رئیس‌عامل آمازون: درآمد سالانه کسب‌وکار هوش مصنوعی از ۲۵ میلیارد دلار ایالات متحده فراتر رفته، نرخ رشد آن صدها برابر نرخ رشد اولیه AWS است و هزینه ۲۲۰ میلیارد دلاری نیز برای تأمین تقاضا کافی نیست

اخیراً اندی جاسی، رئیس‌عامل آمازون، در پادکست معروف سرمایه‌گذاری ج venture capital a16z ظاهر شد و گفت‌وگوی عمیقی با بن هوراویتز، هم‌بنیان‌گذار a16z، انجام داد. در این مصاحبه، جاسی چشم‌انداز استراتژیک آمازون در موج هوش مصنوعی تولیدی را به‌طور جامع آشکار کرد.

در پاسخ به نگرانی‌های وال‌استریت درباره هزینه‌های سرمایه‌ای بی‌پایان شرکت‌های فناوری، جاسی بازخورد مستقیم‌ترین بازار را ارائه داد: تقاضا نه‌تنها کاهش نیافته، بلکه به‌سرعت ظرفیت‌های آینده را فراتر از حد تحمل می‌برد. همچنین ساختار فعلی «میله وزنه‌دار» تقاضا در بازار هوش مصنوعی را توضیح داد و به‌وضوح اشاره کرد که برای رهایی واقعی کاربردهای سطح سازمانی هوش مصنوعی، هزینه استنتاج محاسباتی باید دوباره یک مرتبه کاهش یابد.

«حتی با هزینه ۲۲۰ میلیارد دلاری، هنوز مقدار قابل‌توجهی از تقاضا را بدون پاسخ گذاشته‌ایم»

مهم‌ترین موضوعی که اکنون بازار را نگران کرده، این است که آیا هزینه‌های سرمایه‌ای صدها میلیاردی غول‌های فناوری به هزینه‌های غیرقابل بازیابی اضافی تبدیل خواهد شد یا خیر. جاسی با ارائه مجموعه‌ای شگفت‌انگیز از داده‌های سفارش، شک‌های بازار را مستقیماً پاسخ داد.

«حتی اگر امسال ۲۲۰ میلیارد دلار هزینه کنیم، باز هم مقدار قابل‌توجهی از تقاضاهای معنادار را بدون پاسخ بگذاریم.» جاسی به‌صورت صریح نابalance شدید عرضه و تقاضا در قدرت محاسباتی اشاره کرد: «ما همیشه بخشی از قدرت محاسباتی را برای خدمات حسب‌طلب اختصاص می‌دهیم، اما ظرفیت سال ۲۰۲۶ کاملاً فروخته شده، سال ۲۰۲۷ تقریباً فروخته شده و بخش بزرگی از سال ۲۰۲۸ نیز قبلاً فروخته شده است.»

از منظر رشد کسب‌وکار، منحنی رشد ناشی از هوش مصنوعی بسیار شیب‌دار است. جاسی سرعت توسعه اولیه AWS (سرویس‌های وب آمازون) را با سرعت فعلی مقایسه کرد: «در سه سال اول AWS، ما احساس می‌کردیم که رشد سریعی داریم و نرخ درآمد سالانه حدود ۶۰ میلیون دلار بود. اما در سه سال اول این موج هوش مصنوعی تولیدی، نرخ درآمد سالانه کسب‌وکار هوش مصنوعی AWS از ۲۵ میلیارد دلار فراتر رفته است. سرعت آن صدها برابر دوران قبل است؛ چنین چیزی را هرگز ندیده‌ایم.»

در پاسخ به نگرانی‌های بازار سرمایه، جاسی منطق چرخه جریان نقدی سرمایه‌گذاری در مراکز داده را توضیح داد. او گفت که سرمایه‌گذاری در ساخت مراکز داده باید دو سال پیش‌تر انجام شود، اما عمر آن تا ۳۰ سال است؛ درحالی‌که خرید سرورها و تجهیزات شبکه تنها چند ماه پیش‌تر نیاز دارد. این بدان معناست که شرکت دید بسیار روشنی از تقاضای مشتریان دارد. «اگر بفهمید که واقعاً نیازی به پرکردن آن مراکز داده ندارید، سرور و تجهیزات شبکه نمی‌خرید. بیشتر قراردادهای سرور پنج‌ساله است و معمولاً نقطه سودآوری در سه سال حاصل می‌شود. با این چرخه نقدی، وقتی با چنین سرعت بالایی رشد می‌کنید، جریان نقدی آزاد اولیه واقعاً با موانعی روبه‌رو می‌شود، اما پس از راه‌اندازی کامل، بازدهی بسیار قابل‌توجه خواهد بود.»

رد ادعاهای مربوط به مراکز داده: «مصرف آب یک زمین گلف در دو روز معادل مصرف سالانه ما است»

در ایالات متحده، مصرف انرژی و مسائل زیست‌محیطی مراکز داده در حال تبدیل شدن به یک مناقشه سیاسی است. جاسی به‌شدت این ادعاها را رد کرد و آن را به سطح رقابت‌پذیری ملی ارتقا داد.

«ساخت زیرساختی که اکنون تجربه می‌کنیم از نظر مقیاس با ساخت بزرگراه‌ها و پل‌ها در ایالات متحده در دهه ۱۹۵۰ قابل مقایسه است. کشور و حتی کل جهان هزینه عدم ساخت مراکز داده را نمی‌تواند بپذیرد؛ در غیر این صورت کشورهایی مانند چین تمام موقعیت‌ها و استانداردهای رهبری را به دست خواهند آورد که از نظر داخلی و جهانی برای ما غیرقابل قبول است.»

در مورد اتهامات زیست‌محیطی، جاسی داده‌های چشمگیری ارائه کرد: «ادعاهای بسیاری در گردش است که جایی بین افسانه و دروغ قرار دارند، چون سیاستمداران و سpekulatorها دوست دارند «شرور» ساده‌ای پیدا کنند. در واقع، مصرف آب زمین‌های گلف یا کشت بادام بسیار بیشتر از مراکز داده است. به عنوان یک نقطه مرجع: مصرف آب یک زمین گلف ۲۰۰ برابر ما است؛ آن‌ها در دو روز بیشتر از مقداری که مراکز داده ما در یک سال مصرف می‌کنند، آب استفاده می‌کنند.»

او همچنین افزود که آلودگی ناشی از ژنراتورهای پشتیبان بسیار اغراق‌شده است: «شما باید سطح آلودگی را طوری ثبت کنید که انگار همواره در حالت توان کامل کار می‌کنند، اما در واقع ما فقط ۰٫۱٪ از زمان سال (حدود ۱۰ ساعت) ژنراتورهای پشتیبان را برای نگهداری به کار می‌بریم.»

اثر «میله وزنه‌دار» تقاضای هوش مصنوعی و منطق اصلی کاهش هزینه استنتاج

در تحلیل دقیق تقاضای خاص هوش مصنوعی، جاسی نظریه «میله وزنه‌دار» را ارائه کرد که همچنین توضیح‌دهنده دلیل پافشاری آمازون بر استراتژی تراشه‌های توسعه‌داده‌شده داخلی است.

«یک سرۀ این میله وزنه‌دار آزمایشگاه‌های هوش مصنوعی است که مقدار عظیمی از قدرت محاسباتی را مصرف می‌کنند؛ سرۀ دیگر سازمان‌ها هستند که عمدتاً از هوش مصنوعی برای کاهش هزینه‌ها و افزایش بهره‌وری استفاده می‌کنند، مانند پشتیبانی خودکار مشتریان یا فرآیندهای کسب‌وکار. و در وسط این میله وزنه‌دار، بار کاری فعلی سازمان‌ها قرار دارد. اکثریت قریب به اتفاق سازمان‌ها هنوز (استنتاج هوش مصنوعی) را به کار نگرفته‌اند، اما من اعتقاد دارم که در ۵ تا ۷ سال آینده تقریباً تمام کاربردهای موجود سازمانی به‌طور عمیق از فناوری استنتاج استفاده خواهند کرد.»

با این حال، برای فعال‌سازی بازار گسترده در «میانهٔ دمبل»، قیمت بزرگ‌ترین مانع پیش‌رو است.

«در سال‌های اخیر، هزینه‌های استنتاج به‌طور چشمگیری کاهش یافته‌اند، اما از نظر من هنوز حدود ده‌برابر گران‌تر از آنچه باید باشد.» جاسی تأکید کرد: «اگر از شرکت‌ها بخواهیم برنامه‌های موجود خود را بر روی پردازنده‌های CPU با استفاده از شتاب‌دهنده‌های هوش مصنوعی بازنویسی کنند و تفاوت هزینه بسیار زیاد باشد، آستانهٔ بازنویسی برای آن‌ها بسیار بالا خواهد بود. اما اگر بتوانیم هزینه‌های استنتاج را کاهش دهیم، این آستانه به‌طور چشمگیری پایین می‌آید. به‌همین دلیل روی کسب‌وکار تراشه‌های توسعه‌یافتهٔ داخلی خود تمرکز داریم.»

جاسی خرید شرکت طراحی تراشهٔ Annapurna Labs در سال ۲۰۱۵ را بسیار ستود و آن را «موفق‌ترین خرید در تاریخ آمازون، بدون حتی نزدیک‌ترین رقیب» خواند. او افشای کرد که با استفاده از پردازنده‌های خودساختهٔ Graviton (که ۴۰٪ مقرون‌به‌صرفه‌تر از سایر پردازنده‌های x86 هستند) و شتاب‌دهنده‌های هوش مصنوعی Trainium (که ۳۰ تا ۴۰٪ مقرون‌به‌صرفه‌ترند)، آمازون به‌صورت فعال در حال کاهش هزینهٔ قدرت محاسباتی است.

بازسازی سازمانی: ۶ مهندس در یک سال کار ۴۰ نفر را انجام دادند و تمام محصولات باید از صفر بازسازی شوند.

علاوه بر ارائهٔ قدرت محاسباتی به‌صورت خارجی، هوش مصنوعی درونی ماشین عظیم آمازون را دوباره می‌سازد؛ ساختار نیروی انسانی و منطق توسعهٔ محصول اولین مواردی هستند که تغییر می‌کنند.

جاسی یک مورد داخلی شوکه‌کننده را افشا کرد: تیم Bedrock (پلتفرم سرویس استنتاج هوش مصنوعی آمازون) در ۷۶ روز تنها با ۶ مهندس موتور استنتاج را بازسازی کرد، درحالی‌که این کار قبلاً نیازمند ۴۰ نفر در طول یک سال بود.

«این چشم‌ها را باز کرد.» جاسی صریح گفت: «در آینده افراد کمتری کارهای مشابه امروزی را انجام خواهند داد. من نمی‌گویم که به انسان نیاز نداریم، بلکه این است که با گسترش مقیاس کسب‌وکار، به اندازهٔ گذشته نیروی انسانی سرمایه‌گذاری نخواهیم کرد. تیم‌ها کوچک‌تر خواهند شد و افراد باید به‌صورت میان‌رشته‌ای کار کنند، چون مدل‌ها می‌توانند ۸۰٪ کار را برای شما انجام دهند.»

در سطح محصول، جاسی معتقد است که بهبودهای تدریجی دیگر کافی نیستند و باید جرأت «بازسازی از صفر» را داشت.

«برای محصولاتی مانند Alexa، «مغز» آن در زمان توسعه بسیار نوآورانه بود، اما با ظهور هوش مصنوعی تولیدی، مرزهای قابلیت کاملاً تغییر کرده‌اند. اگر می‌خواهید تجربهٔ مشتری برتری داشته باشید، باید مغز Alexa را دوباره طراحی کنید.»

نه‌تنها Alexa، جاسی اشاره کرد که تمام تجربه‌های اصلی مصرف‌کننده در آمازون — از جمله خرده‌فروشی، Prime Video و موسیقی — باید در سال‌های آینده به‌طور جامع با هوش مصنوعی بازتعریف شوند. «تیم‌ها اغلب به دلیل غرور و بار تاریخی مقاومت می‌کنند و می‌گویند: «قبلاً این را امتحان کردیم و جواب نداد.» اما این فرآیند بازسازی دردناکی است که باید طی شود؛ اگر فقط به فکر بهبودهای تدریجی باشید، در سه تا پنج سال آینده از رقابت حذف خواهید شد.»

ترجمهٔ کامل پادکست به شرح زیر است: اندی جاسی ۰۰:۰۰

حتی اگر امسال ۲۲۰ میلیارد دلار سرمایه‌گذاری کنیم، بخش قابل‌توجهی از تقاضا همچنان بر روی میز باقی می‌ماند. ما همیشه بخشی از ظرفیت را برای استفادهٔ فوری نگه می‌داریم، اما ظرفیت سال ۲۰۲۶ کاملاً فروخته شده، سال ۲۰۲۷ تقریباً کاملاً فروخته شده و بخش بزرگی از سال ۲۰۲۸ نیز اکنون فروخته شده است.

اندی جاسی ۰۰:۱۴

بازارهای مالی می‌گویند: «خب، پولی به اندازهٔ کافی در جهان وجود ندارد تا این امور را تأمین کند.» اما همهٔ کارهایی که در این جهان انجام می‌دهیم — بازارهای سهام، بانک‌ها، مراقبت‌های بهداشتی — همگی به مراکز داده وابسته‌اند. وظیفهٔ ما یافتن راهی برای داشتن بیشترین ظرفیت ممکن است؛ ما فرصتی داریم تا تجربهٔ مشتریان بسیار بیشتری را پوشش دهیم و زندگی آن‌ها را هر روز بهتر و آسان‌تر کنیم. آزمایشگاه‌های بزرگ حاضرند برای توان، سیستم‌های خنک‌کننده و تراشه‌ها تقریباً هر قیمتی را بپردازند. خب، شاید باید مشتریان قدیمی را خریداری کنیم و به مشتریان جدید بفروشیم، چون آن‌ها در قیمت‌های ما پیشنهاد می‌دهند.

a16z ۰۰:۴۸

اندی، خوش‌آمدید به این برنامه. خیلی خوشحالیم که اینجا هستید. متشکریم از دعوت شما. پس، شما پنج سال است که رهبری آمازون را بر عهده دارید و کارهای زیادی انجام داده‌اید. حضور در اینجا آسان نیست و به عنوان مدیرعامل، کارهای بسیاری پشت سر هم در جریان است — شما امسال ۲۲۰ میلیارد دلار سرمایه‌گذاری دارید، AWS رشد ۲۰٪ و ۲۸٪ داشته و البته دستاوردهای بسیاری کسب کرده‌اید.

اندی جاسی ۰۱:۰۹

آن‌قدر کارهای زیادی انجام داده‌اید؛ پس چگونه آ ambitions آمازون برای سال ۲۰۲۶ را در مقایسه با زمانی که رسمی‌ترین به عنوان مدیرعامل در سال ۲۰۲۱ رسیدید، می‌بینید؟ اوه، سال ۲۰۲۱ انگار خیلی وقت پیش بوده؛ انگار مثل ده سال پیش است. اما جهان خیلی سریع تغییر می‌کند. و...

اندی جاسی ۰۱:۳۰

اگر با سال ۲۰۲۱ مقایسه کنیم، درآمد کلی ما حدود ۸۰٪ بیشتر شده، کسب‌وکار AWS تقریباً سه‌برابر و درآمد تبلیغاتی حدود دو و نیم‌برابر شده است. بنابراین این کسب‌وکار بسیار رشد کرده است.

اندی جاسی ۰۱:۴۷

فکر می‌کنم واقعاً چند اتفاق مهم رخ داده است. دقیقاً پس از اینکه من به سمت مقام خود رسیدم — در همان زمانی که همه‌گیری در حال پایان یافتن بود — کسب‌وکار خرده‌فروشی ما با چالش واقعی هزینه‌های تأمین سفارش مواجه شد: ما اساساً ظرفیت شبکه تأمین سفارش خود را دو برابر کردیم. شبکه‌ای که طی ۲۵ سال ساخته شده بود، در عرض حدود ۱۸ ماه دو برابر شد؛ سپس در عرض حدود ۲۰ ماه، شبکه تحویل نهایی (Last-Mile)‌ای ساختیم که قابل مقایسه با UPS بود. و وقتی چنین سرعتی در ساخت اعمال می‌شود، قطعاً امور متعددی بهینه‌سازی نشده باقی می‌مانند. هزینه‌های تأمین سفارش در شبکه ما به سطح مطلوب نرسیده بود. خب، این موضوع آن زمان چالش‌های فراوانی ایجاد کرد و بسیاری از کارکنان را نگران ساخت.

به یاد دارم که حدود یک سال — یا حتی کمتر از یک سال — از تصدی مقام من گذشته بود و همه می‌گفتند: «آغاز کار در این زمان بدترین انتخاب ممکن است، واقعاً شانس بدی داشته‌اید.» اما امروز با نگاهی بازگشتی، فکر می‌کنم این دقیقاً زمان بسیار مناسبی برای شروع بود؛ واقعاً نعمتی بزرگ بود — چون ما را وادار کرد تا به مسائلی فکر کنیم که شاید سال‌ها نادیده گرفته‌شده بودند و این ایده‌ها برای مشتریان و کسب‌وکار ما بسیار ارزشمند بودند. یکی از مهم‌ترین آنها شبکه تأمین سفارش بود: ما شبکه ملی تأمین سفارش تخت اولیه را در ایالات متحده منطقه‌بندی کردیم. با منطقه‌بندی، محصولات را بسیار نزدیک‌تر به مشتریان قرار دادیم که نه‌تنها هزینه‌های تأمین سفارش را با کوتاه‌تر شدن مسافت حمل‌ونقل کاهش داد، بلکه سرعت تحویل به مشتریان را نیز افزایش بخشید.

خُب، در آن دوره‌ای که با هزینه‌های تأمین سفارش دست‌وپنجه نرم می‌کردیم، بازنگری عمیق در باورهای ریشه‌ای‌ترین ما، تقاضای انبوهی برای سرعت تحویل و کسب‌وکار خرده‌فروشی را آزاد کرد — که دلیل کلیدی رشد سریع ما در آن دوره نیز بود. البته، بلافاصله پس از آن، هوش مصنوعی صحنه را به‌طور کامل روشن کرد. اینکه هوش مصنوعی چیز جدیدی نیست — ما سال‌هاست از یادگیری ماشین استفاده می‌کنیم و موج‌های مختلفی از هوش مصنوعی پیش از این به‌عنوان «نقاط عطف واقعی» شناخته شده‌اند. اما در سال ۲۰۲۳ واقعاً تفاوت عظیمی که هوش مصنوعی تولیدی ایجاد کرده، مشهود است. آنچه می‌خواهم بگویم این است که تا آن زمان، کسب‌وکار AWS ما قبلاً رشد بسیار سریعی داشت.

ما، همان‌طور که واضح است، گسترده‌ترین پوشش عملکردی، عملکرد عملیاتی و امنیتی قوی‌تر و همچنین اکوسیستمی متفاوت از شرکا را داریم. ما رهبران واضحی هستیم و در آن زمان احساس می‌کردیم این کسب‌وکار می‌تواند در طول دوره‌ای طولانی — مثلاً ده سال — به درآمدی صدها میلیارد دلاری برسد. امروز، با نگاهی به تمام رویدادهای مربوط به هوش مصنوعی و دیدن اینکه هر تجربه مشتری شناخته‌شده‌ای به‌دلیل استدلال و هوش مصنوعی دوباره طراحی خواهد شد، واقعاً باور داریم که کسب‌وکار AWS نه‌تنها رشد بسیار سریعی دارد — در سه‌ماهه گذشته رشد سالانه‌اش ۳۶٫۷٪ بود که بر پایه درآمد سالانه‌ای معادل ۱۶۹ میلیارد دلار است — بلکه فرصت‌های پیش‌روی ما امروز واقعاً شگفت‌انگیز است.

و می‌دانید، احساس می‌کنم اگر این موارد را به‌صورت لایه‌لایه بررسی کنیم، بذر کسب‌وکارهای جدیدی نیز در آن وجود دارد: چگونگی توسعه Prime Video توسط تیم ما — که امروز یک کسب‌وکار بزرگ و سودآور شده است؛ یا ماهواره‌های مدار پایین زمین (LEO) که با پروژه Amazon Leo در حال ساخت هستیم؛ یا خدمات حمل‌ونقل خودرانی که با Zoox انجام می‌دهیم؛ همچنین کسب‌وکار سلامت و فعالیت‌های ما در حوزه رباتیک. می‌دانید، واقعاً فرصتی داریم تا به مشتریان بسیار بیشتری کمک کنیم، طیف گسترده‌تری از تجربیات مشتری را پوشش دهیم و زندگی آنها را هر روز بهتر و آسان‌تر کنیم.

و این مأموریت «بهبود و تسهیل زندگی مشتریان در هر روز» واقعاً همه فعالیت‌های ما در سراسر شرکت را یکپارچه می‌کند. اکنون چند سؤال پیگیری در این مورد دارم. اول اینکه، همین الان اشاره کردید که هنگام گسترش سریع شبکه تأمین سفارش، لزوماً کمی ناکارآمد می‌شود. می‌دانید، وقتی چنین سرعتی اعمال می‌شود، قطعاً برخی نواقص وجود خواهد داشت. پس شما — و همچنین اشاره کردید که درونی‌ها در این مورد مضطرب بودند — از دیدگاه یک مدیرعامل چگونه آنچه انجام می‌دهید را ارتباط می‌دهید بدون اینکه استانداردهای فرهنگی را پایین بیاورید؟ منظورم این است که آمازون به‌خاطر تعالی، کارایی عملیاتی و صرفه‌جویی معروف است، همه این ویژگی‌ها. اما اکنون می‌گویید: «ما می‌خواهیم چیزی شبیه به UPS بسازیم» و غیره. چگونه این دو را با هم همسو می‌کنید؟

خُب، نکته جالب این است که ما مجموعه‌ای از اصول رهبری داریم که بسیاری از افراد آنها را می‌شناسند — مجموعاً ۱۶ اصل. بسیاری از این اصول باید و واقعاً نحوه تفکر ما درباره عملیات و فرهنگ تیمی را تعیین کنند.

اما چند مورد از آنها با یکدیگر در تنش هستند و گاهی اوقات افراد در مورد این موضوع گیج می‌شوند. واقعیت این است که این تنش، بازتابی از نحوه عملکرد دنیای واقعی است — هیچ چیز هرگز کاملاً ساده و بدون جزئیات نیست؛ شما همواره در حال انجام مصالحه‌هایی هستید. بنابراین، بازمی‌گردیم به آن لحظه‌ای که تصمیم گرفتیم شبکه تأمین سفارش و شبکه تحویل نهایی را با سرعت و جسارتی فوق‌العاده افزایش دهیم؛ چالشی که تیم با آن روبرو شد این بود که می‌دانستیم این سرعت بالا بسیار سخت خواهد بود؛ هزینه‌ها احتمالاً بیشتر از آن خواهد بود که اگر آهسته‌تر عمل می‌کردیم؛ و ممکن است نتوانیم همه چیز را به‌خوبی بهینه‌سازی کنیم، همان‌طور که اگر زمان بیشتری داشتیم می‌توانستیم انجام دهیم. اما مشتریان و فروشندگان واقعاً به آن نیاز داشتند. پس آیا باید به سمت «اول انجام دادن کار» میل کنیم؟

باید به یاد داشته باشید که این اواخر همه‌گیری بود و همه فروشگاه‌های فیزیکی بسته شده بودند.

منظورم این است که اگر نقش آمازون در زندگی همه در دوران همه‌گیری را بررسی کنید، واقعاً انقلابی بود. بنابراین باید از خودمان پرسیدیم: آیا باید سریع بسازیم، شاید بدون بهینه‌سازی کامل، تا بتوانیم به آن مشتریان و فروشندگان — که خودشان هم برای نگه داشتن کسب‌وکارشان دست و پنجه نرم می‌کردند — خدمت کنیم؟ این اولین تصمیمی بود که باید می‌گرفتیم. و ما — همان‌طور که تقریباً همیشه می‌کنیم — تصمیم گرفتیم که به سمت مشتری میل کنیم. خُب، بعد از شروع ساخت، به‌سرعت مشخص شد که همه آنچه برنامه‌ریزی کرده بودیم به‌درستی پیش نمی‌رود.

می‌دانید، تیم تأمین سفارش ما بیشتر از بسیاری از سایر بخش‌های شرکت در دفتر کار حضور دارد. اما با این حال، افراد زیادی باید در طراحی، برنامه‌ریزی و ارزیابی مشارکت داشته باشند. افراد در سراسر جهان پراکنده‌اند و از راه دور کار می‌کنند؛ و سپس باید ترکیب یا تنش بین «تمایل به اقدام» یا سرعت و «حفظ استانداردهای بسیار بالا» را مدیریت کنید — این اصل آخر یعنی باید طبق ساختار هزینه‌ای، روش‌های تحویل و طرح‌های برنامه‌ریزی‌شده ارائه دهید. پس دوباره باید مصالحه کنید.

مصالحه ما این بود که بر سمت مشتری بایستیم، سریع حرکت کنیم تا به فروشندگان و مصرف‌کنندگان خدمت خوبی ارائه دهیم، و می‌دانستیم که بعداً باید برخی اصلاحات انجام دهیم. پس آیا در آن زمان می‌دانستیم که این وضعیت به شکلی که امروز دیده می‌شود تکامل پیدا خواهد کرد؟ خیر. برخی از موارد را به‌درستی بهینه‌سازی نکردیم و مطمئن نیستم که پیش‌بینی کرده بودیم که بهینه‌سازی نخواهند شد. اما اگر معیارهای خوبی داشته باشید و فرهنگی داشته باشید که حقیقت را بیان می‌کند — این هم بخش بسیار مهمی از فرهنگ ما است — می‌دانید که ما داده‌ها را روی میز می‌گذاریم، مشکلات را روی میز می‌گذاریم، مستقیماً با یکدیگر ارتباط برقرار می‌کنیم و اجازه نمی‌دهیم کسی مشکلات را پنهان کند. اگر چنین فرهنگی داشته باشید، مشکلات در معیارها و بحث‌ها بسیار واضح خواهند بود.

سپس فقط باید راه‌حل بهبود را پیدا کنید و بین مسائل کوچک کارایی و مسائل ساختاری تمایز قائل شوید. وقتی این ظرفیت را ایجاد کردیم، به‌سوی شبکه بازگشتیم و بخش‌های کلیدی آن را واقعاً بازسازی کردیم — این احتمالاً در آن زمان هشتمین یا نهمین اولویت در لیست اولویت‌های تیم بود، اما بعداً به اولویت بسیار مهم‌تری تبدیل شد، چون واقعاً ترکیبی از سرعت و هزینه را میسر می‌کرد. بله، جالب است. می‌دانید، کمی شبیه زمانی است که AWS را شروع کردید — شما AWS را راه‌اندازی کردید و رویکرد آن زمان کمی شبیه «بساز و آنها خواهند آمد» بود، درست است؟ شما کل زیرساخت را ساختید و سپس آن را اجرا کردید. پس آنها باید می‌آمدند، وگرنه در واقع در مشکل بزرگی قرار می‌گرفتید.

اما اکنون این موضوع در مقیاس بسیار گسترده‌تری در حال وقوع است: شما و برخی شرکت‌های دیگر — هرچند باید بگویم عمدتاً شما، حداقل قطعاً یکی از بزرگ‌ترین بازیگران هستید — در سرعتی بسیار بالا در حال ساخت مراکز داده و ظرفیت تراشه‌سازی هستید که بازارهای مالی شروع به این گفتن کرده‌اند: «وای! پول زیادی در جهان وجود ندارد که این پروژه‌ها را تأمین کند.» و اخیراً ما این نوع تنش را در بازارهای بدهی و سهام شرکت‌هایی مانند کورویو و غیره مشاهده کردیم. پس چگونه قضاوت می‌کنید — با توجه به تقاضای بسیار شدید و رشد سریع شما — چه مقدار سرمایه‌گذاری برای این دوره ساخت بیش از حد است؟ و رقابت در زنجیره تأمین وجود دارد؛ باید برای تأمین سیستم‌های خنک‌کننده، توان الکتریکی، تراشه‌ها و تمام این موارد با دیگران رقابت کنید. بله، این سؤال بسیار خوبی است. واقعاً آرزو دارم فرمولی وجود داشته باشد که این مسئله را ساده کند؛ این کار زمان زیادی از تیم ما را صرفه‌جویی می‌کند.

خب، فکر می‌کنم این‌گونه بگویم: در اولین موج ابر (Cloud)، زمانی که ما AWS را راه‌اندازی کردیم، واقعاً کمی از رویکرد «نمی‌دانیم آیا مردم از آن استفاده خواهند کرد، پس آن را می‌سازیم و آن‌ها می‌آیند» پیش می‌رفتیم. اما ما سیگنال‌های خوبی درونی داشتیم. در آن زمان، یعنی اوایل دهه ۲۰۰۰، تیم‌های زیادی وجود داشت که پیشرفت آن‌ها بسیار پایین‌تر از انتظارات ما بود — حتی اگرچه ما خود را نسبتاً سریع می‌دانستیم. اما نمی‌توانستیم بفهمیم چرا اینقدر طول می‌کشد. دلیل این بود که تیم‌های محصول ما ۷۰ تا ۸۰ درصد وقت خود را صرف بخش زیرساخت کار می‌کردند که امکان ایجاد تمایز را نمی‌داد؛ تنها حدود ۲۰ درصد از زمان آن‌ها صرف بخش‌هایی می‌شد که واقعاً محصول را متمایز می‌کرد.

پس ما متوجه شدیم که هر تیمی این کار را تکرار می‌کند و چرخ را دوباره اختراع می‌کند. بنابراین در ابتدا AWS را برای این منظور طراحی کردیم که خودمان درونی‌تر سریع‌تر عمل کنیم. قضاوت ما در آن زمان این بود: اگر مجموعه‌ای از خدمات پایه‌ای مقیاس‌بالا، بسیار قابل اعتماد، کم‌هزینه و بسیار انعطاف‌پذیر — مانند محاسبات، ذخیره‌سازی، پایگاه‌های داده، تحویل محتوا، پیام‌رسانی و غیره — ایجاد کنیم، می‌توانیم در کسب‌وکار مصرف‌کننده بسیار سریع‌تر بسازیم. سپس فقط گفتیم که فناوری ما نسبتاً خوب است و احتمالاً سایر شرکت‌ها هم با همین مشکلات روبه‌رو هستند. اما حتی قبل از راه‌اندازی عمومی آن، تیم‌های داخلی زیادی علاقه‌مند شده بودند و ما فهمیدیم که در مسیر درستی قرار داریم. فکر نمی‌کنم هیچ‌کس از ما پیش‌بینی کرده باشد که این موفقیت در بیرون از شرکت به این سرعت رشد کند.

در زمینه هوش مصنوعی، همان‌طور که می‌دانید، امواج مختلفی از افراد گفته‌اند: «حالا زمان آن است، هوش مصنوعی بالاخره رسیده است.» حتی حدود شش یا هفت سال پیش از این موج هوش مصنوعی تولیدی، مردم احساس می‌کردند که عصر هوش مصنوعی فرا رسیده است. ما خدمات زیادی در زمینه هوش مصنوعی ساختیم و در واقع این کسب‌وکار در AWS کاملاً خوب بود. اما با آنچه اکنون می‌بینیم قابل مقایسه نیست. در روزهای اولیه AWS، ما احساس می‌کردیم که بسیار سریع رشد می‌کنیم و از این روند رضایت داشتیم — سه سال بعد، درآمد سالانه ما به حدود ۶۰ میلیون دلار رسید. و در سه سال اول این موج هوش مصنوعی تولیدی، فقط درآمد سالانه کسب‌وکار هوش مصنوعی ما در AWS از ۲۵ میلیارد دلار فراتر رفته است. بنابراین رشد آن صدها برابر سریع‌تر بوده است. این روند را واقعاً هیچ‌وقت ندیده‌ایم. پس سؤال این می‌شود: چه مقدار سرمایه‌گذاری در دارایی‌های ثابت می‌خواهید برای پیگیری این فرصت انجام دهید؟ می‌توانم بگویم که ما اعلام کرده‌ایم که تا سال ۲۰۲۶ حدود ۲۲۰ میلیارد دلار سرمایه‌گذاری در دارایی‌های ثابت خواهیم داشت.

به‌طور تصادفی، یادم می‌آید حدود ۱۵ سال پیش در یک صبحانه تیم رهبری، ما نمی‌توانستیم باور کنیم که یک شرکت مخابراتی ۵۰ میلیارد دلار سرمایه‌گذاری در دارایی‌های ثابت انجام دهد؛ گفتیم: «چگونه می‌توانند چنین مبلغ عظیمی را برای سرمایه‌گذاری در دارایی‌های ثابت خرج کنند؟» پس این اعداد واقعاً شگفت‌انگیز هستند. و حتی اگر امسال ۲۲۰ میلیارد دلار سرمایه‌گذاری در دارایی‌های ثابت انجام دهیم، هنوز بخش قابل توجهی از تقاضا را بدون پاسخ گذاشته‌ایم. آنچه واقعاً به ما کمک می‌کند، دید خوبی که از تقاضای مشتریان داریم. پس اگر سرمایه‌گذاری‌های دارایی‌های ثابت AWS و چرخه نقدینگی آن را بررسی کنید، دو مؤلفه اصلی دارد: یکی سرمایه‌گذاری در مراکز داده و دیگری سرمایه‌گذاری در سرورها و شبکه‌ها. برای بخش مراکز داده، باید حدود دو سال پیش از اینکه سرورها را در مرکز داده نصب کنید و شروع به درآمدزایی کنید، سرمایه‌گذاری کنید. خبر خوب این است که این سرمایه‌گذاری فقط یک‌بار لازم است؛ این دارایی طولانی‌مدتی است و عمر آن حدود ۳۰ سال است.

اما باید این سرمایه‌گذاری را چند سال پیش انجام دهید. سرورها و تجهیزات شبکه فقط چند ماه پیش از نیاز، بسته به اجزای خاص، نیاز به سرمایه‌گذاری دارند. پس قبل از اینکه واقعاً تصمیم نهایی را بگیرید، دید خوبی از تقاضای مشتریان دارید. اگر متوجه شوید که واقعاً به آن ظرفیت برای پر کردن مراکز داده نیاز ندارید، سرور و تجهیزات شبکه نمی‌خرید. در میانگین، این‌ها حدود سه سال طول می‌کشد تا نقطه سربه‌سر را برسانند و عمر فعلی آن‌ها حدود پنج تا شش سال است.

بیشتر معاملات ما حدود پنج ساله است. پس وقتی شما مانند ما با این سرعت زیادی مرکز داده می‌سازید، سرمایه زیادی خرج می‌کنید و جریان نقدی آزاد شما در آن سال‌ها با موانعی روبه‌رو می‌شود — تا اینکه چند سال بعد وارد مرحله بعدی می‌شوید: تمام این مراکز داده آنلاین شده‌اند، همه درآمدزایی می‌کنند و شما از سرمایه‌گذاری‌های خود در سرورها و شبکه‌ها سود می‌برید. اما به دلیل نحوه عملکرد چرخه نقدینگی، در سال‌های اولیه رشد سریع، واقعاً موانعی ایجاد می‌شود. پس در ادامه، بازگشت به زمان راه‌اندازی AWS، مراکز داده احتمالاً آخرین چیزی بود که در جهان فکر می‌کردید به یک مسئله سیاسی تبدیل شود. اما اکنون در چنین وضعیتی قرار داریم، به‌ویژه در ایالات متحده.

می‌دانید، بسیار جالب است و فکر می‌کنم شما هم تجربه‌اش را داشته‌اید — جایی در جهان وجود ندارد که مردم بیشتر از حوزه سیاسی آمریکا با مراکز داده مخالفت کنند، صرف‌نظر از دلایل. پس این وضعیت در نهایت چگونه بر این مسئله تأثیر خواهد گذاشت؟ آنچه می‌خواهم بپرسم این است که آیا استدلال‌های مخالف مراکز داده اساسی دارند؟ و این موضوع چگونه بر استراتژی شما تأثیر خواهد گذاشت — آنچه در اینجا می‌سازید، آنچه در مناطق دیگر می‌سازید؟ خوب، خوب، می‌توانم پیشینه‌ای که دارم — حداقل آنچه که من معتقدم — را برای شما توضیح دهم. به این فکر کنید، همه کارهایی که امروز در جهان انجام می‌دهیم — بازارهای سهام، بانکداری، مراقبت‌های بهداشتی، سرگرمی، خرید، آموزش، کسب‌وکار، سرویس‌های حمل‌ونقل — همه این‌ها مبتنی بر داده هستند و همه به سادگی به مراکز داده وابسته‌اند. خیر، همه استفاده می‌کنند؛ من خودم مخالفم، دیگر نمی‌خواهم از تلفن همراهم استفاده کنم.

اما همه از مراکز داده استفاده می‌کنند. و این حتی پیش از ظهور هوش مصنوعی است. هوش مصنوعی بزرگ‌ترین تحول فناوری زمان ما است — با توجه به اینکه ما اینترنت، ابر و اینترنت تلفن همراه را پشت سر گذاشته‌ایم، این ادعایی قوی است. پس واقعیت این است که برای پشتیبانی از رشد سریعی که در زمینه هوش مصنوعی اشاره کردیم، زیرساخت مورد نیاز در این جهان، در این کشور، از زمانی که در دهه ۱۹۵۰ جاده‌ها و پل‌ها را ساختیم، دیده نشده است. منظورم این است که آنچه اکنون تجربه می‌کنیم، سطحی از ساخت‌وساز است که با آن مقایسه می‌شود. و این کشور — فکر می‌کنم جهان به‌طور کلی همین‌گونه است، اما می‌خواهم به‌طور خاص ایالات متحده را ذکر کنم — هزینه عدم ساخت مراکز داده را نمی‌تواند تحمل کند؛ در غیر این صورت متوجه خواهیم شد که کشوری مانند چین تمام رهبری و قوانین را در این حوزه ایجاد کرده است. فکر نمی‌کنم هیچ‌کدام از ما این را دوست داشته باشیم، چه در سطح داخلی و چه جهانی.

پس اکنون باید مراکز داده بسازیم. آیا فکر می‌کنم که به‌عنوان یک صنعت، روش‌هایی برای عملکرد بهتر از وضعیت فعلی داریم؟ البته. احساس می‌کنم امور بسیار سریع در حال پیشرفت است و همه در حال یادگیری مشترک هستیم. اما در حال حاضر دسته‌ای از — آن را چیزی بین افسانه و اطلاعات نادرست می‌نامم — در حال گسترش است، زیرا این نوع مسائل است که هر کسی می‌تواند «شرور آماده» را پیدا کند. از نظر سیاسی، گاهی فرصت‌طلبان دوست دارند به این شرور اشاره کنند. می‌توانم مثال‌هایی برای شما بزنم. مصرف آب توسط segu صنعت گلف یا کشت بادام بسیار بیشتر از مصرف آن توسط مراکز داده است.

فقط برای ارائه یک دادهٔ مرجع: میدان‌های گلف ۲۰۰ برابر آب مراکز دادهٔ ما را مصرف می‌کنند؛ مصرف آب آن‌ها در دو روز بیشتر از مصرف سالانهٔ مراکز دادهٔ ما است. پس نمونه‌های مشابه بسیاری وجود دارد و این یکی از بهترین‌هاست. یا می‌توانید دربارهٔ آلودگی صحبت کنید. واقعیت این است که هنگام ثبت یک سایت جدید و تجهیز آن به ژنراتورهای پشتیبان، باید ثبت و اعلام کنید که اگر این ژنراتورها ۲۴ ساعته و با بار کامل کار کنند، میزان انتشارات چقدر خواهد بود. اما البته این اتفاق هرگز رخ نمی‌دهد. ژنراتورهای پشتیبان تنها در بخش کوچکی از زمان—مثل ۱۰ ساعت در سال برای نگهداری—کار می‌کنند.

پس، مثلاً دربارهٔ قیمت برق صحبت می‌کنیم: اگر مناطق مختلفی را که در آن‌ها مراکز دادهٔ بزرگ‌مقیاس داریم بررسی کنید، در برخی مناطق قیمت برق افزایش یافته، در برخی دیگر کاهش. اما مسئلهٔ اصلی این است که کشور ما همان‌طور که باید، در زیرساخت شبکهٔ برق سرمایه‌گذاری نکرده است. رشد قابل‌اجتنابی قطعاً رخ خواهد داد، پس عاملی وجود خواهد داشت که آن را به نقطهٔ بحرانی برساند و سرمایه‌گذاری ضروری شود. این عامل هوش مصنوعی است—چون رشد بسیار سریع و گسترده‌ای دارد—که به‌عنوان عامل فشاردهنده عمل می‌کند. اما پس از ایجاد ظرفیت واقعی، در اکثر مناطق متوجه خواهید شد که قیمت برق در نهایت تثبیت می‌شود یا حتی کاهش می‌یابد، دقیقاً همان‌طور که در ایندیانا، جورجیا یا میسیسیپی رخ داده است.

پس در برخی حوزه‌ها می‌توانیم بهتر عمل کنیم. نکته‌ای دیگر که مردم اغلب فراموش می‌کنند این است که ارائه‌دهندگان بزرگ مراکز داده در این مناطق مبالغ قابل‌توجهی مالیات پرداخت می‌کنند. برای مثال، در شهرستان سنت جوزف ایندیانا، ما حدود ۳ میلیارد دلار مالیات پرداخت کرده‌ایم. این پول به انجمن محلی رسیده و می‌تواند صرف مسائلی شود که واقعاً برای این انجمن‌ها اهمیت دارد. بنابراین انجمن‌ها نیز از این موضوع سود می‌برند. ما برخی پروژه‌ها مانند «Built Together» را اجرا کرده‌ایم و اخیراً تعهد داده‌ایم که طی پنج سال آینده ۱ میلیارد دلار دیگر در انجمن‌هایی که مراکز داده در آن‌ها قرار دارند سرمایه‌گذاری کنیم. بنابراین من معتقدم که باید ادامه دهیم تا با انجمن‌ها همکاری کنیم و این مسئله را پیش ببریم. این همکاری باید یک شراکت دولتی-خصوصی باشد. اما این دوره از ساخت‌وساز برای آیندهٔ این کشور بسیار حیاتی است—تصور کنید اگر بزرگراه‌ها ساخته نمی‌شدند چه اتفاقی می‌افتاد.

a16z ۲۰:۴۴

و پل‌ها—که تعیین‌کنندهٔ رونق اقتصادی و مرزهای ظرفیت این کشور می‌شدند. پس باید این موضوع را از منظری معقول بررسی کرد و باید شریک انجمن‌هایی باشیم که در آن‌ها ساخت‌وساز انجام می‌شود. بیایید به موضوع هزینه‌های سرمایه‌ای بازگردیم. آن ۲۲۰ میلیارد دلار، یعنی ۶۰۰ میلیون دلار در روز. من فقط می‌خواهم آن را در چارچوبی مقایسه‌ای قرار دهم. من کنجکاو هستم که شما تقاضای هوش مصنوعی را امروز چگونه می‌بینید—شما آن را توصیف کردید به عنوان…

اندی جاسی ۲۱:۱۰

ساختار دمبلی. شاید بتوانید وضعیت فعلی تقاضای هوش مصنوعی را ترسیم یا توضیح دهید. خوب، ابتدا باید پیش‌زمینهٔ اول را ذکر کنم—همان‌طور که قبلاً گفتم، واقعاً باورنکردنی است که هوش مصنوعی چقدر بزرگ و سریع رشد کرده است. می‌دانید، سرعت آن صدها برابر روزهای اولیهٔ AWS است؛ در سه سال اول، ما در AWS به مقیاس سالانهٔ ۲۵ میلیارد دلاری درآمد هوش مصنوعی رسیدیم. پس واقعاً بسیار بزرگ است. اما در عین حال، اگر ساختار تقاضا را بررسی کنید، واقعاً به‌صورت دمبلی است. یک سر دمبلی شامل آزمایشگاه‌های هوش مصنوعی است که مقدار عظیمی از قدرت پردازشی را مصرف می‌کنند، در مقیاسی که تاکنون هیچ‌وقت ندیده‌ام. سپس چند برنامهٔ برجسته وجود دارد، مثل ChatGPT، Claude Code و غیره.

اندی جاسی ۲۱:۵۹

سر دیگر دمبلی شامل بنگاه‌های اقتصادی است که عمدتاً از هوش مصنوعی برای کاهش هزینه‌ها و افزایش کارایی استفاده می‌کنند، مانند خودکارسازی خدمات مشتریان، تشخیص تقلب یا خودکارسازی فرآیندهای کسب‌وکار. وسط دمبلی شامل بارهای کاری تولیدی فعلی بنگاه‌هاست که بسیاری از آن‌ها اکنون روی AWS اجرا می‌شوند و قبلاً از استنتاج (inference) استفاده می‌کنند. اما می‌خواهم بگویم که اکثریت قریب به اتفاق آن‌ها هنوز به‌صورت عمیق و گسترده‌ای استفاده نشده‌اند—و فکر می‌کنم این بخش در نهایت بزرگ‌ترین حجم استفاده از هوش مصنوعی خواهد بود. من فکر می‌کنم این را خواهید دید.

اندی جاسی ۲۲:۳۸

پیش‌بینی سرعت وقوع این امر برای من دشوار است. این اتفاق هر سال بیشتر و بیشتر می‌افتد. اما اگر دیدگاه را گسترده‌تر کنیم—مثلاً پنج سال یا پنج تا هفت سال—و به آینده نگاه کنیم، فکر نمی‌کنم منتظر پنج تا هفت سال بمانیم تا رخ دهد، چون هرگز یک‌باره اتفاق نمی‌افتد. اما اگر دیدگاه را به پنج تا هفت سال گسترش دهیم، فکر می‌کنم بخش قابل‌توجهی—حتی اکثریت برنامه‌های بنگاهی که امروز استفاده می‌کنیم و وجود دارند—به‌صورت عمیق و گسترده برای استنتاج استفاده خواهند شد. پس هنوز فضای رشد زیادی پیش‌روی ماست.

پس شما این را چگونه می‌بینید؟ چون ما با کمبود نزدیک‌آیندهٔ مراکز داده، تراشه‌ها و حافظه—همهٔ این‌ها—در سال ۲۰۲۷ روبه‌رو هستیم، چون همه اکنون در حال ساخت هستند، اما ممکن است تا پایان امسال آماده نباشند و تقاضا اصلاً کند نشده است. پس شما این موقعیت را چگونه می‌بینید—هنگامی که آن آزمایشگاه‌های بزرگ تمایل دارند برای برق، سیستم‌های خنک‌کننده و تراشه‌ها تقریباً هر قیمتی را بپردازند؛ در حالی که مشتریان قدیمی و بلندمدت شما با نرخ‌های معمولی برای اجرای کسب‌وکارشان پرداخت می‌کنند. آیا فشار تجاری وجود دارد که شما را وادار می‌کند فکر کنید: شاید باید مشتریان قدیمی را خریداری کنیم و به مشتریان جدید بفروشیم، چون آن‌ها در کنار ما پیشنهاد می‌دهند؟ و نمی‌توانم قیمت مشتریان قدیمی را دو برابر کنم، چون این عادلانه نیست. یا این را چگونه می‌بینید؟ چون واقعاً عجیب است—شما گروهی از افراد را دارید که ۲۰ سال است با شما هستند و کاری را انجام می‌دهند که، همان‌طور که گفتید، احتمالاً به سمت استنتاج در حال حرکت است؛ و در عین حال مشتریان جدیدی دارید که طمع‌کار هستند و حاضرند هر چیزی را بخرند.

اندی جاسی ۲۴:۳۵

بله، این سوال خوبی است. شاید دیدگاه ما نسبت به آنچه ذکر کردید کمی متفاوت باشد، اما کاملاً متوجه هستم. اگر به این فکر کنید، امروز فقط مقدار محدودی مراکز داده و برق و حافظه وجود دارد، و فکر نمی‌کنم این کمبود تا سال ۲۰۲۷ پایان یابد.

من باور دارم—با بازگشت به موضوع سرمایه‌گذاری—یکی از دلایلی که احساس می‌کنم می‌توانیم سرمایه‌گذاری بسیار بیشتری انجام دهیم و این سرمایه‌گذاری ضایع نخواهد بود این است که سال ۲۰۲۶ در این لحظه کاملاً پر شده است و سال ۲۰۲۷ نیز تقریباً کاملاً پر شده است. ما همیشه بخشی را برای استفادهٔ حسب‌طلب نگه می‌داریم، چه در سرویس استنتاج ما «Bedrock» و چه در EC2—اما به‌طور کلی، همهٔ ظرفیت‌ها پر شده‌اند و تمام بخش‌های بزرگ فروخته شده‌اند. بخش قابل‌توجهی از سال ۲۰۲۸ نیز اکنون قبلاً فروخته شده است. تقاضا آن‌قدر بزرگ است که نمی‌توان… اگر به کسب‌وکار هوش مصنوعی و آنچه ما «کسب‌وکار اصلی» می‌نامیم—که می‌توان آن را بخش غیرهوش مصنوعی در نظر گرفت—نگاه کنید، هر دو در حال حاضر با سرعت بسیار بالایی رشد می‌کنند.

و می‌دانید، اگر فقط مقدار محدودی حافظه در دسترس داشته باشید، باید تصمیم بگیرید که چه مقدار از آن را به حافظهٔ HBM—یعنی برای شتاب‌دهنده‌های هوش مصنوعی—و چه مقدار را به حافظهٔ DRAM—یعنی برای کسب‌وکار اصلی—تخصیص دهید. پس این‌ها ترجیحات واقعی هستند که باید اعمال شوند. اما می‌خواهم بگویم که نقطهٔ شروع ما در این مسئله، متمرکز بر مشتری است.

برای ما، روابط عمیق و همکاری‌های گسترده‌ای با مشتریان AWS وجود دارد. دقیقاً همان‌طور که در دوران همه‌گیری—در آن زمان رقبای ما، فکر می‌کنم، در حال فکر کردن دربارهٔ نحوهٔ بهینه‌سازی در یک سه‌ماهه بودند تا در دنیایی که همه در تلاش بودند هزینه‌ها را بهینه کنند، درآمد را بیشینه کنند؛ در حالی که ما رویکرد متفاوتی داشتیم. ما تیم‌هایمان را به‌صورت فعال به کمک مشتریان فرستادیم تا راه‌حل‌هایی برای بهینه‌سازی هزینه‌ها پیدا کنند، هرچند می‌دانستیم که این کار درآمد کوتاه‌مدت و میان‌مدت ما را ضعیف می‌کند. اما می‌دانید، ما می‌خواهیم به موفقیت مشتریان کمک کنیم، چون باور محکمی داریم: اگر در بلندمدت به مشتریان کمک کنیم، کسب‌وکار ما نیز دنبال خواهد شد. این امر در مورد کسب‌وکار اصلی نیز صدق می‌کند. فکر می‌کنم واقعاً می‌توانید محاسباتی انجام دهید و تعیین کنید: با توجه به کمبود و تمایل مشتریان به پرداخت، می‌توانید از مشتریان اصلی کمی بیشتر درآمد کسب کنید. اما آن‌ها کسب‌وکار خود را روی AWS اجرا می‌کنند و تمام برنامه‌های اصلی‌شان روی آن اجرا می‌شوند.

ما مشتریان خود را تحت فشار قرار نمی‌دهیم؛ بلکه اطمینان حاصل می‌کنیم که قابلیت گسترش داشته باشند. سپس وظیفهٔ ما یافتن راه‌هایی برای تأمین بیشترین ظرفیت ممکن است تا نه‌تنها مشتریان اصلی ما، بلکه تمام مشتریانی که می‌خواهند از هوش مصنوعی با ما استفاده کنند—و همچنین کسانی که می‌خواهند هوش مصنوعی را با ما توسعه دهند—بتوانند از آن بهره‌مند شوند و این امر از نظر اقتصادی پایدار برای ما نیز باشد. بنابراین، واقعاً دوست دارم به شما بگویم که کمبود عرضه تنها در سال ۲۰۲۷ مطرح خواهد بود؛ اما پیش‌بینی من این است که این کمبود برای چندین سال آینده در اجزای مختلف ادامه خواهد یافت. ما همیشه پرتلاش بوده‌ایم و معتقدم ظرفیتی بیش از هر کس دیگری تأمین می‌کنیم، زیرا واقعاً متعهد و متمرکز بر این هستیم که همان‌طور که همیشه بوده‌ایم، رهبر برجسته‌ای در زیرساخت و هوش مصنوعی باقی بمانیم.

اما همان‌طور که گفتم، امسال ۲۲۰ میلیارد دلار هزینه خواهیم کرد و می‌توانستیم مبلغ بسیار بیشتری هزینه کنیم—که این امر استفاده‌ای نامناسب از سرمایه نبود. علاوه بر این، از دیدگاه میان‌مدت تا بلندمدت، احتمالاً همچنان نمی‌توانیم تمام تقاضا را برآورده کنیم. تقاضای فعلی واقعاً شگفت‌انگیز است. در ادامهٔ این موضوع، در سال ۲۰۱۵ شما شرکت ان‌آپورنا لَبز را خریداری کردید. در آن زمان احتمالاً به تقاضای عظیم هوش مصنوعی در سال ۲۰۲۵ فکر نمی‌کردید، زیرا تقاضای هوش مصنوعی در آن دوره بسیار محدود بود. پس چه عاملی تصمیم به خرید را تحت تأثیر قرار داد؟ و این خرید در دنیای جدید چه بازدهی‌ای ایجاد کرده است؟ بله، احساس می‌کنم تیم ان‌آپورنا یکی از بااستعدادترین تیم‌ها و گروه‌های انسانی است که افتخار همکاری با آن‌ها را داشته‌ام؛ و این یکی از بهترین خریدهای تاریخ آمازون—و اگر نگوییم بهترین آن—است.

بله، بخشی از این روند را پیش‌بینی کرده بودیم، اما فکر نمی‌کنم خرید ان‌آپورنا به‌طور خاص برای تولید تراشه‌های هوش مصنوعی صورت گرفته باشد. اینطور است: وقتی به مقیاس خاصی می‌رسید، می‌توانید رفتار مشتریان را در مقیاس بسیار گسترده‌ای مشاهده و تحلیل کنید و متوجه شوید که اگر ادغام عمودی انجام دهید و توانایی‌های خاصی را خودتان بسازید، می‌توانید ارزش بیشتری برای مشتریان ایجاد کنید و همچنین اقتصاد کسب‌وکار خود را بهبود بخشید. بنابراین نقطه شروع خرید ان‌آپورنا برای ما مربوط به سرورهای اصلی EC2 بود: ما احساس می‌کردیم منابع زیادی از سرورها صرف مجازی‌سازی، شبکه‌بندی، امنیت و ذخیره‌سازی می‌شود و می‌خواستیم تقریباً ۱۰۰ درصد منابع سرور را صرف ارائه قدرت محاسباتی برای مشتریان کنیم.

پس قبل از خرید، قبلاً روی کارت رابط شبکه (NIC) با ان‌آپورنا همکاری می‌کردیم—و این اجزا را روی NIC انتقال دادیم تا بیشترین تعداد ممکن از سرورها را برای محاسبات اختصاص دهیم. ما واقعاً از این تیم و محصولی که با هم ساختیم خوشحال بودیم. متوجه شدیم که آنچه قرار بود خریداری کنیم، در نهایت در تقریباً تمام سرورهای EC2 ما نصب خواهد شد—و واقعاً در تمام سرورهای ما نصب شد.

بنابراین ابتدا آن را خریدیم زیرا این قابلیت به یک توانایی اصلی قدرت محاسباتی ما تبدیل می‌شد؛ همچنین از آنجا که این تیم در ساخت تراشه بسیار بااستعداد بود، فکر کردیم احتمالاً می‌تواند تراشه‌های دیگری نیز بسازد. در آن زمان ما شریکی بسیار نزدیک با اینتل داشتیم—و همچنان همکاری عمیقی با این شرکت داریم. اما مشکل این بود که اینتل در آن زمان سهم بازار اصلی CPU را در دست داشت؛ و وقتی شریکی دارید که سهم بازار بسیار بالایی دارد، اغلب به بهبود مقرون‌به‌صرفه‌بودن فکر نمی‌کند، بلکه به ویژگی‌های دیگری فکر می‌کند که به آن سهم بازار و درآمد بیشتری می‌دهد.

البته این کاملاً قابل درک است؛ این بخشی از دینامیک عملکرد بازارها و دلیلی برای «معضل نوآور» است. بنابراین ما می‌خواستیم بر مقرون‌به‌صرفه‌بودن تأکید کنیم، اما جلب توجه آن‌ها سخت بود. با این حال، مشتریان ما می‌خواستند بارهای کاری محلی بیشتری را به ابر منتقل کنند و مقرون‌به‌صرفه‌بودن بهتری را طلب می‌کردند. پس بعدی‌ترین کاری که از تیم ان‌آپورنا خواستیم، ساخت تراشه CPU بود. آن‌ها گراویتون را تولید کردند—امروزه ۹۹ درصد از ۱۰۰۰ مشتری برتر EC2 ما از آن به‌طور گسترده استفاده می‌کنند. مقرون‌به‌صرفه‌بودن آن حدود ۴۰ درصد بیشتر از پردازنده‌های x86 دیگر است که تأثیر بسزایی بر مشتریان و کسب‌وکار ما داشته است. سپس چند سال پیش، همان «فیلم» را در حوزه هوش مصنوعی دوباره دیدیم: واقعاً تأمین‌کننده‌ای بسیار مسلط وجود داشت. ما با آن شریکی عمیق داشتیم—و همچنان همکاری نزدیکی داریم و انتظار داریم این همکاری برای مدت طولانی‌تری ادامه یابد.

اما آن شریک بازار بسیار بزرگی داشت و محصولات و اولویت‌های مختلفی را دنبال می‌کرد. ما می‌دانستیم مشتریان ما به مقرون‌به‌صرفه‌بودن بهتری نیاز دارند؛ بنابراین تیم دیگری در ان‌آپورنا تشکیل دادیم تا روی شتاب‌دهنده‌های هوش مصنوعی کار کند که آن را ترِینیوم نامیدیم و مقرون‌به‌صرفه‌بودن آن نیز حدود ۳۰ تا ۴۰ درصد بیشتر از پردازنده‌های مشابه است. و می‌دانید، وقتی دربارهٔ بخش میانی «میله وزنه» صحبت می‌کنیم—که همین الان درباره‌اش بحث کردیم—اگر بپرسید: چه عواملی می‌توانند بخش میانی میله وزنه را تغییر دهند تا کاربردهای تولیدی فعلی سازمان‌ها بتوانند از استنتاج (inference) استفاده کنند؟ چند عامل وجود دارد. بخشی از آن مربوط به نیروی انسانی است: برخی افراد قبلاً به تنظیم پس‌از آموزش و تنظیم دقیق عادت دارند و نیاز به توانایی سازمانی است که بداند چه چیزی را اولویت‌بندی کند، چه چیزی را حل کند و چگونه آن را انجام دهد.

اما بخش بزرگی از آن در این است: هزینه‌های استنتاج در سال‌های اخیر کاهش قابل‌توجهی داشته‌اند، اما از دید من هنوز هم حدود ده برابر گران‌تر از آن است که بتواند به‌طور گسترده‌ای استفاده شود. زیرا اگر بخواهید سازمان‌ها برنامه‌هایی را که اکنون روی CPU اجرا می‌شوند را بازنویسی کنند تا از شتاب‌دهنده‌های هوش مصنوعی استفاده کنند، در صورت تفاوت بسیار زیاد هزینه‌ها، باید بهره‌مندی افزایشی بسیار بالایی از شتاب‌دهنده‌های هوش مصنوعی داشته باشند تا تمایل به بازنویسی آن برنامه‌ها را داشته باشند—که این آستانه بسیار بالاتری است. اما اگر بتوانید هزینه‌های استنتاج را کاهش دهید، این آستانه بسیار پایین‌تر می‌شود و تمام برنامه‌ها به‌دلیل شتاب‌دهنده‌های هوش مصنوعی و استنتاج، بهتر، هوشمندتر و قدرتمندتر می‌شوند. بنابراین، پیوند بسیار حیاتی برای استفاده گسترده مشتریان از هوش مصنوعی، کاهش هزینه‌های استنتاج است و کسب‌وکار تراشه‌های ما بخش مهمی از این امر است. بله، واقعاً. می‌توانم از تجربه داخلی شرکت خود بگویم که واقعاً می‌تواند بسیار گران تمام شود. کارمندی از شرکت ما در سال‌های اخیر ۲ میلیون دلار هزینه کرده است—و کار ارزشمندی انجام داده است.

اما بله، احساس آن زمان این بود که: خب، استنتاج واقعاً ارزان نیست. پس یکی از کارهایی که انجام دادید، سرمایه‌گذاری‌هایی خصوصاً در شرکت‌های آنتروپیک و اوپن‌ای‌آی با مبالغ بسیار بزرگ بود؛ به یاد دارم ۱۸ میلیارد دلار برای آنتروپیک و حدود ۵۰ میلیارد دلار برای اوپن‌ای‌آی. پس چه چیزی باعث شد این سرمایه‌گذاری‌ها را انجام دهید؟ و این نوع سرمایه‌گذاری‌ها، همراه با سرمایه‌گذاری‌های مشابه در نوویدیا و سایر شرکت‌ها، باعث نگرانی وال استریت شده است، زیرا یادآور روزهای بد حباب اینترنت است. شما چگونه به این موضوع نگاه می‌کنید—به‌ویژه با توجه به اینکه آن‌ها مشتریان شما نیز هستند؟ چرا این امر منطقی است؟ هر دو این شرکت تیم‌های برجسته و شرکت‌های چشمگیری هستند؛ و نرخ رشد کسب‌وکار آن‌ها—حداقل از نظر درآمد—چیزی است که احتمالاً هرگز قبلاً ندیده‌ایم. واقعاً شگفت‌انگیز است.

پس برای ما ترکیبی از چند عامل است: نوع تیم‌هایی که این شرکت‌ها هستند، فناوری و مدل‌هایی که ایجاد می‌کنند و برخی از کاربردهایی که تولید می‌کنند؛ ما به تحول‌آفرینی هوش مصنوعی اعتقاد داریم؛ و معتقدیم این دو شرکت برای مدت طولانی‌تری از موفق‌ترین شرکت‌های این حوزه خواهند بود—البته همه شرکت‌های این حوزه برنده نخواهند شد، اما شرکت‌های بسیار موفقی ظهور خواهند کرد و ما معتقیم که این دو از آن‌ها خواهند بود. علاوه بر این، ما همکاری بسیار نزدیکی با آن‌ها داریم. بگذارید از آنتروپیک شروع کنم—ما مدت طولانی‌تری با آن‌ها همکاری داشته‌ایم. بسیاری از مشتریان ما از آنتروپیک در سرویس استنتاج ما «بردراک» استفاده می‌کنند. و معتقیم مشتریانی که از آنتروپیک در بردراک استفاده می‌کنند، موفق‌ترین مشتریان هستند. ما همکاری عمیقی با آن‌ها در زمینه تراشه‌ها داریم—آن‌ها مدتی است روی ترِینیوم کار می‌کنند. فکر می‌کنم این امر برای آنتروپیک بسیار خوب است و برای تیم ترِینیوم ما نیز بسیار خوب؛ و معتقیم هر دو طرف از یکدیگر بسیار چیزها آموخته‌اند. پس ما همکاری عمیقی داریم—چه این باور در آینده هوش مصنوعی باشد، چه باور ما در این شرکت‌ها، چه خود همکاری، سرمایه‌گذاری ما به‌عنوان بخشی از این شراکت منطقی است.

سپس از سوی OpenAI، ما تعداد بسیار زیادی مشتری داریم که می‌خواهند از OpenAI روی AWS استفاده کنند، اما به دلیل توافق‌های تجاری قبلی نمی‌توانستند این کار را انجام دهند. و فکر می‌کنم برای مدت طولانی هر دو شرکت احترام زیادی به یکدیگر داشته‌اند و تمایل قوی‌ای برای همکاری با هم نشان داده‌اند. بنابراین وضعیت این‌گونه است: پس از مجموعه‌ای از گفت‌وگوها در طی چند ماه—امکان اجرای OpenAI در Bedrock فراهم شد؛ ما محصول منحصر‌به‌فردی را با هم ایجاد کردیم، یعنی محیط اجرای حالت‌دار (stateful runtime environment)، و من معتقدم تمام عامل‌های هوشمند آینده به این روش ساخته خواهند شد؛ چون به حالت (state) نیاز دارید؛ و آنها، مانند Anthropic، تعهدات چندساله و چندگیگاواتی به Trainium داده‌اند. و ما معتقدیم این شرکت برای مدت طولانی یکی از موفق‌ترین شرکت‌ها در این حوزه خواهد بود. همه این موارد باعث می‌شود احساس کنیم تعمیق همکاری و سرمایه‌گذاری منطقی است. موضوع را عوض می‌کنیم و درباره نحوه استفاده از هوش مصنوعی برای ساختن یک شرکت صحبت می‌کنیم. به یاد دارم گفتید تیم Bedrock موتور استنتاج خود را با ۶ مهندس در ۷۶ روز بازسازی کرد که در غیر این صورت نیاز به ۴۰ نفر در طول یک سال داشت. تفاوت بسیار چشمگیری است.

و می‌دانید، آمازون به «تیم‌های دو پیتزا» معروف است. پس اکنون چه تفکری در طراحی سازمانی دارید؟ با توجه به این فناوری—که واقعاً همه چیز را تغییر می‌دهد. در طول سال‌ها ما بسیار تخصصی شده‌ایم: طراحان، مدیران محصول، مهندسان فرانت‌اند، مهندسان بک‌اند و غیره داریم. و اکنون به نظر می‌رسد همه دوباره عمومی‌شده‌اند. پس از منظر طراحی سازمانی، این روند را چگونه می‌بینید؟ بله، با آنچه گفتید موافقم. فکر می‌کنم تجربه Bedrockی که اشاره کردید برای همه ما بسیار چشم‌نواز بود.

ما هم زمان زیادی را صرف به اشتراک‌گذاری این داستان درونی کردیم تا کارکنان را الهام ببخشیم و یادآور شویم که چه چیزهایی ممکن است. چون با گذشت زمان چنین اتفاقاتی رخ خواهند داد—من ۲۹ سال در این شرکت هستم. از عنوان مدیر محصول کمکی شروع کردم و در آن زمان مسئولیت پنج محصول را به تنهایی بر عهده داشتم. و امروز، با موفقیت، گسترش و رشد محصولات شرکت، به جایی رسیده‌ایم که یک مدیر محصول فقط روی یک محصول کار می‌کند و تنها یک بخش از آن را مدیریت می‌کند—مثل اینکه فقط مسئول قیمت‌گذاری باشد. همه تخصص‌یافته‌تر شده‌اند و همه پذیرفته‌اند که اگر بخواهید رشد کنید و موفق شوید، این روش درست است. اما اینطور نیست و وقتی به همه کارهایی که هوش مصنوعی انجام می‌دهد نگاه می‌کنید، اینطور نیست.

مثلاً فقط هفته گذشته را در نظر بگیرید؛ ما در کسب‌وکار مصرف‌کننده روی عامل‌های هوشمند کارهایی انجام می‌دهیم. سرمایه‌گذاری زیادی در این زمینه داریم، اما ایده‌ای هیجان‌انگیز داشتیم و در روز پنج‌شنبه تصمیم گرفتیم ببینیم آیا می‌توانیم نمونه اولیه‌ای واقعاً کاربردی ایجاد کنیم. نتیجه چیست؟ چهار یا پنج نفر در طول آخر هفته شروع به کار کردند و تا روز شنبه، نمونه اولیه تا ۸۰٪ آماده انتشار بود. این واقعیت دارد—کاملاً دو دنیای متفاوت است. بنابراین من فکر می‌کنم این برای آینده سازمان‌ها به این معناست: اولاً، من معتقدم در آینده افراد کمتری کارهایی را که امروز انجام می‌دهیم انجام خواهند داد. فقط به میزان کدنویسی که توسط عامل‌های هوشمند انجام می‌شود نگاه کنید و ببینید چقدر از خدمات مشتریان، هوش تجاری و تحقیقات توسط آنها انجام می‌شود.

بله، به این فکر کنید که در آینده چگونه جداول ساخته می‌شوند، چند وکیل نیاز خواهید داشت—من فقط معتقدم که شما از انسان‌ها بیرون نخواهید شد، اما نیاز به تعداد کمتری انسان خواهید داشت؛ در گذشته، با رشد کسب‌وکارها، ما همواره افراد بیشتری را استخدام می‌کردیم، اما آینده چنین نخواهد بود. شغل‌های جدید و متفاوت ظاهر خواهند شد، بعضی از آنها را می‌شناسیم و برخی را هنوز نمی‌شناسیم. با پیشرفت هوش مصنوعی، ربات‌ها و فضا، اینها ظاهر خواهند شد. شغل‌های جدیدی از همه نوع پدید خواهد آمد، اما تعداد انسان‌های انجام‌دهنده وظایف امروزی کمتر خواهد بود. من معتقدم تیم‌ها بسیار کوچک‌تر از امروز خواهند بود. شما تیم‌های کوچک‌تری خواهید داشت که افراد در آنها می‌توانند بین‌وظیفه‌ای کار کنند؛ شما دیگر یک نفر را فقط مسئول یک بخش کوچک نخواهید کرد، چون مدل می‌تواند به شما ۸۰٪ از نتیجه را بدهد. در بسیاری از این وظایف مختلف، من فکر می‌کنم هر تیم از پایه‌ای بسیار بالاتر از گذشته شروع خواهد کرد، بنابراین من معتقدم شما قادر خواهید بود گسترده‌تر و سریع‌تر اختراع کنید.

من واقعاً معتقدم که تغییرات زیادی لازم است. بیشتر استارت‌آپ‌های امروزی از همان ابتدا به صورت عامل‌محور یا ذاتاً هوش‌مصنوعی شروع می‌شوند. و تمام شرکت‌های بلوغ‌یافته‌ای که مدتی در حال فعالیت بوده‌اند باید راهی برای ساختن با همان سرعت پیدا کنند. فکر می‌کنم برخی از آنها این کار را انجام خواهند داد. و همیشه این وضعیت وجود دارد: وقتی کسب‌وکار بزرگی با توانایی‌های متعدد و پایگاه مشتری وفادار دارید، برخی شرکت‌ها بسیار کند در یافتن راه‌حل خواهند بود و از نظر من در برابر استارت‌آپ‌ها آسیب‌پذیرتر خواهند بود.

و من پیش‌بینی می‌کنم شرکت‌ها مجبور خواهند شد تقریباً تمام کدهای خود را بازنویسی کنند تا قابلیت عامل‌دار شدن را به آنها بدهند؛ باید اجازه دهند عامل‌ها بتوانند بخش‌های مختلف کد را به‌روزرسانی کنند و باید محدودیت‌هایی در این زمینه ایجاد کنید. فکر می‌کنم فقط نگاه کردن به امنیت بسیار جالب است. اگر به تنش‌های مختلف اطراف مدل‌ها در یک یا دو ماه گذشته نگاه کنید، همه آنها بر سناریوهای بیشتر فانتزی‌محور متمرکز شده‌اند.

در این میان، این سناریوها امکان‌پذیر هستند: آیا امکان دارد یک بات‌نت مخرب همه چیز را تسخیر کند؟ من فکر می‌کنم امکان‌پذیر است؛ آیا امکان القای نیت مخرب در ربات‌ها وجود دارد؟ همه این‌ها امکان‌پذیر است. شخصاً من معتقدم که به عنوان یک صنعت، همراه با بخش‌های دولتی و خصوصی، برای حل این مسئله با هم همکاری خواهیم کرد. اما باید با تمرکز بر برخی موارد خاص شروع کنید. بله، اما بخش جالب این است که من فکر می‌کنم بحث‌های اخیر درباره این خطرات بیشتر از حد لازم نیست—این خطرات عمدتاً حول امنیت سایبری می‌چرخند. این مدل‌ها آنقدر قدرتمندند که می‌توانند آسیب‌پذیری‌های بسیار بیشتری را نسبت به گذشته که انسان‌ها هرگز پیدا نکرده‌اند، کشف کنند. شما ممکن است بحث کنید که آیا انسان‌ها می‌توانستند آنها را پیدا کنند، اما حقیقت این است که نکرده‌اند. بنابراین در آینده، من معتقدم زمان واکنش برنامه‌ها به تهدیدات امنیتی فوری باید در مقیاس دقیقه اندازه‌گیری شود.

وضعیت امروز این است: شما یک آسیب‌پذیری را پیدا می‌کنید، کسی آن را طبقه‌بندی می‌کند، کسی پچی را توسعه می‌دهد؛ و حتی اگر این بخش سریع انجام شود، اکثر شرکت‌ها به دلیل وابستگی‌های مختلف زمان زیادی برای اعمال آن می‌برند. در آینده، شما باید اعمال را در عرض دقایق انجام دهید. بنابراین اگر برنامه‌های خود را به‌طور واقعی برای به‌روزرسانی توسط عامل‌ها بازنویسی نکرده‌اید، در آن دنیای جدید هیچ شانسی نخواهید داشت. بنابراین من معتقدم همه سازمان‌ها دوباره ساخته خواهند شد و شرکت‌هایی که اولویت این کار را قرار دهند، در موقعیت بسیار بهتری نسبت به آن‌هایی قرار خواهند گرفت که این کار را انجام ندهند.

بله، و به نظر می‌رسد که به عنوان یک صنعت، ما در معماری‌سازی همه چیز—از سیستم‌های بزرگ تا دستگاه‌های تعبیه‌شده—با تمرکز بر معماری امنیت عملکرد ضعیفی داشته‌ایم. روز بازپس‌گیری فرا رسیده است. اما فکر می‌کنم خبر خوب این است که این فرصت عظیمی برای شرکت‌های جدید، تلاش‌های جدید و افراد برای انجام کارها ایجاد می‌کند. اما بله، همان‌طور که گفتیم، این تهدید—آن تهدیدهای نظری و سناریوهای فکری، خب، ممکن است اتفاق بیفتند یا نیفتند. اما این یک تهدید واضح و واقعی است.

بله، تقریباً تمام شرکای و مشتریانی که در سمت AWS با آنها صحبت می‌کنیم، صرف‌نظر از اندازه، همه شرکت‌ها نگران امنیت هستند. می‌دانید، ما کسب‌وکار خدمات حرفه‌ای داریم که به مشتریان در این زمینه کمک می‌کند و سرویسی به نام Continuum ساخته‌ایم که می‌تواند تعداد زیادی از این آسیب‌پذیری‌ها را شناسایی کرده و پچ‌هایی تولید کند. اما این کار، می‌دانید، گفتنش از انجامش آسان‌تر است. در واقع، چون بسیاری از شرکت‌ها و مهندسان گاهی احساس می‌کنند تمرکز بر امنیت آنقدر جذاب نیست، به راحتی منتظر می‌مانند تا چیزی اشتباه پیش بیاید. اما اگر داده‌های مهمی را محافظت می‌کنید، این ایده بدی است. علاوه بر این، من فکر می‌کنم در اکثر شرکت‌ها—برگردیم به گفت‌وگوی قبلی‌مان—تخصص‌یافتن در امنیت احتمالاً بدترین سناریو است: شما این مهندسان امنیت بسیار تخصصی را دارید که دوست ندارند با سایر مهندسان همکاری کنند، منابع کمیابی هستند و غیره.

نتیجه این است که در بیشتر شرکت‌ها، به‌ویژه شرکت‌های نرم‌افزاری، روش‌های امنیتی آن‌ها در توسعه نرم‌افزار بسیار ضعیف است. من معتقدم این وضعیت باید حتماً تغییر کند. خبر خوب این است که ابزارهایی در دسترس داریم که می‌توانند در حل این مشکل کمک‌کننده باشند. طبق آنچه گفتید، خبر خوب این است: باید آزمون‌گران نفوذ استخدام کنید، اما تعداد پرسنل امنیتی قابل استخدام محدود است و تنها می‌توانند تعداد محدودی از برنامه‌ها را پوشش دهند. ترکیب مدل‌ها با اتوماسیون امکان انجام آزمون‌های نفوذ جامع‌تری در سراسر سطح حمله را فراهم می‌کند و شما برخی یافته‌ها را کشف خواهید کرد که بدون شانس خوب احتمالاً هرگز به آن‌ها دست نمی‌یافتید. بنابراین، وقتی این بازار را مشاهده می‌کنیم، یک نکته جالب این است: با هوش مصنوعی می‌توان کارهای زیادی انجام داد. یک راه، استفاده از آن برای کاهش هزینه‌هاست؛ مثلاً کاهش تعداد حسابداران یا وکلا.

امروزه واقعاً تعداد زیادی از شرکت‌های سرمایه‌گذاری جسور می‌گویند: «خب، ما قصد خرید آن شرکت‌های قدیمی را داریم و هزینه‌هایشان را کاهش می‌دهیم.» این رویکرد هرگز ما را جذب نکرده است، چون فکر می‌کنیم: اگر این ایده شماست، آن‌گاه ایده‌تان بسیار محدود است. راه دیگر این است که بخواهیم چیزی ایجاد کنیم که جهان تاکنون هیچ‌گاه آن را ندیده است. این بسیار هیجان‌انگیز است. اما راه سوم این است که چیزی شبیه الکسا ایجاد کنیم: شما محصولی دارید — محصولی موفق — و سپس می‌گویید: «خب، بیایید این محصول را از صفر بازطراحی کنیم، چون اکنون پلتفرم جدیدی در اختیار داریم.» چگونه به این نقطه می‌رسید؟ در چه شرایطی معقول است؟ بله، فکر می‌کنم شما تمایز سه‌گانه‌ای جالب ایجاد کرده‌اید. و من معتقدم که، همان‌طور که اخیراً بحث کردیم، سازمان‌ها واقعاً تغییر خواهند کرد و سبک‌تر می‌شوند.

اگر این کار را به‌درستی انجام دهید، به سازندگان واقعاً برجسته و تیم‌های کوچک شما اجازه می‌دهد تا آنچه را که شما نوع دوم می‌نامید — یعنی چیزهایی که مردم هرگز ندیده‌اند — ایجاد کنند. و وقتی تجربه‌ای مثل آنچه قبلاً اشاره کردم داشته باشید — یعنی رسیدن به ۸۰٪ اجرای یک ایده جدید در عرض چهار روز — این موضوع برای افراد بسیار انگیزش‌بخش است و آن‌ها واقعاً بخش بیشتری از وقت آزاد و چرخه‌های تفکر غیرفعال خود را صرف ایجاد ایده‌های جدید خواهند کرد. برای من، این یکی از هیجان‌انگیزترین بخش‌های تحولات در حال رخ دادن با هوش مصنوعی است.

اما من همچنین معتقدم که برای شرکت‌های موجودی که قبلاً تجربه‌های مشتری موفق و مقیاس‌پذیری دارند، اگر هوش مصنوعی را صرفاً به‌عنوان راهی برای بهبود تدریجی تجربه‌ها درک کنند، احتمالاً سه تا پنج سال آینده دیگر آن تجربه‌های پیروزکننده را نخواهند داشت. زیرا من معتقدم که هر تجربه‌ای که می‌شناسیم — حتی آن‌هایی که کمترین احتمال تغییر را دارند — در چند سال آینده به‌دلیل هوش مصنوعی به‌طور قابل‌توجهی متفاوت خواهند شد.

بنابراین این بدان معناست که اگر آنچه می‌خواهید صرفاً بهبود تدریجی نباشد، باید راهی پیدا کنید تا تیم شما این برنامه‌ها را از صفر بازتعریف کند — با فرض اینکه امروزه آن‌ها را با تمام فناوری‌های جدید موجود می‌سازید. در برخی موارد، مانند الکسا، فکر می‌کنم این کار کاملاً آشکار است که باید انجام شود. «مغز» الکسا در زمان ایجاد آن واقعاً خلاقانه بود. اما به‌دلیل هوش مصنوعی تولیدی، قابلیت‌هایی که این «مغز» اکنون می‌تواند داشته باشد کاملاً متفاوت است؛ بنابراین اگر می‌خواهید تجربه مشتری عالی ارائه دهید و در بلندمدت مرتبط بمانید، باید مغز الکسا را دوباره طراحی کنید. این امر کاملاً آشکار است. البته، با وجود آشکار بودن، انجام آن در عمل بسیار دشوار است — زیرا تیم‌ها احساس ارتباط عاطفی با آنچه می‌سازند دارند، از آنچه می‌سازند افتخار می‌کنند و زخم‌های سخت‌کسب‌شده‌ای از درک آنچه کار می‌کند و آنچه کار نمی‌کند دارند.

اینکه تیم‌ها را متقاعد کنید تا کاملاً از ابتدا شروع کنند و دوباره تصور کنند، زمان‌بر است؛ زیرا تیم‌ها می‌گویند: «خب، ما این‌گونه کار نمی‌کنیم؛ قبلاً این روش را امتحان کردیم و جواب نداد.» یا چیزی شبیه به این. اما فکر می‌کنم چیزی که حتی دشوارتر است این است: بازسازی سایر تجربه‌های مصرف‌کننده ما — مانند کسب‌وکار خرده‌فروشی، یا Prime Video، Fire TV، Prime Music — در این تجربه‌ها، امروزه راه‌حل‌های فناوری بسیار بهتری وجود دارد، اما این موضوع آن‌قدر آشکار نیست. با این حال، من واقعاً معتقدم که در هر یک از این کسب‌وکارها باید آن‌ها را دوباره اختراع کنیم؛ و اکنون تیم‌هایی در حال کار بر روی نسخه‌های کاملاً بازطراحی‌شده این کسب‌وکارها هستند.

پس آیا فکر می‌کنم از ابتدا درست عمل خواهیم کرد؟ احتمالاً نه. ما راه‌هایی برای تکرار و پیشرفت پیدا خواهیم کرد، اما این فرآیند اکنون در حال تولید انواع ایده‌ها و تجربه‌های مشتری جدیدی است که برای ما بسیار جذاب است. سپس رقابت جالب این خواهد بود: آیا می‌خواهید تجربه‌ای کاملاً متفاوت — تقریباً مانند یک برنامه جدید — داشته باشید؟ یا می‌خواهید آن اجزای جدید به‌اندازه‌ای سریع پیشرفت کنند که بتوانید آن‌ها را در تجربه موجود ادغام کنید و به‌صورت تدریجی و اساسی تجربه کلی مشتری را در دو تا سه سال آینده تغییر دهید؟ در حالی که عناصر مؤثر را کشف می‌کنید. اما من واقعاً معتقدم که اگر می‌خواهید رهبری موفقی باشید، هر یک از این تجربه‌ها در سال‌های آینده باید متفاوت شوند.

بله، این یک چالش رهبری بسیار ظریف است. این موضوع مرا به زمانی یادآوری می‌کند که برای اولین بار مهندس شدم. من در مورد چیزی با شخصی بحث می‌کردم. رئیسم گفت: «گوش بده، بن، یک چیز را باید درک کنی: قبل از نوشتن اولین خط کد، همه چیز قابل بحث است؛ بعد از آن، تبدیل به باور می‌شود.» فکر می‌کنم شما هم با الکسا این تجربه را داشته‌اید. اما نکته جالب این است که تمام آن دانش، تمام آن تجربه، تمام آن چیزهایی که برای ساخت اولیه استفاده شده‌اند — اکنون می‌گویید: «خب، ما حاضریم بخش بزرگی از آن را برای ورود به این دنیای جدید کنار بگذاریم.»

و راستی، برای مشتریان هم همین‌طور است: شما گروه بزرگی از مشتریان دارید که از تجربه فعلی لذت می‌برند، درست است؟ بله، هر تغییر اساسی بزرگ — حداقل بر اساس تجربه من، شاید شما مثال‌هایی بیاورید که چنین نباشند — اما تقریباً هر تغییر اساسی بزرگ نیازمند تغییر عظیمی است: فناوری، محصول، تجربه مشتری و عناصر کسب‌وکار باید به‌اندازه‌ای جذاب باشند که مردم را وادار به تغییر کنند. اما حتی در این صورت، این تغییر به‌صورت خودکار رخ نمی‌دهد. این یک مدیریت تغییر عظیم است — دقیقاً مثل انتقال از استقرار در محیط‌های داخلی به ابر، همان نوع تغییر است: بسیاری از رهبران زیرساخت از آنچه ساخته‌اند افتخار می‌کنند، آن را کاملاً می‌شناسند، در مرکز اقدامات هستند و نمی‌خواهند چیزهای جدیدی یاد بگیرند.

همین اتفاق خواهد افتاد، دقیقاً مثل تجربه‌ای که قبلاً ذکر کردم. همین اصل برای بازسازی تمام تجربه‌های مشتری شما نیز اعمال خواهد شد. همه ما از آنچه در دهه گذشته در این تجربه‌ها ساخته‌ایم افتخار می‌کنیم، همه ما صد چیز داریم که می‌تواند آن‌ها را بهبود بخشد، همه ما از آن‌ها هیجان‌زده‌ایم و تمام ساعات بیداری‌مان را صرف آن‌ها می‌کنیم. فکر کردن اینکه «چگونه کاملاً از ابتدا شروع کنم»، هم از نظر عقلی و هم از نظر عاطفی دشوار است. بله، بدون شک.

a16z ۵۳:۰۶

همچنین، اندی، ما چند هفته پیش هاروودز و آکادمی جیسون را راه‌اندازی کردیم تا به جوانان کمک کنیم تا برای این تحولی که درباره‌اش صحبت می‌کنیم آماده شوند. شما اشاره کردید که هوش مصنوعی ساختن را آسان‌تر می‌کند، اما جوانان همچنان باید یاد بگیرند، یعنی تخصص واقعی کسب کنند. من کنجکاو هستم: اگر در سال ۲۰۲۶ هجده ساله بودید، چه توصیه‌ای به خودتان می‌دادید تا برای این تحولی که وارد آن می‌شویم آماده شوید؟

اندی جسی ۵۳:۲۹

خوب، من فرزندی ۲۵ ساله و فرزندی ۲۲ ساله دارم. بنابراین فکر می‌کنم فرزند ۲۲ ساله‌ام واقعاً زمانی شروع به پرواز کرد که ۱۹ ساله بود. من به‌سرعت فهمیدم: نمی‌توانم به آن‌ها بگویم که در آموزش از هوش مصنوعی استفاده نکنند. این قطار از ایستگاه حرکت کرده است. و فکر می‌کنم کار عاقلانه‌ای که دانشگاه‌ها باید انجام دهند، مقاومت در برابر آن نیست. من فکر می‌کنم این فقط ابزاری است که افراد از آن استفاده خواهند کرد.

اندی جسی ۵۳:۵۴

اما در عین حال، من معتقدم که تمام جوانان — و می‌خواهم بگویم که این برای ما هم صدق می‌کند، ما افراد زیادی داریم، فرهنگ نوشتنی داریم و همه از هوش مصنوعی برای نوشتن استفاده می‌کنند — می‌توانید تشخیص دهید که چه چیزی توسط هوش مصنوعی نوشته شده است: دقیقاً جور در نمی‌آید، آن بخش‌ها به‌خوبی به هم متصل نشده‌اند. و شما می‌دانید، بنابراین توصیه من به جوانان — که همین توصیه من به فرزندانم است — این است.

اندی جسی ۵۴:۱۸

شما نمی‌توانید از آن فرار کنید، می‌دانید، و نمی‌توانید انتظار داشته باشید که ناپدید شود. تأثیر عظیمی بر زندگی شما، بر همه‌ی تجربه‌هایی که سعی در استفاده از آن‌ها دارید، و در کار شما خواهد گذاشت؛ و به شما این امکان را می‌دهد تا به روش‌هایی اختراع کنید که پیش از این امکان‌پذیر نبود. بنابراین واقعاً باید آن را درک کنید، باید خودتان آن را یاد بگیرید، و باید از آن به‌طور گسترده استفاده کنید. باید امتحان کنید. کارهایی را امتحان کنید که خارج از منطقه‌ی امن شما هستند.

اندی جسی ۵۴:۴۸

هیچ‌کدام از دو فرزندم توسعه‌دهنده نیستند، اما آن‌ها— می‌دانید— از هوش مصنوعی برای ایجاد برنامه‌ها استفاده کرده‌اند. آن را به‌عنوان محور سازمان‌دهی روزانه‌تان و استفاده از ابزارها در محل کار در نظر بگیرید. اما فکر نمی‌کنم جایگزین استدلال و تفکر انتقادی شود. و همین موضوع در مورد دانشگاه‌ها نیز صدق می‌کند. من اغلب در این مورد از زوایای مختلفی فکر می‌کنم— مثلاً مدرسه‌ی کسب‌وکار را در نظر بگیرید. شما سه مورد برای تحلیل دریافت می‌کنید، باید مطالعات زیادی انجام دهید، یادداشت‌برداری کنید، مسائل اصلی را شناسایی کنید. سپس مجموعه‌ای از مواد ضمیمه دریافت می‌کنید که باید درباره‌ی آن‌ها نیز یادداشت‌برداری کنید. بعد باید ادغام کنید که طبق نظر شما شرکت چه اقدامی باید انجام دهد. و معمولاً افراد زیادی هستند که اصلاً این تکالیف را انجام نمی‌دهند— مطالعه نمی‌کنند، تحقیق نمی‌کنند، یادداشت‌برداری نمی‌کنند. و تمام این موارد را هوش مصنوعی می‌تواند به شما کمک کند، تا همه را سریع‌تر به نقطه‌ی شروع بالاتری برساند.

اندی جسی ۵۵:۵۲

اما می‌خواهم بگویم که واقعاً اتصال این نقاط و این قطعات— چه برای ایجاد یک استراتژی، یک اندیشه، یک طرح، یک محصول جدید یا یک تجربه‌ی مشتری جدید باشد— فکر نمی‌کنم هوش مصنوعی این کار را برای اکثر افراد و در اکثر مواقع انجام دهد. این را نمی‌گویم که هرگز اتفاق نخواهد افتاد.

اندی جسی ۵۶:۱۰

هنوز باور دارم که به قضاوت انسانی، خلاقیت، ابتکار، روحیه‌ی تجربه‌گری و توانایی تفکر درباره‌ی نحوه‌ی ارتباط تمام اجزا با یکدیگر برای خلق تجربه‌ها و کسب‌وکارهای شگفت‌انگیز نیاز داریم. بنابراین فکر می‌کنم باید از این ابزارها استفاده کنید، که کمک بزرگی خواهند بود، اما هنوز باور دارم که استدلال و تفکر انتقادی در همه‌ی کارهایی که انجام می‌دهیم بسیار مهم خواهد بود. ما به پایان نزدیک می‌شویم. کسب‌وکاری که انجام می‌دهید مثل…

a16z ۵۶:۴۳

از اتصالات ماهواره‌ای تا ربات‌ها و مراقبت‌های بهداشتی، بسیار متنوع است. منظورم این است که این اهداف بلندپروازانه واقعاً شگفت‌انگیز است. به این فکر کنید که این کسب‌وکار چگونه آغاز شد— می‌دانید، فروش کتاب از طریق اینترنت— و اکنون به اینجا رسیده است. چگونه این خطوط مختلف کسب‌وکار را به هم مرتبط می‌بینید؟ یا چگونه تصمیم می‌گیرید کدام خطوط کسب‌وکار ارزش سرمایه‌گذاری سال‌ها را دارند؟ یا چگونه اطمینان حاصل می‌کنید که خود را بیش از حد پراکنده نکرده‌اید؟ یا چگونه این چشم‌انداز بسیار گسترده را درک می‌کنید؟

اندی جسی ۵۷:۰۰

خطوط کسب‌وکار را به هم مرتبط می‌بینید؟ یا چگونه تصمیم می‌گیرید کدام خطوط کسب‌وکار ارزش سرمایه‌گذاری سال‌ها را دارند؟ یا چگونه اطمینان حاصل می‌کنید که خود را بیش از حد پراکنده نکرده‌اید؟ یا چگونه این چشم‌انداز بسیار گسترده را درک می‌کنید؟

اندی جسی ۵۷:۱۱

خب، چند نکته می‌گویم. اول، فکر می‌کنم در میانه‌ی سه تحول بزرگ‌ترین تحولات عمرمان— شاید در کل تاریخ— قرار داریم: هوش مصنوعی، رباتیک و توسعه‌ی فضایی. همه‌ی این‌ها عظیم هستند و تجربه‌های مشتری که همه‌ی ما با آن‌ها روبرو می‌شویم را اساساً تغییر خواهند داد. و ما دقیقاً در میانه‌ی این سه تحول بزرگ قرار داریم.

اندی جسی ۵۷:۴۰

اگر به کارهایی که در بخش خرده‌فروشی انجام می‌دهیم و نحوه‌ی استفاده‌مان از ربات‌ها نگاه کنید، و همچنین کارهایی که در حوزه‌ی هوش مصنوعی انجام می‌دهیم— که شامل تسهیل ایجاد برنامه‌ها و عامل‌های موفق هوش مصنوعی برای سازندگان داخلی و خارجی، و همچنین بازسازی تمام تجربه‌های مصرف‌کننده‌ی ما می‌شود.

اندی جسی ۵۷:۵۸

اگر درباره‌ی آمازون لئو— مجموعه‌ی ماهواره‌های مدار پایین زمین که برای ۵۰۰ میلیون خانوار در سراسر جهان که به اینترنت پهن‌باند دسترسی ندارند می‌سازیم— فکر کنید، تبدیل‌های شگفت‌انگیزی در حال رخ دادن است و ما فرصتی داریم تا به مشتریان کمک کنیم تا از این تحولات برای بهبود زندگی‌شان استفاده کنند. و روشی که ما این کار را انجام می‌دهیم، به مشتریان کمک می‌کند و همچنین کسب‌وکار پایدار بلندمدتی برای ما ایجاد می‌کند. و فکر می‌کنم فرصتی داریم تا در حوزه‌های بیشتری برای مشتریان مرتبط‌تر شویم. این حتی شامل کارهایی که در بخش فروش مواد غذایی، حمل‌ونقل خودران و مراقبت‌های بهداشتی انجام می‌دهیم نیز نشده است.

اندی جسی ۵۸:۴۷

در مورد نحوه‌ی سازمان‌دهی خود، در طول سال‌ها بحث‌های داخلی زیادی در این زمینه داشته‌ایم و بسیاری از بیرونی‌ها نیز همین سؤال را پرسیده‌اند: آیا این امر خود را بیش از حد پراکنده می‌کند؟ فکر می‌کنم این تا حدی به نحوه‌ی سازمان‌دهی خود و میزان سرمایه‌گذاری‌ای که آماده‌ی انجام آن هستید بستگی دارد. زیرا ما اجازه نمی‌دهیم گروهی از افراد چندین کسب‌وکار را مدیریت کنند؛ بلکه به‌صورت غیرمتمرکز و «تک‌رشته‌ای» سازمان‌دهی می‌کنیم. طالبی که رهبران و سازندگان مناسبی روی این تیم‌ها وجود داشته باشند، تجربه‌ای به اندازه‌ی کافی بزرگ برای راندن معیارهای رشد داشته باشند، و ایده‌های متمایزی در حوزه‌ای که به‌خوبی پوشش داده نشده باشند، فرصت دارید تا همزمان بر روی بسیاری از این موارد کار کنید— و ما این کار را مدت‌هاست انجام می‌دهیم. سپس مسئله به میزان سرمایه‌گذاری‌ای که آماده‌ی انجام آن هستید بستگی دارد.

بعضی شرکت‌ها— کاملاً قابل درک است— می‌گویند: ما فقط می‌خواهیم کار خود را انجام دهیم، به کسب‌وکار اصلی‌مان پایبند می‌مانیم و آن را رشد می‌دهیم. البته این نیز می‌تواند استراتژی بسیار موفقی باشد. و ما نیز بسیار متمرکز بر ادامه‌ی رشد و تقویت کسب‌وکار موجود خود هستیم و فکر می‌کنم این کار را با سرعت خوبی انجام می‌دهیم. اما تجربه‌های مشتری بسیار دیگری وجود دارد که می‌دانیم مشتریان واقعاً می‌خواهند به ما کمک کنیم تا حل‌شان کنیم و ما می‌توانیم— این کار به مشتریان کمک می‌کند و همچنین کسب‌وکار ما را در بلندمدت تغییر می‌دهد. بنابراین ما ادامه خواهیم داد. این نتیجه‌گیری الهام‌بخشی است— بلندپروازی بی‌پایان. اندی، بسیار سپاسگزارم که در این برنامه حضور یافتید. بله، سپاسگزارم که من را دعوت کردید. بسیار سپاسگزارم، همه‌ی شما.