قيد: ما وراء NVIDIA: الكشف عن مسارات استثمارات البنية التحتية للذكاء الاصطناعي

مقدمة: إعادة تعريف استثمارات البنية التحتية للذكاء الاصطناعي

غالبًا ما يُناقش مفهوم استثمارات الإنفاق الرأسمالي (Capex) في مجال الذكاء الاصطناعي وكأنه فكرة واحدة واضحة. يشير الإنفاق الرأسمالي ببساطة إلى الأموال التي تنفقها الشركات على الأصول طويلة الأجل مثل مراكز البيانات، والرقائق، والخوادم، وأنظمة الطاقة، وغيرها من البنى التحتية. تُصنف شركات مثل NVIDIA، ومقدمو الخدمات السحابية الكبرى (Hyperscalers)، ومراكز البيانات، ومتطلبات الطاقة، جميعها ضمن فئة واحدة تُدعى "البنية التحتية للذكاء الاصطناعي". لكنني أعتقد أن هذا التصنيف لم يعد مفيدًا بالقدر الكافي.

فالإنفاق الرأسمالي لا ينتقل في السوق كعنوان رئيسي، بل يمر عبر سلسلة متكاملة. عندما تقرر شركة سحابية زيادة إنفاقها على البنية التحتية للذكاء الاصطناعي، يجب أن يمر هذا الإنفاق عبر الرقائق، ومعدات أشباه الموصلات، والخوادم، والشبكات، ومراكز البيانات، وأنظمة الطاقة، والتبريد، والإنشاءات، قبل أن يتحول إلى قدرة حوسبية قابلة للاستخدام. وهنا تكمن الإثارة الحقيقية للقصة.

لا تزال الأسماء البارزة في مجال الذكاء الاصطناعي مهمة، لكنها لا تمثل الصورة الكاملة. إذا كان الإنفاق الرأسمالي على الذكاء الاصطناعي يتحول إلى أحد أكبر دورات الاستثمار في السوق، فإن السؤال الأفضل ليس فقط: "ما هي الشركات التي تُعد أسهمًا للذكاء الاصطناعي؟" بل هو في الواقع: "أين تتجه الأموال فعليًا؟"

في هذا المقال، سنستخدم Python وبيانات EODHD لبناء خريطة بسيطة للإنفاق الرأسمالي على الذكاء الاصطناعي. الهدف ليس إنشاء قائمة توصيات للشراء، بل فصل هذا الموضوع إلى طبقات، ومقارنة الأساسيات (fundamentals) بالاعتراف السوقي، ومعرفة أين تظهر استثمارات البنية التحتية للذكاء الاصطناعي بالفعل في البيانات.

جدول المحتويات

المتطلبات الأساسية
ما الذي نتحقق منه
استيراد الحزم المطلوبة
بناء نطاق استثمارات البنية التحتية للذكاء الاصطناعي
استخلاص البيانات المالية وراء القصة
بيانات الأساسيات (Fundamentals)
بيانات الأسعار التاريخية
فصل قوة الأعمال عن الاعتراف السوقي
مؤشر الأساسيات
مؤشر الاعتراف السوقي
مصفوفة الإنفاق الرأسمالي للذكاء الاصطناعي: أين تظهر الاستثمارات حقًا
ما هي طبقات البنية التحتية للذكاء الاصطناعي التي كافأها السوق أكثر؟
طبقة البنية التحتية المادية لم تعد خفية
ما لاحظه السوق بالفعل
ما تُظهره هذه الدراسة
الخلاصة

المتطلبات الأساسية

قبل المتابعة، يجب أن تكون ملمًا بأساسيات Python، خاصةً التعامل مع القواميس (dictionaries)، والقوائم (lists)، والدوال (functions)، و pandas DataFrames. ستحتاج أيضًا إلى:

Python 3.9 أو أحدث
مفتاح EODHD API
مكتبات Python التالية: requests، و pandas، و numpy، و matplotlib
إلمام أساسي بالمقاييس المالية مثل نمو الإيرادات (revenue growth)، وهامش الربح (profit margin)، ونسبة السعر إلى الأرباح (P/E ratio)، وعوائد الأسهم (stock returns)، والتقلب (volatility)، والانخفاض الأقصى (drawdown)

لا تحتاج إلى معرفة مالية متقدمة لهذا المقال. الهدف هو إظهار كيف يمكن لتصور البيانات أن يساعد في رسم خريطة لموضوع سوقي، وليس بناء نموذج تقييم كامل أو محرك توصيات للأسهم.

ما الذي نتحقق منه

النسخة الكسولة من هذا المقال ستكون مجرد قائمة بأسهم الذكاء الاصطناعي. هذا ليس ما أريد فعله هنا. النهج الأكثر فائدة هو التعامل مع الإنفاق الرأسمالي للذكاء الاصطناعي كسلسلة إنفاق، والسؤال عن مكان ظهور كل جزء من هذه السلسلة في السوق. فالشركة التي تبيع وحدات معالجة الرسوميات (GPUs) تتعرض لهذا الموضوع بطريقة، بينما الشركة التي تبني أنظمة كهربائية لمراكز البيانات تتعرض له بطريقة مختلفة تمامًا. كلاهما يمكن أن يستفيد من نفس دورة الإنفاق الرأسمالي، لكن الاقتصاديات، والهوامش، والتقييم، وسلوك السوق قد تبدو مختلفة جدًا.

لذا، يتكون التحقيق من ثلاثة أجزاء. أولاً، سنقوم بإنشاء نطاق عمل للبنية التحتية للذكاء الاصطناعي عبر طبقات مثل الرقائق (chips)، ومعدات أشباه الموصلات (semiconductor equipment)، والخوادم (servers)، والشبكات (networking)، ومراكز البيانات (data centers)، والطاقة (power)، والتبريد (cooling)، والإنشاءات (construction).

ثانيًا، سنستخلص بيانات الأساسيات والأسعار من EODHD لقياس أمرين:

مؤشر الأساسيات (Fundamental signal): هل يُظهر العمل نموًا وربحية؟
مؤشر الاعتراف السوقي (Market recognition signal): هل كافأ السوق السهم بالفعل؟

ثالثًا، سنقوم برسم خريطة للشركات في مصفوفة والبحث عن أنماط. الناتج الرئيسي ليس ترتيبًا لـ "أفضل أسهم البنية التحتية للذكاء الاصطناعي"، بل هو رؤية أوضح لمكان ظهور استثمارات الإنفاق الرأسمالي للذكاء الاصطناعي بالفعل، وأين تبدو مركزة، وأين تبدأ طبقة البنية التحتية المادية في أن تصبح من الصعب تجاهلها.

استيراد الحزم المطلوبة

سنحافظ على إعداد بسيط. هذا دفتر ملاحظات تحليلي، وليس نظام إنتاج.

import requests
import pandas as pd
import numpy as np
from datetime import date, timedelta
import matplotlib.pyplot as plt

تغطي هذه الحزم كل ما نحتاجه هنا. ستستخدم requests لاستدعاء EODHD API، و pandas للتعامل مع الجداول، و numpy للمساعدة في العمليات الحسابية الأساسية. سنستخدم date و timedelta لنافذة الأسعار لمدة عام واحد، و matplotlib للرسوم البيانية.

بناء نطاق استثمارات البنية التحتية للذكاء الاصطناعي

هناك مشكلة واحدة في تحليل أسهم البنية التحتية للذكاء الاصطناعي: التعرض للإنفاق الرأسمالي للذكاء الاصطناعي ليس مجالًا ماليًا واضحًا. لا يوجد API يخبرنا مباشرة أن الشركة "معرضة بنسبة 30% لإنفاق مراكز بيانات الذكاء الاصطناعي" أو "مرتبطة ارتباطًا وثيقًا بالبنية التحتية لوحدات معالجة الرسوميات (GPU)". لذا، نحتاج أولاً إلى نطاق بحث.

لهذا المقال، استخدمت نموذج لغوي كبير (LLM) كمساعد بحث لصياغة النسخة الأولى من سلسلة الإنفاق الرأسمالي للذكاء الاصطناعي، ثم قمت بمراجعة الشركات يدويًا قبل استخلاص بيانات الأساسيات والأسعار من EODHD. ينقسم النطاق إلى طبقات:

Demand-side hyperscalers (مقدمو الخدمات السحابية الكبرى من جانب الطلب)
AI compute and chips (الحوسبة والرقائق للذكاء الاصطناعي)
Semiconductor equipment (معدات أشباه الموصلات)
Servers and storage (الخوادم والتخزين)
Networking (الشبكات)
Data centers (مراكز البيانات)
Power and electrification (الطاقة والكهربة)
Cooling and industrial systems (أنظمة التبريد والأنظمة الصناعية)
Construction and engineering (الإنشاءات والهندسة)

ai_capex_universe = [
    {'ticker': 'MSFT.US', 'company': 'Microsoft', 'capex_layer': 'Demand-side hyperscalers', 'exposure_level': 'High', 'reason': 'Major cloud and AI infrastructure spender through Azure'},
    {'ticker': 'AMZN.US', 'company': 'Amazon', 'capex_layer': 'Demand-side hyperscalers', 'exposure_level': 'High', 'reason': 'Large AI and cloud infrastructure spender through AWS'},
    {'ticker': 'GOOGL.US', 'company': 'Alphabet', 'capex_layer': 'Demand-side hyperscalers', 'exposure_level': 'High', 'reason': 'Major AI infrastructure spender across Google Cloud and internal AI systems'},
    {'ticker': 'META.US', 'company': 'Meta Platforms', 'capex_layer': 'Demand-side hyperscalers', 'exposure_level': 'High', 'reason': 'Large AI compute and data center spending program'},
    {'ticker': 'NVDA.US', 'company': 'NVIDIA', 'capex_layer': 'AI compute and chips', 'exposure_level': 'Very High', 'reason': 'Core GPU and accelerator supplier for AI training and inference'},
    {'ticker': 'AMD.US', 'company': 'Advanced Micro Devices', 'capex_layer': 'AI compute and chips', 'exposure_level': 'High', 'reason': 'AI accelerator and data center CPU exposure'},
    {'ticker': 'AVGO.US', 'company': 'Broadcom', 'capex_layer': 'AI compute and chips', 'exposure_level': 'High', 'reason': 'Custom silicon and networking exposure for AI infrastructure'},
    {'ticker': 'MRVL.US', 'company': 'Marvell Technology', 'capex_layer': 'AI compute and chips', 'exposure_level': 'High', 'reason': 'Custom silicon, networking, and data infrastructure exposure'},
    {'ticker': 'AMAT.US', 'company': 'Applied Materials', 'capex_layer': 'Semiconductor equipment', 'exposure_level': 'High', 'reason': 'Supplies equipment used in advanced chip manufacturing'},
    {'ticker': 'LRCX.US', 'company': 'Lam Research', 'capex_layer': 'Semiconductor equipment', 'exposure_level': 'High', 'reason': 'Semiconductor manufacturing equipment supplier'},
    {'ticker': 'KLAC.US', 'company': 'KLA', 'capex_layer': 'Semiconductor equipment', 'exposure_level': 'High', 'reason': 'Process control and inspection tools for chip manufacturing'},
    {'ticker': 'ASML.US', 'company': 'ASML', 'capex_layer': 'Semiconductor equipment', 'exposure_level': 'Very High', 'reason': 'Critical lithography equipment supplier for advanced chips'},
    {'ticker': 'DELL.US', 'company': 'Dell Technologies', 'capex_layer': 'Servers and storage', 'exposure_level': 'High', 'reason': 'AI server and enterprise hardware exposure'},
    {'ticker': 'HPE.US', 'company': 'Hewlett Packard Enterprise', 'capex_layer': 'Servers and storage', 'exposure_level': 'Medium', 'reason': 'Server, storage, and enterprise infrastructure exposure'},
    {'ticker': 'SMCI.US', 'company': 'Super Micro Computer', 'capex_layer': 'Servers and storage', 'exposure_level': 'High', 'reason': 'AI server systems and data center hardware exposure'},
    {'ticker': 'ANET.US', 'company': 'Arista Networks', 'capex_layer': 'Networking', 'exposure_level': 'High', 'reason': 'Data center networking supplier tied to AI cluster buildouts'},
    {'ticker': 'CSCO.US', 'company': 'Cisco', 'capex_layer': 'Networking', 'exposure_level': 'Medium', 'reason': 'Networking and enterprise infrastructure exposure'},
    {'ticker': 'EQIX.US', 'company': 'Equinix', 'capex_layer': 'Data centers', 'exposure_level': 'Medium', 'reason': 'Global data center and interconnection infrastructure'},
    {'ticker': 'DLR.US', 'company': 'Digital Realty', 'capex_layer': 'Data centers', 'exposure_level': 'Medium', 'reason': 'Data center real estate exposure'},
    {'ticker': 'VRT.US', 'company': 'Vertiv', 'capex_layer': 'Power and electrification', 'exposure_level': 'High', 'reason': 'Power and thermal infrastructure for data centers'},
    {'ticker': 'ETN.US', 'company': 'Eaton', 'capex_layer': 'Power and electrification', 'exposure_level': 'Medium', 'reason': 'Electrical systems and power management exposure'},
    {'ticker': 'PWR.US', 'company': 'Quanta Services', 'capex_layer': 'Power and electrification', 'exposure_level': 'Medium', 'reason': 'Grid, power, and infrastructure construction exposure'},
    {'ticker': 'CEG.US', 'company': 'Constellation Energy', 'capex_layer': 'Power and electrification', 'exposure_level': 'Medium', 'reason': 'Power demand beneficiary from data center expansion'},
    {'ticker': 'TT.US', 'company': 'Trane Technologies', 'capex_layer': 'Cooling and industrial systems', 'exposure_level': 'Medium', 'reason': 'Cooling and climate systems exposure for buildings and infrastructure'},
    {'ticker': 'CARR.US', 'company': 'Carrier Global', 'capex_layer': 'Cooling and industrial systems', 'exposure_level': 'Medium', 'reason': 'Cooling, HVAC, and infrastructure systems exposure'},
    {'ticker': 'JCI.US', 'company': 'Johnson Controls', 'capex_layer': 'Cooling and industrial systems', 'exposure_level': 'Medium', 'reason': 'Building systems, controls, and cooling infrastructure exposure'},
    {'ticker': 'EME.US', 'company': 'EMCOR Group', 'capex_layer': 'Construction and engineering', 'exposure_level': 'Medium', 'reason': 'Electrical and mechanical construction exposure'},
    {'ticker': 'FIX.US', 'company': 'Comfort Systems USA', 'capex_layer': 'Construction and engineering', 'exposure_level': 'Medium', 'reason': 'Mechanical and electrical services for commercial infrastructure'}
]
universe = pd.DataFrame(ai_capex_universe)
universe.head()

هذا يمنحنا نطاق البحث. الشيء المهم هو أن هذا الجدول لا يثبت أي شيء بحد ذاته. إنه يحدد الخريطة فقط. المقارنة الفعلية تأتي من بيانات الأساسيات والأسعار التاريخية التي سنستخلصها لاحقًا.

استخلاص البيانات المالية وراء القصة

النطاق يمنحنا الخريطة، لكن الخريطة ليست التحليل. الآن نحتاج إلى بيانات فعلية وراء كل شركة. لذلك، سنستخدم بيانات الأساسيات والأسعار التاريخية من EODHD. تساعدنا الأساسيات في التحقق من قوة الأعمال. وتساعدنا بيانات الأسعار في معرفة ما إذا كان السوق قد اعترف بالفعل بالشركة كجزء من استثمارات الإنفاق الرأسمالي للذكاء الاصطناعي.

بيانات الأساسيات (Fundamentals)

أولاً، سنستخلص الأساسيات باستخدام نقطة نهاية الأساسيات (fundamentals endpoint) الخاصة بـ EODHD.

api_key = 'YOUR EODHD API KEY'

def get_fundamentals(ticker):
    url = f'https://eodhd.com/api/fundamentals/{ticker}?api_token={api_key}&fmt=json'
    data = requests.get(url).json()
    return data

ملاحظة: استبدل YOUR EODHD API KEY بمفتاح EODHD API الفعلي الخاص بك. تستدعي هذه الدالة نقطة نهاية الأساسيات لرمز سهم واحد (ticker) وتُرجع استجابة JSON الكاملة. لا نحتاج إلى الاستجابة بأكملها لهذا التحليل، لذا سنستخلص فقط الحقول التي نهتم بها.

def extract_fundamental_fields(ticker, data):
    general = data.get('General', {})
    highlights = data.get('Highlights', {})
    valuation = data.get('Valuation', {})
    technicals = data.get('Technicals', {})
    return {
        'ticker': ticker,
        'sector': general.get('Sector'),
        'industry': general.get('Industry'),
        'market_cap': highlights.get('MarketCapitalization'),
        'revenue_growth_yoy': highlights.get('QuarterlyRevenueGrowthYOY'),
        'profit_margin': highlights.get('ProfitMargin'),
        'operating_margin': highlights.get('OperatingMarginTTM'),
        'return_on_equity': highlights.get('ReturnOnEquityTTM'),
        'pe_ratio': highlights.get('PERatio'),
        'forward_pe': valuation.get('ForwardPE'),
        'beta': technicals.get('Beta')
    }

تمنحنا هذه الحقول نظرة مدمجة على النمو، والربحية، والتقييم، وسياق الشركة. الآن يمكننا تشغيل هذا عبر النطاق الكامل.

fundamental_rows = []
for ticker in universe['ticker']:
    try:
        data = get_fundamentals(ticker)
        row = extract_fundamental_fields(ticker, data)
        fundamental_rows.append(row)
        print(f'{ticker} DONE')
    except Exception as e:
        fundamental_rows.append({
            'ticker': ticker,
            'sector': np.nan,
            'industry': np.nan,
            'market_cap': np.nan,
            'revenue_growth_yoy': np.nan,
            'profit_margin': np.nan,
            'operating_margin': np.nan,
            'return_on_equity': np.nan,
            'pe_ratio': np.nan,
            'forward_pe': np.nan,
            'beta': np.nan
        })
        print(f'{ticker} ERROR')

fundamentals = pd.DataFrame(fundamental_rows)
fundamentals.head()

تُبقي كتلة try الفحص مستمرًا إذا فشل رمز سهم واحد. هذا مهم لأن هذا النطاق يمزج أنواعًا مختلفة من الشركات، ولا ينبغي أن تؤدي استجابة مفقودة واحدة إلى تعطيل التحليل بأكمله.

بيانات الأسعار التاريخية

بعد ذلك، سنستخلص بيانات الأسعار التاريخية لمدة عام واحد باستخدام نقطة نهاية الأسعار التاريخية في نهاية اليوم (historical end-of-day prices endpoint) الخاصة بـ EODHD.

price_start = date.today() - timedelta(days=365)
price_end = date.today()

def get_price_history(ticker):
    url = f'https://eodhd.com/api/eod/{ticker}?api_token={api_key}&fmt=json&from={price_start.isoformat()}&to={price_end.isoformat()}&period=d'
    data = requests.get(url).json()
    prices = pd.DataFrame(data)
    if prices.empty:
        return pd.DataFrame()
    prices['date'] = pd.to_datetime(prices['date'], errors='coerce')
    prices['adjusted_close'] = pd.to_numeric(prices['adjusted_close'], errors='coerce')
    prices = prices.dropna(subset=['date', 'adjusted_close'])
    prices = prices.sort_values('date').reset_index(drop=True)
    return prices[['date', 'adjusted_close']]

نحن نستخدم سعر الإغلاق المعدل (adjusted close) لأنه أنظف لحسابات العوائد بعد تقسيم الأسهم (splits) وتوزيعات الأرباح (dividends). الآن سنقوم بتحويل سجل الأسعار إلى عدد قليل من مؤشرات السوق.

def calculate_market_signals(prices):
    if prices.empty or len(prices) < 60:
        return {
            'return_1y': np.nan,
            'return_6m': np.nan,
            'return_3m': np.nan,
            'volatility_1y': np.nan,
            'max_drawdown_1y': np.nan
        }
    prices = prices.copy()
    prices['daily_return'] = prices['adjusted_close'].pct_change()
    latest_close = prices['adjusted_close'].iloc[-1]

    return_1y = (latest_close / prices['adjusted_close'].iloc[0]) - 1
    return_6m = (latest_close / prices['adjusted_close'].iloc[-126]) - 1 if len(prices) >= 126 else np.nan
    return_3m = (latest_close / prices['adjusted_close'].iloc[-63]) - 1 if len(prices) >= 63 else np.nan

    volatility_1y = prices['daily_return'].std() * np.sqrt(252)

    running_high = prices['adjusted_close'].cummax()
    drawdown = (prices['adjusted_close'] / running_high) - 1
    max_drawdown_1y = drawdown.min()

    return {
        'return_1y': return_1y,
        'return_6m': return_6m,
        'return_3m': return_3m,
        'volatility_1y': volatility_1y,
        'max_drawdown_1y': max_drawdown_1y
    }

تخبرنا هذه المؤشرات بمدى قوة استجابة السوق لكل شركة. الآن سنطبق نفس المنطق لكل رمز سهم.

market_rows = []
for ticker in universe['ticker']:
    try:
        prices = get_price_history(ticker)
        signals = calculate_market_signals(prices)
        signals['ticker'] = ticker
        market_rows.append(signals)
        print(f'{ticker} DONE')
    except Exception:
        market_rows.append({
            'ticker': ticker,
            'return_1y': np.nan,
            'return_6m': np.nan,
            'return_3m': np.nan,
            'volatility_1y': np.nan,
            'max_drawdown_1y': np.nan
        })
        print(f'{ticker} ERROR')

market_signals = pd.DataFrame(market_rows)
market_signals.head()

أخيرًا، ندمج النطاق، والأساسيات، ومؤشرات السوق في مجموعة بيانات واحدة.

capex_data = universe.merge(fundamentals, on='ticker', how='left')
capex_data = capex_data.merge(market_signals, on='ticker', how='left')
print(capex_data.columns)
capex_data.head()

فصل قوة الأعمال عن الاعتراف السوقي

الآن يأتي الجزء الذي يجعل التحليل مفيدًا. إذا نظرنا فقط إلى عوائد الأسهم، فإننا ننتهي بمطاردة ما تحرك بالفعل. وإذا نظرنا فقط إلى الأساسيات، فإننا نفوت كيف يتعامل السوق فعليًا مع الموضوع. لذا، قمت بتقسيم التحليل إلى مؤشرين بسيطين:

مؤشر الأساسيات (Fundamental Signal): هل يُظهر العمل نموًا وربحية؟
مؤشر الاعتراف السوقي (Market Recognition Signal): هل كافأ السوق السهم بالفعل؟

أولاً، نحتاج إلى دالة مساعدة لتطبيع كل مقياس.

def min_max_score(series):
    series = pd.to_numeric(series, errors='coerce')
    if series.isna().all():
        return pd.Series(0, index=series.index)
    min_val = series.min()
    max_val = series.max()
    if min_val == max_val:
        return pd.Series(0.5, index=series.index)
    return (series - min_val) / (max_val - min_val)

هذا يجعل كل مقياس ضمن نطاق من 0 إلى 1، بحيث يمكن مقارنة النمو، والهوامش، والعوائد، والانخفاضات دون خلط المقاييس الخام.

مؤشر الأساسيات

الآن نبني مؤشر الأساسيات.

capex_data['revenue_growth_score'] = min_max_score(capex_data['revenue_growth_yoy'])
capex_data['profit_margin_score'] = min_max_score(capex_data['profit_margin'])
capex_data['operating_margin_score'] = min_max_score(capex_data['operating_margin'])
capex_data['roe_score'] = min_max_score(capex_data['return_on_equity'])
capex_data['fundamental_signal'] = (
    capex_data['revenue_growth_score'] * 0.35 +
    capex_data['operating_margin_score'] * 0.30 +
    capex_data['profit_margin_score'] * 0.20 +
    capex_data['roe_score'] * 0.15
) * 100
capex_data['fundamental_signal'] = capex_data['fundamental_signal'].round(2)
capex_data[['ticker', 'company', 'capex_layer', 'revenue_growth_yoy', 'operating_margin', 'profit_margin', 'return_on_equity', 'fundamental_signal']].sort_values('fundamental_signal', ascending=False).head(10)

لا يحاول هذا المؤشر تتويج أفضل شركة. إنه يتحقق فقط مما إذا كانت بيانات الأعمال تدعم قصة الإنفاق الرأسمالي للذكاء الاصطناعي. في تشغيلي، برزت NVIDIA بوضوح لأن نمو إيراداتها وهوامشها كانت على مستوى مختلف. لكن الجزء المثير للاهتمام لم يكن NVIDIA فقط. ظهرت أسماء مثل KLA، و Arista، و Broadcom، و Microsoft، و Meta، و Lam Research، و Alphabet، و Super Micro أيضًا بالقرب من القمة لأسباب مختلفة. هذا يخبرنا بالفعل بشيء مهم: سلسلة الإنفاق الرأسمالي للذكاء الاصطناعي لديها أنواع مختلفة من الفائزين. بعضها شركات منصات ذات هوامش ربح عالية. بعضها أسماء معدات أشباه الموصلات. وبعضها أسماء أجهزة عالية النمو بهوامش أرق.

مؤشر الاعتراف السوقي

الآن نبني مؤشر الاعتراف السوقي.

capex_data['return_1y_score'] = min_max_score(capex_data['return_1y'])
capex_data['return_6m_score'] = min_max_score(capex_data['return_6m'])
capex_data['return_3m_score'] = min_max_score(capex_data['return_3m'])
capex_data['drawdown_score'] = min_max_score(capex_data['max_drawdown_1y'])
capex_data['market_recognition_signal'] = (
    capex_data['return_1y_score'] * 0.40 +
    capex_data['return_6m_score'] * 0.30 +
    capex_data['return_3m_score'] * 0.20 +
    capex_data['drawdown_score'] * 0.10
) * 100
capex_data['market_recognition_signal'] = capex_data['market_recognition_signal'].round(2)
capex_data[['ticker','company','capex_layer','return_1y','return_6m','return_3m','max_drawdown_1y','market_recognition_signal']].sort_values('market_recognition_signal', ascending=False).head(10)

هنا تصبح القصة أكثر إثارة للاهتمام. لم تكن قائمة الاعتراف السوقي مليئة فقط بمقدمي الخدمات السحابية الكبرى (hyperscalers) أو شركات الرقائق. ظهرت شركات Comfort Systems، و Vertiv، و Quanta Services، و Dell، و Applied Materials، و Lam Research بقوة. هذه هي أول إشارة واضحة إلى أن استثمارات الإنفاق الرأسمالي للذكاء الاصطناعي تنتشر في طبقة البنية التحتية المادية، ولا تظل محصورة داخل سلة أسهم الذكاء الاصطناعي الكبرى المعتادة.

مصفوفة الإنفاق الرأسمالي للذكاء الاصطناعي: أين تظهر الاستثمارات حقًا

في هذه المرحلة، لدينا عدستان منفصلتان. يخبرنا مؤشر الأساسيات ما إذا كان العمل يبدو قويًا. ويخبرنا مؤشر الاعتراف السوقي ما إذا كان السهم قد كوفئ بالفعل. الآن يمكننا وضع كلاهما على نفس الرسم البياني.

plt.figure(figsize=(12, 8))

plot_data = capex_data.dropna(
    subset=['market_recognition_signal', 'fundamental_signal', 'market_cap']
).copy()
plot_data['bubble_size'] = np.sqrt(plot_data['market_cap']) / 5000

for layer in plot_data['capex_layer'].unique():
    layer_data = plot_data[plot_data['capex_layer'] == layer]
    plt.scatter(
        layer_data['market_recognition_signal'],
        layer_data['fundamental_signal'],
        s=layer_data['bubble_size'],
        alpha=0.6,
        label=layer
    )

for _, row in plot_data.iterrows():
    if row['market_recognition_signal'] > 55 or row['fundamental_signal'] > 45:
        plt.text(row['market_recognition_signal'] + 0.8, row['fundamental_signal'] + 0.8, row['ticker'].replace('.US', ''), fontsize=10)

median_market = plot_data['market_recognition_signal'].median()
median_fundamental = plot_data['fundamental_signal'].median()

plt.axvline(median_market, linestyle='--', linewidth=1)
plt.axhline(median_fundamental, linestyle='--', linewidth=1)

plt.text(median_market + 2, median_fundamental + 55, 'Strong fundamentals,\nmore recognized',fontsize=10)
plt.text(4, median_fundamental + 55,'Strong fundamentals,\nless recognized',fontsize=10)
plt.text(median_market + 2, 4, 'High market recognition,\nweaker fundamentals',fontsize=10)
plt.text(4, 4, 'Less clear in this framework', fontsize=10)

plt.title('AI Capex Matrix: Fundamentals vs Market Recognition')
plt.xlabel('Market Recognition Signal')
plt.ylabel('Fundamental Signal')
plt.legend(bbox_to_anchor=(1.05, 1), loc='upper left')
plt.tight_layout()
plt.show()

هذا هو الرسم البياني الأكثر فائدة في الدراسة. إنه يوضح شيئًا واحدًا: الإنفاق الرأسمالي للذكاء الاصطناعي لا يظهر في مجموعة واحدة واضحة. NVIDIA هي الاستثناء الأساسي الواضح. وهذا منطقي. فنموها وهوامشها يصعب مقارنتها بأي شيء آخر تقريبًا في هذا النطاق. لكن الجانب الأيمن من الرسم البياني هو حيث تبدأ القصة الأوسع. تُظهر شركات AMD، و Marvell، و Vertiv، و Comfort Systems، و Dell، و Lam Research، و Applied Materials، و Quanta Services اعترافًا سوقيًا أقوى. هذه مزيج مختلف جدًا من الشركات. بعضها مرتبط بالرقائق. بعضها مرتبط بالمعدات. وبعضها أسماء بنية تحتية مادية. هذا مهم لأنه يوضح أن السوق لا يكافئ فقط شركات الذكاء الاصطناعي الأكثر وضوحًا. بل يكافئ أيضًا الشركات التي تساعد في تحويل الإنفاق الرأسمالي للذكاء الاصطناعي إلى بنية تحتية فعلية. هذا هو التحول الرئيسي في المقال: تبدأ استثمارات الإنفاق الرأسمالي للذكاء الاصطناعي في الظهور بشكل أقل كـ "سلة تقنية" وأكثر كـ "سلسلة بناء".

ما هي طبقات البنية التحتية للذكاء الاصطناعي التي كافأها السوق أكثر؟

المصفوفة مفيدة على مستوى الشركة. لكن استثمارات الإنفاق الرأسمالي للذكاء الاصطناعي تحتاج أيضًا إلى النظر إليها حسب الطبقة. لذا، قمت بعد ذلك بتجميع الشركات حسب capex_layer وحساب متوسط العوائد ومتوسط درجات المؤشرات.

layer_performance = capex_data.groupby('capex_layer').agg(
    company_count=('ticker', 'count'),
    median_return_1y=('return_1y', 'median'),
    median_return_6m=('return_6m', 'median'),
    median_fundamental_signal=('fundamental_signal', 'median'),
    median_market_recognition=('market_recognition_signal', 'median')
).reset_index()

layer_performance = layer_performance.sort_values('median_return_1y', ascending=False)
layer_performance

ثم رسمت متوسط العائد لمدة عام واحد حسب طبقة البنية التحتية.

plt.figure(figsize=(11, 6))
plt.barh(layer_performance['capex_layer'], layer_performance['median_return_1y'] * 100)
plt.gca().invert_yaxis()
plt.title('Median 1Y Return by AI Infrastructure Layer', fontsize=14, pad=12)
plt.xlabel('Median 1Y Return (%)')
plt.ylabel('')
plt.grid(axis='x', alpha=0.25)
plt.tight_layout()
plt.show()

هذا الرسم البياني هو حيث تصبح القصة أقل وضوحًا بكثير. احتلت طبقة Construction and engineering (الإنشاءات والهندسة) المرتبة الأولى بمتوسط عائد لمدة عام واحد، تليها Semiconductor equipment (معدات أشباه الموصلات)، ثم AI compute and chips (الحوسبة والرقائق للذكاء الاصطناعي)، ثم Servers and storage (الخوادم والتخزين). هذه ليست الطريقة المعتادة التي يتحدث بها الناس عن استثمارات الذكاء الاصطناعي. الاستنتاج ليس أن Construction and engineering هي بالضرورة أفضل طبقة للإنفاق الرأسمالي للذكاء الاصطناعي. حجم العينة صغير، لذا يجب قراءة النتيجة على أنها اتجاهية. لكنها لا تزال تخبرنا بشيء مفيد: السوق يكافئ جانب البناء المادي للبنية التحتية للذكاء الاصطناعي، وليس فقط الشركات التي تبيع الرقائق أو الخدمات السحابية. هذه هي النقطة الأكبر. بمجرد أن يصبح الإنفاق الرأسمالي للذكاء الاصطناعي بنية تحتية واقعية، تبدأ الاستثمارات في الظهور في الشركات المرتبطة بالمعدات، والخوادم، والأعمال الكهربائية، والإنشاءات.

طبقة البنية التحتية المادية لم تعد خفية

هذا هو الجزء من استثمارات الإنفاق الرأسمالي للذكاء الاصطناعي الذي أجده الأكثر فائدة. تبدأ قصة الذكاء الاصطناعي الواضحة بالرقائق ومقدمي الخدمات السحابية الكبرى (hyperscalers). ولكن بمجرد أن يصبح الإنفاق بنية تحتية حقيقية، تتسع القائمة. تحتاج مراكز بيانات الذكاء الاصطناعي إلى خوادم، ومعدات شبكات، وأنظمة طاقة، وتبريد، وأعمال شبكات كهربائية، وإنشاءات كهربائية، وقدرة مادية. لذا، قمت بتصفية مجموعة البيانات للتركيز على طبقات البنية التحتية غير الواضحة.

physical_layers = ['Power and electrification', 'Cooling and industrial systems', 'Construction and engineering', 'Data centers', 'Servers and storage', 'Networking']
physical_infra = capex_data[capex_data['capex_layer'].isin(physical_layers)].copy()
physical_infra = physical_infra.sort_values(['market_recognition_signal', 'fundamental_signal'], ascending=False)
physical_watchlist = physical_infra[['ticker', 'company', 'capex_layer', 'revenue_growth_yoy', 'operating_margin', 'return_1y', 'return_6m', 'fundamental_signal', 'market_recognition_signal']].head(12)
physical_watchlist.head(10)

تجلس شركات Comfort Systems، و Vertiv، و Dell، و Quanta Services، و Cisco، و HPE، و EMCOR، و Equinix، و Johnson Controls، و Digital Realty جميعها في أجزاء مختلفة من البناء المادي. بعضها مرتبط بالخوادم. بعضها مرتبط بالطاقة والكهربة. وبعضها مرتبط بمراكز البيانات، أو التبريد، أو الإنشاءات. النقطة الأساسية بسيطة: السوق يتعامل بالفعل مع أجزاء من طبقة البنية التحتية المادية كجزء من قصة الإنفاق الرأسمالي للذكاء الاصطناعي. هذا لا يعني أن كل اسم هنا له نفس الجودة أو نفس الإمكانات الصعودية. تختلف مؤشرات الأساسيات كثيرًا. لكن الجدول يوضح لماذا يؤدي النظر فقط إلى أسماء "برمجيات الذكاء الاصطناعي" أو "رقائق الذكاء الاصطناعي" إلى تفويت جزء كبير من سلسلة الإنفاق.

ما لاحظه السوق بالفعل

هذا القسم مهم لأنه ليست كل أسماء الإنفاق الرأسمالي للذكاء الاصطناعي مبكرة. بعض الشركات في السلسلة تحركت بقوة بالفعل. هذا لا يجعلها شركات ضعيفة، لكنه يغير السؤال. في هذه المرحلة، لم يعد السؤال مجرد ما إذا كانت الشركة معرضة للبنية التحتية للذكاء الاصطناعي. السؤال الأفضل هو ما إذا كان السوق قد سعر بالفعل جزءًا كبيرًا من هذا التعرض. للتحقق من ذلك، قمت بترتيب النطاق حسب مؤشر الاعتراف السوقي.

market_already_noticed = capex_data.sort_values('market_recognition_signal', ascending=False).head(10).copy()
market_already_noticed['return_1y'] = (market_already_noticed['return_1y'] * 100).round(2)
market_already_noticed['return_6m'] = (market_already_noticed['return_6m'] * 100).round(2)
market_already_noticed['return_3m'] = (market_already_noticed['return_3m'] * 100).round(2)
market_already_noticed['max_drawdown_1y'] = (market_already_noticed['max_drawdown_1y'] * 100).round(2)
market_already_noticed = market_already_noticed[['ticker', 'company', 'capex_layer', 'return_1y', 'return_6m', 'return_3m', 'max_drawdown_1y', 'market_recognition_signal', 'fundamental_signal']]
market_already_noticed

هذه القائمة هي فحص واقعي مفيد. تظهر شركات Comfort Systems، و AMD، و Marvell، و Vertiv، و Lam Research، و Dell، و Applied Materials، و Quanta Services، و Cisco، و Alphabet جميعها باعتراف سوقي قوي. المزيج هو الجزء المهم. إنه يشمل الرقائق، ومعدات أشباه الموصلات، والخوادم، والشبكات، والطاقة، والإنشاءات، ومقدمي الخدمات السحابية الكبرى (hyperscaler). هذا يخبرنا أن استثمارات الإنفاق الرأسمالي للذكاء الاصطناعي قد اتسعت بالفعل في حركة الأسعار. إنها لا تنتظر بهدوء في الخلفية. لكن هذا يعني أيضًا أننا بحاجة إلى توخي الحذر مع تأطير "المستفيد الخفي". فقد حققت بعض أسماء البنية التحتية عوائد كبيرة جدًا لمدة عام واحد. لذا، فإن السؤال الذكي للمتابعة ليس: "ما هي الشركات المعرضة؟" بل هو: "كم من هذا التعرض اعترف به السوق بالفعل؟"

ما تُظهره هذه الدراسة

من الأسهل فهم استثمارات الإنفاق الرأسمالي للذكاء الاصطناعي عندما نتوقف عن التعامل معها كمجموعة واحدة من "أسهم الذكاء الاصطناعي". تُظهر البيانات ثلاثة أشياء بوضوح.

أولاً، لا تزال الأسماء الواضحة مهمة. تظل NVIDIA هي الاستثناء الأساسي الأكثر وضوحًا في هذا النطاق، وتستمر الأسماء المرتبطة بالرقائق في الجلوس بالقرب من مركز قصة البنية التحتية للذكاء الاصطناعي.

ثانيًا، تجاوزت الاستثمارات بالفعل الرقائق. تظهر أسماء معدات أشباه الموصلات، والخوادم، والشبكات، والطاقة، والإنشاءات جميعها في بيانات الاعتراف السوقي. وهذا منطقي. فالبنية التحتية للذكاء الاصطناعي ليست مجرد تدريب نماذج. إنها تحتاج إلى قدرة مادية، وأنظمة كهربائية، وتبريد، ومراكز بيانات، وأعمال بناء.

ثالثًا، لا يتحرك الاعتراف السوقي وقوة الأعمال دائمًا معًا. بعض الشركات لديها أساسيات قوية ولكن حركة أسعار هادئة. والبعض الآخر تحرك بقوة بالفعل، حتى لو لم يكن مؤشر الأساسيات الخاص بها قويًا بنفس القدر. لهذا السبب، فإن تسمية "المستفيد من الذكاء الاصطناعي" البسيطة ليست كافية.

الخلاصة

الإنفاق الرأسمالي للذكاء الاصطناعي ليس مجرد قصة شركات تقنية عملاقة. إنه سلسلة إنفاق. بمجرد أن نتتبع هذه السلسلة، يصبح الموضوع أوسع وأكثر إثارة للاهتمام. ينتقل من الرقائق إلى معدات أشباه الموصلات، ومن الخوادم إلى الشبكات، ومن مراكز البيانات إلى الطاقة، والتبريد، والإنشاءات. لم يكن الهدف من هذه الدراسة هو العثور على أفضل سهم للبنية التحتية للذكاء الاصطناعي. بل كان بناء خريطة أوضح لمكان ظهور الاستثمارات بالفعل. هذه الخريطة مهمة لأن المرحلة التالية من قصة الذكاء الاصطناعي قد لا تكون حول من يذكر الذكاء الاصطناعي أكثر. قد تكون حول من يجلس الأقرب إلى البنية التحتية التي تجعل الذكاء الاصطناعي ممكنًا.

ما وراء NVIDIA: الكشف عن مسارات استثمارات البنية التحتية للذكاء الاصطناعي