نگار علی- با این حال، برخلاف هیاهوی گسترده‌ای که ابتدای سال ۲۰۲۵ درباره نسخه اولیه R1 به‌پا شد، به‌روزرسانی جدید تقریباً بدون هیچ بازتابی از سوی صنعت فناوری و سرمایه‌گذاران عبور کرد.
مدل R1 دیپ‌سیک در آغاز سال جاری باعث نگرانی گسترده‌ای در بازار شد؛ قیمت سهام شرکت‌های فناوری افت کرد و برخی از تحلیلگران حتی روند رو به رشد سرمایه‌گذاری در حوزه هوش مصنوعی مولد را زیر سؤال بردند. اما به گفته «راس سندلر»، تحلیلگر برجسته در بانک بارکلیز، به‌روزرسانی اخیر «آمد و رفت، بی‌آنکه موجی ایجاد کند». او در یادداشتی برای سرمایه‌گذاران نوشت: «بازار سهام هیچ اهمیتی به این موضوع نداد و این یعنی سطح درک فعالان بازار از سرمایه‌گذاری در حوزه هوش مصنوعی ظرف تنها پنج ماه به‌طور چشمگیری رشد کرده است.»
درون تحریریه بیزینس‌اینسایدر هم این بی‌تفاوتی محسوس بود. برخی از خبرنگاران اصلاً متوجه انتشار نسخه جدید نشده بودند. عده‌ای دیگر تنها تیتر خبر را دیده و از کنار آن گذشته بودند. در مجموع، حتی خبرنگاران حرفه‌ای حوزه فناوری که هر روز درگیر اخبار این حوزه هستند، چندان توجهی به این رونمایی نکردند.
چرا دیگر کسی هیجان‌زده نمی‌شود؟
اگرچه مدل جدید دیپ‌سیک به لحاظ فنی همچنان قدرتمند و به‌صرفه است، اما بازار دیگر مثل قبل غافلگیر نمی‌شود. طبق گزارش بارکلیز، هزینه استفاده از این مدل اکنون حدود ۱ دلار به‌ازای هر میلیون توکن است؛ یعنی حدود ۱۷ برابر ارزان‌تر از مدل‌های پرچم‌دار مانند OpenAI o1. در حالی‌که در ابتدای سال، این نسبت حدود ۲۷ برابر بود.
یکی دیگر از دلایل کمرنگ شدن واکنش‌ها این است که بیشتر مدل‌های هوش مصنوعی پیشرفته، عملکرد نسبتاً مشابهی دارند. همه آن‌ها عمدتاً با داده‌های عمومی اینترنت آموزش دیده‌اند و هر پیشرفتی به‌سرعت در دیگر مدل‌ها نیز بازتاب می‌یابد. به همین دلیل، تفاوت عملکرد به‌تنهایی نمی‌تواند مزیت رقابتی محسوب شود.
علاوه بر این، توزیع گسترده (distribution) عامل کلیدی‌تری شده است. به‌طور مثال، اگر شرکت شما حساب سازمانی ChatGPT دارد، احتمالاً از مدل‌های OpenAI استفاده می‌کنید. یا اگر گوشی اندرویدی دارید، تعامل‌تان با مدل‌های هوش مصنوعی گوگل خواهد بود. اما دیپ‌سیک هنوز در بازار غرب چنین دسترسی گسترده‌ای ندارد.
آیا نگرانی زیرساختی درباره مدل‌های استدلالی بی‌مورد بود؟
یکی دیگر از دلایلی که دیپ‌سیک در ژانویه باعث نگرانی شده بود، تصور عمومی از توسعه مدلی کارآمدتر با نیاز به منابع محاسباتی کمتر بود. اما در واقع، مدل R1 به‌جای کاهش نیاز محاسباتی، از معماری «استدلالی» استفاده می‌کند؛ یعنی درخواست‌ها را به مراحل فکری متعدد تقسیم می‌کند و هر مرحله منجر به تولید هزاران توکن جدید می‌شود. همین ساختار باعث شده که اجرای چنین مدل‌هایی نیازمند GPUها و زیرساخت محاسباتی بسیار بیشتری باشد.
در نتیجه، اگرچه دیپ‌سیک در پیشرفت فنی هوش مصنوعی نقش مهمی دارد، اما این بار دیگر خبری از شوک یا نگرانی در بازار نیست. بازیگران اصلی حالا درک بهتری از رقابت دارند و هیجان‌زدگی جای خود را به تحلیل واقع‌گرایانه داده است.
منبع: businessinsider
۲۲۷۲۲۷
نظر شما