मुझे यकीन नहीं है कि AI बुलबुला मौजूद है

टिप्पणीकार इस पर बहस करते हैं कि क्या आज के विशाल AI निवेश और आसमान छूते मूल्यांकन एक पारंपरिक बुलबुला हैं या एक परिवर्तनकारी तकनीक पर तर्कसंगत दांव। कई लोग तर्क देते हैं कि infrastructure spending, circular financing, junk-rated debt, धीमी होती revenue growth और तीखी open-source प्रतिस्पर्धा Anthropic और OpenAI जैसी firms को जरूरत से ज़्यादा फैला हुआ दिखाती है, भले ही AI खुद यहाँ रहने के लिए है। दूसरे जवाब देते हैं कि मांग, productivity gains, और दीर्घकालिक strategic या geopolitical value फिर भी build-out को उचित ठहरा सकते हैं, लेकिन मानते हैं कि returns वर्तमान market darlings से अलग खिलाड़ियों को मिल सकते हैं और कुछ data center तथा model providers के विफल होने की संभावना है.

वित्तीय बुलबुला बनाम टिकाऊ उछाल

  • कई लोग तर्क देते हैं कि “बुलबुला” मूल्यांकन और कर्ज के बारे में है, न कि इस बारे में कि AI काम करता है या नहीं।
  • संदेहवादी ये बातें उजागर करते हैं:
    • डेटा सेंटर्स और GPUs के लिए भारी capex, जो अक्सर अपारदर्शी, चक्रीय कर्ज से वित्तपोषित होता है (GPU-समर्थित सौदे, SPVs)।
    • Anthropic का S‑1 बढ़ते परिचालन घाटे, विशाल गैर-रद्द करने योग्य compute प्रतिबद्धताओं, और संभवतः “junk” रेटिंग वाले कर्ज को दिखाता है।
    • CoreWeave जैसी neoclouds के bond yields दो अंकों में हैं और CDS महंगे हैं, जिन्हें तनाव के संकेत माना जाता है।
  • दूसरे लोग जवाब देते हैं:
    • बड़े AI खिलाड़ी और hyperscalers अब भी मजबूत राजस्व वृद्धि दिखा रहे हैं; कुछ तिमाहियों में कुछ वित्तीय प्रभावों से पहले सकारात्मक परिचालन आय दिखती है।
    • Big Tech के P/E ratios अब भी 20s में हैं, dot‑com के चरम स्तरों जैसे नहीं।
    • भले ही कुछ फर्में विफल हो जाएँ, व्यापक अर्थव्यवस्था का “collapse” होना ज़रूरी नहीं; नुकसान निवेशकों और debt holders पर केंद्रित हो सकते हैं।

इन्फ्रास्ट्रक्चर अर्थशास्त्र और हार्डवेयर जीवनचक्र

  • लेखक का “एक बार का data center build” वाला दावा काफी विवादित है।
  • टिप्पणीकार इस पर ज़ोर देते हैं:
    • GPUs और networking DC लागत का बड़ा हिस्सा हैं और उनकी प्रतिस्पर्धी आयु छोटी होती है (अक्सर 3–5 साल के रूप में मॉडल की जाती है; failure rates और नए generations refresh को प्रेरित करते हैं)।
    • Power, cooling, और maintenance निरंतर चलते रहते हैं; hardware obsolescence assets को फँसा सकती है।
  • दूसरे लोग ऐसे विश्लेषण उद्धृत करते हैं जहाँ servers कुल लागत का लगभग 60% हैं; buildings और power infra लगभग 20 वर्षों में amortize होते हैं, लेकिन hardware अब भी एक घूमता हुआ capex बोझ बना रहता है।

मांग, उपयोगिता, और business models

  • इस पर व्यापक सहमति है कि LLMs वास्तव में उपयोगी हैं, विशेष रूप से coding, math, technical work, और कुछ knowledge tasks के लिए।
  • वास्तविक मांग की गहराई पर असहमति है:
    • कुछ लोग “massive unmet demand,” तेज़ी से बढ़ती revenues, और भविष्य के ट्रिलियन‑डॉलर markets (dev tools, assistants, science, surveillance, ads) देखते हैं।
    • दूसरे लोग नोट करते हैं कि कई enterprise pilots कम किए जा रहे हैं, profit models पतले या अस्पष्ट हैं, और high-token workloads niche हैं जबकि अधिकतर use cases हल्के हैं।
  • कई लोग “AI as transformative tech” और “current frontier labs deserving multi‑trillion valuations” के बीच अंतर करते हैं।

प्रतिस्पर्धा, commoditization, और open models

  • Open-weight और Chinese models (जैसे DeepSeek, Qwen, GLM) क्षमता के अंतर को बहुत कम लागत पर तेज़ी से पाटते दिख रहे हैं।
  • इससे ये अपेक्षाएँ बनती हैं:
    • frontier labs के लिए price wars और shrinking margins।
    • यह विश्वास कि “good enough” सस्ते models और local/on‑prem inference यह सीमित करेंगे कि closed providers कितना शुल्क ले सकते हैं।
  • दूसरे मानते हैं कि कई enterprises फिर भी top models, integrations, और perceived safety/trust के लिए premium चुकाएँगे।

पिछली बुलबुलों से तुलना और सामाजिक framing

  • railroads, canals, fiber, dot‑com, housing, crypto, VR से बार-बार तुलना की जाती है:
    • तकनीकें बनी रहीं; कई firms और investors नहीं।
  • कुछ लोग कहते हैं कि “AI bubble” की चर्चा आंशिक रूप से wishcasting है: यह आशा कि hype टूटे और जीवन पहले जैसा हो जाए।
  • दूसरे डरते हैं कि एक bust भी structural shifts को नहीं मिटाएगा: job loss, और भी sloppy software/content, तथा power और data का संकेंद्रण।