سیلیکون ولی مشغول کپی‌برداری از تکالیف چین، سوال بعدی کاربردهای هوش مصنوعی است

عنوان اصلی: «سیلیکون ولی مشغول کپی‌برداری از تکالیف چین، سوال بعدی کاربردهای هوش مصنوعی است»
نویسنده: دنگچا Beating

سیلیکون ولی شروع به کپی‌برداری از تکالیف چین کرده است.

اخیراً، در آمریکا تعدادی مدل‌های باز با قیمت پایین ظهور کرده‌اند که هدفشان رسیدن به توانایی مدل‌های منبع باز چین است و قیمت‌ها نیز به همان سطح کاهش یافته است.

آزمایشگاه ماشین‌های تفکر میرا مورات در ماه گذشته اولین مدل خود به نام Inkling را منتشر کرد. در توضیحات رسمی دو نکته ذکر شده است: ساختار پایه به DeepSeek-V3 ارجاع داده شده و داده‌های آموزشی توسط Kimi K2.5 تولید شده‌اند.

گران‌ترین افراد سیلیکون ولی از ساختار مدل‌های منبع باز چین استفاده می‌کنند و داده‌های تولید شده توسط این مدل‌ها را تغذیه می‌کنند. دو سال پیش، چنین چیزی فقط به صورت معکوس اتفاق می‌افتاد.

اوایل امسال، مدل Trinity-Large-Thinking از Arcee AI در PinchBench امتیاز 91.9 را کسب کرد که 1.4 امتیاز کمتر از Opus 4.6 از Anthropic بود و قیمت آن تنها 4% قیمت مدل دوم بود.

مدیر عامل Arcee AI، مارک مک‌کویید، گفت: «ما در تلاش هستیم تا آمریکا را به عقب برانیم و از چین پیشی بگیریم.»

اکنون سیلیکون ولی فقط مدل‌ها را کپی نمی‌کند، بلکه قیمت‌هایی که شرکت‌های چینی تعیین کرده‌اند را نیز کپی می‌کند.

ساختار می‌تواند مورد استفاده قرار گیرد، روش‌های آموزشی می‌توانند بازتولید شوند و داده‌ها می‌توانند به مدل‌های دیگر برای تولید انبوه سپرده شوند. به محض اینکه وزن‌ها منتشر شوند، توسعه‌دهندگان می‌توانند به توسعه ادامه دهند. مسئله قیمت بسیار ساده‌تر است، به محض اینکه یک شرکت قیمت را کاهش دهد، بقیه نیز دیر یا زود باید به آن بپیوندند.

در سه سال گذشته، شرکت‌های مدل بزرگ با پارامترها، قدرت محاسباتی و بسته بودن منبع به اوج خود رسیدند و مهمانان را دعوت کردند. اکنون این ساختمان به وضوح در حال فروپاشی است.

### شانزده روز
در 17 ژوئیه، ماه تاریک Kimi K3 را منتشر کرد. مجموع پارامترها 2.8 تریلیون، متن 1 میلیون توکن، بزرگ‌ترین مدل باز در جهان.

در جدول برنامه‌نویسی Frontend Code Arena، K3 امتیاز 1679 را کسب کرد و در رتبه بعدی آن Claude Fable 5 و GPT-5.6 Sol قرار دارند. این اولین بار است که یک مدل باز در مقابل مدل‌های بسته قرار می‌گیرد. در هفت حوزه فرعی برنامه‌نویسی، آن شش مقام اول را به دست آورد.

ماسک در زیر نتایج ارزیابی نوشت: «تأثیرگذار».


API K3 ارزان نیست، برای هر میلیون توکن خروجی 100 یوان دریافت می‌کند. اما در آزمایش‌های افقی SuperCLUE، امتیاز وظایف آن 18% بیشتر از مقام دوم بود و در انجام همان دسته وظایف، هزینه متوسط آن 16% کمتر بود.

مدل گران است یا نه، به قیمت هر میلیون توکن نگاه نکنید، بلکه به این نگاه کنید که انجام یک کار از ابتدا چقدر هزینه دارد. این دو عدد هر چه بیشتر از هم فاصله بگیرند، قیمت‌گذاری خود به خود بی‌معنی‌تر می‌شود.

دو روز بعد در نیمه شب، ماه تاریک اشتراک کاربران جدید C را متوقف کرد. حجم درخواست‌ها در 48 ساعت به شدت فراتر از پیش‌بینی‌ها بود و قدرت محاسباتی کافی نبود.

در 27 ژوئیه، K3 وزن کامل را منتشر کرد و به همراه گزارش فنی و زیرساخت‌های مربوطه منتشر شد.

سپس نوبت به DeepSeek رسید.

بازار به طور مداوم منتظر نسخه رسمی V4 بود. در پایان آوریل، DeepSeek ابتدا دو نسخه پیش‌نمایش V4-Pro و V4-Flash را منتشر کرد که هر دو از 1 میلیون توکن متن پشتیبانی می‌کنند و این را «عصر دسترسی عمومی متن میلیون توکن» نامیدند. پس از دو یا سه ماه هیچ حرکتی نبود تا اینکه در 2 اوت، V4 Flash به طور رسمی منتشر شد و وزن‌ها آزاد شدند. مجموع پارامترها 284 میلیارد، و در یک بار استنتاج فقط 13 میلیارد فعال می‌شود، امتیاز آزمون برنامه‌نویسی DeepSWE از 7.3 به 54.4 افزایش یافت.

قیمت حتی شدیدتر است. در آن بار در ماه مه، V4-Pro به یک چهارم قیمت قبلی کاهش یافت که این چهارمین بار بود که DeepSeek در یک ماه قیمت را تغییر می‌داد. وقتی Flash به طور رسمی راه‌اندازی شد، همه از نسبت قیمت به عملکرد آن شگفت‌زده شدند.

«هر چه پول بیشتری بدهید، کالا بهتری دریافت می‌کنید» یک قاعده قدیمی است. اکنون مدل‌های چینی به طور فزاینده‌ای کارآمد هستند و پول کمتری دریافت می‌کنند. رقبای خارجی البته ناراحت هستند، اما هیچ راهی برای مقابله ندارند. کاربران قبلاً چیزهایی را دیده‌اند که هم ارزان و هم کارآمد هستند و هیچ‌کس نمی‌خواهد دوباره به عنوان یک خریدار احمق برگردد.

سپس علی‌بابا اعلام کرد که در هفته آینده وزن Qwen3.8-Max را منتشر خواهد کرد. سری Max که قبلاً در موقعیت پرچمدار بسته قرار داشت، نیز شروع به باز شدن کرده است. قیمت بین‌المللی آن تقریباً 40% قیمت Opus 5 برای ورودی و تنها 24% برای خروجی است.

این‌ها در عرض 16 روز اتفاق افتاد.

شرکت‌های مدل قبلاً با قیمت‌گذاری نادر به موفقیت رسیده بودند، فقط من می‌توانم این کار را انجام دهم، و شما فقط می‌توانید با قیمت من پرداخت کنید. در لیست‌ها فقط چند امتیاز فاصله وجود دارد، اما قیمت‌ها می‌توانند ده‌ها برابر متفاوت باشند.

شرکت‌های Kimi، DeepSeek و Qwen مسیرهای فنی متفاوتی دارند، اما کارهایی که انجام می‌دهند یکی است، همه در حال افزایش توانایی‌ها، آزاد کردن وزن‌ها و کاهش قیمت‌ها هستند و سپس به سرعت آن‌ها را در محصولات قرار می‌دهند.

### می‌خواهند کپی‌برداری کنند، اما کسی پول نمی‌دهد

در آمریکا نیز برخی این روند را درک کرده‌اند.

تا پایان سال 2025، Arcee AI تقریباً تمام پول خود را سرمایه‌گذاری کرده است. در 33 روز، 2048 بلوک B300، 20 میلیون دلار، و کل شرکت تنها 30 نفر دارد. مدل Trinity Large تولید شده مجموع پارامترها 400 میلیارد، و در یک بار استنتاج 13 میلیارد فعال می‌شود، و تقریباً نیمی از داده‌های آموزشی مصنوعی است. در ژوئیه امسال، Arcee همچنین با وزارت انرژی آمریکا همکاری امضا کرد تا مدلی برای تحقیقات علمی بسازد.

تیم، نتایج، هزینه‌ها، سفارشات دولتی، همه چیزهایی که باید وجود داشته باشد، وجود دارد. اما در عین حال، درب تأمین مالی به هیچ وجه باز نمی‌شود.

Arcee تا کنون مجموعاً 50 میلیون دلار تأمین مالی کرده است و ارزش آن 240 میلیون دلار است. در مسیر مدل‌های بزرگ امروز، این مقدار پول نه تنها برای نشستن بر سر میز کافی نیست، بلکه حتی برای ورود به اتاق خصوصی نیز کافی نیست.

مدیر عامل مارک مک‌کویید گفت: «تقریباً همه VC‌های پیشرو ما را رد کرده‌اند.»

مدل‌های باز آمریکایی هنوز با چین به طور مستقیم مواجه نشده‌اند، بلکه ابتدا توسط کمیته سرمایه‌گذاری خودشان متوقف شده‌اند.


در سه ماهه اول سال 2026، شرکت‌های نوپای AI جهانی 255.5 میلیارد دلار تأمین مالی کرده‌اند که نزدیک به دو سوم آن در سه معامله متمرکز است که به ترتیب شامل 122 میلیارد دلار OpenAI، 30 میلیارد دلار Anthropic و 20 میلیارد دلار xAI است. پول تقریباً تماماً به شرکت‌های بسته سرازیر شده است.

جو فلوید، شریک Emergence Capital و سرمایه‌گذار اولیه Arcee، گفت که او از بسیاری از VC‌ها دلایل مشابهی برای رد شنیده است:

«من نمی‌خواهم این مدل موفق شود. من نمی‌خواهم سرمایه‌گذاری کنم زیرا این به سرمایه‌گذاری من در Anthropic و OpenAI آسیب می‌زند.»

واقعاً کسانی که حاضرند برای مدل‌های باز پول خرج کنند، فروشندگان تراشه هستند.

در مارس امسال، انویدیا در اسناد SEC خود فاش کرد که در پنج سال آینده 26 میلیارد دلار برای حمایت از وزن‌های باز سرمایه‌گذاری می‌کند. Reflection AI، Poolside و Thinking Machines Lab همه از پول آن بهره‌مند شده‌اند.

این حساب را هوانگ رن‌کسی بهتر از هر کسی می‌داند. مدل‌های بسته از API پول در می‌آورند، مدل‌های باز کارت‌ها را می‌سوزانند. هر چه مدل‌ها ارزان‌تر فروخته شوند، توسعه‌دهندگان بیشتر از آن استفاده می‌کنند و کارت‌های انویدیا بهتر فروخته می‌شوند.

در شب 24 ژوئیه، هوانگ رن‌کسی حساب کاربری X را ثبت کرد و اولین توییت خود را با بازنشر یک نامه عمومی منتشر کرد که عنوان آن «وزن‌های باز و رهبری آمریکا در زمینه AI» بود. در این نامه آمده است که آیا آمریکا می‌تواند به رهبری این صنعت ادامه دهد، نه تنها به این بستگی دارد که آیا مدل‌های پیشرفته در دست دارد، بلکه همچنین به این بستگی دارد که آیا یک اکوسیستم قابل گسترش به همه صنایع دارد.

سپس نزدیک به 200 بنیان‌گذار شرکت‌های نوپای آمریکایی به دولت ترامپ نامه‌ای مشترک نوشتند و با ممنوعیت مدل‌های باز چینی مخالفت کردند. جالب‌ترین نکته در این نامه این است که هیچ جمله زیبا و دلنشینی ندارد. آن‌ها از چین دفاع نکردند و پرچم آزادی را نیز به اهتزاز در نیاوردند، دلیل آن فقط این است که مدل‌های چینی ارزان و کارآمد به ابزار تولید تبدیل شده‌اند و اگر واقعاً ممنوع شوند، آن‌ها مجبور خواهند شد دوباره به خرید API‌های گران‌قیمت آمریکایی برگردند.

مک‌کویید در مصاحبه‌ای همچنین گفت که گسترش در مقیاس بزرگ فقط یک مسئله زمان است.

تقاضای ناشی از ارزان بودن

سیلیکون ولی هنوز در حال بحث درباره اینکه آیا باید وزن‌های باز را انجام دهد یا نه، چین در حال ورود به مرحله بعدی است.

عبارت «سال اول کاربردهای هوش مصنوعی» در سه سال گذشته بارها شنیده شده است. اما برای قضاوت اینکه آیا یک فناوری واقعاً وارد دوره کاربردی شده است، فقط به دو چیز نگاه کنید: آیا کاربران حاضرند پول خرج کنند و آیا شرکت‌ها آن را در کسب‌وکار خود ادغام کرده‌اند.

امسال درآمد سالانه Claude Code و Cursor هر دو از 1 میلیارد دلار عبور کرده است و نفوذ ابزارهای برنامه‌نویسی هوش مصنوعی در میان توسعه‌دهندگان شخصی به نزدیک نیمی رسیده است.

تغییرات در سمت شرکت‌ها حتی بزرگ‌تر است. در تحقیقاتی که توسط اندیشکده Dune انجام شده، نرخ پذیرش AI Agent در شرکت‌های چینی از 17.3% در پایان سال 2024 به 40.3% در میانه سال 2026 افزایش یافته است.

لی یانهونگ برای این یک معیار جدید به نام DAA (تعداد عامل‌های فعال روزانه) معرفی کرده است. قبلاً شرکت‌های اینترنتی تعداد افرادی را که هر روز محصولات را باز می‌کنند، شمارش می‌کردند، اما از این به بعد باید تعداد عامل‌هایی را که هر روز کار انجام می‌دهند و واقعاً نتایج را ارائه می‌دهند، شمارش کنند.

نمودار مصرف نیز شگفت‌انگیزتر است. طبق آمار CCTV، میانگین روزانه مصرف توکن در چین از حدود 100 میلیارد در اوایل سال 2024 به 140 تریلیون در پایان مارس امسال افزایش یافته است که در دو سال بیش از هزار برابر شده است.

مدل‌ها هر روز ارزان‌تر می‌شوند، اما قدرت محاسباتی هر روز کمیاب‌تر می‌شود. در مارس امسال، Tencent Cloud، Alibaba Cloud و Baidu Smart Cloud در ده روز متوالی قیمت‌های قدرت محاسباتی را افزایش دادند که حدود 30% افزایش داشت. در نیمه اول سال، با انفجار هوش مصنوعی، قیمت اجاره قدرت استنتاج بیش از 40% افزایش یافت.

دلیل این است که مردم نحوه استفاده از AI را تغییر داده‌اند. قبلاً یک سوال می‌پرسیدند و یک جواب می‌گرفتند و هزینه چندانی برای توکن نداشت. اکنون یک عامل برای انجام کار واقعی باید با متن و چندین ابزار کار کند، بررسی کند و اگر اشتباهی رخ دهد، از ابتدا شروع کند. قیمت واحد کاهش یافته است، اما مصرف به طرز چشمگیری افزایش یافته است.

کاهش قیمت بازار را کوچک نکرد، بلکه تمام تقاضاهایی که قبلاً قابل محاسبه نبودند را به داخل آورد.

در سال 1981، IBM معماری PC را باز کرد و کامپیوترهای سازگار به سرعت وارد بازار شدند و قیمت سخت‌افزار به شدت کاهش یافت. در نهایت، کسانی که واقعاً پول زیادی به دست آوردند، سازندگان ماشین‌ها نبودند، بلکه نرم‌افزارهایی مانند Lotus 1-2-3، WordPerfect و بعداً مایکروسافت بودند.

امروز این مسیر تقریباً به همین شکل ادامه دارد. همه هنوز به توانایی‌های زیرساختی که کمی ضعیف‌تر است، توجه دارند، در حالی که شرکت‌های بالادستی شروع به جذب کاربران، ورودی‌ها و جریان‌های کاری کرده‌اند.

شرکت‌های آمریکایی می‌توانند به بررسی معماری DeepSeek بپردازند، می‌توانند از داده‌های تولید شده توسط Kimi استفاده کنند و می‌توانند 20 میلیون دلار برای آموزش یک مدل باز با عملکرد خوب هزینه کنند. اما پیاده‌سازی این مدل‌ها به این سادگی نیست.

پیاده‌سازی هیچ وزنی برای دانلود ندارد و هیچ معیاری هم ندارد. چیزی که تعیین می‌کند آیا این مدل کار می‌کند یا نه، تجربیات چندین ساله یک شرکت است.

در گذشته، شرکت‌های بزرگ عادت داشتند که مدل‌ها را به عنوان یک محصول مستقل بسازند و منتظر بمانند تا کاربران یک پنجره چت خاص را باز کنند. اکنون مدل‌ها شروع به نفوذ به داخل DingTalk، Feishu و WeChat شرکت‌ها کرده‌اند و Agent به طور مستقیم در سازمان‌ها و فرآیندهای قبلی قرار می‌گیرد.

در آمریکا، یک Agent اداری ممکن است در کنار Gmail، Slack و Salesforce رشد کند. در چین، ابتدا از DingTalk، Feishu و WeChat وارد می‌شود و سپس به نرم‌افزارهای مالی، زنجیره تأمین، سیستم‌های کارخانه و پلتفرم‌های دولتی متصل می‌شود. حتی اگر از یک مدل مشابه استفاده کنند، محصول نهایی در هر دو طرف یکسان نخواهد بود.

پس از کاهش قیمت

از سال 2022 تا 2025، محدودیت‌های آمریکا بر روی چیپ‌های چینی به تدریج افزایش می‌یابد. H100 فروخته نمی‌شود، B300 فروخته نمی‌شود و تجهیزات پیشرفته تولید نیز تحت کنترل قرار می‌گیرند. شرکت‌های چینی در چنین شرایطی، بزرگ‌ترین مدل باز جهان را ساخته‌اند.

تا سال 2026، آمریکا شروع به بحث در مورد محدودیت وزن مدل‌های چینی می‌کند. گزارش‌ها حاکی از آن است که OpenAI و Anthropic نگرانی‌های خود را به مقامات نظارتی ابراز کرده‌اند و کنگره نیز در حال بررسی این موضوع است که آیا وزن مدل‌ها می‌تواند همچنان به صورت مرزی منتقل شود یا خیر.

هنوز چاقو نیفتاده، خودی‌ها از درد فریاد می‌زنند.

ممنوعیت چیپ، تأمین شرکت‌های چینی را تحت فشار قرار می‌دهد، اما ممنوعیت مدل‌ها ابتدا هزینه شرکت‌های استارتاپ آمریکایی را کاهش می‌دهد. در آن نامه مشترک نیز به وضوح نوشته شده است که ممنوعیت نمی‌تواند از انتشار جلوگیری کند و فقط توسعه‌دهندگان را مجبور می‌کند تا قبل از بسته شدن، تمام مدل‌های قابل دانلود را دانلود کنند.

چیپ‌ها عینی هستند و می‌توانند سفارشات، لجستیک و کارخانه‌های تولید را تحت فشار قرار دهند. اما وزن‌ها به محض اینکه یک بار خارج شوند، می‌توانند به طور نامحدود دانلود، کپی، کمی‌سازی، تنظیم و تقطیر شوند.

کنترل قیمت‌ها نیز دشوارتر است.

آمریکا هنوز در مدل‌های بسته و پیشرفته پیشرو است. OpenAI و Anthropic هنوز در ردیف اول نشسته‌اند و برای آموزش بهترین مدل‌ها همچنان به کارت‌های NVIDIA وابسته‌اند و این وضعیت در کوتاه‌مدت تغییر نخواهد کرد.

اما در مرحله پیاده‌سازی، پیروزی و شکست به ندرت توسط یک مدل قوی‌ترین تعیین می‌شود. این رقابت بر سر این است که آیا مدل‌ها به اندازه کافی ارزان هستند، آیا شرکت‌ها یک ورودی دیجیتال آماده دارند و آیا توسعه‌دهندگان واقعاً می‌توانند در فرآیندهای تجاری نفوذ کنند یا خیر.

نگاهی به سی سال گذشته، چین بارها پیروز شده است، اما روش‌های پیروزی تقریباً مشابه بوده است.

پرداخت‌های موبایلی، تجارت الکترونیک، تحویل غذا، و پخش زنده، همه تکنولوژی‌های اختراعی را در زندگی روزمره یک میلیارد و نیم نفر جا داده و به کسب‌وکارهای با مقیاس شگفت‌انگیز تبدیل کرده‌اند. آن پایه زیرین به مدت طولانی توسط دیگران تأمین شده است. ترانزیستورها از آزمایشگاه بل آمده‌اند، x86 متعلق به اینتل است، TCP/IP توسط دولت آمریکا تأمین مالی شده است، و Windows، Android و iOS همه در سواحل غربی رشد کرده‌اند. حتی TensorFlow و PyTorch که در عصر یادگیری عمیق بیشتر مورد استفاده قرار می‌گیرند، به ترتیب از گوگل و متا آمده‌اند.

"اختراعات در آمریکا، مقیاس در چین"، این جمله سی سال است که گفته می‌شود و به ندرت استثنائات واقعی وجود دارد.

اکنون، استثنائات ظاهر شده‌اند.

توضیحات فنی Thinking Machines Lab به وضوح نوشته شده است. یکی از جدیدترین و ثروتمندترین شرکت‌های سیلیکون ولی، در لایه پایه مدل، به معماری شرکت‌های چینی اشاره کرده و پس از آموزش از داده‌های تولید شده توسط یک مدل چینی دیگر استفاده کرده است.

در گذشته، سیلیکون ولی از چین ظرفیت تولید، استعدادها یا بازار را تأمین می‌کرد. اکنون، آنها شروع به پیاده‌سازی مستقیم مسیرهای تکنولوژیکی تأیید شده توسط شرکت‌های چینی کرده‌اند.

پرستش سیلیکون ولی قطعاً ریشه دارد. در چند دهه گذشته، بیشتر فناوری‌های زیرساختی مهم صنعت کامپیوتر واقعاً از آنجا نشأت گرفته‌اند. از چیپ‌های داخل ماشین‌ها گرفته تا IDE که برنامه‌نویسان هر روز باز می‌کنند، سیلیکون ولی به مدت طولانی در بالادست زنجیره فناوری قرار داشته است.

اما در نهایت، دنیای فناوری به نتایج نگاه می‌کند. هر کسی که بتواند معماری جدیدی ارائه دهد، هزینه‌ها را کاهش دهد و همکاران را به تقلید وادار کند، واجد شرایط تعریف مجدد بالادست خواهد بود.

اکنون، نام شرکت‌های چینی در این لیست شروع به ظهور کرده است.

سیلیکون ولی به احتمال زیاد به زودی به اینجا خواهد رسید، زیرا آنجا مهندسان، سرمایه و چیپ‌های کافی وجود دارد. اما کاربردهایی که به کسب‌وکار واقعی متصل شده‌اند، منتظر کسی نخواهند ماند. هر کسی که زودتر به فرآیندهای شرکتی نفوذ کند، زودتر مشتری، داده و فرصت‌های بهبود بعدی را به دست خواهد آورد. خط شروع هرگز یکسان نیست.

عصر کاربرد AI به یک روز خاص و با زنگ و طبل آغاز نخواهد شد. اولین مکان‌هایی که این فناوری ظاهر می‌شود، صورت‌های مالی، افزایش شدید حجم درخواست‌ها و یک برنامه‌نویس است که در نیمه شب دوباره اعتبارش تمام می‌شود.

گسترش وسیع فقط یک مسئله زمان است. این جمله را یک آمریکایی گفته است.

لینک اصلی

این محتوا صرفاً برای اطلاع‌رسانی عمومی ارائه شده است و به‌منزله مشاوره مالی، سرمایه‌گذاری، حقوقی یا مالیاتی تلقی نمی‌شود. هرگونه رویداد، جایزه، کمپین آنلاین یا اطلاعات مرتبط که در اینجا ذکر شده است، نباید به‌عنوان توصیه، ترغیب یا دعوت به خرید، فروش، معامله یا هرگونه دادوستد دیگر دارایی‌های رمزارزی تلقی شود. دارایی‌های رمزارزی از نوسان بالایی برخوردار هستند و ممکن است منجر به زیان شوند. دسترسی به خدمات، محصولات و رویدادهای مرتبط با WEEX ممکن است بسته به منطقه جغرافیایی متفاوت باشد. اطمینان از اینکه استفاده شما از این خدمات با قوانین و مقررات محلی مطابقت دارد، بر عهده خود شماست.