۴۶ درصد از مصرف هوش مصنوعی شرکت‌های آمریکایی به مدل‌های چینی منتقل شد؛ جنگ قیمت جهانی

کسب‌وکارهای آمریکایی بی‌سروصدا در حال بازسازی زیرساخت هوش مصنوعی خود هستند و تقریباً نیمی از وظایف محاسباتی روزانه خود را از طریق مدل‌های توسعه‌یافته در چین هدایت می‌کنند. یک تحقیق گسترده که روز چهارشنبه منتشر شد، نشان داد که مدل‌های متن‌باز چینی—عمدتاً از شرکت‌های DeepSeek، Alibaba و Zhipu AI—اکنون تا ۴۶ درصد از مصرف توکن هوش مصنوعی در میان شرکت‌های آمریکایی مورد بررسی را به خود اختصاص داده‌اند. این داده‌ها نشان‌دهنده یک تغییر خیره‌کننده در چشم‌انداز جهانی هوش مصنوعی است و ثابت می‌کند که شرکت‌های آمریکایی به طور فزاینده‌ای بهره‌وری هزینه و دسترسی به منابع باز را بر وفاداری به برند داخلی ترجیح می‌دهند.[1][2]

این انتقال تا حد زیادی برای مصرف‌کنندگان نهایی نامرئی بوده است، اما نشان‌دهنده یک دگرگونی عظیم در بودجه‌های فناوری اطلاعات سازمانی است. در طول سال گذشته، آزمایشگاه‌های هوش مصنوعی چینی مجموعه‌ای از مدل‌های متن‌باز بسیار توانمند را منتشر کرده‌اند که عملکردی مشابه یا نزدیک به مدل‌های پرچم‌دار آمریکایی مانند GPT-4.5 شرکت OpenAI و Claude 3.5 شرکت Anthropic دارند. با این حال، این مدل‌ها با کسری از قیمت ارائه می‌شوند. این تحقیق نشان داد که هزینه‌های API برای مدل‌هایی مانند Qwen-Max شرکت علی‌بابا یا DeepSeek-V3 تقریباً یک‌دهم همتایان آمریکایی خود است، که آن‌ها را برای وظایف پرتکرار و با حجم بالا بسیار جذاب می‌کند.[1][3]

این تفاوت هزینه، منجر به ظهور اکوسیستم «مسیریاب چندمدلی» (multi-model router) شده است. به جای ارسال هر درخواست کاربر به یک مدل گران‌قیمت و ممتاز، نرم‌افزارهای سازمانی اکنون از لایه‌های مسیریابی هوشمند استفاده می‌کنند. وظایف استدلالی پیچیده—مانند تهیه پیش‌نویس قراردادهای حقوقی یا نوشتن کدهای پیچیده—همچنان به مدل‌های سطح بالای آمریکایی هدایت می‌شوند. اما وظایف حجیم، مانند خلاصه‌سازی هزاران رونوشت خدمات مشتری، قالب‌بندی داده‌ها یا ترجمه پایه، به‌طور خودکار به مدل‌های ارزان‌تر چینی هدایت می‌شوند. این رویکرد ترکیبی به برخی استارتاپ‌ها اجازه داده است تا صورت‌حساب ماهانه استنتاج (Inference) هوش مصنوعی خود را تا ۸۰ درصد کاهش دهند، بدون اینکه تجربه کاربری را قربانی کنند.[2][6]

امنیت و حریم خصوصی داده‌ها، که مدت‌ها مانع اصلی پذیرش نرم‌افزارهای خارجی در ایالات متحده محسوب می‌شدند، از طریق ماهیت متن‌باز این مدل‌ها دور زده شده‌اند. از آنجا که وزن‌های مدل (Model Weights) برای دانلود رایگان در دسترس هستند، شرکت‌های آمریکایی داده‌های اختصاصی خود را به سرورهای پکن یا شنژن ارسال نمی‌کنند. در عوض، آن‌ها این مدل‌های توسعه‌یافته چینی را بر روی زیرساخت ابری داخلی که توسط سرویس‌های وب آمازون (AWS)، مایکروسافت آژور (Azure) یا میزبان‌های تخصصی هوش مصنوعی مانند Together AI ارائه می‌شود، میزبانی می‌کنند. این امر به مدیران ارشد اطلاعات اجازه می‌دهد تا ضمن حفظ انطباق دقیق داده‌ها، از مزایای کارایی الگوریتمی خارجی بهره‌مند شوند.[4][6]

موفقیت این مدل‌ها تا حد زیادی به نوآوری‌های معماری‌ای نسبت داده می‌شود که تحت فشار کنترل‌های صادراتی ایالات متحده ایجاد شده‌اند. محققان چینی که از دسترسی به خوشه‌های عظیم پردازنده‌های گرافیکی پیشرفته انویدیا (Nvidia) که در اختیار سیلیکون‌ولی است، محروم بودند، مجبور شدند متدولوژی‌های آموزشی خود را بهینه کنند. آن‌ها به شدت بر معماری‌های «ترکیب متخصصان» (Mixture-of-Experts یا MoE) و مدیریت داده‌های فوق‌العاده کارآمد تکیه کردند تا حداکثر عملکرد را از توان محاسباتی محدود استخراج کنند. مدل‌های حاصل نه تنها از طریق API ارزان‌تر هستند، بلکه برای اجرا به صورت محلی نیز به توان محاسباتی بسیار کمتری نیاز دارند، که آن‌ها را برای استقرار سازمانی ایده‌آل می‌سازد.[5][7]

پذیرش سریع مدل‌های خارجی فشار نزولی عظیمی بر قیمت‌گذاری آزمایشگاه‌های هوش مصنوعی آمریکایی وارد کرده است. در ماه‌های اخیر، ارائه‌دهندگان داخلی مجبور شده‌اند قیمت‌های API مدل‌های کوچک‌تر و سریع‌تر خود را کاهش دهند تا در بخش سازمانی رقابتی باقی بمانند. تحلیلگران صنعت خاطرنشان می‌کنند که این جنگ قیمت یک پیروزی بزرگ برای اکوسیستم گسترده‌تر فناوری است، زیرا کاهش شدید هزینه هوش مصنوعی به شرکت‌های غیرفناوری در بخش‌هایی مانند کشاورزی، لجستیک و خرده‌فروشی سنتی اجازه می‌دهد تا هوش مصنوعی را بدون هزینه‌های اولیه گزاف، در جریان کار خود ادغام کنند.[3][7]

با این حال، این روند در واشنگتن نادیده گرفته نشده است. برخی از قانون‌گذاران آمریکایی نسبت به اتکای فزاینده به معماری‌های متن‌باز خارجی ابراز نگرانی کرده‌اند و این سوال را مطرح می‌کنند که آیا این امر آسیب‌پذیری‌های بلندمدت در زنجیره تأمین ایجاد می‌کند یا خیر. با وجود این زمزمه‌های ژئوپلیتیکی، تنظیم مقررات ریاضیات متن‌باز عملاً غیرممکن است. کد و وزن‌ها در حال حاضر در پلتفرم‌های توسعه‌دهنده جهانی مانند گیت‌هاب (GitHub) و هاگینگ فیس (Hugging Face) در حال گسترش هستند و عمیقاً در تار و پود توسعه نرم‌افزارهای مدرن جای گرفته‌اند.[4]

برای صنعت جهانی هوش مصنوعی، این تغییر سازمانی بر بلوغ بازاری تأکید می‌کند که در آن هوش مصنوعی به طور فزاینده‌ای به عنوان یک ابزار تجاری‌شده (Commoditized Utility) دیده می‌شود تا یک کالای لوکس سفارشی. همانطور که قابلیت‌های مدل‌ها به هم نزدیک می‌شوند، میدان نبرد از هوش خام به هزینه استنتاج، تأخیر (Latency) و سهولت ادغام منتقل شده است. در حال حاضر، ذینفعان نهایی توسعه‌دهندگان و کسب‌وکارهایی هستند که اکنون می‌توانند برنامه‌های هوشمندتر و سریع‌تری را بر روی یک پایه جهانی توزیع‌شده و بسیار رقابتی بسازند.[2][5][6]