سرمایه‌گذاری سکویا: از "تحویل نرم‌افزار" به "تحویل نتایج"، منطق جدید تجاری‌سازی و قیمت‌گذاری سرمایه

منبع: ویدئوی ارائه پات گریدی "AI for BC IC"

ترجمه: AGI 2050

یادداشت سردبیر

در نقاط عطف چرخه‌های فناوری، ارزیابی‌های داخلی مؤسسات سرمایه‌گذاری ریسک پیشرو معمولاً به عنوان یک برش کلیدی برای مشاهده روندهای صنعتی عمل می‌کند.

این محتوا از ارائه‌ای که پات گریدی، شریک جهانی سکویا، به کمیته سرمایه‌گذاری کالج بوستون انجام داده، جمع‌آوری شده است. در این ارائه، گریدی دیدگاه خود را بر روی پاییز 2026 تنظیم کرده و تحولات ساختاری در تکامل فناوری‌های پایه، ریتم تجاری و منطق قیمت‌گذاری سرمایه را از زمان انفجار مدل‌های بزرگ به طور سیستماتیک مرور کرده است.

برخلاف بحث‌های عمومی، این گزارش که به نمایندگان سرمایه‌گذاران اصلی (LP) ارائه شده، بر روی یک سری مسائل تجاری خاص و تیز تمرکز دارد:

• تغییر در منطق پایه: ماهیت این موج جدید نه انقلاب توزیع اطلاعات، بلکه بازسازی ساختار محاسباتی پایه است که فضای بازار بالقوه (TAM) آن به طور قابل توجهی از حوزه نرم‌افزار خالص به بازار خدمات حرفه‌ای با مقیاس بزرگ‌تر نفوذ می‌کند؛

• جهش در الگوی تحقیق و توسعه: با بلوغ فناوری‌های استدلال منطقی و عامل‌های هوشمند بلندمدت (Long-horizon Agents)، تمرکز تحقیقاتی آزمایشگاه‌های پیشرفته از هوش مصنوعی عمومی (AGI) به سمت هوش مصنوعی فوق‌العاده (ASI) و بهبود خودگردان بازگشتی (RSI) تغییر کرده است؛

• تفکیک تجاری و شکاف گسترش: بین توانایی‌های ذاتی مدل و کاربرد واقعی آن در شرکت‌ها شکاف قابل توجهی وجود دارد، و کارهای دانش با ارزش بالا (برنامه‌نویسی، پزشکی، انطباق مالی و مالیاتی و غیره) در حال ایجاد نسل جدیدی از شرکت‌های سیستمی هستند، اما نوسانات مکرر در پایه‌های فناوری نیز شرکت‌های کاربردی را مجبور به بازسازی ساختار سازمانی می‌کند؛

• شکل جدید حباب سرمایه: در شرایط هیجان‌زده بازار، بازار اولیه یک مدل تأمین مالی دو مرحله‌ای "جداسازی شرکای ساخت و شرکای مالی" را توسعه داده است و اهرم‌های ارزیابی و ریتم‌های حق‌الزحمه در بازارهای اولیه و ثانویه تحت آزمایش‌های بی‌سابقه‌ای قرار دارند.

متن کامل ارائه را در زیر می‌خوانید:

1. این یک انقلاب توزیع اطلاعات نیست، بلکه یک بازسازی محاسبات است

این مجموعه مواد عمدتاً برای پاسخ به یک پرسش مطرح شده توسط کمیته سرمایه‌گذاری کالج بوستون استفاده می‌شود: "وضعیت فعلی صنعت AI چیست؟"

در اینجا، من این مشاهدات را ثبت می‌کنم تا به عنوان یک مقطع زمانی مرحله‌ای در سپتامبر 2026 عمل کند.

صنعت سرمایه‌گذاری معمولاً از یک نمودار برای نمایش تکامل همپوشانی امواج فناوری در چند دهه گذشته استفاده می‌کند: از تکامل تراشه‌ها به سیستم‌های محاسباتی، از طریق اتصال شبکه به عموم به اینترنت؛ سپس به دستگاه‌های موبایل، که اکوسیستم‌های پیچیده‌ای از برنامه‌ها را ایجاد کردند؛ و تا به امروز، AI شروع به ارائه قدرت پردازش بی‌سابقه‌ای به این برنامه‌ها کرده است.

روند اصلی تکامل فناوری همیشه به این شکل بوده است. اما این موج جدید که AI را در مرکز خود قرار داده، سه ویژگی کاملاً متفاوت از دوره‌های قبلی دارد:

اول، فضای بازار بالقوه (TAM) بی‌نهایت بزرگ است.

در دوره‌های گذشته، هدف اصلی صنعت "اندازه بازار نرم‌افزار" (Software TAM) بود؛ در حالی که AI به طور مستقیم به "اندازه بازار خدمات حرفه‌ای" (Services TAM) وارد می‌شود - که حجم آن یک تا دو مرتبه بزرگ‌تر از نرم‌افزار خالص است.

دوم، سرعت گسترش فناوری به مراتب بیشتر از گذشته است.

این نرخ نفوذ بالا منحصر به فناوری AI نیست، بلکه نتیجه‌ای اجتناب‌ناپذیر از آماده بودن زیرساخت‌ها است. در مرحله آغازین رایانش ابری، جمعیت جهانی که به اینترنت دسترسی داشت کمتر از یکصد میلیون نفر بود؛ در زمان شروع اینترنت موبایل، کاربران باید به صورت جداگانه سخت‌افزار هوشمند خریداری می‌کردند. اما اکنون، زیرساخت‌های شبکه جهانی و سخت‌افزار هوشمند به شدت گسترش یافته‌اند و به محض اینکه فناوری از نقطه عطف قابلیت استفاده عبور کند، مقاومت در برابر گسترش مقیاس آن به حداقل تاریخی خود رسیده است.

سوم، و این مهم‌ترین نکته است: شکل این تحول فناوری به لحاظ منطقی فیزیکی کاملاً متفاوت از گذشته است.

انقلاب‌های فناوری چند دهه گذشته - شامل کامپیوترهای شخصی، شبکه‌های محلی، اینترنت و رایانش ابری - اساساً "انقلاب توزیع اطلاعات" بوده‌اند که هسته آن بهینه‌سازی کارایی انتقال اطلاعات در فضا است.

در حالی که آنچه ما اکنون تجربه می‌کنیم، "انقلاب خود محاسبات" است. این دیگر به انتقال اطلاعات مربوط نمی‌شود، بلکه به نحوه پردازش و بازسازی اطلاعات مربوط می‌شود. این نوع بازسازی پایه‌ای از زمان تولد مدارهای مجتمع نیمه‌هادی در دهه 1960 و 1970 در صنعت مشاهده نشده است.

این تمایز تأثیرات تجاری واقعی دارد: این بدان معناست که پایه‌های فناوری که کارآفرینان در لایه کاربرد به آن تکیه می‌کنند، هنوز در حال تحول دینامیک و با فرکانس بالا هستند.

با مرور روند توسعه چند سال گذشته، صنعت سه نقطه عطف کلیدی را تجربه کرده است:

1. لحظه ChatGPT در پایان سال 2022، امکان‌سنجی و پتانسیل گسترش فناوری پیش‌آموزش (Pre-training) را تأسیس کرد؛

2. انتشار OpenAI o1 در پایان سال 2024، مسیر استدلال (Reasoning) را تأیید کرد و نشان داد که مدل‌های بزرگ به طور اولیه توانایی عبور از تفکر سریع شهودی (سیستم 1) به تفکر منطقی کند (سیستم 2) را دارند؛

3. عرضه Claude Code و Opus 4.5، قابلیت "عامل‌های هوشمند بلندمدت (Long-horizon Agents)" را در محیط‌های وظیفه‌ای پیچیده تأیید کرد.

این سه مرحله به نظر می‌رسد که در یک پیوستگی فناوری قرار دارند، اما در پایان مرحله سوم، صنعت در واقع از یک نقطه عطف کلیدی عبور کرده است - هوش مصنوعی عمومی (AGI) از فرضیه‌های فناوری به واقعیت صنعتی تبدیل شده است.

اوایل امسال، سکویا در یک مقاله پیش‌بینی کرد که "سال 2026 سال AGI خواهد بود". در آن زمان، این ادعا در صنعت هنوز مورد بحث بود؛ اما اکنون، این به تدریج به یک اجماع عمومی در دنیای فناوری و سرمایه‌گذاری تبدیل شده است.

2. از "گاری" به "خودرو": واقعیت و اثرات جانبی تجاری

اگر از پرسش کلاسیک بنیان‌گذار سکویا، دان والنتین (Don Valentine) استفاده کنیم - "پس چه؟ این چه ارزش واقعی ایجاد می‌کند؟" - پیشرفت‌های فناوری فعلی در واقع به این معناست که وسایل نقلیه از "گاری‌های بهبود یافته" به "خودرو" منتقل شده‌اند.

در سال‌های اخیر، بسیاری از محصولاتی که به عنوان AI شناخته می‌شوند، در واقع هنوز بهبودهای تدریجی نرم‌افزارهای سنتی هستند و فقط ابزارهای دیجیتال با تجربه بهتر هستند؛ اما اکنون، فناوری به طور بنیادی فرآیند و شکل تحویل تولید را تغییر می‌دهد.

در سطح کسب‌وکار واقعی، این انتقال در چندین صحنه نمایان می‌شود:

• شکل نرم‌افزار از "جعبه ابزار" به "همکار" تغییر می‌کند: محصولاتی مانند Instinct یا Muse از ابزارهای ساده پردازش وظیفه به همکاران تجاری برای تحویل نتایج تبدیل شده‌اند. منطق توسعه آن‌ها مشابه صنعت کنفرانس ویدئویی در گذشته است: قبل از اینکه Zoom از نقطه عطف قابلیت استفاده و اعتماد عبور کند، فناوری کنفرانس ویدئویی سال‌ها وجود داشت اما به طور جدی توسط کسب‌وکارهای اصلی پذیرفته نشده بود؛ اما وقتی ثبات فناوری از یک آستانه خاص عبور کرد، کنفرانس آنلاین به سرعت به عنوان جریان کاری پیش‌فرض تثبیت شد. AI فعلی در یک منطقه مشابه از تغییر اعتماد قرار دارد.

• دسترسی به دانش تخصصی بالا: در حوزه پزشکی، مؤسسات بهداشتی اولیه و کارکنان در مناطق دورافتاده می‌توانند از طریق دستگاه‌های موبایل به شناخت‌های درمانی در سطح صنعتی دسترسی پیدا کنند؛ در حوزه آموزش، سیستم‌های آموزشی نوآورانه مانند Alpha School در حال نشان دادن مسیرهای ممکن برای بازسازی آموزش شخصی با مدل‌های آموزشی بومی AI هستند.

• سرریز زیرساخت به صنایع واقعی: موج ساخت مراکز داده فوق‌العاده بزرگ، در زمینه‌های مهندسی واقعی، تجهیزات الکترومکانیکی و زیرساخت‌های انرژی تقاضای صنعتی مداومی ایجاد می‌کند.

در عین حال، جهش سریع فناوری نیز در سطح صنعت و جامعه زنجیره‌ای از واکنش‌های متوالی را به وجود آورده است:

• فشار بر هزینه‌های سرمایه‌گذاری تأمین‌کنندگان زیرساخت‌های ابری: تأمین‌کنندگان خدمات ابری فوق‌العاده بزرگ (Hyperscalers) در حال افزایش مداوم سرمایه‌گذاری در زیرساخت‌های محاسباتی هستند و تنها با اتکا به جریان نقدی آزاد نمی‌توانند تمام هزینه‌های سرمایه‌گذاری (Capex) را پوشش دهند و صنعت به طور عمومی از طریق تأمین مالی از طریق صدور اوراق قرضه برای حفظ رقابت در محاسبات استفاده می‌کند.

• گسترش تهدیدات جدید امنیت سایبری: بهبود توانایی‌های مدل‌های پایه به طور عینی آستانه توسعه ابزارهای حمله خودکار پیشرفته را کاهش داده است و تعادل حمله و دفاع در زیرساخت‌های دیجیتال تحت فشار مداوم قرار دارد.

• بازسازی ارزش مشاغل دانش‌محور: مشاغل مرتبط با پردازش متن خالص و اطلاعات پایه تحت تأثیر واقعی قرار دارند. کارمندانی که می‌توانند به طور فعال از مدل‌ها برای افزایش تولید استفاده کنند، در بهره‌وری تولید مزیت قابل توجهی پیدا می‌کنند، در حالی که گروه‌های نیروی کار که نتوانسته‌اند دیوارهای همکاری ابزار را ایجاد کنند، با فشار مداوم جایگزینی حاشیه‌ای مواجه هستند.

• اصطکاک در سطوح توزیع اجتماعی و حکومتی: مسئله مصرف انرژی محاسباتی به تدریج به موضوعی درگیری جغرافیایی و منطقه‌ای تبدیل می‌شود؛ تفاوت در بازده سرمایه و بازده نیروی کار ناشی از AI نیز تا حدی نابرابری توزیع ثروت موجود را تشدید می‌کند.

3. تغییر تمرکز تحقیق و توسعه در آزمایشگاه‌های پیشرفته: اکتشاف پیشرفته و واقعیت‌های مهندسی

با ورود به خط مقدم تحقیق و توسعه در آزمایشگاه‌های پیشرفته، می‌توان دریافت که قضاوت محققان در مورد مسیر پیشرفت فناوری معمولاً بسیار متمرکز و صریح است.

در حال حاضر، آزمایشگاه‌های اصلی در داخل، تمرکز تحقیق و توسعه خود را از تحقق مهندسی AGI به طور کامل به سمت هوش مصنوعی فوق‌العاده (ASI) و بهبود خودگردان بازگشتی (RSI) تغییر داده‌اند.

در اینجا، RSI به معنای توانایی مدل برای مشارکت خودکار و حتی رهبری در نوشتن کد، آزمایش و بهینه‌سازی معماری نسل بعدی مدل‌ها است. ظهور این حلقه بسته فناوری، ارزیابی محتاطانه‌ای را از سوی تیم‌های تحقیق و توسعه در مورد "پرش نمایی فناوری (Takeoff)" و خطرات بالقوه عدم هم‌راستایی (p(doom)) به همراه داشته است. این زمینه فنی، به عنوان زمینه اصلی فراخوان‌های عمومی اخیر دانیل آموئدئی (Dario Amodei) و دیگر رهبران این حوزه برای هم‌راستایی ریتم تحقیق و توسعه در سطح صنعت عمل کرده است.

در سطح مهندسی و تجاری، آزمایشگاه‌های پیشرو چندین روند قطعی را نشان می‌دهند:

1. عبور از مرزهای زبان طبیعی: آموزش و استنتاج مدل‌ها به سرعت در حال انتقال به حوزه‌های دقیق مانند اکتشافات علمی پیچیده و تأیید حدس‌های ریاضی پیشرفته است و معماری محاسباتی زیرساخت با نیازهای جدیدی برای بهینه‌سازی کارایی مواجه است؛

2. عدم تعادل عرضه و تقاضای قدرت محاسباتی به طور مداوم وجود دارد: کمبود قدرت محاسباتی همچنان به عنوان یک گلوگاه اصلی در آزمایشگاه‌های پیشرفته و شرکت‌های کاربردی باقی مانده است و روند توسعه تراشه‌های سیلیکونی خاص (ASIC) در سطح صنعت همچنان تقویت می‌شود؛

3. رقابت API استنتاج به شدت افزایش یافته است: رقابت تجاری برای مصرف توکن‌های مدل‌های پایه بسیار شدید است و قیمت‌های API به طور مداوم کاهش می‌یابد. برای قفل کردن مصرف شرکت‌های بزرگ مانند Fortune 500، آزمایشگاه‌های پیشرو به طور عمومی تیم‌های خدمات شرکتی خود را با مشاوره‌های سفارشی قوی برای نفوذ به صحنه‌ها ایجاد می‌کنند؛

4. ادغام‌های خارجی به یک روال عادی تبدیل شده‌اند: با تثبیت الگوی رقابت بین حوزه‌ها، آزمایشگاه‌های پیشرفته به تدریج مکانیزم‌های ادغام منابع انسانی، تیم‌ها و دارایی‌ها را به یک روال عادی تبدیل می‌کنند و نقشه تجاری ویژگی‌های گسترش شرکت‌های بزرگ را نشان می‌دهد.

چهار، شکاف انتشار فناوری و قدرت تجاری در سطح کاربرد

انفجار توانایی‌های مدل‌های پایه و سطح واقعی جذب صنعت، فاصله‌ای قابل توجه دارد که به عنوان "شکاف انتشار فناوری" شناخته می‌شود. برای شرکت‌های نوپا در سطح کاربرد، این شکاف به طور خاص بزرگ‌ترین فرصت تجاری را تشکیل می‌دهد.

در این دوره، نقاط ورود با بیشترین قطعیت تجاری بر روی کارهای دانش با ارزش بالا (High-value Knowledge Work) متمرکز شده‌اند: مهندسی نرم‌افزار، امنیت سایبری، خدمات حرفه‌ای پزشکی، امور مالی و بانکداری سرمایه‌گذاری، و انطباق حسابرسی و غیره. هر یک از زیرمجموعه‌های با موانع شناختی بالا، فضایی برای پرورش شرکت‌های جدید با ارزش میلیارد دلاری دارند.

با توجه به موقعیت سیستم‌های رکورد (Systems of Record) که در دوره محاسبات ابری توسط ServiceNow، Workday و Salesforce ایجاد شده‌اند، در حال حاضر در هر یک از صحنه‌های عمودی تخصصی، نسل جدیدی از سیستم‌های رکورد که AI به عنوان مرکز تعامل و منطق عمل می‌کند، در حال شکل‌گیری است.

در کاوش‌های کاربردی زیرساختی، برخی از ساختارهای عمودی کارایی‌هایی فراتر از مدل‌های بزرگ عمومی را نشان داده‌اند:

• طراحی مولکول‌های کاندید در زمینه بیوتکنولوژی: مدل‌هایی که برای بهینه‌سازی محاسبات علمی خاص تنظیم شده‌اند، قادر به تولید مولکول‌های دارویی کاندید در دوره‌های بسیار کوتاه هستند و زمان طراحی مولکول در مراحل اولیه توسعه داروهای سنتی را به شدت کاهش می‌دهند؛

• انفجار نقطه‌ای با ساختار بسیار ساده: نیاز به زیرساخت‌های عمومی همگن در صنعت محدود است، اما مدل‌های عمودی که می‌توانند وظایف نقطه‌ای را با ساختار جدید بازسازی کنند، به سرعت در حال رشد هستند. به عنوان مثال، مورد اخیر Jev به عنوان یک "طبقه‌بند تصمیم‌گیری" با توان پردازش بالا عمل می‌کند. در تولید واقعی، نیازهای پیچیده به درخواست‌های LLM اساساً به وظایف انتخابی گسسته تعلق دارند. این محصول با برش محاسباتی شدید، هزینه استنتاج هر بار از این نوع وظایف را به حدود 100 برابر کاهش داده و در مدت زمان بسیار کوتاهی، جهش غیرمعمولی در درآمد سالانه تکراری (ARR) را محقق کرده است.

این قدرت انفجاری تجاری نشان می‌دهد که در صحنه‌های خاص با حاشیه سود بالا و موانع شناختی سنگین، محصولات نرم‌افزاری توانمند شده توسط AI رشد غیرعادی را نشان می‌دهند.

شرکت‌هایی که قادر به ایجاد موانع در سطح کاربرد هستند، به طور کلی ویژگی‌های سازمانی و تجاری زیر را دارند:

اول، کنترل مستقل بر پایه هوش.

شرکت‌ها شروع به انتقال بارهای کاری اصلی خود از API مدل‌های بزرگ بسته به سمت آموزش عمیق بر اساس پایه‌های متن‌باز کرده‌اند. نیروی محرکه اصلی آن‌ها هزینه و کارایی است: مدل‌های پایه عمومی عمدتاً برای نقاط تعادل محدود در مرز پارتو عمومی خدمت می‌کنند؛ برای دستیابی به بهترین نسبت هزینه به عملکرد در وظایف تجاری خاص، مدل‌های متن‌باز که به طور خاص برای مهندسی تنظیم شده‌اند، بهترین راه حل تجاری هستند.

دوم، ساختار سازمانی به سمت "شکست در نقاط قوت" تغییر می‌کند.

از آنجا که فناوری‌های زیرساختی و توانایی‌های مدل هر چند ماه یک بار به روز می‌شوند، شرکت‌های باقی‌مانده در سطح کاربرد باید دوره‌های بازسازی خود را به شدت کوتاه نگه دارند. این نوع سازمان‌ها به تدریج از الگوهای همکاری سنتی که به محدودیت‌های تیم وابسته بودند، دست می‌کشند و به جای آن به تعداد کمی از افراد کلیدی تکیه می‌کنند تا چالش‌های فنی را برطرف کنند و کل کسب‌وکار را با سرعت بالایی پیش ببرند.

سوم، حاکمیت شرکتی به یک شبکه همکاری توزیع‌شده تبدیل می‌شود.

سیستم‌های سنتی فرماندهی و کنترل سلسله‌مراتبی به تدریج جای خود را به ساختارهای غیرمتمرکز می‌دهند که هوش مصنوعی به عنوان مرکز اطلاعات عمل می‌کند و با اتکا به فرآیندهای خودکار با چگالی بالا و همکاری خودکار، کارایی سازمان را در مقیاس کوچک حفظ می‌کند.

پنج، تفکیک سیستم قیمت‌گذاری سرمایه و اثرات اهرمی

در سمت بازار سرمایه، در سال گذشته، قیمت‌گذاری دارایی‌ها در حوزه AI ویژگی‌های قابل توجهی از دو قطبی و ساختار یافته را نشان داده است.

برای متعادل کردن ریسک و بازده در شرایط داغی دارایی، برخی از پروژه‌های اولیه شروع به استفاده از مکانیزم تأمین مالی "دو مرحله‌ای" کرده‌اند: یعنی تقسیم ساختاری سرمایه صنعتی که مسئولیت‌های مشترک استراتژیک را بر عهده دارد و سرمایه مالی خالص که مهمات گسترش بعدی را فراهم می‌کند.

در چندین نمونه معاملاتی که Sequoia در سال گذشته به طور عمیق در آن‌ها شرکت کرده است، روندهای زیر مشاهده شده است:

• در مراحل اولیه، به عنوان طرف ساخت مشترک، مؤسسات با معیارهای ارزیابی نسبتاً منطقی (به عنوان مثال، محدوده 110 میلیون دلار پس از سرمایه‌گذاری) پیشرو می‌شوند؛

• پس از دوره بسیار کوتاه تأیید کسب‌وکار، سرمایه مالی خالص به سرعت پیگیری می‌کند و از طریق دورهای بعدی، ارزیابی هدف را به سرعت به چند برابر و حتی سطوح بالاتر افزایش می‌دهد (میانگین برخی نمونه‌ها به بیش از 3 میلیارد دلار می‌رسد).

این تغییر سریع در نسبت‌های ارزیابی بالا، به طور عینی نیاز شدید بازار اولیه به دارایی‌هایی با موانع واقعی فناوری و تجاری را منعکس می‌کند، اما همچنین به وضوح نشان‌دهنده حقایق بالای نقدینگی در بازار فعلی است.

در مواجهه با مسیرهای تکاملی آینده صنعت، هیچ مؤسسه‌ای نمی‌تواند نقشه راه کاملاً مشخصی داشته باشد. اما قوانین بنیادی که در طول دوره سرمایه‌گذاری فناوری وجود دارد، همچنان برقرار است:

زمانی که هزینه‌های حاشیه‌ای یک عامل کلیدی تولید به طور قابل توجهی کاهش یابد و کارایی پردازش کلی به طور مداوم به صورت نمایی افزایش یابد، بازسازی ساختاری در سطح صنعت به یک واقعیت غیرقابل برگشت تبدیل خواهد شد. بازسازی فناوری در سیستم تجاری جهانی، در حال حاضر تنها در مرحله ابتدایی خود قرار دارد.

این محتوا صرفاً برای اطلاع‌رسانی عمومی ارائه شده است و به‌منزله مشاوره مالی، سرمایه‌گذاری، حقوقی یا مالیاتی تلقی نمی‌شود. هرگونه رویداد، جایزه، کمپین آنلاین یا اطلاعات مرتبط که در اینجا ذکر شده است، نباید به‌عنوان توصیه، ترغیب یا دعوت به خرید، فروش، معامله یا هرگونه دادوستد دیگر دارایی‌های رمزارزی تلقی شود. دارایی‌های رمزارزی از نوسان بالایی برخوردار هستند و ممکن است منجر به زیان شوند. دسترسی به خدمات، محصولات و رویدادهای مرتبط با WEEX ممکن است بسته به منطقه جغرافیایی متفاوت باشد. اطمینان از اینکه استفاده شما از این خدمات با قوانین و مقررات محلی مطابقت دارد، بر عهده خود شماست.