بررسی روند رقابت چین و آمریکا در حوزه هوش مصنوعی نشان میدهد که بازار از رقابت ساده بر سر عرضه بهترین مدل عبور کرده و وارد فاز رقابت بر سر اقتصاد تولید و مصرف هوش مصنوعی شده است.
به گزارش خبرنگار مهر، با مرور اخبار و رویدادهای اخیر صنعت هوش مصنوعی، میتوان چنین برآورد کرد که رقابت جهانی این فناوری در حال ورود به مرحلهای است که برتری فنی مدل بهتنهایی موقعیت بازار را تعیین نمیکند. هزینه اجرای هر وظیفه، امکان استقرار محلی، دسترسی به وزن مدل و نسبت میان کیفیت و قیمت، به متغیرهای تعیینکننده انتخاب کاربران سازمانی و توسعهدهندگان تبدیل شدهاند. ظهور نسل تازه مدلهای چینی، از دیپ سیک «V۴» تا کیمی «K۳» و خانواده «Qwen» شرکت علیبابا، این تحول را شتاب داده است.
بر همین اساس، میتوان نتیجه گرفت که مرز رقابت از ساخت قدرتمندترین مدل به عرضه توانمندی کافی با کمترین هزینه گسترش یافته و همین تغییر، ساختار قیمتگذاری بازار هوش مصنوعی را تحت تأثیر قرار داده است. دادههای بازار نشان میدهد این فشار به مرحله قابل اندازهگیری رسیده است. بر همین اساس، پلتفرم «OpenRouter» در میانه ماه ژوئیه ۲۰۲۶، دیپ سیک را با سهم ۱۶.۷ درصدی از توکنهای پردازششده، پرمصرفترین سازنده مدل در این پلتفرم معرفی کرد. مدل «V۴ Flash» در رتبه سوم مدلهای پرمصرف قرار دارد و همین مدل در میان مدلهای مورد استفاده برای فراخوانی ابزار نیز جایگاه سوم را به دست آورده است.
دادههای پیشین «OpenRouter» نیز نشان میدهد سهم دیپ سیک از جریان توکن این پلتفرم طی حدود شش ماه تقریباً دو برابر شده و بخش مهمی از این رشد از کاربردهای عاملمحور ناشی شده است.
دیپ سیک و شکستن رابطه میان اندازه و قیمت
اهمیت مدل «V۴ Flash» دیپ سیک تنها از قیمت پایین آن ناشی نمیشود. معماری این مدل نشان میدهد رقابت هزینه به سطح طراحی مدل رسیده است. بر اساس دادههای انتشار یافته، «V۴ Flash» یک مدل مبتنی بر معماری «ترکیب متخصصان» (Mixture-of-Experts) با ۲۸۴ میلیارد پارامتر است که در هر مرحله تنها ۱۳ میلیارد پارامتر آن فعال میشود و در عین حال پنجره متنی یک میلیون توکنی ارائه میکند. قیمت ثبتشده این مدل در «OpenRouter» تنها ۹ سنت برای یک میلیون توکن ورودی و ۱۸ سنت برای یک میلیون توکن خروجی است. چنین ترکیبی امکان استفاده از یک مدل بزرگ را بدون تحمل هزینه محاسباتی متناسب با اندازه مدل فراهم میکند.
پژوهشهای فنی پیرامون معماری مدل «V۴» دیپ سیک نیز نشان میدهند کاهش هزینه از مجموعهای از بهینهسازیهای معماری و استنتاجی حاصل شده است. برای نمونه، پژوهش «FlashMemory-DeepSeek-V۴» نشان داده است که با مدیریت انتخابی «KV Cache»، به عنوان یک تکنیک حیاتی برای بهینهسازی، میتوان ردپای فیزیکی حافظه در وظایف متن بلند را به حدود ۱۳.۵ درصد حالت پایه رساند و در مقیاس ۵۰۰ هزار توکن بیش از ۹۰ درصد سربار حافظه را کاهش داد، بدون آن که ظرفیت استدلالی مدل دچار افت محسوس شود.
اهمیت چنین تحولاتی در اقتصاد هوش مصنوعی بنیادی است. هزینه پایین مدل چینی الزاماً محصول دسترسی به سختافزار ارزانتر نیست و بخش مهمی از مزیت میتواند از معماری و مهندسی استنتاج حاصل شود.
پاسخ سیلیکونولی با پایین آوردن قیمت هوش مصنوعی
فشار رقابتی اکنون در قیمتگذاری شرکتهای آمریکایی قابل مشاهده است. در همین راستا، اوپنایآی خانواده «GPT-۵.۶» را با تفکیک آشکار میان سطوح مختلف هزینه و توانایی عرضه کرده است. این شرکت مدل «Luna» را سریعترین و ارزانترین مدل این خانواده معرفی میکند که هزینه آن ۸۰ درصد پایینتر از «GPT-۵.۶ Sol» است. همچنین مدل «Terra» نیز بنا بر اعلام این شرکت، عملکردی همسطح «GPT-۵.۵» در معیارهای هوش با نصف قیمت ارائه میدهد. اوپنایآی حتی در رده بالای بازار، تأکید دارد «GPT-۵.۶ Sol» در برخی شاخصها از «Claude Fable ۵» آنتروپیک پیشی گرفته و هزینه آن کمتر از نصف است.
به عقیده کارشناسان، منطق اقتصادی این تغییر با گسترش عاملهای هوش مصنوعی اهمیت بیشتری پیدا میکند. یک چت کوتاه میتواند چند هزار توکن مصرف کند، اما عامل خودمختاری که برای انجام یک مأموریت بارها مدل را فراخوانی میکند، ابزار به کار میگیرد، خروجی خود را ارزیابی مینماید و مراحل بعدی را برنامهریزی میکند، مصرف محاسباتی بسیار بیشتری دارد. در چنین محیطی، اختلاف کوچک در قیمت هر فراخوانی پس از میلیونها یا میلیاردها توکن به اختلاف جدی در هزینه عملیاتی تبدیل میشود.
بنگاهها در نتیجه انگیزه بیشتری پیدا میکنند تا وظایف را میان مدلهای مختلف توزیع کنند و قدرتمندترین مدل را تنها به مسائلی اختصاص دهند که واقعاً به ظرفیت آن نیاز دارند.
تسریع روند کالاییشدن فناوری هوش مصنوعی
تحول مهمتر در پس این رقابت، کوتاهشدن عمر اقتصادی فناوریهای مرزی است. پژوهشی که در سال ۲۰۲۶ با دادههای ۳۱۸ مدل در «OpenRouter» و بیش از سه هزار مدل ثبتشده در «Epoch AI» انجام شده، از کاهش حدود ۶۰۰ برابری قیمت توکن طی سالهای ۲۰۲۰ تا ۲۰۲۶ حکایت دارد. برآورد این مطالعه نشان میدهد نیمهعمر قیمت مدلهای اقتصادی حدود ۱.۱ سال و مدلهای میانرده حدود ۱.۵۵ سال شده است.
یافته مهمتر آن است که نقطه عطف بازار در ماه می ۲۰۲۴ رخ داده و از آن زمان، رقابت میان عرضهکنندگان به یکی از موتورهای اصلی شتاب کاهش قیمت تبدیل شده است. این همان پدیدهای است که میتوان آن را کالاییشدن سریع مدلهای هوش مصنوعی نامید.
قابلیتی که یک سال قبل تنها در مدل مرزی و گرانقیمت وجود داشت، با فاصلهای کوتاه در مدل کوچکتر، متنباز یا بسیار ارزانتر در دسترس قرار میگیرد. در چنین بازاری، شرکت پیشرو برای حفظ حاشیه سود باید دائماً مرز قابلیت را جلو ببرد، زیرا بخش پایینتر منحنی توانایی به سرعت توسط رقبا ارزان میشود.
مدلهای باز چینی از ابزار کلیدی کسبوکار تبدیل میشوند
گام بعدی رقابت از سمت چین نیز در حال شکلگیری است. موفقیت مدلهای متن باز به شرکتهای چینی اجازه داده است ابتدا هزینه پذیرش را کاهش دهند، سپس اکوسیستم توسعهدهندگان را ایجاد کنند و در نهایت به سراغ درآمدزایی بروند. گزارشهای تازه درباره شرکت علیبابا نشان میدهد این شرکت برای مدل «Qwen۳.۸-Max» در حال حرکت به سمت الگوی جدیدی است که از کاربران تجاری بزرگ سهمی از درآمد مطالبه میکند.
شرکت «Moonshot» نیز برای مدل «Kimi K۳» سازوکاری مشابه برای کسبوکارهایی که درآمد خدمات مبتنی بر مدل آنها از آستانه مشخصی عبور میکند، در نظر گرفته است. قدرت این راهبرد زمانی روشنتر میشود که کیفیت مدلهای متن باز نیز به مرز فناوری نزدیک شود. مقاله فنی معرفی مدل «Kimi K۳» این مدل را یک سامانه مبتنی بر معماری «ترکیب متخصصان» با ۲.۸ تریلیون پارامتر و ۱۰۴ میلیارد پارامتر فعال معرفی میکند که پنجره متنی یک میلیون توکنی دارد.
ارزیابی منتشرشده توسط سازندگان نشان میدهد مدل مذکور همچنان از قدرتمندترین مدلهای اختصاصی مانند «Claude Fable ۵» و «GPT-۵.۶ Sol» عقبتر است، اما در مجموعه گستردهای از وظایف کدنویسی، استدلال و عاملمحور در محدوده مدلهای مرزی قرار میگیرد. انتشار وزن کامل چنین مدلی، انتخاب میان «مدل باز ارزانتر» و «مدل بسته قدرتمندتر» را برای بنگاهها به یک مسئله اقتصادی واقعی تبدیل میکند.
جمعبندی
رقابت چین و آمریکا در حوزه هوش مصنوعی در حال ساخت بازاری چندلایه است. در بالاترین لایه، آزمایشگاهها برای تصاحب مرز استدلال و قابلیتهای عاملمحور رقابت میکنند. در لایه وسیعتر بازار، هزینه انجام موفق یک وظیفه به معیار تعیینکننده بدل شده است. همین لایه دوم میتواند از نظر اقتصادی مهمتر باشد، زیرا بخش بزرگی از کاربردهای سازمانی به هوش مرزی نیاز ندارند و با مدل کوچکتر، ارزانتر یا محلی قابل اجرا هستند.
در نهایت، میتوان چنین نتیجه گرفت که پیامد راهبردی این تحول برای صنعت هوش مصنوعی بسیار عمیق است. مدلهای چینی با کاهش فاصله عملکردی و فشار بر فرایند قیمتگذاری، حاشیه اقتصادی هوش مصنوعی را فشرده میکنند و آزمایشگاههای آمریکایی را وادار میسازند بخش بیشتری از پیشرفت فنی خود را به شکل کاهش هزینه به بازار منتقل کنند. در مقابل، شرکتهای چینی پس از ایجاد مقیاس مصرف در حال آزمودن روشهای تازه درآمدزایی هستند.
بر همین اساس، به نظر میرسد بازار از رقابت ساده بر سر عرضه بهترین مدل عبور کرده و وارد رقابت بر سر اقتصاد تولید و مصرف هوش مصنوعی شده است. اگر این روند ادامه یابد، مهمترین دستاورد موج کنونی شاید مدل خاصی از آمریکا یا چین نباشد. محصول اصلی این رقابت، تبدیل هوش مصنوعی پیشرفته از منبعی کمیاب و گران به محصولی فراوان، قابل جایگزینی و ارزان خواهد بود.
