---
title: "செயற்கை நுண்ணறிவு அடுக்கை விளங்கிக்கொள்ளுதல்: நீண்டகால முதலீட்டாளர்களுக்கான இடையூறுகள், பொருளாதார அகழிகள் மற்றும் மதிப்புச் சேர்க்கை குறித்த ஆய்வு"
author: "DeepValues Research"
publisher: "DeepValues Research (DeepValues / LuLu Ventures LLC)"
type: "Research article"
date: "2026-11-05"
language: "ta"
section: "Insights"
machine_translated: true
translation_method: "machine translation (gpt-6.1-sol, Azure OpenAI)"
translated_from: "https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value/"
original_url: "https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value/"
original_language: "en"
translated_on: "2026-11-14"
translation_note: "Machine-translated from the original report; the original is authoritative."
canonical_url: "https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value-ta/"
markdown_url: "https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value-ta/index.md"
license: "CC BY 4.0"
license_url: "https://creativecommons.org/licenses/by/4.0/"
cite_as: "DeepValues Research, செயற்கை நுண்ணறிவு அடுக்கை விளங்கிக்கொள்ளுதல்: நீண்டகால முதலீட்டாளர்களுக்கான இடையூறுகள், பொருளாதார அகழிகள் மற்றும் மதிப்புச் சேர்க்கை குறித்த ஆய்வு, https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value-ta/"
publisher_url: "https://deepvalues.ai"
app: "https://deepvalues.ai"
api: "https://app.deepvalues.ai/developers"
data_note: "Reports are dated snapshots. Current data via the DeepValues API: https://app.deepvalues.ai/developers"
disclaimer: "Educational research, not investment advice."
disclosure: "AI-assisted"
generated_by: "NotebookLM + DeepValues editors"
category: "investing"
tickers: ["UPS"]
sources:
  - title: "Decoding AI Value"
audio: "https://anchor.fm/s/105664940/podcast/play/128876669/https%3A%2F%2Fd3ctxlq1ktw2nl.cloudfront.net%2Fstaging%2F2026-10-5%2F435999874-44100-2-a31a8c348ee018.mp3"
audio_kind: "podcast episode"
audio_page: "https://open.spotify.com/episode/1FQonylAeyz5T5jwgxdOVq"
---
# செயற்கை நுண்ணறிவு அடுக்கமைப்பைப் புரிந்துகொள்ளுதல்: நீண்டகால முதலீட்டாளர்களுக்கான தடைகள், பொருளாதார அகழிகள் மற்றும் மதிப்பு திரட்சியின் பகுப்பாய்வு

செயற்கை நுண்ணறிவின் தொழில்நுட்ப அடுக்கமைப்பு முழுவதும் மதிப்பு திரள்வது வெறும் முழுமையான பௌதிகப் பற்றாக்குறையால் மட்டுமல்ல; தொழில்நுட்பத் தடைகள், விலை நிர்ணயிக்கும் வலிமை, தொடர்ச்சியான அளவு விரிவாக்கம், மாற்றுச் செலவுகள் மற்றும் முதலீடு செய்யப்பட்ட மூலதனத்தின் மீதான உயர்ந்த கூடுதல் வருமானம் (ROIC) ஆகியவை ஒன்றிணையும் இடங்களில்தான் அது நிகழ்கிறது. Chamath Palihapitiya-வின் ஆறு அடுக்கு கட்டமைப்பு (உள்கட்டமைப்பு, சில்லுகள், தரவு, மாதிரிகள், செயலாக்கம், பயன்பாடு), அடித்தள மாதிரிகள் பொருளாதார ரீதியாகப் பொதுப்பொருளாக மாறுவதையும் முக்கிய வன்பொருள் நெருக்கடிப் புள்ளிகள் உருவாவதையும் துல்லியமாக எடுத்துக்காட்டுகிறது. இருப்பினும், நீண்டகால முதலீட்டாளர்கள் முழுமையான தொழில்நுட்பப் பற்றாக்குறையையும் நிலையான பங்குதாரர் மதிப்பு உருவாக்கத்தையும் வேறுபடுத்திப் பார்க்க வேண்டும். மிகப்பெரிய அளவிலான மேகக் கணினி நிறுவனங்கள், 2026-இல் கணக்கீட்டு மற்றும் மின்வலையமைப்பு உள்கட்டமைப்புக்காக $700B-க்கும் அதிகமாகச் செலவிடும் என எதிர்பார்க்கப்படும் மூலதனச் சுமை மிகுந்த தொழில்துறை நிறுவனங்களாக மாறுவதால், உள்ளார்ந்த மதிப்பை மதிப்பிடுவதற்கு பௌதிகத் தடைகளை மட்டுமே சார்ந்திருக்காமல், கட்டற்ற பணப்புழக்கத்தின் நீடித்த தன்மை, மூலதனத் தீவிர அபாயங்கள் மற்றும் தனியுரிமைப் பணிப்பாய்வின் பின்னூட்டச் சுழற்சிகளைப் பகுப்பாய்வு செய்ய வேண்டும்.

## 1. செயற்கை நுண்ணறிவு அடுக்கமைப்பைப் பிரித்தாய்தல்: தடைகள் எதிராக பொருளாதார மதிப்பு திரட்சி

செயற்கை நுண்ணறிவை அடுக்குக் கட்டமைப்பின் மூலம் பகுப்பாய்வு செய்வது அடிப்படை சார்ந்த முதலீட்டாளர்களுக்கு அவசியமான தெளிவை வழங்குகிறது. Chamath Palihapitiya இந்தச் சூழலமைப்பை ஆறு தனித்த அடுக்குகளாக வகைப்படுத்துகிறார்: உள்கட்டமைப்பு (மின்சாரம், நிலம், குளிரூட்டல், கனிமங்கள், குறைக்கடத்தி உற்பத்தி ஆலைகள்), சில்லுகள் (GPU-கள்/ASIC-கள், உயர் அலைவரிசை நினைவகம் [HBM], பொதியமைப்பு, வலையமைப்பு), தரவு (தனியுரிமை, உணர்வி, இயந்திரவியல் தரவு), மாதிரிகள் (அடித்தள நுண்ணறிவு), செயலாக்கம் (முகவர்கள், ஒருங்கிணைப்பு, API-கள், இயக்கிகள்) மற்றும் பயன்பாடு (இறுதிப் பயனர் மென்பொருள் மற்றும் அமைப்புகள்). இந்த அடுக்குகளை இணைக்கும் மையப் பகுப்பாய்வுக் கருத்து “ஆதாரப் புள்ளிச் சொத்து”—ஒவ்வொரு மேலடுக்குக்கும் தவிர்க்க முடியாததும் எளிதில் மாற்றீடு செய்ய முடியாததுமான ஒரு கூறு.

இருப்பினும், முழுமையான தொழில்நுட்பத் தடைக்கும் அதிக வருமானம் தரும் பொருளாதார அகழிக்கும் இடையே முக்கியமான வேறுபாடு உள்ளது. ஒரு சொத்து தொழில்நுட்பத்தின் முக்கியப் பாதையில் நேரடியாக அமைந்திருந்தாலும், பங்குதாரர்களுக்கு அதற்கேற்ற நிதி வருமானத்தைப் பெற்றுத்தராமல் இருக்கலாம். Graham மற்றும் Buffett கட்டமைப்பின் மூலம் பொருளாதார அகழிகளை மதிப்பிடும் நீண்டகால முதலீட்டாளர்களுக்கு, பௌதிகப் பற்றாக்குறை மட்டுமே உரிமையாளர் வருமானத்தின் நீண்டகாலக் கூட்டு வளர்ச்சியை உறுதிப்படுத்தாது.

ASML மற்றும் NVIDIA-வை ஒப்பிடுவது இந்த இயக்கநிலையைத் தெளிவாக விளக்குகிறது. அதிதீவிர புறஊதாக் கதிர் (EUV) ஒளிப்பதிவு அமைப்புகளில் ASML முழுமையான, மாற்றீடு செய்ய முடியாத தொழில்நுட்பத் தடையைக் கொண்டுள்ளது; மேம்பட்ட குறைக்கடத்தி உற்பத்தி ஆலைகளால் ASML-இன் இயந்திரங்களுக்கு மாற்றீட்டைப் பயன்படுத்த முடியாது. ஆயினும் NVIDIA மிக அதிகமான பங்குதாரர் மதிப்பு உயர்வை உருவாக்கியுள்ளது. ASML, எண்ணிக்கையில் வரம்புடைய, மிகவும் சிக்கலான, மூலதனத் தீவிரம் கொண்ட இயந்திரங்களைச் சில வாங்குபவர்களைக் கொண்ட குழுவுக்கு விற்பனை செய்கிறது; உலகளாவிய டோக்கன் பயன்பாடு இரட்டிப்பாகும்போது வருவாய் தானாகவே அதற்கேற்ப பெருகுவதை இது கட்டுப்படுத்துகிறது. மாறாக, NVIDIA சிலிக்கான் தடைகளுடன் CUDA மென்பொருள் கருவித்தொகுப்பு, அமைப்புக் கட்டமைப்புகள், NVLink வலையமைப்பு மற்றும் ஆழமான சூழலமைப்பு ஒருங்கிணைப்பை இணைக்கிறது. செயற்கை நுண்ணறிவின் அனுமானம் மற்றும் பயிற்சியில் விரிவடையும் அளவு நெகிழ்வுத்தன்மையின் பலனை NVIDIA நேரடியாகப் பெறுகிறது.

அடுக்கமைப்பு முழுவதும் பொருளாதார மதிப்பு திரட்சியை மதிப்பிட, முதலீட்டாளர்கள் பற்றாக்குறையைத் தனித்து அளவிடுவதற்குப் பதிலாக விரிவான பண்புசார் வாய்ப்பாட்டைப் பயன்படுத்த வேண்டும்:

$$\text{Value Accrual} \approx \text{bottleneck} \times \text{pricing power} \times \text{volume growth} \times \text{recurring demand} \times \text{switching costs} \times \text{incremental ROIC}$$

ஒரு செயல்பாட்டு நெருக்கடிப் புள்ளி, அளவு நெகிழ்வுத்தன்மை, உயர்ந்த மாற்றுச் செலவுகள் மற்றும் முதலீடு செய்யப்பட்ட மூலதனத்தின் மீதான வலுவான கூடுதல் வருமானம் ஆகியவற்றுடன் இணையும் போதுதான் நீடித்த பொருளாதார வருமானம் உருவாகிறது.

## 2. உள்கட்டமைப்பும் மூலதனச் செலவுத் தீவிரமும்: செயற்கை நுண்ணறிவின் அடித்தளத்தில் நிகழும் தொழிற்புரட்சி

செயற்கை நுண்ணறிவு அடுக்கமைப்பின் அடித்தள அடுக்குகள், குறைந்த சொத்துத் தேவையுள்ள மென்பொருள் மாதிரிகளிலிருந்து மூலதனச் சுமை மிகுந்த தொழில்துறைச் செயல்பாடுகளுக்குக் கட்டமைப்பு மாற்றத்தைச் சந்திக்கின்றன. அடுக்கமைப்பின் அடிப்பகுதியில் உள்ள முக்கியத் தடைகள் மிகத் தீவிரமான புவியியல் மற்றும் நிறுவனக் குவிப்பை வெளிப்படுத்துகின்றன:

*   **குறைக்கடத்திப் பொருட்களின் பற்றாக்குறை:** நிறுவனங்களின் தேசிய அடையாளத்தின் அடிப்படையில், உலகளாவிய குறைக்கடத்தி ஒளித்தடுப்புப் பொருட்களின் விற்பனையில் தோராயமாக 78%-ஐ ஜப்பானியப் பொருள் வழங்குநர்கள் கட்டுப்படுத்துகின்றனர்; Shin-Etsu, JSR, Tokyo Ohka Kogyo மற்றும் Fujifilm குறிப்பிட்ட உயர் தூய்மை இரசாயனச் சந்தைகளில் ஆதிக்கம் செலுத்துகின்றன.
*   **உயர் தூய்மை குவார்ட்ஸ் (HPQ):** குறைக்கடத்தித் தரத்திலான சிலிக்கான் கட்டி உற்பத்தி, North Carolina-வின் Spruce Pine பகுதியில் வெட்டியெடுக்கப்படும் விதிவிலக்காகத் தூய்மையான குவார்ட்ஸிலிருந்து தயாரிக்கப்படும் உருக்கிய குவார்ட்ஸ் உருக்குக் கலன்களைச் சார்ந்துள்ளது. Sibelco (இரண்டு தூய்மையான தாதுப் படிவங்களிலிருந்து IOTA பொருளை உற்பத்தி செய்கிறது) மற்றும் The Quartz Corp மட்டுமே மேம்பட்ட, உயர்தர HPQ-ஐப் பெரிய அளவில் பொருளாதாரச் சாத்தியத்துடன் உற்பத்தி செய்யும் வழங்குநர்களாக உள்ளன.

பௌதிக மூலப்பொருட்களுக்கு அப்பால், மின்சாரச் சேவை உள்கட்டமைப்பு கடுமையான செயல்பாட்டுக் கட்டுப்பாட்டை ஏற்படுத்துகிறது. உலகளாவிய தரவு மையங்களின் மின்சார நுகர்வு கிட்டத்தட்ட இரட்டிப்பாகும் என்றும், 2025-இல் தோராயமாக 485 TWh-இலிருந்து 2030-க்குள் சுமார் 950 TWh-ஆக விரிவடையும் என்றும் சர்வதேச எரிசக்தி முகமை (IEA) கணிக்கிறது. மிகப்பெரிய மேகக் கணினி நிறுவனங்களின் மூலதனச் செலவுகள் 2026-இல் $700B-ஐத் தாண்டும் என மதிப்பிடப்படுகிறது; தரவு மைய விரிவாக்கமே இதன் முதன்மை உந்துதலாகும்.

| உள்கட்டமைப்புத் துறை | முக்கிய நெருக்கடிப் புள்ளியும் முதன்மை வழங்குநர்களும் | பொருளாதாரத் தாக்கமும் அளவீடுகளும் |
| :--- | :--- | :--- |
| **குறைக்கடத்திப் பொருட்கள்** | ஜப்பானிய ஒளித்தடுப்புப் பொருட்கள் (*Shin-Etsu, JSR, TOK, Fujifilm*) | தேசிய அடையாளத்தின் அடிப்படையில் ~78% சந்தைப் பங்கு; மாற்றீடு செய்ய முடியாத இரசாயன உள்ளீடுகள். |
| **உயர் தூய்மை குவார்ட்ஸ்** | Spruce Pine தாதுப் படிவங்கள் (*Sibelco, The Quartz Corp*) | சிலிக்கான் கட்டிகளுக்கான உருக்கிய குவார்ட்ஸ் உருக்குக் கலன்களின் தனித்துவமான ஆதாரம். |
| **விநியோகிக்கக்கூடிய மின்வலையமைப்பு மின்சாரம்** | மின்மாற்றிகள், மின் இணைப்பு மாற்றுக் கருவிகள், UPS, இடையிணைப்புகள் | மின் உற்பத்திக்கு முன்னரே கட்டுப்பாடுகள் செயல்படுகின்றன; 485 TWh $\rightarrow$ 950 TWh (IEA). |
| **மிகப்பெரிய மேகக் கணினி நிறுவனங்களின் மூலதனச் செலவு** | தரவு மைய விரிவாக்கம் மற்றும் கணக்கீட்டு முடுக்கம் | 2026-இல் >$700B எனக் கணிக்கப்பட்டுள்ளது (IEA); கடுமையான தேய்மான எதிர்தாக்கங்கள். |

முக்கியமாக, மின் உற்பத்தி மட்டுமே முதன்மையான குறுகியகால வரம்பு அல்ல. மின்வலையமைப்பு விநியோகக் கருவிகள்—குறிப்பாக மின்மாற்றிகள், மின் இணைப்பு மாற்றுக் கருவிகள், தடையில்லா மின் வழங்கல் (UPS) அமைப்புகள், மின் கடத்தல் இடையிணைப்புகள் மற்றும் சிறப்புக் குளிரூட்டல் உள்கட்டமைப்பு—மின் உற்பத்தித் திறனே முதன்மைத் தடையாக மாறுவதற்கு முன்பே தரவு மையக் கட்டுமானங்களைக் கட்டுப்படுத்தும் என்பதை Johns Hopkins University ஆய்வு காட்டுகிறது. தேவையான மின்னழுத்தம், இடம் மற்றும் நம்பகத்தன்மையுடன் விநியோகிக்கக்கூடிய மின்சாரமே உடனடியான பொருளாதாரப் பற்றாக்குறைச் சொத்தாகும்.

மதிப்பு முதலீட்டுக் கண்ணோட்டத்தில், இந்த மாற்றம் நிறுவனங்களின் இருப்புநிலைக் குறிப்புகளையும் வருமான அளவீடுகளையும் கடுமையாகப் பாதிக்கிறது. மிகப்பெரிய மேகக் கணினி நிறுவனங்கள் ஆண்டுதோறும் $700B-க்கும் அதிகமான மூலதனச் செலவை மேற்கொள்ளும்போது, பல பில்லியன் டாலர் மதிப்புள்ள பௌதிகச் சொத்துகள் நிலம், ஆலை மற்றும் உபகரணங்களாக (PP&E) இருப்புநிலைக் குறிப்புகளில் சேர்கின்றன. செயல்படத் தொடங்கியதும், உடனடி வருவாய் கிடைப்பதைப் பொருட்படுத்தாமல், நேர்கோட்டுத் தேய்மான அட்டவணைகள் வருமான அறிக்கைகளைப் பாதிக்கின்றன. பணமாக்கக்கூடிய டோக்கன் தேவை அல்லது நிறுவன மென்பொருள் பயன்பாட்டின் விரிவாக்கம் பௌதிகக் கட்டுமானங்களைவிடப் பின்தங்கினால், இன்னும் செலவாக ஒதுக்கப்படாத உள்கட்டமைப்பின் சுமையால் முதலீடு செய்யப்பட்ட மூலதனத்தின் மீதான வருமானமும் (ROIC) கட்டற்ற பணப்புழக்க (FCF) மாற்று விகிதங்களும் சரிகின்றன. WorldCom மற்றும் Global Crossing தொடர்புடைய தொலைத்தொடர்பு ஒளியிழை வீழ்ச்சி போன்ற வரலாற்று உள்கட்டமைப்பு மிகைக் கட்டுமானங்களை இந்த இயக்கநிலை நேரடியாகப் பிரதிபலிக்கிறது; நீண்டகால இணையப் பயன்பாட்டின் வளர்ச்சி இறுதியில் உறுதிப்படுத்தப்பட்டபோதும், பெருமளவிலான மூலதனச் செலவுகள் கடுமையான மிகைத்திறனை உருவாக்கி பங்குதாரர் மதிப்பை அழித்தன.

## 3. சில்லுகள், நினைவகம் மற்றும் மாதிரிப் பொருளாதாரம்: பொதுப்பொருளாதல் எதிராக நகரும் முன்னணிகள்

உற்பத்தித் திறன் இயல்புநிலைக்கு வரும்போது வன்பொருள் தடைகள் காலப்போக்கில் இயல்பாகக் குறையும் என்று கோட்பாட்டு மாதிரிகள் கருதினாலும், குறைக்கடத்தி வழங்கல் கட்டுப்பாடுகள் தொடர்ந்து தீவிரமாக உள்ளன. உயர் அலைவரிசை நினைவகமும் (HBM) மேம்பட்ட பொதியமைப்பும் தற்காலிக இடையூறுகளாக இல்லாமல், பல ஆண்டுகள் நீடிக்கும் கட்டமைப்புத் தடைகளாக உள்ளன. HBM வழங்கல் பற்றாக்குறை குறைந்தபட்சம் 2027 இறுதிவரை நீடிக்கும் என்று IEA கணிக்கிறது. சந்தைப் பங்கு தொடர்ந்து மிக அதிகமாகக் குவிந்துள்ளது; Q2 2026-க்கான Counterpoint தரவு HBM வருவாய்ப் பங்கைப் பின்வருமாறு மதிப்பிடுகிறது:

*   **SK Hynix:** 50%
*   **Samsung:** 33%
*   **Micron:** 18%

நவீன வன்பொருள் பொருளாதார அகழிகள் தனித்த கணக்கீட்டுச் சில்லுத் துண்டுகளைச் சார்ந்திருப்பதில்லை; மாறாக முழுமையான அமைப்புநிலை ஒருங்கிணைப்பைச் சார்ந்துள்ளன: இடைமுகத் தகடுகள் மூலம் HBM-உடன் ஒருங்கிணைக்கப்பட்ட GPU/ASIC சில்லுத் துண்டுகள், மேம்பட்ட பொதியமைப்பு, அதிவேக வலையமைப்பு (NVLink போன்றவை), மின் வழங்கல் மற்றும் சிறப்புக் குளிரூட்டல். பணிச்சுமைகள் மாதிரிப் பயிற்சியிலிருந்து அனுமானத்துக்கு மாறும்போது இந்த அமைப்பு ஒருங்கிணைப்பு மேலும் முக்கியமாகிறது. 2030-க்குள் மொத்த செயற்கை நுண்ணறிவுத் தேவையில் தோராயமாக 60% அனுமானத்திற்கானதாக இருக்கும் என்று McKinsey கணிக்கிறது. இதன் விளைவாக, போட்டிக் களம் நேரடியாக நினைவக அலைவரிசை, கொள்ளளவு, தாமதம், வெப்பத் திறன் மற்றும் பயனுள்ள ஒவ்வொரு டோக்கன் வெளியீட்டிற்குமான மின் நுகர்வு ஆகியவற்றை நோக்கி நகர்கிறது—இது ஒருங்கிணைந்த வன்பொருள் விற்பனையாளர்களின் கட்டமைப்புசார் பொருளாதார அகழிகளை வலுப்படுத்துகிறது.

அதே நேரத்தில், அடித்தள நுண்ணறிவு மாதிரிகளின் பொருளாதாரத்தில் செலவு வேகமாகக் குறைகிறது. GPT-3.5 நிலை MMLU செயல்திறனில் ஒரு மாதிரியை இயக்குவதற்கான செலவு, நவம்பர் 2022-இல் M டோக்கன்களுக்கு தோராயமாக $20-இலிருந்து அக்டோபர் 2024-இல் சுமார் $0.07-ஆகக் குறைந்ததை Stanford செயற்கை நுண்ணறிவுக் குறியீட்டின் தரவு காட்டுகிறது—18 மாதங்களில் 280-மடங்கு செலவுக் குறைவு. மேலும், ஜனவரி 2024 முதல் ஏப்ரல் 2026 வரை தரத்திற்கேற்ப சரிசெய்யப்பட்ட மொழி மாதிரி விலைகள் கிட்டத்தட்ட 80% குறைந்ததை OECD ஆய்வுகள் காட்டுகின்றன.

| அளவீடு / அளவீட்டின் மையப்பொருள் | வரலாற்று அடிப்படை நிலை | அண்மைய / கணிக்கப்பட்ட நிலை | பகுப்பாய்வு முக்கியத்துவம் |
| :--- | :--- | :--- | :--- |
| **GPT-3.5 MMLU டோக்கன் செலவு** | $20.00 / M டோக்கன்கள் (நவம்பர் 2022) | $0.07 / M டோக்கன்கள் (அக்டோபர் 2024) | நுண்ணறிவின் அலகுச் செலவில் 280x குறைவு (Stanford). |
| **மொழி மாதிரி விலைகள்** | அடிப்படை நிலை (ஜனவரி 2024) | ~80% சரிவு (ஏப்ரல் 2026) | தரத்திற்கேற்ப சரிசெய்யப்பட்ட வெளியீட்டின் விலையில் விரைவான வீழ்ச்சி (OECD). |
| **மூடிய மற்றும் திறந்த மாதிரிகளின் செயல்திறன் இடைவெளி** | பெரிய இடைவெளி (2023) | 3.3%–3.4% இடைவெளி (மார்ச் 2026) | அடிப்படைத் திறன் பொதுப்பொருளாதல் (Stanford 2026 செயற்கை நுண்ணறிவுக் குறியீடு). |
| **நிறுவனச் செலவுப் பங்கு** | 35% முன்னணி மாதிரிகள் (Q3 2025) | 63% முன்னணி மாதிரிகள் (Q3 2026) | அதிநவீன பகுத்தறிவுக்கு கூடுதல் விலை செலுத்தும் விருப்பம் (Menlo). |

இந்த விலை வீழ்ச்சிக்குப் பிறகும், அடித்தள மாதிரிகள் இன்னும் முற்றிலும் பொதுப்பொருட்களாக மாறவில்லை. அடிப்படை நுண்ணறிவு பொதுப்பொருளாக மாறிவருகிறது—Stanford 2026 செயற்கை நுண்ணறிவுக் குறியீட்டின்படி, முன்னணி அதிநவீன மாதிரிகள் (Anthropic, xAI, Google, OpenAI) வெறும் 25 Arena Elo புள்ளிகளால் மட்டுமே வேறுபடுகின்றன; மேலும் மார்ச் 2026 நிலவரப்படி, திறந்த எடைகளைக் கொண்ட மாற்று மாதிரிகளைவிட மூடிய மாதிரிகள் வெறும் 3.3% முதல் 3.4% வரை மட்டுமே முன்னிலையில் உள்ளன. இருப்பினும், முன்னணித் திறன்களுக்காக நிறுவன வாடிக்கையாளர்கள் தொடர்ந்து கூடுதல் விலை செலுத்துகின்றனர். நிறுவனங்களின் செயற்கை நுண்ணறிவுச் செலவில் முன்னணி மாதிரிகளின் பங்கு Q3 2025-இல் 35%-இலிருந்து Q3 2026-இல் 63%-ஆக உயர்ந்ததை Menlo ஆய்வு காட்டுகிறது. 

மாதிரி அடுக்கு நகரும் பொருளாதார முன்னணியாகச் செயல்படுகிறது: அடிப்படைத் திறன்கள் விரைவாகப் பொதுப்பொருளாக மாறுகின்றன; அதே வேளையில், அதிநவீன பகுத்தறிவு விலை நிர்ணயிக்கும் வலிமையைத் தக்கவைக்கிறது. இதனால், முன்னணி நிலைக்கு இணையாக இருப்பதற்காகவே மாதிரி உருவாக்குநர்கள் தொடர்ந்து பெருமளவிலான மூலதன முதலீடுகளை ஏற்க வேண்டியுள்ளது.
## 4. செயலாக்கத் தளங்கள், பௌதிக AI, மற்றும் ஜெவன்ஸ் முரண்பாடு

அடித்தள மாதிரிகள் பொதுப் பண்டங்களாக மாறும்போது, பொருளாதார மதிப்பு செயலாக்கம் மற்றும் கட்டுப்பாட்டுத் தளத்தை நோக்கி நகர்கிறது. இந்த இடைமென்பொருள் அடுக்கு, மாறும் தேவைகளுக்கேற்ப மாதிரிகளை வழிப்படுத்துதல், நீடித்த நிலை நினைவகம், அடையாள மேலாண்மை, அனுமதி வழங்கல், மதிப்பீடு, கருவி ஒருங்கிணைப்பு, மற்றும் ஒருங்கியக்கம் ஆகியவற்றை உள்ளடக்குகிறது. நிறுவன இருப்புநிலைக் குறிப்புகளின் கண்ணோட்டத்தில் பார்த்தால், நிறுவன மென்பொருள் வாங்குபவர்கள் அடித்தள மாதிரிகளின் மூல டோக்கன்களை வாங்குவதில்லை; நிறைவேற்றப்பட்ட வணிக விளைவுகளையே வாங்குகின்றனர். செயலாக்க அடுக்கு நிறுவனங்களுக்கான "இடைமென்பொருளாக" செயல்படுகிறது—மேகக் கணிமையில் Kubernetes, அடையாள அணுகல் மேலாண்மை, மற்றும் கண்காணித்தறியும் திறன் ஆகியவற்றைப் போன்று—நிறுவனங்களின் மாற்றுச் செலவுகளை நிலைநிறுத்தி, அடிப்படை மாதிரிகள் மாறினாலும் லாப விகிதங்களைப் பாதுகாக்கிறது. பல மாதிரிகளைக் கொண்ட நிறுவனக் கட்டமைப்புகள் இப்போது வழக்கமாகிவிட்டன என்பதையும், பயன்பாட்டுக்குக் கொண்டுவருவதில் உள்ள முக்கியத் தடைகள் டோக்கன்களின் அலகுச் செலவுகளிலிருந்து செயலாக்க நம்பகத்தன்மை, பாதுகாப்பு, மற்றும் பணியை நிறைவு செய்தல் ஆகியவற்றுக்கு நகர்ந்துள்ளன என்பதையும் 2026 LangChain பயன்பாட்டுச் சூழல் ஆய்வு உறுதிப்படுத்துகிறது.

அதேபோல், தனியுரிமை கொண்ட, விளைவுகள் சார்ந்த பின்னூட்டச் சுழற்சிகளுடன் ஒப்பிடும்போது, பொதுவான இணையப் பயிற்சித் தரவுகள் பொதுப் பண்டங்களாக மாறுகின்றன. செயல்கள் சரிபார்க்கக்கூடிய நிஜ உலக மதிப்பீடுகளை உருவாக்கும் துறைசார் செயல்பாட்டுப் பணிப்பாய்வுகளில் மென்பொருள் பயன்பாடுகள் நேரடியாகப் பதியும்போது, நிலையான பொருளாதார அகழிகள் உருவாகின்றன.

சட்டத் துறையில் உள்ள **Harvey**, இந்த இயக்கத்தின் சிறந்த எடுத்துக்காட்டாகும். பொதுவான டோக்கன் உருவாக்கத்தை விற்கும், அடித்தள மாதிரியைச் சுற்றிய பலவீனமான மென்பொருள் உறையாக Harvey போட்டியிடுவதில்லை. மாறாக, அது சட்டப் பணிப்பாய்வுகளில் நேரடியாகப் பதிந்து, சட்டப் பதிவேட்டு அமைப்புகள், விநியோகம், ஒழுங்குமுறை இணக்கம், வாடிக்கையாளர் நம்பிக்கை, மற்றும் தனியுரிமைப் பின்னூட்டச் சுழற்சிகளை ஒருங்கிணைக்கிறது (ஒப்பந்தப் பகுப்பாய்வு $\rightarrow$ வழக்கறிஞரின் திருத்தம் $\rightarrow$ இறுதி நீதிமன்றத் தாக்கல்/தீர்வு). முழுமையான பணிப்பாய்வையும் அதன் விளைவுத் தரவுகளையும் Harvey தன்வசம் கொண்டிருப்பதால், அது உயர்ந்த மாற்றுச் செலவுகளை உருவாக்கி, தனது விலை நிர்ணய வலிமையைப் பாதுகாக்கிறது; இதனால், அடையப்படும் வணிக விளைவுடன் ஒப்பிடும்போது அடித்தள மாதிரியின் தேர்வு இரண்டாம்பட்சமாகிறது. இதேபோன்ற விளைவுகள் சார்ந்த பின்னூட்டச் சுழற்சிகள் நிரலாக்கம் (திருத்தம் $\rightarrow$ சோதனை முடிவு $\rightarrow$ பயன்பாட்டில் அமர்த்தியதன் விளைவு), மருத்துவம் (நோயறிதல் $\rightarrow$ சிகிச்சை $\rightarrow$ நோயாளியின் உடல்நல விளைவு), மற்றும் நிதி (விலைப்பட்டியல் $\rightarrow$ பரிவர்த்தனைத் தீர்வு $\rightarrow$ சர்ச்சைத் தீர்வு) போன்ற சிறப்புத் துறைகளிலும் உருவாகின்றன.

பௌதிக AI அமைப்புகளில், மூலதன ஒதுக்கீட்டின் இயக்கங்கள், மென்பொருளை மட்டுமே சார்ந்த நிறுவனப் பொருளாதாரத்திலிருந்து அடிப்படையாகவே வேறுபடுகின்றன. மென்பொருள் கிட்டத்தட்ட பூஜ்ஜிய விளிம்புநிலைச் செலவில் விரிவடைகிறது; ஆனால் பௌதிக ரோபோ அமைப்புகளுக்கு பொருட்பட்டியல் (BOM) சார்ந்த பெருமளவு மூலதனம் தேவைப்படுகிறது. மனித உருவ ரோபோவின் BOM-இல் துல்லிய இயக்கிகள் 40% முதல் 60% வரை பங்களிக்கின்றன என்றும், மின்கலத் தொகுதிகள் 5% முதல் 10% வரை பங்களிக்கின்றன என்றும் McKinsey மதிப்பிடுகிறது. மேலும், ஒவ்வொரு மனித உருவ ரோபோவுக்கும் 2 முதல் 3 kg NdFeB (நியோடிமியம்-இரும்பு-போரான்) அரிய மண் காந்தங்கள் தேவைப்படுவதாக CRU மதிப்பிடுகிறது. பௌதிக AI கூறுகள் நீண்டகால உத்திசார் வாய்ப்புகளை வழங்கினாலும், தரவு மையக் கணிப்பீட்டு மற்றும் நினைவகச் சொத்துகள் இன்றே உடனடியான, சரிபார்க்கக்கூடிய பணப்புழக்கங்களை உருவாக்குகின்றன.

| பௌதிக AI வன்பொருள் கூறு | மதிப்பிடப்பட்ட BOM / வளப் பங்கு | முதன்மைப் பொருளாதார மற்றும் விநியோகச் சங்கிலி உந்துதல்கள் |
| :--- | :--- | :--- |
| **துல்லிய இயக்கிகள்** | மொத்த BOM-இல் 40% – 60% (McKinsey) | உயர் துல்லிய மூட்டுகள், பற்சக்கரப் பெட்டிகள், மின்மோட்டார்கள், மற்றும் வேகக் குறைப்பிகள். |
| **மின்கலத் தொகுதிகள்** | மொத்த BOM-இல் 5% – 10% (McKinsey) | இயக்க அமைப்புகளுடன் ஒப்பிடும்போது குறைந்த மூலதன ஒதுக்கீடு. |
| **NdFeB அரிய மண் காந்தங்கள்** | ஒவ்வொரு மனித உருவ ரோபோவுக்கும் 2 – 3 kg (CRU) | கனமான அரிய மண் தனிமங்களுக்கான கட்டமைப்புசார் தேவை உந்துதல். |

இந்தக் கட்டமைப்புசார் மூலதனச் செலவின விரிவாக்கத்தைப் புரிந்துகொள்ள ஜெவன்ஸ் முரண்பாட்டைப் பயன்படுத்த வேண்டும். அலகு டோக்கன் செலவுகளில் 100-மடங்கு வீழ்ச்சி ஏற்பட்டாலும், கணிப்பீட்டுக்கான மொத்தச் செலவு குறைவதில்லை; மாறாக, குறைந்த அலகு விலைகள் மொத்த டோக்கன் பயன்பாட்டில் வெடிப்பைப் போன்ற விரிவாக்கத்தைத் தூண்டுகின்றன. தனித்த வினா-பதில் தொடர்புகளுக்குப் பதிலாக, தொடர்ச்சியான பின்னணி உருவகப்படுத்தல்களையும் தானியங்கிக் கருவி அழைப்புகளையும் செயல்படுத்தும் பல முகவர் பகுத்தறிவுச் சுழற்சிகள் வரும்போது, அலகு விலைகள் சரிந்தாலும் மொத்த வன்பொருள் கணிப்பீட்டுத் தேவை வேகமாக அதிகரிக்கிறது.

மூலதன ஒதுக்கீட்டை மதிப்பிடும் நீண்டகால அடிப்படை முதலீட்டாளர்களுக்கு, நிலையான மதிப்பைப் பெறுவது என்பது வெறும் பௌதிகப் பற்றாக்குறையைச் சார்ந்திருப்பதைத் தவிர்த்து, உயர்ந்த கூடுதல் ROIC, விலை நிர்ணய வலிமை, மற்றும் பணிப்பாய்வுகளில் பதிந்த பின்னூட்டச் சுழற்சிகளைக் கொண்ட வணிகங்களுக்கு முன்னுரிமை அளிப்பதாகும். ஆழமான மதிப்பீட்டு மாதிரிகள் மற்றும் அடிப்படை உரிமையாளர் வருமானக் கணக்கீடுகளில் ஆர்வமுள்ள முதலீட்டாளர்கள், DeepValues Research இணையதளத்தில் எங்களின் திறந்த மூல நிறுவன ஆய்வுகளை ஆராயலாம் அல்லது DeepValues செயலியைப் பயன்படுத்தி எந்தப் பங்கின் உள்ளார்ந்த மதிப்பையும் பாதுகாப்பு விளிம்பையும் மதிப்பிடலாம்.

## 5. முக்கிய எண்கள்

*   **78%**: நிறுவனங்களின் தேசிய அடையாளத்தின் அடிப்படையில், குறைக்கடத்தி ஒளித்தடுப்புப் பொருள் விற்பனையில் ஜப்பானிய நிறுவனங்களின் தோராயமான சந்தைப் பங்கு.
*   **>$700B**: IEA-வின்படி, 2026-இல் மிகப்பெரும் அளவிலான மேகக் கணிமை நிறுவனங்களின் மதிப்பிடப்பட்ட மூலதனச் செலவினம்; பெரும்பாலும் தரவு மைய விரிவாக்கத்திற்கானது.
*   **485 TWh முதல் ~950 TWh வரை**: 2025 முதல் 2030 வரை தரவு மைய மின்சாரப் பயன்பாட்டில் எதிர்பார்க்கப்படும் உயர்வு (IEA).
*   **2027 இறுதி**: உயர் அலைவரிசை நினைவக (HBM) விநியோகப் பற்றாக்குறை நீடிக்கும் என எதிர்பார்க்கப்படும் காலம் (IEA).
*   **50% / 33% / 18%**: Q2 2026-இல் SK Hynix, Samsung, மற்றும் Micron ஆகியவற்றின் மதிப்பிடப்பட்ட HBM வருவாய்ப் பங்குகள், முறையே (Counterpoint).
*   **ஒரு மில்லியன் டோக்கன்களுக்கு $20 முதல் $0.07 வரை**: நவம்பர் 2022 முதல் அக்டோபர் 2024 வரை GPT-3.5-நிலையிலான MMLU செயல்திறனை இயக்குவதற்கான செலவுக் குறைவு; இது 280x குறைவைக் குறிக்கிறது (Stanford AI குறியீடு).
*   **~80%**: ஜனவரி 2024 முதல் ஏப்ரல் 2026 வரை தரத்திற்கேற்ப சரிசெய்யப்பட்ட மொழி மாதிரி விலைகளின் சரிவு (OECD).
*   **25 Arena Elo புள்ளிகள்**: மார்ச் 2026 நிலவரப்படி Anthropic, xAI, Google, மற்றும் OpenAI ஆகியவற்றின் முன்னணி மாதிரிகளைப் பிரிக்கும் குறுகிய செயல்திறன் இடைவெளி (Stanford 2026 AI குறியீடு).
*   **3.3%–3.4%**: மார்ச் 2026-இல் சிறந்த மூடிய மூல மாதிரிக்கும் சிறந்த திறந்த எடை மாதிரிக்கும் இடையிலான செயல்திறன் இடைவெளி (Stanford AI குறியீடு).
*   **35% முதல் 63% வரை**: Q3 2025 முதல் Q3 2026 வரை நிறுவன AI செலவினத்தில் முன்னணி மாதிரிகளின் பங்கில் ஏற்பட்ட உயர்வு (Menlo ஆய்வு).
*   **40%–60% எதிராக 5%–10%**: மனித உருவ ரோபோவின் பொருட்பட்டியலில் (BOM) இயக்கிகள் மற்றும் மின்கலத் தொகுதிகள் முறையே வகிக்கும் மதிப்பிடப்பட்ட பங்குகள் (McKinsey).
*   **2–3 kg**: ஒவ்வொரு மனித உருவ ரோபோவுக்கும் மதிப்பிடப்பட்ட NdFeB அரிய மண் காந்தத் தேவை (CRU).

## 6. எங்கள் கண்ணோட்டத்தை மாற்றக்கூடியவை

*   **CUDA மற்றும் HBM கட்டமைப்புகள் விரைவாக வழக்கொழிதல்:** HBM மற்றும் NVLink-ஐ வெற்றிகரமாக இடம்பெயர்க்கும் மாற்று இணைப்புகள் அல்லது நினைவகக் கட்டமைப்புகளின் விரைவான வளர்ச்சி, 2027-க்கு முன் அமைப்பு-நிலை வலையமைப்புப் பொருளாதார அகழிகளைப் பலவீனப்படுத்துதல்.
*   **மிகப்பெரும் அளவிலான மேகக் கணிமை நிறுவனங்களின் மூலதனச் செலவினக் குறைப்பு:** முதலீடு செய்யப்பட்ட மூலதனத்தின் மீதான வருமானம் (ROIC) ஏமாற்றமளிப்பதாலோ, மின்சார வலையமைப்புடன் இணைப்பதில் கடுமையான தாமதங்கள் ஏற்படுவதாலோ, >$700B வருடாந்திர மூலதனச் செலவினப் பாதையில் கூர்மையான கீழ்நோக்கிய திருத்தம்.
*   **திறந்த எடை மாதிரிகளின் விரைவான வருவாயாக்கமும் தேக்கநிலையும்:** 3.3–3.4% முன்னணிச் செயல்திறன் இடைவெளி மறைந்து, நிறுவன வாடிக்கையாளர்கள் உயர்விலை மூடிய மாதிரிகளைக் கைவிட்டு, உள்ளூர்மயமாக்கப்பட்ட மலிவான திறந்த எடை மாதிரிகளைத் தேர்ந்தெடுத்தல்.
*   **பௌதிக AI பயன்பாட்டில் விரைவாக்கம்:** மனித உருவ ரோபோக்களின் பெருமளவு வணிகமயமாக்கலும் அதிக அளவிலான உற்பத்தியும் 2030-க்கு வெகுமுன்பே மில்லியன் கணக்கான அலகுகளை எட்டி, உடனடிப் பணப்புழக்க மதிப்பைப் பெறும் வாய்ப்பை இயக்கிகள் மற்றும் காந்தங்களின் விநியோகச் சங்கிலிகளுக்கு மாற்றுதல்.

## 7. ஆதாரங்கள்

AI மதிப்பைப் புரிந்துகொள்ளுதல், Chamath Palihapitiya (2025 வருடாந்திரக் கடிதம் மற்றும் தொடர்புடைய கட்டமைப்பு)
Stanford AI குறியீடு (Stanford பல்கலைக்கழகம், 2024–2026 தரவுகள்)
சர்வதேச எரிசக்தி முகமை (IEA) மின்சாரம் மற்றும் மூலதனச் செலவின அறிக்கைகள்
Counterpoint Research (Q2 2026 குறைக்கடத்தி மற்றும் HBM சந்தைப் பகுப்பாய்வு)
McKinsey & Company ரோபோ அமைப்புகளின் BOM ஆய்வு
CRU Group பொருட்கள் மற்றும் அரிய மண் தனிமங்கள் ஆய்வு
OECD மொழி மாதிரி விலை ஆய்வுகள் (2024–2026)
Menlo Ventures நிறுவன AI செலவின ஆய்வு (2025–2026)
Johns Hopkins பல்கலைக்கழக உள்கட்டமைப்பு மற்றும் தரவு மைய மின்சார ஆய்வு
LangChain பயன்பாட்டுச் சூழல் AI ஆய்வு (2026)

## From DeepValues

- DeepValues app: intrinsic value, stances and the latest reports for 300+ stocks. [iPhone](https://apps.apple.com/us/app/deepvalues/id6775568608?utm_source=research&utm_medium=web&utm_campaign=markdown) · [Android](https://play.google.com/store/apps/details?id=app.deepvalues.android&referrer=utm_source%3Dresearch%26utm_medium%3Dweb%26utm_campaign%3Dmarkdown) · [Web](https://app.deepvalues.ai/?utm_source=research&utm_medium=web&utm_campaign=markdown)
- [Deep Value Intelligence](https://deepvalues.ai/?utm_source=research&utm_medium=web&utm_campaign=markdown): the multi-agent AI analyst behind these reports, for any listed company
- [Margin of Safety Weekly](https://app.deepvalues.ai/letter?utm_source=research&utm_medium=web&utm_campaign=markdown): free weekly email, every Saturday
- YouTube: videos on investing and on AI. [@TheDeepValues](https://www.youtube.com/@TheDeepValues?utm_source=research&utm_medium=web&utm_campaign=markdown) (investing) · [@deep-values](https://www.youtube.com/@deep-values?utm_source=research&utm_medium=web&utm_campaign=markdown) (AI)
- Podcasts: 6 shows in English and Chinese (Deep Values, 深度价值, Deep Values Frontier, 深度價值前沿, Deep Value Intelligence, 深度价值情报站). [all shows on Apple Podcasts](https://podcasts.apple.com/us/channel/deepvalues/id6826606342)
- Buffett Indicator: market-valuation gauge. [iPhone](https://apps.apple.com/us/app/buffett-indicator/id6747404614?utm_source=research&utm_medium=web&utm_campaign=markdown) · [Android (Buffett Indicator & Shiller PE)](https://play.google.com/store/apps/details?id=com.luluventures.bubblewatch.android&utm_source=research&utm_medium=web&utm_campaign=markdown)
