تشدید جنگ قیمت هوش مصنوعی توسط آزمایشگاه‌های چینی: مدل DeepSeek صد برابر ارزان‌تر از کلود Anthropic

هزینه هوش مصنوعی به تازگی به پایین‌ترین سطح خود رسیده است. DeepSeek، یک استارتاپ برجسته چینی در حوزه هوش مصنوعی، جدیدترین مدل با وزن باز خود، V4-Flash، را همراه با یک استراتژی قیمت‌گذاری تهاجمی منتشر کرده که قیمت‌های رقبای غربی را به میزان قابل توجهی کاهش می‌دهد. این عرضه نشان‌دهنده تشدید چشمگیر جنگ جهانی قیمت هوش مصنوعی است و تمرکز صنعت را از توانایی خام به سمت مقرون‌به‌صرفه‌بودن شدید تغییر می‌دهد.[1][2][3][6]

بر اساس تحلیل شرکت تحقیقاتی Artificial Analysis مستقر در سانفرانسیسکو، اجرای V4-Flash در یک مجموعه استاندارد از تست‌های بنچمارک تقریباً سه سنت هزینه دارد. برای مقایسه، همین حجم کاری در مدل Kimi K3 از Moonshot AI حدود ۸۶ سنت، در GPT-5.6 Sol از OpenAI حدود ۱.۸۶ دلار و در مدل پرچمدار Claude Fable 5 از Anthropic حدود ۳.۱۵ دلار هزینه دارد. به عبارت عملی، کار با مدل چینی تقریباً ۱۰۰ برابر ارزان‌تر از معادل سطح بالای آمریکایی آن است.[1][3][6]

DeepSeek این امر را با کاهش ۵۰ درصدی قیمت پایه توکن‌های خود محقق کرد. این شرکت اکنون تنها ۰.۱۴ دلار برای هر یک میلیون توکن ورودی و ۰.۲۸ دلار برای هر یک میلیون توکن خروجی دریافت می‌کند. علاوه بر این، DeepSeek سیستم قیمت‌گذاری دینامیک قبلی خود را که قرار بود هزینه‌ها را در ساعات اوج مصرف دو برابر کند، لغو کرد. این اقدام نشان‌دهنده اولویت‌دهی واضح سهم بازار بر درآمد کوتاه‌مدت است.[1][2][4]

مکانیسم پشت این کاهش شدید هزینه، به جای تحمل زیان مالی، متکی بر نوآوری‌های ساختاری است. مدل‌های DeepSeek از یک معماری پراکنده به نام «ترکیب متخصصان» (Mixture of Experts یا MoE) استفاده می‌کنند. به جای فعال‌سازی تک‌تک پارامترها در یک شبکه عصبی عظیم برای هر پرس‌وجو – فرآیندی که از نظر محاسباتی گران است و به عنوان مدل‌سازی متراکم (dense modeling) شناخته می‌شود – MoE مدل را به «متخصصان» تخصصی تقسیم می‌کند.[5]

هنگامی که کاربر یک فرمان (prompt) ارسال می‌کند، یک سازوکار مسیریابی تنها متخصصان خاصی را که برای تولید پاسخ مورد نیاز هستند، فعال می‌کند. این بدان معناست که یک مدل با صدها میلیارد پارامتر کلی، ممکن است تنها از بخش کوچکی از آن‌ها برای هر توکن استفاده کند، که به شدت قدرت محاسباتی خام مورد نیاز برای استنتاج را کاهش داده و امکان اجرای مدل بر روی سخت‌افزارهای ارزان‌تر را فراهم می‌کند.[5]

DeepSeek این روش را با «توجه نهفته چندسر» (Multi-head Latent Attention یا MLA) ترکیب می‌کند، که تکنیکی است که برای فشرده‌سازی حافظه پنهان کلید-مقدار (KV cache) طراحی شده است. در مدل‌های زبان بزرگ، حافظه پنهان KV محتوای یک مکالمه را ذخیره می‌کند، که می‌تواند مقادیر زیادی حافظه مصرف کند و برای نگهداری داده‌ها به چندین پردازنده گرافیکی (GPU) گران‌قیمت نیاز داشته باشد.

با فشرده‌سازی این حافظه پنهان در یک بردار نهفته کوچک‌تر، MLA به DeepSeek اجازه می‌دهد تا بدون کاهش سرعت، به طور همزمان به کاربران بسیار بیشتری با سخت‌افزار ارزان‌تر خدمات دهد.[5]

این کارایی‌های معماری در یک بازار داخلی شدید، به عنوان سلاح استفاده می‌شوند. اکوسیستم هوش مصنوعی چین در حال حاضر درگیر چیزی است که کارشناسان صنعت آن را "جنگ قیمت" می‌نامند، جایی که شرکت‌ها به طور تهاجمی قیمت‌های یکدیگر را کاهش می‌دهند تا توسعه‌دهندگان را جذب کنند. DeepSeek تنها با OpenAI و Anthropic نمی‌جنگد؛ بلکه با رقبای سنگین‌وزن داخلی مانند علی‌بابا (که اخیراً Qwen3.8-Max را عرضه کرده) و Moonshot AI (که مدل Kimi K3 آن به طور گسترده به عنوان پیشرو عملکرد داخلی شناخته می‌شود) نیز در حال رقابت است.[2][3]

رقابت به قدری شدید شده است که مقامات چینی علناً به شرکت‌های فناوری در مورد "درون‌گرایی" (involution) هشدار داده‌اند – اصطلاحی که برای توصیف رقابت مخرب و مسابقه‌ای به سمت پایین‌ترین قیمت‌ها به کار می‌رود که حاشیه سود را از بین می‌برد بدون اینکه ارزش متناسبی ایجاد کند. با این حال، پکن همزمان به یارانه دادن به زیرساخت‌های محاسباتی و هزینه‌های انرژی ادامه می‌دهد و عملاً خود تأمین مالی همان جنگ قیمتی را می‌کند که نسبت به آن هشدار می‌دهد.[2]

برای توسعه‌دهندگان و استارتاپ‌ها، این مانورهای ژئوپلیتیکی و شرکتی به یک سود بزرگ تبدیل می‌شود. هزینه‌های عملیاتی پایین‌تر به این معنی است که کسب‌وکارها می‌توانند آزادانه‌تر آزمایش کنند، هوش مصنوعی را در مجموعه‌داده‌های بزرگ‌تر به کار گیرند و وظایف اداری را خودکار کنند که قبلاً سپردن آن‌ها به یک مدل پیشرو بسیار گران بود.

از آنجا که V4-Flash یک مدل با وزن باز است که تحت مجوز MIT منتشر شده، توسعه‌دهندگان حتی می‌توانند آن را دانلود کرده و به صورت محلی اجرا کنند و به طور کامل هزینه‌های API را دور بزنند.[2][6]

با این حال، کاهش شدید قیمت با یک مصالحه کیفی همراه است. در حالی که V4-Flash در وظایف روتین مانند خلاصه‌سازی، کدنویسی قالبی و استخراج داده‌های اولیه عالی عمل می‌کند، اما همچنان در استدلال‌های پیچیده از گران‌ترین مدل‌های پیشرو عقب‌تر است. در شاخص هوش Artificial Analysis، مدل V4-Flash نمره ۵۰ از ۱۰۰ را کسب کرده است، که تقریباً هم‌تراز با Gemini 3.6 Flash گوگل قرار می‌گیرد، اما بسیار پایین‌تر از Claude Fable 5 از Anthropic و GPT-5.6 از OpenAI است.[2][3]

در جریان‌های کاری دشوار و چندمرحله‌ای مبتنی بر عامل (agentic workflows)، شکاف‌های کوچک در قابلیت اطمینان در هر مرحله می‌توانند انباشته شوند و باعث می‌شوند مدل‌های پریمیوم برای کاربردهای حیاتی ارزش قیمت بالاتر خود را داشته باشند. اما برای اکثریت قریب به اتفاق ترافیک تولیدی، کمال مطلق اهمیت کمتری نسبت به «به اندازه کافی خوب» بودن با کسری از هزینه دارد.[3]

استراتژی DeepSeek نشان‌دهنده بلوغ گسترده‌تری در بازار هوش مصنوعی است. این صنعت به آرامی در حال دور شدن از پیگیری یکپارچه برای یافتن تنها «بهترین مدل» و حرکت به سمت جستجویی دقیق‌تر برای «مناسب‌ترین گزینه» است. DeepSeek با اثبات این که هوش مصنوعی بسیار توانمند را می‌توان با هزینه‌ای ناچیز ارائه داد، کل اکوسیستم را مجبور می‌کند تا قیمت‌های بالای خود را توجیه کنند و تضمین می‌کند که هوش به یک کالای در دسترس‌تر تبدیل شود.[6]