تامین مالی مرز: چرا زیرساخت هوش مصنوعی به اعتبار خصوصی ساختارمند نیاز دارد نه سهام

سال‌هاست که سرمایه‌گذاری خطرپذیر (Venture Capital) موتور محرک اکوسیستم فناوری بوده، اما زیرساخت هوش مصنوعی یک مشکل اساسی دارد: نیاز به سرمایه‌ای دارد که VC نه توانایی تامین آن را دارد و نه ریسک آن را می‌پذیرد. وقتی ساختن یک مرکز داده نسل بعد ۱۵ میلیارد دلار هزینه دارد، مدل تامین مالی جدیدی باید به وجود آید — و این مدل، از جاده‌ها و پل‌ها الهام گرفته است.

۱. بحران مالی مرز: چرا VC کافی نیست

مدل سرمایه‌گذاری خطرپذیر کلاسیک بر اساس یک فرض اساسی بنا شده: شرکت‌ها به سرمایه کوچک برای رشد سریع نیاز دارند، و سرمایه‌گذار در ازای سهام، ریسک شکست را می‌پذیرد. این مدل برای نرم‌افزار، که هزینه‌های نهایی آن تقریباً صفر است، بسیار خوب کار کرده است. اما زیرساخت هوش مصنوعی ماهیتاً متفاوت است.

یک کلاستر GPU برای آموزش مدل‌های بزرگ به بین ۱۰ تا ۵۰ میلیارد دلار سرمایه نیاز دارد — و این سرمایه باید پیش از اینکه حتی یک دلار درآمد تولید شود، هزینه شود. بزرگترین صندوق‌های VC در دنیا معمولاً ۱۰ تا ۲۰ میلیارد دلار مدیریت می‌کنند. قرار دادن حتی ۳۰ درصد از یک صندوق در یک معامله واحد، خلاف اصول اولیه تنوع‌بخشی است و عملاً هرگز اتفاق نمی‌افتد.

حتی دورهای مگا-راند (Mega-Round) که در سال‌های اخیر معمول شده‌اند — مانند جذب سرمایه ۶ میلیارد دلاری OpenAI در ۲۰۲۴ — برای ساختار ترازنامه‌ای یک شرکت AI کافی نیستند. این پول می‌تواند چند ماه هزینه استنتاج را پوشش دهد، اما برای ساخت زیرساخت مستقل کافی نیست.

علاوه بر این، مشکل عدم تطابق مدت (Duration Mismatch) وجود دارد. صندوق‌های VC معمولاً افق سرمایه‌گذاری ۷-۱۰ ساله دارند. زیرساخت هوش مصنوعی — مراکز داده، خطوط برق، شبکه‌های فیبر نوری — با ۲۰ تا ۳۰ سال طول عمر طراحی می‌شود. یک صندوق VC نمی‌تواند منتظر بازگشت سرمایه ۲۵ ساله باشد.

نهایتاً، بانک‌های سنتی نیز از این بازار کنار مانده‌اند. مقررات بازل III (Basel III) و الزامات سرمایه‌ای تحت چارچوب CRR2 اتحادیه اروپا به معنای این است که یک بانک نمی‌تواند ۳۶ میلیارد دلار اعتبار متمرکز به یک صنعت واحد اختصاص دهد بدون اینکه نیاز به سرمایه احتیاطی سنگینی داشته باشد که بازده را منفی می‌کند.

۲. اعتبار خصوصی چیست و چطور کار می‌کند؟

اعتبار خصوصی (Private Credit) به بدهی‌هایی گفته می‌شود که نه در بازارهای سهام عمومی و نه از طریق بانک‌های سنتی، بلکه مستقیماً توسط صندوق‌های سرمایه‌گذاری به شرکت‌ها یا پروژه‌ها اعطا می‌شود. این بازار در دهه گذشته از ۸۰۰ میلیارد دلار به بیش از ۱.۷ تریلیون دلار رسیده و به یکی از سریع‌ترین بخش‌های رشد در مالی جهانی تبدیل شده است.

ساختار معمول یک معامله اعتبار خصوصی برای زیرساخت AI به این شکل است: یک صندوق مانند Apollo Global Management یا Blackstone، یک تسهیلات بدهی برای ساخت یا توسعه یک مرکز داده یا کلاستر GPU ارائه می‌دهد. این بدهی با دارایی‌های فیزیکی — تراشه‌های GPU، تجهیزات مرکز داده، و قراردادهای بلندمدت برق — به عنوان وثیقه پشتیبانی می‌شود.

نرخ بهره معمولاً در قالب SOFR + اسپرد (Spread) قیمت‌گذاری می‌شود. برای زیرساخت AI، اسپرد معمول ۴۰۰ تا ۶۰۰ نقطه پایه است — یعنی با SOFR فعلی، نرخ کل حدود ۸-۱۱ درصد می‌شود. این نرخ گران‌تر از بدهی بانکی سنتی (اگر در دسترس بود ۵-۶ درصد) اما بسیار ارزان‌تر از تامین مالی سهام است که انتظار بازده ۲۰-۳۰ درصد دارد.

مهم‌ترین ویژگی این ساختار غیرقابل رجوع بودن (Non-Recourse) آن است: صندوق اعتبار دهنده تنها حق رجوع به دارایی‌های وثیقه‌شده را دارد، نه به سایر دارایی‌های شرکت. این ویژگی برای شرکت‌های AI جذاب است چون ریسک مالی را ایزوله می‌کند.

«ما زیرساخت هوش مصنوعی را مثل زیرساخت انرژی می‌بینیم. جریان نقدی قابل پیش‌بینی دارد، دارایی‌های ملموس پشتش هستند، و تقاضا در ۲۰ سال آینده واقعاً چه چیزی خواهد بود قابل تخمین است. این دقیقاً پروفایلی است که ما به دنبالش هستیم.» — مدیر ارشد سرمایه‌گذاری در یک صندوق بزرگ اعتبار خصوصی، به نقل از Financial Times

۳. دارایی‌های وثیقه‌پذیر: تراشه، دیتاسنتر، قرارداد برق

قلب هر معامله اعتبار خصوصی، کیفیت وثیقه است. برای زیرساخت هوش مصنوعی، سه دسته دارایی اصلی وجود دارند که می‌توانند به عنوان وثیقه استفاده شوند:

اول، GPU و تجهیزات محاسباتی: NVIDIA H100 یا H200 هر کدام ۳۰،۰۰۰ تا ۴۰،۰۰۰ دلار ارزش دارند. یک کلاستر ۱۰،۰۰۰ GPU ارزش بازار بیش از ۳۰۰ میلیون دلار دارد. ارزش‌گذاری این دارایی‌ها نسبتاً مستقیم است چون بازار ثانویه برای آن‌ها وجود دارد. اما ریسک استهلاک بالاست — GPUهای نسل فعلی ممکن است در ۳-۵ سال از مد بیفتند.

دوم، مرکز داده و زیرساخت فیزیکی: ساختمان‌ها، سیستم‌های خنک‌کنندگی، تجهیزات شبکه، و زیرساخت برق. این دارایی‌ها عمر بسیار طولانی‌تری دارند (۲۰-۳۰ سال) و در هر شرایطی ارزش خود را تا حدی حفظ می‌کنند. بزرگترین اپراتورهای مرکز داده مانند Equinix و Digital Realty مدل‌های موفق تامین مالی بدهی بر پایه این دارایی‌ها داشته‌اند.

سوم، قراردادهای بلندمدت برق و عرضه (Power Purchase Agreements - PPAs): برای یک مرکز داده که سالانه ۵۰۰ مگاوات برق مصرف می‌کند، داشتن یک PPA ۱۵-ساله با قیمت ثابت می‌تواند ارزش قابل توجهی داشته باشد. این قراردادها جریان نقدی قابل پیش‌بینی ایجاد می‌کنند که دقیقاً نوع وثیقه‌ای است که سرمایه‌گذاران اعتباری دوست دارند.

ساختار معامله Apollo/Blackstone با Anthropic که در مطبوعات مالی گزارش شده، از هر سه دسته استفاده می‌کند: ناوگان GPU شرکت به عنوان وثیقه اول عمل می‌کند، قراردادهای بلندمدت محاسباتی (Cloud Contracts) با مشتریان Anthropic جریان نقدی را تضمین می‌کنند، و تجهیزات زیرساخت داده‌مرکز وثیقه ثانوی هستند.

۴. چرا بانک‌های سنتی نتوانستند این معامله را ببندند

درک اینکه چرا بانک‌های تجاری از این بازار عقب ماندند برای فهمیدن نقش اعتبار خصوصی ضروری است. مقررات پس از بحران مالی ۲۰۰۸، به خصوص بازل III و الزامات سرمایه‌ای مرتبط، بانک‌ها را ملزم کرده که برای هر وام ریسکی، سرمایه احتیاطی نگه دارند.

برای یک وام ۱۰ میلیارد دلاری به یک شرکت فناوری با ریسک اعتباری متوسط، یک بانک بزرگ باید چیزی در حدود ۸۰۰ میلیون تا ۱.۲ میلیارد دلار سرمایه احتیاطی نگه دارد. این سرمایه «خوابیده» بازده‌ای برای سهامداران تولید نمی‌کند و در نتیجه بازده کل معامله را پایین می‌آورد. در مقابل، صندوق‌های اعتبار خصوصی با قوانین متفاوتی کار می‌کنند و ملزم به نگه داشتن سرمایه احتیاطی مشابه نیستند.

مشکل دوم تمرکز ریسک است. یک بانک که باید پرتفولیوی متنوعی حفظ کند، نمی‌تواند ۳۰-۴۰ درصد از پرتفولیوی وام‌های شرکتی خود را به یک صنعت (هوش مصنوعی) اختصاص دهد. مقررات تنوع‌بخشی این کار را عملاً غیرممکن می‌کنند.

مشکل سوم ارزیابی دارایی‌های تخصصی است. یک بانک سنتی برای ارزیابی وثیقه‌ای مثل GPU کلاستر، PPA برق، یا قراردادهای محاسباتی هوش مصنوعی، تخصص داخلی لازم را ندارد. صندوق‌های اعتبار خصوصی که در زیرساخت تخصص دارند، تیم‌های مهندسی و حقوقی اختصاصی برای این ارزیابی‌ها ساخته‌اند.

نتیجه این است که یک شکاف بزرگ در بازار سرمایه ایجاد شده — دقیقاً شکافی که Apollo، Blackstone، Ares Management، و سایر غول‌های اعتبار خصوصی در حال پر کردن آن هستند.

«این شبیه تامین مالی خط لوله گاز در دهه ۱۹۸۰ است — در آن زمان هم بانک‌ها نمی‌دانستند چطور آن را ارزیابی کنند. اعتبار خصوصی آن شکاف را پر کرد، و امروز همین اتفاق در حال رخ دادن است.» — Marc Rowan، مدیرعامل Apollo Global Management

۵. نقش صندوق‌های ثروت ملی و بیمه

صندوق‌های اعتبار خصوصی نیز به تنهایی نمی‌توانند چنین معاملات بزرگی را تامین مالی کنند. آن‌ها نیاز به LP (Limited Partner) دارند — سرمایه‌گذارانی که پول را وارد صندوق می‌کنند. و اینجاست که صندوق‌های ثروت ملی و شرکت‌های بیمه وارد ماجرا می‌شوند.

شرکت‌های بیمه برای ماهیت کارشان نیاز به دارایی‌های با درآمد ثابت بلندمدت دارند — درآمدی که با تعهدات بیمه‌ای آتی‌شان مطابقت داشته باشد. اوراق قرضه دولتی ۳۰-ساله این نیاز را تامین می‌کردند، اما با نرخ‌های بهره پایین دهه گذشته، بازده آن‌ها کافی نبود. اعتبار خصوصی با بازده ۸-۱۱ درصد و وثیقه‌های فیزیکی، جایگزین جذاب‌تری است.

در میان صندوق‌های ثروت ملی، ژاپن، امارات متحده عربی، و عربستان سعودی فعال‌ترین بازیگران هستند. صندوق Mubadala امارات، ADIA (Abu Dhabi Investment Authority)، و PIF عربستان سعودی همگی موضع‌های سرمایه‌گذاری قابل توجهی در ابزارهای اعتباری مرتبط با هوش مصنوعی گرفته‌اند. انگیزه این کشورها واضح است: آن‌ها می‌خواهند از رونق هوش مصنوعی بهره‌مند شوند، اما ریسک سهام بالاست. ابزارهای اعتباری با بازده مشخص و وثیقه فیزیکی برای آن‌ها جذاب‌تر است.

صندوق‌های بازنشستگی کانادایی مانند CPPIB و Ontario Teachers نیز از بازیگران مهم این حوزه هستند. آن‌ها دهه‌هاست که در زیرساخت (فرودگاه‌ها، بنادر، راه‌های سریع‌السیر) سرمایه‌گذاری می‌کنند و می‌بینند که زیرساخت هوش مصنوعی از الگوی مشابهی پیروی می‌کند: دارایی‌های ملموس، قراردادهای بلندمدت، جریان نقدی قابل پیش‌بینی.

۶. ریسک‌ها: وقتی GPU از مد می‌افتد

تامین مالی زیرساخت هوش مصنوعی با ریسک‌های منحصربه‌فردی روبروست که در تامین مالی سنتی زیرساخت وجود ندارند. مهم‌ترین آن‌ها ریسک فناوری‌زدگی (Technology Obsolescence) است.

یک پل یا جاده‌ای که امروز ساخته می‌شود، ۵۰ سال دیگر همان کارایی را دارد. اما یک H100 GPU که امروز ۳۵،۰۰۰ دلار می‌ارزد، ممکن است در ۲۰۲۸ نسل بعدی تراشه‌های NVIDIA یا AMD آن را منسوخ کرده باشد. اگر قیمت GPU کلاسترها ۶۰ درصد کاهش یابد، وثیقه یک وام ۱۰ میلیارد دلاری ممکن است به ۴ میلیارد دلار برسد — زیر سطح بدهی.

دوم، ریسک کالایی شدن مدل: اگر مدل‌های هوش مصنوعی به حدی کالایی شوند که هیچ شرکتی مزیت رقابتی پایداری نداشته باشد، درآمد شرکت‌هایی که وثیقه‌شان قراردادهای محاسباتی بلندمدت است کاهش می‌یابد. قراردادهایی که امروز با قیمت‌های بالا بسته شده‌اند، ممکن است مشتریان بخواهند آن‌ها را فسخ کنند.

سوم، ریسک انرژی: مراکز داده هوش مصنوعی مصرف برق عظیمی دارند. شوک‌های قیمت برق (مانند بحران انرژی اروپا در ۲۰۲۲) می‌تواند به سرعت سودآوری یک مرکز داده را تهدید کند. برای همین، PPAهای بلندمدت با قیمت ثابت به عنوان وثیقه جذاب‌تر هستند.

چهارم، ریسک ژئوپلیتیک: محدودیت‌های صادراتی آمریکا بر تراشه‌های پیشرفته (مانند مقررات اکتبر ۲۰۲۳) می‌تواند ارزش GPUهای موجود در دیگر کشورها را یک‌شبه تغییر دهد. سرمایه‌گذاران باید این ریسک را در قیمت‌گذاری لحاظ کنند.

با این حال، شواهد نشان می‌دهد که اعتباردهندگان حرفه‌ای این ریسک‌ها را مدیریت می‌کنند: LTV پایین‌تر (۵۵-۶۵ درصد در مقابل ۷۵-۸۰ درصد برای زیرساخت سنتی)، دوره‌های بازپرداخت کوتاه‌تر (۵-۷ سال به جای ۱۵-۲۰ سال)، و پوشش‌های بیمه‌ای برای ریسک‌های مشخص.

مقایسه مدل‌های تامین مالی زیرساخت هوش مصنوعی

سه مسیر اصلی برای تامین مالی زیرساخت هوش مصنوعی وجود دارد که هر کدام مزایا، محدودیت‌ها و ریسک‌های خاص خود را دارند. جدول زیر این سه مدل را بر اساس معیارهای کلیدی مقایسه می‌کند.

انتخاب بین این مسیرها به عواملی مانند مرحله بلوغ شرکت، کیفیت وثیقه‌های در دسترس، و افق زمانی مورد نیاز بستگی دارد. برای پروژه‌های مقیاس بزرگ، اعتبار خصوصی ساختاریافته به سرعت در حال تبدیل شدن به گزینه غالب است.

جدول بالا نشان می‌دهد که اعتبار خصوصی ساختاریافته، ترکیبی بهینه از مقیاس بزرگ، عدم رقیق‌شدن سهام، و مدیریت ریسک از طریق وثیقه‌گذاری دارایی‌های تخصصی را ارائه می‌دهد — دقیقاً همان چیزی که شرکت‌های زیرساخت هوش مصنوعی به آن نیاز دارند.

نتیجه‌گیری: تولد دارایی جدید در اقتصاد جهانی

آنچه در حال شکل گرفتن است، یک کلاس دارایی کاملاً جدید در اقتصاد جهانی است: اوراق زیرساخت هوش مصنوعی (AI Infrastructure Bonds). همان‌طور که در دهه‌های ۱۹۷۰ و ۱۹۸۰، اوراق قرضه زیرساخت برای تامین مالی خطوط لوله گاز، شبکه‌های برق، و بزرگراه‌ها به وجود آمد، امروز بازار در حال ابداع ابزارهای مالی مشابه برای سخت‌افزار محاسباتی و زیرساخت داده است.

این تحول چند پیامد مهم دارد. برای شرکت‌های AI، امکان تامین مالی در مقیاس میلیاردی بدون رقیق شدن سهام ایجاد می‌شود — چیزی که مدل VC هرگز نمی‌توانست ارائه دهد. برای سرمایه‌گذاران نهادی، یک کلاس دارایی با جریان نقدی قابل پیش‌بینی و نرخ بازده متوسط ۸-۱۱ درصد در دسترس می‌شود.

برای اقتصاد ایران، این تحول یک درس مهم دارد: با توجه به رشد سریع نیاز به زیرساخت محاسباتی در داخل کشور، مدل‌های تامین مالی مشابه — با استفاده از صندوق‌های بازنشستگی، شرکت‌های بیمه، و سرمایه‌گذاران نهادی داخلی — می‌توانند برای پروژه‌های ملی هوش مصنوعی طراحی شوند. رویکردی که در مقایسه با وابستگی به بودجه دولتی یا سرمایه خارجی، پایداری بیشتری دارد.

اما بزرگترین تحول این است که برای اولین بار در تاریخ، قدرت محاسباتی به یک دارایی قابل وثیقه‌گذاری تبدیل شده — شبیه آنچه نفت، برق، و فولاد در قرن گذشته بودند. این تحول تنها شروع یک بازسازی عمیق در ساختار تامین مالی صنعت فناوری است.