أطلقت شركة DeepSeek الصينية نموذجها الجديد V4-Flash، في خطوة تعزز المنافسة داخل سوق الذكاء الاصطناعي العالمي، بعدما كشفت اختبارات مستقلة أن تكلفة تشغيله تقل بأكثر من 100 مرة مقارنة ببعض النماذج المنافسة، مع الحفاظ على مستوى أداء تنافسي في العديد من المهام.
ويمثل النموذج أحدث محاولات الشركة الصينية لترسيخ مكانتها في سباق الذكاء الاصطناعي، من خلال التركيز على الكفاءة وخفض التكاليف بدلاً من الاعتماد على زيادة القدرة الحاسوبية فقط.
DeepSeek V4-Flash يسجل أقل تكلفة تشغيل بين النماذج العالمية
أظهرت اختبارات أجرتها مؤسسة Artificial Analysis المتخصصة في تقييم نماذج الذكاء الاصطناعي، أن DeepSeek V4-Flash يعد الأقل تكلفة بين أبرز النماذج المتاحة عالميًا.
وبحسب نتائج الاختبارات، تبلغ تكلفة معالجة مليون توكن من المدخلات نحو 0.14 دولار، بينما تصل تكلفة مليون توكن من المخرجات إلى 0.28 دولار فقط، وهو ما يمنح النموذج ميزة تنافسية كبيرة للمطورين والشركات.
تكلفة الاختبار أقل من المنافسين
قدرت DeepSeek متوسط تكلفة تشغيل النموذج بنحو 3 سنتات لكل اختبار، مقارنة مع 86 سنتًا لنموذج Kimi K3، و1.86 دولار لنموذج GPT-5.6 Sol من OpenAI، و3.15 دولار لنموذج Claude Fable 5 من Anthropic.
ويرى خبراء أن مقارنة تكلفة تنفيذ المهام الفعلية تعكس القيمة الحقيقية للنموذج، لأنها تأخذ في الاعتبار كمية البيانات التي يعالجها للوصول إلى النتيجة المطلوبة، وليس سعر الاستخدام فقط.
أداء تنافسي رغم انخفاض التكلفة
حقق DeepSeek V4-Flash نحو 50 نقطة على مؤشر الذكاء الصادر عن Artificial Analysis، وهي النتيجة نفسها التي سجلها Gemini 3.6 Flash من Google.
ورغم ذلك، لا تزال نماذج Claude Opus 5 وClaude Fable 5 من Anthropic، إضافة إلى GPT-5.6 من OpenAI، تتفوق في الأداء بفارق يتجاوز تسع نقاط، بينما حافظ Kimi K3 على مستوى أعلى بتسجيله 57 نقطة.
بنية “خليط الخبراء” تقلل استهلاك الموارد
يعتمد DeepSeek V4-Flash على معمارية Mixture-of-Experts (MoE)، التي تضم 284 مليار معامل، إلا أن النموذج لا يفعل سوى 13 مليار معامل فقط عند معالجة كل جزء من البيانات.
وتسهم هذه التقنية في تقليل العمليات الحسابية المطلوبة، ما يخفض استهلاك الموارد ويرفع كفاءة التشغيل دون التأثير الكبير على جودة النتائج.
تقنيات تدريب متقدمة لزيادة الكفاءة
استخدمت DeepSeek التدريب بدقة FP8، إلى جانب FP4 لبعض مكونات النموذج، بالإضافة إلى مُحسّن Muon الذي يسرع عملية التدريب ويحسن استقرارها.
كما تم تدريب النموذج على أكثر من 32 تريليون رمز نصي، مع الاعتماد على الضبط الدقيق الخاضع للإشراف، والتعلم المعزز، وتقنيات التقطير التي تسمح بدمج قدرات متعددة داخل نموذج واحد.
منافسة بين ثلاث استراتيجيات عالمية
تكشف المقارنة بين DeepSeek وOpenAI وAnthropic عن اختلاف واضح في استراتيجيات تطوير الذكاء الاصطناعي.
فبينما تراهن DeepSeek على تقليل التكلفة وتحسين كفاءة النموذج، تعتمد Anthropic على تنويع البنية الحاسوبية باستخدام رقائق Google TPU وAmazon Trainium، في حين تواصل OpenAI الاستثمار في بنية حاسوبية ضخمة تعتمد على رقائق Nvidia وشراكات مع AWS وMicrosoft وشركات تصنيع المعالجات.
مستقبل المنافسة في الذكاء الاصطناعي
تشير التطورات الأخيرة إلى أن المنافسة في سوق الذكاء الاصطناعي لم تعد تعتمد فقط على تطوير أقوى النماذج، بل أصبحت ترتكز أيضًا على خفض تكاليف التشغيل وتحسين الكفاءة.
ويرى محللون أن نجاح DeepSeek في تقديم نموذج منخفض التكلفة قد يدفع الشركات العالمية إلى إعادة النظر في استراتيجياتها، مع التركيز بصورة أكبر على تحقيق التوازن بين الأداء العالي والتكلفة الاقتصادية، وهو ما قد يسهم في تسريع انتشار تطبيقات الذكاء الاصطناعي حول العالم.
