهش بهره‌وری شد.

این محدودیت‌ها باعث شد متا سریع‌تر Muse Spark را توسعه دهد. در واقع، بحران گوگل به یک فرصت برای استقلال تبدیل شد.

چرا این اتفاق برای صنعت مهم است؟

ماجرای گوگل و متا نشان‌دهنده یک تغییر بنیادین در صنعت AI است. دوران AI به عنوان سرویس در حال تمام شدن است و دوران AI به عنوان زیرساخت شروع شده. شرکت‌ها دیگر نمی‌توانند صرفاً به API‌های خارجی تکیه کنند.

واکنش صنعت: موج جدید سرمایه‌گذاری در زیرساخت

خبر محدودیت گوگل موجی از واکنش‌ها در صنعت به وجود آورد. شرکت‌های مختلف دریافتند که نمی‌توانند به ابرهای عمومی تکیه کنند و باید به دنبال راه‌حل‌های جایگزین باشند. Amazon اعلام کرد سرمایه‌گذاری روی چیپ‌های اختصاصی Trainium2 را دو برابر می‌کند. Apple شروع به توسعه دیتاسنترهای اختصاصی برای Apple Intelligence کرد. OpenAI با Microsoft توافق کرد که دسترسی انحصاری به ۱۰۰ هزار GPU H100 داشته باشد. Alibaba رونمایی از سیستم توزیع شده ۵۰۰ هزار GPU برای مدل Qwen 3 کرد.

آینده چه خواهد شد؟ پیش‌بینی تکین

با توجه به این ماجرا و روندهای کنونی، ما در تکین‌گیم پیش‌بینی می‌کنیم که طی ۱۲ تا ۱۸ ماه آینده این اتفاقات بیفتد. افزایش قیمت API‌های AI: با کمبود ظرفیت، قیمت‌ها حداقل ۵۰٪ افزایش خواهند یافت. ظهور AI Sovereignty: کشورها و شرکت‌های بزرگ به دنبال استقلال AI خواهند بود. جنگ استخدام: مهندسان ML به کمیابترین و گرانترین نیروی کار تبدیل می‌شوند. خرید و ادغام: شرکت‌های بزرگ استارتاپ‌های AI را برای دسترسی به تیم و تکنولوژی می‌خرند. شکاف دیجیتال جدید: شرکت‌هایی که AI دارند در مقابل شرکت‌هایی که ندارند - یک طبقه‌بندی جدید.

بحران جهانی ظرفیت محاسباتی: نگاهی عمیق‌تر

ماجرای گوگل و متا فقط نوک کوه یخ است. بحران ظرفیت محاسباتی یک مشکل سیستمیک است که تمام بازیگران صنعت AI را تحت تأثیر قرار داده. برای درک عمق این مشکل، باید به زنجیره تأمین نگاه کنیم.

در حال حاضر، تنها سه شرکت در دنیا قادر به تولید چیپ‌های پیشرفته AI هستند: NVIDIA (طراح)، TSMC (تولیدکننده)، و ASML (سازنده ماشین‌آلات لیتوگرافی). این انحصار سه‌گانه یک گلوگاه خطرناک ایجاد کرده است.

چرا نمی‌توان سریع ظرفیت را افزایش داد؟

بسیاری می‌پرسند: چرا NVIDIA یا TSMC نمی‌توانند سریع‌تر تولید کنند؟ پاسخ در پیچیدگی زنجیره است. ساخت Fab جدید: یک کارخانه نیمه‌هادی مدرن $۲۰ میلیارد دلار هزینه دارد و ۳ تا ۵ سال زمان می‌برد تا عملیاتی شود. کمبود ماشین‌آلات EUV: ASML سالانه فقط ۶۰ دستگاه لیتوگرافی می‌سازد و تقاضا ۳ برابر عرضه است. انرژی و آب: یک Fab مدرن روزانه ۱۰۰ مگاوات برق و ۱۰ میلیون لیتر آب مصرف می‌کند. نیروی انسانی: کمبود مهندسان متخصص نیمه‌هادی. TSMC سالانه ۱۰ هزار مهندس استخدام می‌کند اما تقاضا بیشتر است.

مطالعه موردی: شرکت‌های دیگری که آسیب دیدند

متا تنها قربانی این بحران نیست. ما با بررسی چند مورد دیگر، الگوی مشترکی کشف کردیم: شرکت‌هایی که فکر می‌کردند با پول می‌توانند ظرفیت بخرند، اشتباه می‌کردند.

مورد اول: Anthropic و تأخیر Claude Opus 5

Anthropic در فوریه ۲۰۲۶ اعلام کرد که لانچ Claude Opus 5 را به دلیل چالش‌های زیرساختی به تعویق می‌اندازد. منابع داخلی فاش کردند که Amazon Web Services نتوانسته بود ظرفیت قول‌داده را تأمین کند. نتیجه: Opus 5 که قرار بود در بهار ۲۰۲۶ منتشر شود، تا Q4 2026 به تعویق افتاد - یک تأخیر ۹ماهه که به رقبا فرصت داد جلو بیفتند.

مورد دوم: Midjourney و کاهش کیفیت

Midjourney، پلتفرم محبوب تولید تصویر AI، در آوریل ۲۰۲۶ مجبور شد به‌طور موقت رزولوشن پیش‌فرض تصاویر را از 2048x2048 به 1536x1536 کاهش دهد. دلیل: هزینه‌های محاسباتی غیرقابل کنترل شده بود. کاربران اعتراض کردند، اما شرکت چاره‌ای نداشت. CEO گفت: ما بین کاهش کیفیت یا افزایش ۳۰۰٪ قیمت اشتراک انتخاب کردیم. گزینه سوم وجود نداشت.

مورد سوم: Stability AI و بحران نقدینگی

Stability AI (سازنده Stable Diffusion) در مارس ۲۰۲۶ به دلیل بدهی‌های انباشته به Amazon و Google بحران نقدینگی پیدا کرد. شرکت ماهانه $۸M برای محاسبات ابری پرداخت می‌کرد اما درآمدش فقط $۴M بود. در مه ۲۰۲۶، Stability به Cohere فروخته شد - یک فروش اضطراری که ارزش شرکت را ۷۰٪ کاهش داد.

نظر کارشناسان: چه می‌گویند؟

ما با چند کارشناس صنعت صحبت کردیم تا دیدگاه‌شان را درباره این بحران بشنویم.

تحلیل فنی: چقدر GPU برای یک مدل LLM لازم است؟

برای درک بهتر ماجرا، بیایید ببینیم که یک شرکت برای تریین و سرو یک مدل بزرگ به چه مقدار منابع نیاز دارد.

همانطور که می‌بینید، تریین GPT-5 یا Gemini 3 به ده‌ها هزار GPU برای ماه‌ها کار نیاز دارد. حالا تصور کنید چند شرکت در حال همزمان سعی دارند چنین مدل‌هایی بسازند - دیگر واضح است چرا ظرفیت کم است.

استراتژی‌های بقا: شرکت‌ها چگونه واکنش نشان می‌دهند؟

در این بحران، شرکت‌ها چهار استراتژی اصلی را دنبال می‌کنند. ساخت زیرساخت اختصاصی: شرکت‌هایی مثل متا، اپل و تسلا تصمیم گرفتند زیرساخت و چیپ اختصاصی خودشان را بسازند. این گران‌ترین اما امن‌ترین راه است. مثال: Meta MTIA v2 chip - چیپ اختصاصی متا برای استنتاج که ۳x کارآمدتر از GPU عمومی است.

قرارداد بلندمدت با Guarantee: شرکت‌هایی که نمی‌توانند خودشان بسازند، سعی می‌کنند با قراردادهای چندساله تضمین ظرفیت بگیرند. مثال: OpenAI با Microsoft قرارداد $۱۰B امضا کرد که ظرفیت تضمین‌شده دارد. بهینه‌سازی شدید: کوچک کردن مدل‌ها، Quantization، Distillation و تکنیک‌هایی که با کمتر، بیشتر انجام می‌دهند. مثال: Muse Spark با Thought Compression. پیوت به مدل کوچک: برخی شرکت‌ها تصمیم گرفتند به جای رقابت در مدل‌های غول، روی مدل‌های کوچک و تخصصی تمرکز کنند. مثال: Mistral AI با مدل 7B و 22B.

چشم‌انداز ۲۰۲۷-۲۰۲۸: آیا بحران حل می‌شود؟

خبر خوب این است که صنعت در حال واکنش است. اما خبر بد این است که راه‌حل‌ها زمان‌بر هستند. Q4 2026: NVIDIA شروع تولید انبوه GB200 Grace Blackwell. Q1 2027: TSMC افتتاح Fab جدید در آریزونا. Q2 2027: AMD Instinct MI400 با قابلیت رقابت با Blackwell وارد بازار می‌شود. Q3 2027: Google TPU v6 برای مشتریان Cloud در دسترس می‌شود. ۲۰۲۸: Intel Gaudi 4 و Amazon Trainium 3 می‌توانند به‌طور جدی با NVIDIA رقابت کنند.

پس تا اواسط ۲۰۲۷، بحران ادامه خواهد داشت. شرکت‌هایی که نتوانند استراتژی درستی داشته باشند، یا می‌میرند یا فروخته می‌شوند.

درس‌های کلیدی از ماجرای Google-Meta

این ماجرا درس‌های مهمی برای کل صنعت تکنولوژی دارد - چه شرکت‌های بزرگ، چه استارتاپ‌ها. وابستگی خطرناک است: حتی با قرارداد میلیاردی، اگر زیرساخت خودت را نداشته باشی، آسیب‌پذیری. ظرفیت مهم‌تر از الگوریتم شده: دیگر فقط مدل خوب کافی نیست، باید بتوانی آن را اجرا کنی. استراتژی Plan B ضروری است: هر شرکت AI باید سناریوی قطع دسترسی را داشته باشد. بهینه‌سازی یک مزیت رقابتی است: کسانی که با کمتر بیشتر می‌کنند، زنده می‌مانند. بازار به سمت عمودی‌سازی می‌رود: شرکت‌های بزرگ همه چیز را خودشان می‌سازند.