Mkusanyiko wa Vikwazo Muhimu (Chokepoint Stack) ni mfumo wa uchanganuzi ambao Yuan Gao hutumia kuelezea upanuzi wa miundombinu ya kimataifa ya akili bandia si kama tatizo la upungufu wa GPU au chipu moja pekee, bali kama mfumo unaotegemeana unaojumuisha umeme na gridi, kumbukumbu yenye upitishaji-data wa juu pamoja na ufungashaji wa hali ya juu, uchakataji wa madini muhimu, njia za kupitisha nishati na mtandao wa ufadhili unaofanya kazi juu ya tabaka hizo. Utafiti unaunganisha tabaka hizi za kimwili na kifedha kwenye mtandao wenye mwelekeo na kutumia modeli ya mfululizo wa athari inayotegemea DebtRank kuchunguza jinsi mishtuko inavyoenea katika mtandao. Hitimisho kuu ni kwamba udhaifu wa kimfumo unaweza kujilimbikiza si tu katika kampuni au kituo cha kimwili kinachoonekana zaidi, bali katika baadhi ya miunganisho maalumu “inayobeba mzigo” kati ya nodi.

Hoja kuu ya chanzo ni kwamba kikomo cha pembezoni cha uwezo wa kimataifa wa AI kinahama hatua kwa hatua kutoka kwenye ufanisi wa hesabu unaofuata mkondo wa Moore’s Law kuelekea miundombinu ya kimwili. Hata kama uboreshaji wa programu na chipu unaendelea kupunguza gharama ya hesabu kwa kila token inayozalishwa, gharama ya pembezoni ya kujenga klasta mpya ya hesabu ya kiwango cha frontier inazidi kufungwa na pembejeo zinazopanuka polepole zaidi, kama vile uunganishaji wa gridi, transfoma na miundombinu ya usafirishaji wa umeme, HBM, ufungashaji wa hali ya juu kama CoWoS, shaba, elementi adimu za ardhini na usalama wa nishati.

Kwa upande wa fedha, ripoti inaeleza mzunguko uliofungwa wa ufadhili kati ya maabara za AI, hyperscaler, kampuni za neocloud, watengenezaji wa chipu, mikataba ya kununua uwezo wa baadaye na deni linalowekwa dhamana kwa GPU. Katika grafu ya uzalishaji yenye nodi 13 ya chanzo, chini ya mshtuko wa kifedha wa vitengo 100 mahsusi kwa OpenAI, kuondoa muunganisho wa OpenAI → CoreWeave hupunguza jumla ya cascade distress ya modeli kwa takriban %28,5; miunganisho mingine inayofuata inayobeba mzigo inaripotiwa kuwa OpenAI → Oracle takriban %20, CoreWeave → mkusanyiko wa deni lililowekwa dhamana kwa GPU takriban %14 na OpenAI → SoftBank takriban %11.

Asilimia hizi si uwezekano wa kufilisika katika ulimwengu halisi. DebtRank distress ni faharasa ya jamaa ya hasara/kuharibika ndani ya modeli. Zaidi ya hayo, baadhi ya uzito wa miunganisho hutumia makadirio kwa vigezo ambavyo kampuni hazijaweka wazi, kama vile mkusanyiko wa wateja au mgawanyo wa dhamana. Matukio ya msongo katika utafiti si utabiri wa soko kwa tarehe maalumu, bali ni majibu ya kimuundo kwa swali, “ikiwa mshtuko wa aina hii utatokea, utapitia njia gani ndani ya mtandao uliofafanuliwa?”

Tatizo la utafiti: kikomo halisi cha miundombinu ya AI kiko wapi?

Majadiliano kuhusu miundombinu ya akili bandia mara nyingi huzunguka idadi ya GPU, vizazi vipya vya chipu au ufanisi wa hesabu wa modeli. Utafiti huu, hata hivyo, unatenganisha jambo la msingi zaidi: bei ya bidhaa kupanda si sawa na mfumo kushindwa kimwili kuzalisha uwezo zaidi. Swali la mwandishi ni ni pembejeo gani, wakati mahitaji yanaongezeka, huwa “kizuizi kinachofunga” katika kipimo fulani cha muda na ni kwa kasi gani usambazaji wa pembejeo hiyo unaweza kupanuliwa.

Ripoti inakadiria mwongozo wa matumizi ya mtaji wa mwaka mmoja wa hyperscaler tano za Marekani — Microsoft, Google, Amazon, Meta na Oracle — kuwa jumla ya takriban 600–690 bilioni dollar na kuutumia kama ishara muhimu ya ukubwa wa ujenzi wa miundombinu ya AI. Hata hivyo, kwa mujibu wa ripoti, kuwepo kwa mtaji zaidi peke yake hakumaanishi kuwa uwezo wa kimwili utaongezeka kwa kasi hiyo hiyo. Jengo la datacenter linaweza kukamilika ndani ya miaka michache, ilhali laini za volteji ya juu, vituo vidogo vya umeme, uwezo wa uchakataji au uzalishaji wa ufungashaji wa hali ya juu vinaweza kuwa na muda mrefu zaidi wa kuwasilishwa.

Tofauti hii ndiyo inayounda usanifu mzima wa utafiti: mtaji wa kifedha unaweza kusonga haraka; lakini gridi, uchakataji wa madini, uwezo wa hatua za mwisho za utengenezaji wa semikondakta na njia za nishati haziwezi kuitikia kwa kasi hiyo hiyo. Kwa hiyo, kikomo cha uwekezaji wa AI kinaweza kuzidi kutegemea si kiasi cha mtaji, bali unyumbufu wa pembejeo za kimwili ambazo mtaji unajaribu kununua.

“Mkusanyiko wa Vikwazo Muhimu” ni nini na kwa nini unatofautiana na kikwazo kimoja?

Mkusanyiko wa Vikwazo Muhimu ni mpangilio wa kihierarkia wa vikwazo vya kimwili na kisera vinavyounganishwa na kuwa vinavyofunga katika vipimo tofauti vya muda, kuanzia umeme na gridi hadi ufungashaji wa hali ya juu, kutoka uchakataji wa madini muhimu hadi njia za kupitisha nishati; kwa hiyo, kulegea kwa tabaka moja huenda kusiufungue mfumo mzima, kwa sababu tabaka jingine linaweza kuwa kizuizi kinachofuata kinachofunga.

Tabaka nne za kimwili

Tabaka 1 — umeme na gridi

Kikomo cha kimwili cha muda mfupi zaidi katika ripoti ni umeme. Kwa mujibu wa chanzo, datacenter zinaweza kujengwa kwa takriban mwaka mmoja hadi mitatu, ilhali muda wa vibali na ujenzi wa vituo vidogo vya umeme na laini za volteji ya juu za masafa marefu zinazozihudumia unaweza kufikia takriban miaka mitano hadi kumi na tano. Kutolingana huku kwa vipimo vya muda kunazuia uamuzi wa uwekezaji wa mtaji kubadilika kuwa uwezo wa kimwili kwa kasi hiyo hiyo.

Ripoti inaainisha gridi kuwa tabaka la kimwili “linalofunga zaidi leo” kwa kutegemea makadirio ya IEA kwamba datacenter zinaweza kuchangia takriban nusu ya ongezeko la mahitaji ya umeme nchini Marekani, ukuaji wa foleni za uunganishaji wa ERCOT na PJM, na makadirio ya EIA kwamba mahitaji ya datacenter yanaweza kuongeza bei za jumla za umeme za ERCOT kwa takriban %80 kufikia 2027. Hivi si vipimo vya majaribio vya utafiti wenyewe; ni data na makadirio ya nje ya umma/kitaasisi yaliyotumiwa na ripoti.

Tabaka 2 — HBM, ufungashaji wa hali ya juu na Taiwan

GPU kuwa kiongeza-kasi cha AI kinachoweza kutumika hakutegemei tu utengenezaji wa chipu ya mantiki. Kumbukumbu yenye upitishaji-data wa juu (High-Bandwidth Memory, HBM) na michakato ya ufungashaji wa hali ya juu ya TSMC kama CoWoS pia ni sehemu muhimu za mnyororo wa usambazaji. Ripoti inasema kuwa uzalishaji wa HBM wa SK Hynix kwa 2026 uliuzwa mapema mwanzoni mwa mwaka na kwamba uwezo wa TSMC CoWoS ulikuwa umejaa hadi mwisho wa 2026.

Ukiunganisha hili na mkusanyiko wa kijiografia wa Taiwan, uwezo wa uzalishaji wa kimwili unakuwa nodi moja ya kijiografia yenye umuhimu wa kisiasa. Ripoti haiwashi moja kwa moja hatari hii kama mojawapo ya matukio yake ya msongo; badala yake, inaibainisha kama hatari ya kimuundo inayobebwa na mtandao mzima. Tofauti hii ni muhimu: utafiti hautabiri kwamba “tukio la Taiwan litatokea”.

Tabaka 3 — madini muhimu na uchakataji

Chanzo kinasisitiza kwamba ingawa uchimbaji wa madini umetawanyika katika nchi nyingi, uchakataji wa metali za kimkakati umejikusanya zaidi. Ripoti inasema China ina takriban %90 ya sehemu ya madini adimu ya ardhini na %98 ya gallium iliyosafishwa. Kwa mtazamo wa modeli, jambo muhimu si tu kwamba madini yapo chini ya ardhi, bali uwezo wa kuyabadilisha kuwa bidhaa ya kati yenye usafi na sifa maalumu za kiufundi.

Kwa hiyo, utafiti hauchukulii shaba na metali za kimkakati kama madini adimu ya ardhini/gallium kuwa aina moja ya kikwazo. Uwezo wa kuyeyusha shaba unaainishwa kama kikwazo cha ufanisi wa soko kilichojengwa kwa kiasi kikubwa na uboreshaji wa gharama za soko; uwezo wa kukatiza metali maalumu za kimkakati kupitia leseni za usafirishaji nje na udhibiti wa kiutawala unaainishwa kama vali ya sera ya dola.

Tabaka 4 — njia za nishati

Ripoti inahoji kwamba takriban %76 ya mafuta yanayosafirishwa kwa bahari hupitia njia nyembamba za maji na kwamba milango kama Mlango wa Hormuz inaweza kukaza haraka tabaka la nishati kwa upande wa gharama za miundombinu ya AI. Grafu 2 ya chanzo hutumia mfululizo wa kila siku wa FRED kwa mafuta ya Brent na mfululizo wa kila mwezi wa FRED proxy kwa gesi asilia ya Ulaya kuonyesha muda wa mshtuko wa nishati wa 2026. Grafu 3, kwa upande mwingine, inalinganisha jinsi mishtuko miwili tofauti ya usafirishaji kutoka Bahari Nyekundu na Hormuz inaweza kuunda upitishaji tofauti wa bei katika sehemu za makontena na matanki.

Kwa nini shaba inachukuliwa kama tatizo tofauti la kimfumo?

Chanzo kinasema kuwa bei ya shaba ilipanda zaidi ya 13.000 dollar kwa tani mwanzoni mwa 2026 huku viashirio vya treatment-and-refining charge vya uyeyushaji vikishuka hadi eneo hasi. Mwandishi anatafsiri hali hii kama ishara ya kubanwa kwa uwezo wa uchakataji wa hatua ya kati zaidi kuliko upungufu wa usambazaji wa madini.

Ripoti pia inaunganisha ushuru wa shaba wa Section 232 wa Marekani na gharama za AI datacenter. Katika muundo wa Aprili 2026 uliotumiwa na utafiti, kuna ushuru wa %50 kwa bidhaa za shaba safi au karibu safi, %25 kwa bidhaa zinazotokana na shaba zenye kiasi kikubwa cha shaba, na %15 kwa vifaa fulani vya gridi/umeme mzito. Bidhaa zenye sehemu ya uzito wa shaba ya %15 au chini zinaelezwa kuwa zimeondolewa kwenye ushuru.

Utaratibu ambao mwandishi anauita “resonance ya kimuundo” ni huu: wakati gridi tayari inakabiliwa na kikomo cha uwezo wa kimwili, kuongezeka kwa gharama ya vifaa vinavyotumia shaba kwa wingi kama kebo za usafirishaji, busway, transfoma na switchgear huifanya kikwazo kilekile kuwa kigumu zaidi kifedha. Huu ni uchambuzi wa sera na mfumo wa matukio wa ripoti; haumaanishi kuwa ushuru utaleta ongezeko sawa la gharama katika miradi yote ya datacenter.

Mtandao wa kijiopolitiki: kila mmoja anadhibiti vali moja huku akitegemea vali nyingine

Ripoti inatumia mtazamo wa “weaponised interdependence” kwenye mnyororo wa usambazaji wa AI na kudai kwamba hakuna mhusika mkuu aliye na uhuru kamili. Marekani na washirika wake wana nafasi zisizo sawa katika vifaa vya lithografia ya hali ya juu; China katika uchakataji wa madini muhimu; Iran katika njia ya nishati ya Hormuz; na Taiwan katika uwezo wa leading-edge foundry.

Wazo kuu hapa ni kwamba ubora wa kijiopolitiki hautokani tu na swali la “nani huzalisha zaidi?”, bali pia na nani anadhibiti nodi katika mtandao ambayo ni vigumu kuibadilisha. Hata hivyo, mhusika huyohuyo hutegemea mhusika mwingine katika tabaka jingine. Kielelezo 3 cha ripoti kinaonyesha mahusiano haya ya udhibiti wa pande zote kama mizunguko ya “mutual-hostage”.

Taarifa za hatari za SEC za kampuni 24 zilitumiwaje?

Utafiti unachanganua kwa programu sehemu za “Item 1A — Risk Factors” katika faili za SEC 10-K au 20-F za kampuni 24 kubwa zinazouzwa kwenye masoko ya Marekani na zilizo na mfiduo kwa ekosistema ya AI. Makundi ya dhana yanayotafutwa ni pamoja na utegemezi wa China, metali za kimkakati, Taiwan/TSMC, HBM/CoWoS, umeme-gridi na udhibiti wa usafirishaji nje.

Masafa haya si “alama ya hatari ya kampuni” moja kwa moja. Kutajwa mara nyingi zaidi kwa neno katika vipengele vya hatari huonyesha tu kwamba mada hiyo ya hatari inaonekana zaidi katika taarifa. Kwa kuwa kampuni hutumia mitindo tofauti ya uandishi, viwango tofauti vya kina cha taarifa na desturi tofauti za kuripoti kisheria, idadi ghafi ya mention haiwezi kulinganishwa moja kwa moja na uwezekano wa hasara ya kiuchumi.

Oracle kupata mention sifuri haimaanishi kwamba Oracle haina hatari ya kimwili au kifedha. Ripoti yenyewe inaiweka Oracle kama nodi muhimu katika mtandao wa ufadhili. Mfano huu unaonyesha wazi kwamba uchanganuzi wa maneno muhimu wa SEC na uzito wa mtandao wa DebtRank ni aina mbili tofauti za data.

Ufadhili wa mzunguko wa AI unaundwaje?

Utafiti unasema kwamba mtaji wa miundombinu ya AI hautiririki kwa mstari wa moja kwa moja kama “mwekezaji → datacenter → mapato”; badala yake, muundo wa mzunguko umejitokeza ambapo kampuni hizohizo zinaweza kuwa wanahisa, wasambazaji, wateja, wanunuzi wa uwezo na waungaji mkono wa mkopo wa kila mmoja.

Chanzo kinaangazia hasa miunganisho minne mikubwa: Microsoft–OpenAI, Nvidia–CoreWeave, Oracle–OpenAI/Stargate na SoftBank–OpenAI. Katika miunganisho hii, umiliki wa hisa, ahadi za kununua compute, remaining performance obligations (RPO), forward offtake na mikopo iliyowekwa dhamana kwa GPU hukutana ndani ya ekosistema moja.

Remaining Performance Obligations (RPO) ni majukumu ya utendaji ya baadaye ambayo kampuni imeyafunga kimkataba lakini bado hayajatambuliwa kama mapato. RPO si pesa taslimu moja kwa moja wala mapato yaliyokusanywa kwa uhakika. Ripoti inaweka jumla ya RPO ya Oracle katika kipindi cha 28 Februari 2026 kuwa 552,6 bilioni dollar na inakadiria ahadi ya OpenAI/Stargate ya takriban 300 bilioni dollar kuwa karibu %57 ya jumla. Chanzo kinasema wazi kuwa hili ni makadirio ya Pangura yaliyotokana na data ambayo Oracle haijaweka wazi kwa kiwango cha mteja.

Neocloud humaanisha waendeshaji wa wingu wanaokodisha uwezo mkubwa wa GPU hasa kwa mizigo ya kazi ya AI na kutoa miundombinu ya compute iliyobobea zaidi kuliko hyperscaler. Katika utafiti, CoreWeave ndiyo mfano mkuu wa darasa hili. Chanzo kinasema sehemu kubwa ya meli ya GPU imefadhiliwa kwa deni linalowekwa dhamana kwa mali inayojengwa juu ya GPU zinazopungua thamani kwa kasi, na kwamba CoreWeave ilifunga mkopo wa DDTL 4.0 wa 8,5 bilioni dollar katika Machi 2026.

Thamani ya DebtRank distress inapima nini hasa?

DebtRank distress katika utafiti huu ni faharasa ya kimuundo inayopima, kati ya 0 na 1, kiwango cha jamaa cha kuvurugika kwa nodi ndani ya modeli kutokana na mshtuko unaofika kupitia miunganisho ya mtandao; si uwezekano wa kufilisika, hasara ya thamani ya soko au uwiano wa deni kwa mali, na hufikia ukomo wa kujaa katika %100.

Kiini cha hesabu ya DebtRank

Kwa kila muunganisho wenye mwelekeo \(j\rightarrow i\), \(w_{ji}\) huwakilisha mfiduo wa nodi lengwa \(i\) kwa nodi chanzo \(j\). Katika muunganisho wa kifedha, uzito huu huhusishwa na uwiano wa mfiduo dhidi ya uwezo wa nodi lengwa kufyonza hasara; katika utegemezi wa offtake huhusishwa na kiasi cha biashara/utegemezi wa mteja.

Katika chanzo, kiini cha sasisho la kaskadi kinatolewa hivi:

\[ h_i \leftarrow \min\left( 1,\, h_i+\sum_j h_j w_{ji} \right) \]

Hapa \(h_i\) ni kiwango cha distress cha nodi lengwa; \(h_j\) huonyesha kiwango cha sasa cha distress katika nodi chanzo jirani; na \(w_{ji}\) huonyesha uzito wa muunganisho \(j\rightarrow i\). Namba ni uwiano usio na vipimo. Opereta \(\min(1,\cdot)\) huweka thamani ya distress katika kiwango cha juu cha 1, yaani %100.

Katika modeli, baada ya kila nodi kukusanya distress, huisambaza nje mara moja tu. Kisha nodi huwa tulivu; thamani yake ya sasa ya distress huhifadhiwa lakini haisambazwi tena. Kanuni hii huzuia mshtuko uleule kuzunguka bila mwisho katika mizunguko yenye mwelekeo, kukuza hatari ya kimfumo kwa njia ya bandia na kuhesabu hasara ileile mara nyingi.

Kwa nini ukomo wa %100 ni muhimu?

Nodi inapokaribia kiwango cha %100 distress, mshtuko mpya hauwezi kuipeleka hadi %120 au %150 distress. Kujaa huku kunaeleza kihisabati kwa nini jumla ya mishtuko iliyounganishwa inaweza kuwa ndogo kuliko jumla ya kihesabu ya matukio ya mtu mmoja mmoja. Chanzo kinatafsiri hili kama “sub-additivity”.

Miunganisho inayobeba mzigo mkubwa zaidi katika mtandao

Imeelezwa mahsusi kwamba uzito wa mkusanyiko wa wateja uliotumika kwa OpenAI → CoreWeave hautegemei data ya RPO ya kiwango cha mteja iliyowekwa wazi moja kwa moja, bali ni makadirio. Kwa hiyo, thamani ya takriban %28,5 si “ukweli wa kifedha uliowekwa wazi na kampuni”, bali ni matokeo ya modeli chini ya urekebishaji maalumu wa mtandao.

Kwa nini Nvidia inaonekana kama “muunganisho wa msaada” katika tukio la kwanza?

Katika mshtuko wa vitengo 100 mahsusi kwa OpenAI, modeli inatafsiri dhamana ya Nvidia ya ununuzi wa uwezo/off-take kwa CoreWeave kama muunganisho unaofyonza mshtuko badala ya kuukuza. Katika tukio hili, distress ya Nvidia hubaki karibu %0,6. Mwandishi anaeleza hili kwa uwezo wa akiba kubwa ya mizania/mali ya Nvidia kufyonza mfiduo ulio jirani na OpenAI.

Hata hivyo, baadaye utafiti unawekea kikomo hitimisho hili: kuonekana kwa Nvidia kuwa thabiti dhidi ya mshtuko wa idiosyncratic wa mteja wa OpenAI hakumaanishi kuwa ni thabiti dhidi ya mshtuko wa pamoja unaoathiri mahitaji yote ya AI. Tukio F linajaribu tofauti hii mahsusi.

Kwa nini kugeuka kwa compute kuwa bidhaa sanifu hakufuti hatari ya mkopo?

Ripoti inachukulia bidhaa za hatima za compute za CME na ICE zinazotegemea H100 GPU-saa na kutatuliwa kwa fedha taslimu kama ishara ya mchakato wa kusanifishwa kwa compute. Katika mfumo wa utafiti, kuwa bidhaa sanifu kuna hatua nne: ufafanuzi wa bidhaa sanifu, ugunduzi wa bei, clearing/settlement na kina cha kutosha cha ukwasi. Kwa mujibu wa chanzo, hatua tatu za kwanza zimetimia kwa kiwango kikubwa, wakati ukwasi bado unaendelea kukua.

Mkataba wa hatima unaweza hedge hatari ya bei ya baadaye ya GPU-saa; lakini hauhedge uwezo wa kulipa wa mteja wa neocloud anayetegemea mteja mmoja. Vivyo hivyo, hatima ya bei ya GPU haiondoi hatari ya mkopo ya oda ya forward ya mamia ya bilioni za dollar ambayo hyperscaler imefanya na upande mmoja. Kwa hiyo, ripoti inatathmini hatari ya bei na hatari ya mkusanyiko wa upande mwingine/mkopo kama tabaka tofauti.

Kwa nini mishtuko iliyounganishwa haikui kufikia jumla rahisi ya mishtuko ya mtu mmoja mmoja?

Kwa kuwa katika modeli ya DebtRank thamani ya distress ya kila nodi hujaa katika %100, mishtuko A, B na C inapotumika kwa wakati mmoja, jumla ya distress ya mfumo hubaki karibu mara 0,72 ya jumla ya miendesho mitatu huru; hata hivyo, nodi za mpito zinazoshirikishwa kama Oracle na mkusanyiko wa deni lililowekwa dhamana kwa GPU husukumwa katika distress ya kina zaidi kuliko katika matukio ya mtu mmoja mmoja.

Mbinu na Matokeo ya Utafiti

Mbinu ya graph-first

Mbinu ya kimetodolojia ya utafiti ni kuwakilisha miundombinu ya AI si kama mnyororo wa usambazaji wa mstari mmoja, bali kama mtandao wa tabaka nyingi wenye mwelekeo. Vipimo vya muda wa kimwili, maeneo ya udhibiti wa kisiasa, ahadi za kibiashara kati ya kampuni na mahusiano ya ufadhili huwekwa ndani ya mfumo mmoja wa uchanganuzi.

Chanzo kinaiita hii mbinu ya graph-first network-topology. Baada ya miunganisho ya kimwili na kifedha kubadilishwa kuwa mahusiano ya nodi–ukingo, kaskadi ya DebtRank huendeshwa kutoka sehemu tofauti za kuanzia za mshtuko. Kwa njia hii, si tu swali la “kampuni gani ni kubwa?” linalochambuliwa, bali pia “ni muunganisho gani ni muhimu kwa kiwango kisicho sawia ili nodi nyingine ziweze kuendelea kufanya kazi?”

Kielelezo 1 — ramani ya vikwazo vya tabaka nne

Kielelezo 1 kwenye ukurasa wa sita wa chanzo kinaonyesha mitazamo miwili. Sehemu ya juu inaonyesha tabaka nne za kimwili, kipimo cha muda cha wakati kila tabaka huwa kinachofunga, na nodi wakilishi. Sehemu ya chini inaweka nodi hizohizo kwenye maeneo yao ya kijiografia katika ramani ya dunia. Jukumu la kisayansi la kielelezo si kuonyesha jiografia pekee, bali kufanya ionekane kwamba vikwazo tofauti vina viwango tofauti vya muda.

Ujumbe wa kielelezo ni huu: leo uunganishaji wa gridi unaweza kuwa kikomo kigumu zaidi, lakini kwa muda mfupi HBM/ufungashaji, kwa muda wa kati uchakataji wa madini, na kwa vipindi njia ya nishati vinaweza kuwa tabaka jipya linalofunga katika mfumo huohuo. Kwa hiyo, mfumo hauwezi kuigwa kwa kigezo kimoja cha “upungufu wa GPU”.

Kielelezo 2 na Grafu 4 — mnyororo wa shaba

Kielelezo 2 kinaonyesha kwa pamoja mnyororo wa shaba wa mgodi → uyeyushaji → usafishaji → matumizi ya datacenter na mkusanyiko wake wa kijiografia. Tafsiri kuu ya chanzo ni kwamba uzalishaji wa madini umetawanyika zaidi kijiografia, wakati uyeyushaji/uchakataji wa hatua ya kati umejikusanya zaidi.

Grafu 4 inaunganisha muundo huu na ishara ya bei: mfululizo mwekundu unaonyesha bei halisi ya kila mwezi ya shaba ya FRED, na mfululizo mwingine unaonyesha kiashirio cha TC/RC kinachowakilisha margin ya uyeyushaji. Chanzo kinatafsiri bei ya juu ya shaba mwanzoni mwa 2026 pamoja na kuporomoka kwa margin ya uyeyushaji kama ishara ya kubanwa katika hatua ya uchakataji.

Kielelezo 3 — vikwazo vya kijiopolitiki vya pande zote

Kielelezo 3 kinaonyesha utegemezi wa pande zote kati ya Marekani/washirika, China, Iran, Taiwan na nodi za sovereign compute za Ghuba kwa miunganisho yenye mwelekeo. Miunganisho myekundu inawakilisha mizunguko ya mateka wa pande zote au “mutual-hostage”. Kielelezo hiki ni tafsiri ya kuona ya hoja kwamba hakuna taifa moja linalodhibiti mnyororo mzima wa usambazaji wa AI; wahusika tofauti wana nguvu kama vali katika tabaka tofauti.

Kielelezo 4 — kuunganisha taarifa za hatari za kampuni na mnyororo wa kimwili

Kielelezo 4 kinalinganisha mfiduo wa kampuni uliopatikana katika uchanganuzi wa SEC Item 1A na tabaka nne za vikwazo vya kimwili. Watengenezaji wa vifaa vya datacenter huunganishwa moja kwa moja na pembejeo za kimwili, kampuni za ulinzi na madini adimu ya ardhini yaliyosafishwa, watengenezaji wa chipu wa fabless na TSMC pamoja na udhibiti wa usafirishaji nje, na kampuni za kurejesha uzalishaji ndani ya nchi na uwekezaji mbadala unaoungwa mkono na serikali.

Kielelezo hiki si grafu ya utabiri wa hasara. Ni ramani ya mfiduo inayolinganisha mada zinazoonekana katika taarifa za hatari za kampuni yenyewe na nafasi yake katika mtandao wa kimwili.

Kielelezo 5 na Grafu 6 — ufadhili wa mzunguko na kingo zinazobeba mzigo

Kielelezo 5 kinaonyesha topolojia ya mtandao wa mahusiano ya mzunguko kati ya maabara za AI, hyperscaler, neocloud, watengenezaji wa chipu na watoa ufadhili. Mwonekano wa ramani unaonyesha maeneo ya kijiografia ya pande za kifedha, na mwonekano wa mtandao unaangazia mahusiano ya mtaji, uwezo na mkopo.

Grafu 6 inapanga kila ukingo kwa kipimo cha “chini ya mshtuko huohuo wa OpenAI, ikiwa muunganisho huu utaondolewa, ni kiasi gani cha jumla ya distress ya mfumo kitaondolewa?” Kwa hiyo thamani ya %28,5 si uwezekano wa CoreWeave kufilisika kwa %28,5, bali ni kipimo cha umuhimu wa kimfumo wa pembezoni wa ukingo wa OpenAI → CoreWeave katika mtandao.

Matukio makuu ya msongo A–C

Matukio haya si utabiri wa aina ya “tukio hili litatokea kwa hakika katika 2027”. Utafiti unayaeleza wazi kama hali kali wakilishi za msongo zilizoundwa ili kuelewa njia za uenezaji wa madarasa fulani ya mishtuko katika mtandao.

Jaribio la msongo la pamoja A+B+C

Mishtuko yote mitatu inapoendeshwa kwa wakati mmoja, jumla ya distress ya modeli inaripotiwa kuwa takriban mara 0,72 ya jumla ya kihesabu ya miendesho mitatu huru. Sababu ni kwamba nodi hufikia kujaa katika ukomo wa %100 distress.

Hata hivyo, kuwa sub-additive kwa jumla hakumaanishi kwamba vikwazo vya pamoja hubaki bila msongo. Chanzo kinaripoti distress ya Oracle ikiongezeka kutoka takriban %57 katika tukio baya zaidi la mtu mmoja mmoja hadi takriban %72 katika mshtuko wa pamoja; na mkusanyiko wa deni lililowekwa dhamana kwa GPU kutoka takriban %46 hadi %60. Kwa hiyo, badala ya hatari ya pamoja kuongezeka sawasawa katika mtandao wote, hujilimbikiza katika nodi chache za pamoja.

Tukio D — mshtuko wa thamani iliyobaki ya GPU

Tukio hili linachunguza mabadiliko ya kizazi cha teknolojia, tofauti na mshtuko wa kifedha wa mteja. Ikiwa kizazi kipya cha GPU kitapunguza thamani ya soko la pili ya H100/H200, thamani ya dhamana ya mkopo inayotegemea GPU inaweza pia kushuka.

Chanzo kinataja kwamba katika data ya CoreWeave ya 2026 Q1 10-Q kuna takriban 17,31 bilioni dollar ya deni lililowekwa dhamana kwa GPU na 36,42 bilioni dollar property, plant and equipment. Kwa dhana ya modeli kuhusu sehemu ya GPU, loan-to-value inakokotolewa kuwa karibu %62; inaonyeshwa kwamba punguzo la takriban %10–20 katika thamani ya soko la pili linaweza kufikia ukanda wa kawaida wa maintenance covenant.

Mshtuko huu unapoanzishwa katika nodi ya CoreWeave, modeli hupeleka mkusanyiko wa deni lililowekwa dhamana kwa GPU hadi takriban %95 distress. Kwa kuwa dhamana ya offtake ya Nvidia inaunga mkono kiasi cha ununuzi, hailipii moja kwa moja kushuka kwa thamani ya soko ya dhamana. Hivyo, hitimisho kwamba “Nvidia ni ukingo wa msaada” linakuwa tegemezi kwa aina ya mshtuko.

Tukio E — athari ya ushuru wa shaba kwa gharama ya uwekezaji kwa kila MW

Ripoti inatumia chanzo cha nje kinachosema takriban %48 ya gharama ya kujenga AI datacenter hutokana na mifumo ya umeme, na inachukulia takriban nusu yake kuwa sehemu inayokabiliwa na ushuru wa shaba. Juu ya msingi wa JLL wa 2026 wa 11,3 million dollar kwa kila MW uliotumiwa katika ripoti, dhana ya ongezeko la %30 la bili ya vifaa vya umeme linalotokana na ushuru huongeza gharama ya jumla kwa kila MW kwa takriban %7.

Kulingana na hesabu ya chanzo, dhana hii huongeza takriban 4 bilioni dollar ya capex ya ziada kwenye upanuzi wa neocloud wa kiwango cha 5 GW, huku pass-through kamili ya %50 ikisababisha takriban 6,8 bilioni dollar ya gharama ya ziada. Hizi si gharama zilizozingatiwa za miradi iliyokamilika, bali ni hesabu za matukio chini ya dhana maalumu za pass-through.

Tukio F — mshtuko wa kimfumo wa mahitaji ya AI

Tukio F ni jaribio muhimu la uthabiti wa utafiti. Badala ya mshtuko mahsusi kwa OpenAI, mshtuko wa mahitaji wa sababu ya pamoja unaathiri kwa wakati mmoja mkusanyiko mzima wa miundombinu ya AI.

Katika chanzo, jumla ya distress ya mfumo inaongezeka kutoka 2,8 hadi 9,1, yaani takriban mara 3,2. Distress ya Nvidia, kwa upande mwingine, inaongezeka kutoka takriban %0,6 katika tukio mahsusi kwa OpenAI hadi takriban %91 katika mshtuko wa kimfumo.

Matokeo haya yanaonyesha kwamba uthabiti wa mtandao si sifa kamili ya kampuni. Kampuni inaweza kufanya kazi kama kinga dhidi ya mshtuko fulani wa upande mwingine, lakini ulinzi huo huo unaweza kutoweka wakati mshtuko unaathiri sababu ya pamoja ya mahitaji ya sekta nzima.

Matokeo ambayo utafiti unaunga mkono na ambayo hauungi mkono

Vikwazo vikuu vya utafiti

Kikwazo cha kwanza ni kutokuwa wazi kwa data. Baadhi ya vigezo, kama mgawanyo wa RPO kwa mteja wa CoreWeave na muundo halisi wa bwawa la dhamana za GPU, haviko wazi kwa umma. Ripoti inakadiria baadhi ya thamani hizi na kuzibadilisha kuwa uzito wa mtandao. Kwa hiyo, sehemu ya matokeo si koefisienti zinazozingatiwa moja kwa moja kutoka kwenye data, bali ni matokeo ya modeli yanayotegemea vigezo vya mtandao vilivyorekebishwa.

Kikwazo cha pili ni asili ya matukio. Mshtuko wa mapato wa OpenAI, kufungwa kwa Hormuz kwa miezi sita, marufuku kamili ya madini au mshtuko wa sababu ya pamoja kwa mahitaji yote ya AI si makadirio ya kisababishi ya ex-post ya matukio yaliyotokea. Ni hali za msongo zilizoundwa kujaribu njia za uenezaji za mtandao.

Kikwazo cha tatu ni kwamba baadhi ya grafu ni za maelezo/kuonyesha. Chanzo kinatambulisha hasa baadhi ya vielelezo vya bei ya compute, usafirishaji na mikopo ya GPU kama “illustrative”. Mikunjo ya kuona ya grafu hizi haipaswi kutumiwa tena kama mfululizo ghafi wa uchunguzi; ikiwa mfululizo halisi upo, unapaswa kujengwa upya moja kwa moja kutoka kwenye chanzo kikuu cha data.

Kikwazo cha nne ni mgongano wa maslahi. Modeli na vielelezo viliundwa kwa kutumia jukwaa la kibiashara la uchanganuzi la Pangura, Pangura Axe, na mwandishi ni mwanzilishi wa Pangura na ana maslahi ya kifedha katika mafanikio ya kibiashara ya kampuni. Hali hii haifanyi modeli kuwa batili moja kwa moja; hata hivyo, inaongeza umuhimu wa kisayansi wa urudiaji huru na uchanganuzi wa unyeti.

Kikwazo cha tano ni kwamba utafiti ni preprint. Ingawa ripoti inatoa msingi mpana wa vyanzo na mantiki ya modeli iliyowekwa wazi, haipaswi kutathminiwa kama makala ya mwisho iliyochapishwa katika jarida lililopitiwa na wataalamu.

Mfumo wa ufuatiliaji unaopendekezwa kwa usimamizi wa uthabiti

Utafiti unagawanya ufuatiliaji wa onyo la mapema wa mfumo katika nguzo sita za telemetry: umeme na gridi; kumbukumbu na ufungashaji; uchakataji na sera; nishati na milango ya bahari; mahitaji/bei ya compute; msongo wa ufadhili. Lengo si kutoa “alama moja ya hatari ya AI”, bali kuchota mitandao midogo inayohusika kutoka kwenye grafu ileile ya msingi kwa watumiaji tofauti wa kitaasisi na kufanya njia ya mshtuko ionekane.

Ujumbe mkuu wa usimamizi wa mbinu hii ni kwamba, badala ya kutafuta kampuni moja salama au nchi moja salama, inapaswa kufuatilia nodi zisizoweza kubadilishwa, utegemezi wa pamoja na miunganisho inayobadilika kulingana na aina ya mshtuko.

Maelezo ya Chanzo na Mbinu

Utafiti asilia: AI’s Chokepoints: The physical constraints, geopolitical playbooks, and financial fragility of the global AI build-out.

Mwandishi: Yuan Gao.

Taasisi katika PDF iliyopakiwa: Pangura Limited.

Taasisi katika metadata ya sasa ya SSRN: Pangura Limited; The University of Manchester. Uhusiano wa University of Manchester hauonekani kwenye ukurasa wa jalada wa PDF iliyopakiwa; tofauti hii ya kibibliografia imehifadhiwa.

Tarehe ya PDF: June 2026.

Taarifa ya rekodi ya SSRN: Written 5 June 2026; posted 26 June 2026; marekebisho ya mwisho katika rekodi ya SSRN ni 16 August 2026.

Jukwaa: SSRN.

Nambari ya abstract ya SSRN: 6884598.

DOI: 10.2139/ssrn.6884598.

Aina ya chanzo: Preprint ya utafiti yenye uchanganuzi wa mtandao wa kihesabu, uigaji wa hatari ya kimfumo ya kifedha, ujumuishaji wa data za umma na jaribio la msongo linalotegemea matukio.

Hali ya mapitio ya kitaalamu: Ni preprint ya SSRN; haiwasilishwi kama makala ya jarida iliyopitiwa na wataalamu.

Leseni: Rekodi ya SSRN ina taarifa “All rights reserved. No reuse allowed without permission”. Kwa hiyo, vielelezo vya chanzo havipaswi kunakiliwa moja kwa moja katika Verianla.

Mgongano wa maslahi: Kwa mujibu wa tamko la SSRN, Yuan Gao ni mwanzilishi wa Pangura Limited na ana maslahi ya kifedha katika kampuni. Uchanganuzi wa kiasi, vielelezo na majaribio ya msongo ya DebtRank/kaskadi ya utafiti yaliundwa kwa kutumia jukwaa miliki la uchanganuzi la Pangura, Pangura Axe; mwandishi anaweka wazi kwamba ana maslahi ya kifedha katika mafanikio ya kibiashara ya jukwaa.

Ufadhili: Kwa mujibu wa tamko la SSRN, utafiti haukupokea ruzuku ya nje na ulifanywa ndani ya taasisi kwa kutumia rasilimali za Pangura Limited.

Maadili: Kwa kuwa hakuna washiriki binadamu, wagonjwa au data binafsi iliyotumiwa, rekodi ya SSRN inaonyesha kwamba idhini ya bodi ya maadili haitumiki.

Vyanzo vya data: Utafiti unachanganya taarifa za kampuni za SEC EDGAR, mfululizo wa FRED/EIA/IEA, miamala ya kampuni iliyowekwa wazi kwa umma na vyanzo vingine rasmi/kitaasisi vilivyoorodheshwa katika marejeo ya ripoti. Appendix A inaeleza uchanganuzi wa SEC Item 1A, Appendix B viashirio vya tathmini ya thamani ya baadhi ya pande za AI kufikia 30 May 2026, na Appendix C mantiki ya hesabu ya DebtRank.

Modeli kuu: Uenezaji wa kaskadi ya DebtRank kwenye mtandao wenye mwelekeo unaounganisha vikwazo vya kimwili na mahusiano ya kifedha ya pande mbalimbali.

Mlinganyo mkuu: \(h_i \leftarrow \min(1,h_i+\sum_j h_jw_{ji})\). Distress hujaa katika kiwango cha 0–1; kila nodi husambaza distress mara moja na kisha haisambazi tena.

Maana ya kipimo cha modeli: Distress ni faharasa ya jamaa ya hasara ya modeli. Si uwezekano wa kufilisika, uwiano wa deni/mali wala hasara iliyotokea katika thamani ya soko.

Kikomo cha urekebishaji: Baadhi ya uzito wa kingo hutegemea makadirio kwa pembejeo zisizo wazi kwa umma, kama mkusanyiko wa wateja ambao haujawekwa wazi, mgawanyo wa RPO, sehemu ya dhamana ya GPU na viwango vya covenant.

Kikomo cha jaribio la msongo: Matukio A–F ni matukio ya msongo ya maelezo na kihesabu; si ushauri wa uwekezaji wala utabiri wa soko wenye tarehe.

Ujenzi upya wa kuona: Chokepoint stack ya tabaka nne, mnyororo wa thamani wa shaba, mtandao wa vali za pande za dola, tabaka la mfiduo wa kampuni, grafu ya ufadhili wa mzunguko na njia za uenezaji wa msongo zinaweza kuchorwa upya kwa njia asilia kwa Verianla kwa kuhifadhi maana. Kwa kuwa vielelezo vya chanzo vina leseni iliyofungwa, nakala ya pikseli, mpangilio au usanifu wa grafiki haipaswi kutumiwa.

Ufaafu kwa Verianla Live: Unafaa. Live Architecture inafaa kwa mfumo wa tabaka nne; Live Flow kwa njia za mishtuko A–F; Live Compare kwa umuhimu wa kingo na ulinganisho wa distress; na Live Equation/Live Figure yenye vigezo vilivyofungwa kwa mpangilio wa masasisho ya DebtRank. Slider za mtumiaji zinazobadilisha vigezo vya kisayansi hazifai.