ابتدائی جھٹکا: DeepSeek اور کارکردگی کا سراب
اس سال کے شروع میں چین کے DeepSeek AI کے ابھرنے نے ٹیک سرمایہ کاری کے منظر نامے میں ہلچل مچا دی۔ اس کا بظاہر انقلابی نقطہ نظر، جو نمایاں طور پر کم کمپیوٹیشنل اوور ہیڈ کے ساتھ طاقتور مصنوعی ذہانت کا وعدہ کرتا تھا، نے فوری طور پر قیاس آرائیوں کو جنم دیا۔ جلد ہی ایک بیانیہ تشکیل پا گیا: شاید AI انفراسٹرکچر کی بے لگام، مہنگی توسیع، جس کی خصوصیت خصوصی چپس اور سسٹمز کی بڑے پیمانے پر خریداری ہے، سست ہونے والی تھی۔ مارکیٹ نے ردعمل ظاہر کیا، اس یقین کی عکاسی کرتے ہوئے کہ لاگت مؤثر AI کا ایک نیا دور متوقع اخراجات میں زبردست کمی لا سکتا ہے۔
تاہم، صنعت کے ذہین افراد کے حالیہ اعلیٰ سطحی اجتماع سے حاصل ہونے والی بصیرتیں بالکل مختلف تصویر پیش کرتی ہیں۔ Bloomberg Intelligence کی جانب سے نیویارک میں منعقدہ ایک جنریٹو AI کانفرنس نے تجویز کیا کہ ابتدائی تشریح، جو صرف ممکنہ لاگت کی بچت پر مرکوز تھی، بڑی کہانی سے محروم رہی۔ اخراجات میں کمی کا اشارہ دینے کے بجائے، اس تقریب نے زیادہ AI صلاحیت کی تقریباً ناقابل تسخیر بھوک کو اجاگر کیا۔ اتفاق رائے کٹوتی کرنے کے بارے میں نہیں تھا؛ یہ اس بارے میں تھا کہ ذہین نظاموں کی تیزی سے بڑھتی ہوئی بھوک کو کیسے پورا کیا جائے، یہاں تک کہ شدت سے یہ خواہش کرتے ہوئے کہ مینو کم مہنگا ہو۔
میدان جنگ سے آوازیں: صلاحیت کی ناقابل تسخیر پیاس
دن بھر جاری رہنے والی تقریب کے دوران ہونے والی بات چیت، جس میں ڈویلپرز، حکمت عملی سازوں اور سرمایہ کاروں کو اکٹھا کیاگیا، مسلسل بڑھتی ہوئی طلب کے موضوع کے گرد گھومتی رہی جو یادگار سرمایہ کاری کو آگے بڑھا رہی ہے۔ Bloomberg Intelligence کے سینئر ٹیکنالوجی تجزیہ کار اور تقریب کے منتظمین میں سے ایک، Mandeep Singh نے مروجہ جذبات کو مختصر طور پر بیان کیا۔ متعدد پینلز اور ماہرین کی بات چیت پر غور کرتے ہوئے، انہوں نے ایک عالمگیر تکرار کو نوٹ کیا: شامل کوئی بھی شخص محسوس نہیں کرتا تھا کہ ان کے پاس کافی AI صلاحیت ہے۔ غالب احساس زیادہ کی ضرورت کا تھا، نہ کہ بہت زیادہ ہونے کا۔
اہم بات یہ ہے کہ Singh نے مزید کہا، ‘انفراسٹرکچر ببل’ کا خطرہ، جو تیزی سے پھیلتے ہوئے ٹیک سیکٹرز میں ایک عام خوف ہے، گفتگو سے نمایاں طور پر غائب تھا۔ توجہ پوری صنعت کو درپیش بنیادی چیلنج پر مرکوز رہی۔ Singh کے ساتھی اور Bloomberg Intelligence کے IT سروسز اور سافٹ ویئر کے سینئر تجزیہ کار، Anurag Rana نے اسے سب سے اہم سوال کے طور پر پیش کیا: ‘ہم اس [AI انفراسٹرکچر کی تعمیر] کے چکر میں کہاں ہیں؟’
یہ تسلیم کرتے ہوئے کہ اس بڑے پیمانے پر تعمیر کے عین مرحلے کی نشاندہی کرنا اب بھی مشکل ہے (‘کوئی نہیں جانتا’ یقینی طور پر، Rana نے اعتراف کیا)، DeepSeek کے رجحان نے بلاشبہ نقطہ نظر کو تبدیل کر دیا۔ اس نے امید کی ایک قوی خوراک داخل کی کہ اہم AI ورک لوڈز کو ممکنہ طور پر زیادہ اقتصادی طور پر سنبھالا جا سکتا ہے۔ ‘DeepSeek نے بہت سے لوگوں کو ہلا کر رکھ دیا،’ Rana نے مشاہدہ کیا۔ مطلب واضح تھا: اگر نفیس AI ماڈلز واقعی کم مطالبہ کرنے والے ہارڈ ویئر پر مؤثر طریقے سے چل سکتے ہیں، تو شاید بڑے منصوبے، جیسے کہ کئی سو ارب ڈالر کے اقدامات جن کے بارے میں افواہیں ہیں کہ بڑے ٹیک کھلاڑیوں پر مشتمل کنسورشیا کے ذریعے منصوبہ بندی کی جا رہی ہے، کا دوبارہ جائزہ لیا جا سکتا ہے یا مختلف پیمانے پر کیا جا سکتا ہے۔
Rana کے مطابق، پوری صنعت میں گونجنے والا خواب یہ ہے کہ AI آپریشنل لاگت، خاص طور پر inference (وہ مرحلہ جہاں تربیت یافتہ ماڈلز پیشین گوئیاں یا مواد تیار کرتے ہیں) کے لیے، گزشتہ دہائی میں کلاؤڈ کمپیوٹنگ اسٹوریج میں دیکھی گئی ڈرامائی کمی کی پیروی کرے۔ انہوں نے یاد کیا کہ Amazon Web Services (AWS) جیسے پلیٹ فارمز پر ڈیٹا کی بڑی مقدار کو ذخیرہ کرنے کی معاشیات تقریباً آٹھ سالوں میں ڈرامائی طور پر بہتر ہوئی۔ ‘لاگت کے منحنی خطوط میں وہ کمی… معاشیات اچھی تھیں،’ انہوں نے کہا۔ ‘اور یہی سب امید کر رہے ہیں، کہ inference کی طرف… اگر منحنی خطوط اس سطح تک گر جاتا ہے، اوہ میرے خدا، AI پر اپنانے کی شرح… شاندار ہو گی۔’ Singh نے اتفاق کیا، یہ نوٹ کرتے ہوئے کہ DeepSeek کی آمد نے بنیادی طور پر ‘کارکردگی حاصل کرنے کے بارے میں ہر ایک کی ذہنیت کو تبدیل کر دیا ہے۔’
کارکردگی کی یہ آرزو کانفرنس کے سیشنز میں واضح تھی۔ جبکہ متعدد پینلز نے انٹرپرائز AI منصوبوں کو تصوراتی مراحل سے لائیو پروڈکشن میں منتقل کرنے کی عملیتوں پر غور کیا، ایک متوازی بحث نے ان AI ماڈلز کی تعیناتی اور چلانے سے وابستہ اخراجات کو کم کرنے کی اہم ضرورت پر مسلسل زور دیا۔ مقصد واضح ہے: رسائی کو جمہوری بنانا AI کو ایپلی کیشنز اور صارفین کی وسیع رینج کے لیے اقتصادی طور پر قابل عمل بنا کر۔ Bloomberg کے اپنے چیف ٹیکنالوجسٹ، Shawn Edwards نے تجویز پیش کی کہ DeepSeek ضروری نہیں کہ مکمل طور پر حیران کن ہو، بلکہ ایک عالمگیر خواہش کی طاقتور مثال ہے۔ ‘اس نے مجھے یہ سوچنے پر مجبور کیا کہ یہ بہت اچھا ہوگا اگر آپ ایک چھڑی لہرا سکیں اور یہ ماڈلز ناقابل یقین حد تک مؤثر طریقے سے چلیں،’ انہوں نے تبصرہ کیا، اس خواہش کو AI ماڈلز کے پورے سپیکٹرم تک بڑھاتے ہوئے، نہ کہ صرف ایک مخصوص پیش رفت تک۔
پھیلاؤ کا اصول: کمپیوٹ ڈیمانڈ کو ہوا دینا
ماہرین کی جانب سے کارکردگی کی تلاش کے باوجود AI انفراسٹرکچر میں مسلسل، خاطر خواہ سرمایہ کاری کی توقع کی بنیادی وجوہات میں سے ایک AI ماڈلز کا پھیلاؤ ہے۔ نیویارک کانفرنس کے دوران ایک بار بار آنے والا موضوع ایک واحد، یک سنگی AI ماڈل کے تصور سے فیصلہ کن اقدام تھا جو تمام کاموں کو سنبھالنے کی صلاحیت رکھتا ہو۔
- ایک خاندانی معاملہ: جیسا کہ Bloomberg کے Edwards نے کہا، ‘ہم ماڈلز کا ایک خاندان استعمال کرتے ہیں۔ بہترین ماڈل جیسی کوئی چیز نہیں ہے۔’ یہ بڑھتی ہوئی سمجھ کی عکاسی کرتا ہے کہ مختلف AI آرکیٹیکچرز مختلف کاموں میں مہارت رکھتے ہیں - زبان کی تخلیق، ڈیٹا کا تجزیہ، تصویر کی شناخت، کوڈ کی تکمیل، وغیرہ۔
- انٹرپرائز کسٹمائزیشن: پینلسٹس نے وسیع پیمانے پر اتفاق کیا کہ اگرچہ بڑے، عمومی مقصد کے ‘foundation’ یا ‘frontier’ ماڈلز بڑی AI لیبز کے ذریعے تیار اور بہتر ہوتے رہیں گے، کاروبار کے اندر اصل کارروائی ممکنہ طور پر سینکڑوں یا ہزاروں خصوصی AI ماڈلز کی تعیناتی پر مشتمل ہے۔
- Fine-Tuning اور ملکیتی ڈیٹا: ان میں سے بہت سے انٹرپرائز ماڈلز کو fine-tuning نامی عمل کے ذریعے بیس ماڈلز سے ڈھالا جائے گا۔ اس میں کمپنی کے مخصوص، اکثر ملکیتی، ڈیٹا پر پہلے سے تربیت یافتہ نیورل نیٹ ورک کو دوبارہ تربیت دینا شامل ہے۔ یہ AI کو منفرد کاروباری سیاق و سباق، اصطلاحات، اور کسٹمر کے تعاملات کو سمجھنے کی اجازت دیتا ہے، جو ایک عام ماڈل کے مقابلے میں کہیں زیادہ متعلقہ اور قیمتی نتائج فراہم کرتا ہے۔
- ترقی کو جمہوری بنانا: ڈیٹا سائنس پلیٹ فارم Dataiku کی نمائندگی کرنے والے Jed Dougherty نے انٹرپرائز AI ایجنٹس کے لیے ‘ماڈلز کے درمیان اختیاریت’ کی ضرورت پر روشنی ڈالی۔ انہوں نے کمپنیوں کو اپنے AI ٹولز پر کنٹرول، تخلیق کی صلاحیتیں، اور auditability دینے کی اہمیت پر زور دیا۔ ‘ہم یہ چیزیں بنانے کے اوزار لوگوں کے ہاتھ میں دینا چاہتے ہیں،’ Dougherty نے زور دیا۔ ‘ہم نہیں چاہتے کہ دس PhDs تمام ایجنٹس بنائیں۔’ ترقی میں وسیع تر رسائی کی طرف یہ تحریک خود ان تقسیم شدہ تخلیقی کوششوں کی حمایت کے لیے مزید بنیادی ڈھانچے کی ضرورت کا مطلب ہے۔
- برانڈ کے لیے مخصوص AI: تخلیقی صنعتیں ایک اہم مثال پیش کرتی ہیں۔ Adobe میں نئے کاروباری منصوبوں کی قیادت کرنے والی Hannah Elsakr نے اپنی حکمت عملی کی وضاحت کی جو کسٹم ماڈلز پر ایک کلیدی تفریق کار کے طور پر شرط لگا رہی ہے۔ ‘ہم آپ کے برانڈ کے لیے کسٹم ماڈل ایکسٹینشنز کو تربیت دے سکتے ہیں جو ایک نئی اشتہاری مہم کے لیے مددگار ثابت ہو سکتے ہیں،’ انہوں نے مثال دی، یہ ظاہر کرتے ہوئے کہ کس طرح AI کو مخصوص برانڈ کی جمالیات اور پیغام رسانی کو برقرار رکھنے کے لیے تیار کیا جا سکتا ہے۔
ماڈلز کے تنوع سے ہٹ کر، کارپوریٹ ورک فلوز کے اندر AI agents کی بڑھتی ہوئی تعیناتی پروسیسنگ ڈیمانڈ کا ایک اور اہم محرک ہے۔ ان ایجنٹس کو نہ صرف غیر فعال ٹولز کے طور پر بلکہ فعال شرکاء کے طور پر تصور کیا جاتا ہے جو کثیر مرحلہ کام انجام دینے کی صلاحیت رکھتے ہیں۔
Microsoft کے Copilot Studio ایجنٹس اور آٹومیشن کی کوششوں کے سربراہ Ray Smith نے ایک ایسے مستقبل کی پیش گوئی کی جہاں صارفین Copilot جیسے متحد انٹرفیس کے ذریعے ممکنہ طور پر سینکڑوں خصوصی ایجنٹس کے ساتھ تعامل کریں گے۔ ‘آپ پورے عمل کو ایک ایجنٹ میں نہیں ٹھونسیں گے، آپ اسے حصوں میں تقسیم کریں گے،’ انہوں نے وضاحت کی۔ یہ ایجنٹس، انہوں نے تجویز کیا، بنیادی طور پر پروگرامنگ کی ‘نئی دنیا میں ایپس’ ہیں۔ وژن یہ ہے کہ صارفین صرف اپنا مقصد بیان کریں - ‘اسے بتائیں کہ ہم کیا حاصل کرنا چاہتے ہیں’ - اور ایجنٹ ضروری اقدامات کو منظم کرتا ہے۔ ‘Agentic ایپس صرف ورک فلو کا ایک نیا طریقہ ہیں،’ Smith نے کہا، اس بات پر زور دیتے ہوئے کہ اس وژن کو سمجھنا تکنیکی امکان کا معاملہ کم ہے (‘یہ سب تکنیکی طور پر ممکن ہے’) اور ‘جس رفتار سے ہم اسے بناتے ہیں’ اس کے بارے میں زیادہ ہے۔
AI ایجنٹس کو روزمرہ کی تنظیمی عمل میں گہرائی سے شامل کرنے کی یہ کوشش لاگت میں کمی اور موثر تعیناتی کے دباؤ کو مزید تیز کرتی ہے۔ مائیکرو پروسیسر کی بڑی کمپنی ARM Holdings میں پروڈکٹ مینجمنٹ کے سربراہ James McNiven نے چیلنج کو رسائی کے لحاظ سے پیش کیا۔ ‘ہم زیادہ سے زیادہ ڈیوائسز پر رسائی کیسے فراہم کریں؟’ انہوں نے غور کیا۔ مخصوص کاموں میں ‘PhD-level’ صلاحیتوں کے قریب پہنچنے والے ماڈلز کا مشاہدہ کرتے ہوئے، انہوں نے برسوں پہلے ترقی پذیر ممالک میں موبائل ادائیگی کے نظام لانے کے تبدیلی کے اثرات سے موازنہ کیا۔ بنیادی سوال باقی ہے: ‘ہم اس [AI صلاحیت] کو ان لوگوں تک کیسے پہنچائیں جو اس صلاحیت کو استعمال کر سکتے ہیں؟’ نفیس AI ایجنٹس کو افرادی قوت کے وسیع حصے کے لیے معاونین کے طور پر آسانی سے دستیاب کرانا نہ صرف ہوشیار سافٹ ویئر بلکہ موثر ہارڈ ویئر اور، لامحالہ، مزید بنیادی ڈھانچے کی سرمایہ کاری کی ضرورت ہے، یہاں تک کہ فی کمپیوٹیشن کارکردگی بہتر ہوتی ہے۔
پیمانے کی رکاوٹیں: سلیکون، پاور، اور کلاؤڈ دیو
یہاں تک کہ سب سے زیادہ استعمال ہونے والے، عام فاؤنڈیشن ماڈلز بھی حیران کن رفتار سے بڑھ رہے ہیں، جو موجودہ انفراسٹرکچر پر زبردست دباؤ ڈال رہے ہیں۔ Amazon Web Services (AWS) کے لیے کمپیوٹنگ اور نیٹ ورکنگ کی نگرانی کرنے والے Dave Brown نے انکشاف کیا کہ ان کا پلیٹ فارم اکیلے صارفین کو تقریباً 1,800 مختلف AI ماڈلز تک رسائی فراہم کرتا ہے۔ انہوں نے AWS کی ان طاقتور ٹولز کو چلانے کی ‘لاگت کو کم کرنے کے لیے بہت کچھ کرنے’ پر شدید توجہ مرکوز کرنے پر زور دیا۔
AWS جیسے کلاؤڈ فراہم کنندگان کے لیے ایک کلیدی حکمت عملی ان کے اپنے کسٹم سلیکون تیار کرنا شامل ہے۔ Brown نے AWS کے ڈیزائن کردہ چپس، جیسے کہ ان کے Trainium پروسیسرز جو AI ٹریننگ کے لیے آپٹمائزڈ ہیں، کے بڑھتے ہوئے استعمال پر روشنی ڈالی، یہ کہتے ہوئے، ‘AWS دیگر کمپنیوں کے پروسیسرز کے مقابلے میں اپنے زیادہ پروسیسرز استعمال کر رہا ہے۔’ خصوصی، اندرون خانہ ہارڈ ویئر کی طرف یہ اقدام کارکردگی اور لاگت پر کنٹرول حاصل کرنے، Nvidia، AMD، اور Intel جیسے عمومی مقصد کے چپ سپلائرز پر انحصار کم کرنے کا مقصد ہے۔ ان کوششوں کے باوجود، Brown نے صاف گوئی سے بنیادی حقیقت کو تسلیم کیا: ‘اگر لاگت کم ہوتی تو صارفین زیادہ کرتے۔’ طلب کی حد فی الحال ممکنہ ایپلی کیشنز کی کمی کے بجائے بجٹ کی رکاوٹوں سے زیادہ متعین ہے۔
معروف AI ڈویلپرز کے لیے درکار وسائل کا پیمانہ بہت بڑا ہے۔ Brown نے Anthropic کے ساتھ AWS کے روزانہ تعاون کو نوٹ کیا، جو Claude فیملی کے نفیس لینگویج ماڈلز کے تخلیق کار ہیں۔ Anthropic کے ایپلیکیشن پروگرامنگ انٹرفیس کے سربراہ Michael Gerstenhaber نے Brown کے ساتھ بات کرتے ہوئے، جدید AI کی کمپیوٹیشنل شدت کی نشاندہی کی، خاص طور پر پیچیدہ استدلال یا ‘سوچ’ کے لیے ڈیزائن کیے گئے ماڈلز۔ یہ ماڈلز اکثر اپنے جوابات کے لیے تفصیلی مرحلہ وار وضاحتیں تیار کرتے ہیں، جس میں نمایاں پروسیسنگ پاور استعمال ہوتی ہے۔ ‘سوچنے والے ماڈلز بہت زیادہ صلاحیت استعمال کرنے کا سبب بنتے ہیں،’ Gerstenhaber نے کہا۔
جبکہ Anthropic ‘prompt caching’ (وسائل بچانے کے لیے پچھلے تعاملات سے کمپیوٹیشنز کو ذخیرہ کرنا اور دوبارہ استعمال کرنا) جیسی آپٹیمائزیشن تکنیکوں پر AWS کے ساتھ فعال طور پر کام کرتا ہے، بنیادی ہارڈ ویئر کی ضرورت بہت زیادہ رہتی ہے۔ Gerstenhaber نے صاف صاف کہا کہ Anthropic کو صرف اپنے موجودہ ماڈلز کے سوٹ کو چلانے کے لیے ‘کئی ڈیٹا سینٹرز میں’ تقسیم شدہ ‘لاکھوں ایکسلریٹرز’ - خصوصی AI چپس - کی ضرورت ہے۔ یہ صرف ایک بڑے AI کھلاڑی کی بنیاد رکھنے والے کمپیوٹ وسائل کے سراسر پیمانے کا ٹھوس احساس فراہم کرتا ہے۔
سلیکون کے وسیع بیڑے کی خریداری اور انتظام کے چیلنج کو بڑھانا AI سے وابستہ بڑھتی ہوئی توانائی کی کھپت ہے۔ Brown نے اسے ایک اہم، اور تیزی سے بڑھتی ہوئی، تشویش کے طور پر اجاگر کیا۔ موجودہ ڈیٹا سینٹرز جو شدید AI ورک لوڈز کی حمایت کرتے ہیں وہ پہلے ہی سینکڑوں میگاواٹ میں ماپی جانے والی بجلی استعمال کر رہے ہیں۔ تخمینے بتاتے ہیں کہ مستقبل کی ضروریات لامحالہ گیگاواٹ رینج تک چڑھ جائیں گی - بڑے پاور پلانٹس کی پیداوار۔ ‘یہ جو بجلی استعمال کرتا ہے،’ Brown نے AI کا حوالہ دیتے ہوئے خبردار کیا، ‘وہ بڑی ہے، اور بہت سے ڈیٹا سینٹرز میں اس کا نقش بڑا ہے۔’ یہ بڑھتی ہوئی توانائی کی طلب نہ صرف بہت زیادہ آپریشنل اخراجات پیش کرتی ہے بلکہ AI انفراسٹرکچر کی اگلی نسل کی جگہ اور بجلی فراہم کرنے کے لیے اہم ماحولیاتی اور لاجسٹک چیلنجز بھی پیش کرتی ہے۔
معاشی وائلڈ کارڈ: ترقی کے منصوبوں پر ایک سایہ
تکنیکی ترقی اور بڑھتے ہوئے استعمال کے معاملات سے چلنے والے تیزی کے نقطہ نظر کے باوجود، AI سرمایہ کاری کے تمام تخمینوں پر ایک اہم متغیر منڈلا رہا ہے: وسیع تر معاشی ماحول۔ جیسا کہ Bloomberg Intelligence کانفرنس اختتام پذیر ہوئی، شرکاء پہلے ہی نئے اعلان کردہ عالمی ٹیرف پیکجز سے پیدا ہونے والی مارکیٹ کی گھبراہٹ کا مشاہدہ کر رہے تھے، جنہیں توقع سے زیادہ وسیع سمجھا جا رہا تھا۔
یہ ایک قوی یاد دہانی کے طور پر کام کرتا ہے کہ مہتواکانکشی تکنیکی روڈ میپ میکرو اکنامک مشکلات سے تیزی سے متاثر ہو سکتے ہیں۔ Bloomberg کے Rana نے خبردار کیا کہ اگرچہ AI اخراجات ابتدائی طور پر کسی حد تک محفوظ ہو سکتے ہیں، کارپوریٹ IT سرمایہ کاری کے روایتی شعبے، جیسے سرورز اور اسٹوریج جو AI سے غیر متعلق ہیں، معاشی سکڑاؤ میں پہلی ہلاکتیں ہو سکتی ہیں۔ ‘دوسری بڑی چیز جس پر ہم توجہ مرکوز کر رہے ہیں وہ غیر AI ٹیک اخراجات ہیں،’ انہوں نے نوٹ کیا، آمدنی کے سیزن میں داخل ہونے والے بڑے ٹیک سروس فراہم کنندگان پر ممکنہ اثرات کے بارے میں تشویش کا اظہار کرتے ہوئے، یہاں تک کہ خاص طور پر AI بجٹ پر غور کرنے سے پہلے۔
تاہم، ایک مروجہ نظریہ ہے کہ AI منفرد طور پر لچکدار ثابت ہو سکتا ہے۔ Rana نے تجویز پیش کی کہ بڑی کارپوریشنز کے چیف فنانشل آفیسرز (CFOs)، جو معاشی غیر یقینی صورتحال یا کساد بازاری کی وجہ سے بجٹ کی رکاوٹوں کا سامنا کر رہے ہیں، AI اقدامات کو ترجیح دینے کا انتخاب کر سکتے ہیں۔ وہ ممکنہ طور پر مستقبل کی مسابقت کے لیے اہم سمجھے جانے والے اسٹریٹجک AI سرمایہ کاری کی حفاظت کے لیے کم اہم شعبوں سے فنڈز منتقل کر سکتے ہیں۔
پھر بھی، یہ پرامید نظریہ ضمانت سے بہت دور ہے۔ Rana کے مطابق، حتمی امتحان یہ ہوگا کہ کیا بڑی کارپوریشنز بڑھتی ہوئی معاشی غیر یقینی صورتحال کے پیش نظر اپنے جارحانہ سرمائے کے اخراجات کے اہداف، خاص طور پر AI ڈیٹا سینٹرز کی تعمیر کے لیے، برقرار رکھتی ہیں۔ اہم سوال باقی ہے: ‘کیا وہ کہنے جا رہے ہیں، ‘تم جانتے ہو کیا؟ یہ بہت غیر یقینی ہے۔’’ جواب اس بات کا تعین کرے گا کہ آیا AI انفراسٹرکچر کے اخراجات کے پیچھے بظاہر نہ رکنے والی رفتار اپنی بے لگام چڑھائی جاری رکھتی ہے یا عالمی معاشی حقائق کے ذریعے حکم کردہ ایک غیر متوقع وقفے کا سامنا کرتی ہے۔