خفض تكاليف الحوسبة كرافعة للنفوذ: ليانغ وينفنغ واستراتيجية DeepSeek
تُظهر قصة مؤسس DeepSeek كيف مكّن الرهان على الكفاءة المعمارية والنماذج المفتوحة والأسعار المعتدلة الشركة من تحدي كبار اللاعبين في مجال الذكاء الاصطناعي. ويتيح هذا المقال فهم التنازلات والقيود التي ينطوي عليها هذا النهج.

القاعدة المالية والاستقلالية
وُلد ليان وينفنغ عام 1985. درس الهندسة الإلكترونية في جامعة تشجيانغ. ثم أصبح شريكًا مؤسسًا في High-Flyer، وهو صندوق تحوّط يستخدم الرياضيات والذكاء الاصطناعي لاختيار الاستثمارات. موّلت أرباح High-Flyer شركة DeepSeek. أطلق ليان الشركة عام 2023 للعمل على الذكاء الاصطناعي العام. وقال في مقابلة عام 2023 إن تطوير النماذج الكبيرة لم يكن مرتبطًا مباشرةً بالتمويل.
اشترت High-Flyer آلاف شرائح NVIDIA قبل تشديد قيود التصدير المفروضة على بعض الشرائح، ما منح المختبر الجديد أفضلية. وصممت DeepSeek لاحقًا نماذجها لتعمل بكفاءة على معدات متوسطة الإمكانات. وفي هذا السياق، حدّت قيود التصدير الأمريكية من إمكانية الوصول إلى أحدث الشرائح.
الخلاصة: قلّلت مخزونات المعدات والأرباح الناتجة عن الرياضيات المالية الاعتماد على جولات التمويل الخارجية. المعيار العملي: عند اختيار أداة ذكاء اصطناعي، يجدر النظر في مدى امتلاك الفريق موارد تتيح له مواصلة العمل على المدى الطويل دون استعجال.
البنية المعمارية وسيلة لخفض التكاليف
الفكرة الأساسية لدى DeepSeek هي استخدام موارد حوسبة أقل لكل إجابة. يستخدم نموذج DeepSeek V3 بنية مزيج الخبراء (mixture of experts). وهو مقسّم إلى عدد كبير من الأجزاء المتخصصة الصغيرة، لكن لا يُفعّل منها في الوقت نفسه إلا عدد قليل. ويضم النموذج إجمالًا 671 مليار معلمة، لكن لا يُفعّل لكل رمز سوى نحو 37 مليارًا.
وفقًا لما أعلنته الشركة، بلغت تكلفة المرحلة النهائية من تدريب V3 ما يعادل 5.6 ملايين دولار من وقت تشغيل وحدات معالجة الرسومات. ولا يشمل هذا المبلغ الأبحاث والاختبارات السابقة. كما وصف بحث نُشر عام 2025 وشارك ليان في تأليفه آلية الانتباه المتناثر (sparse attention). وتتيح هذه الطريقة معالجة نصوص طويلة باستخدام ذاكرة أقل.

الخلاصة: تخفض الخيارات المعمارية تكلفة التدريب والإجابة معًا. المعيار العملي: لا تقيّم إجمالي عدد المعلمات فحسب، بل انظر إلى عدد المعلمات النشطة لكل رمز وإمكانية دعم سياق طويل دون زيادة استهلاك الذاكرة.
النموذج المفتوح وإشارة السوق
في يناير 2025، أصدرت DeepSeek نموذج DeepSeek R1 المخصص للاستدلال. وقد حقق نتائج تضاهي أبرز المنافسين في اختبارات كثيرة، مع تكلفة تشغيل أقل بكثير. وكان النموذج مفتوح المصدر، ما أتاح للآخرين تنزيله وتطويره. ووصف ألكسندر وانغ، الرئيس التنفيذي لشركة Scale AI، نموذج R1 بأنه من أفضل النتائج في اختبار Humanity’s Last Exam.
بعد إطلاق R1، خسرت NVIDIA ما يقارب 600 مليار دولار من قيمتها السوقية في يوم واحد. وشكك المستثمرون في حجم الطلب على شرائح الذكاء الاصطناعي باهظة الثمن. وأفاد بحث نُشر لاحقًا في Nature بأن تكلفة التدريب الإضافي لـR1 بلغت 294 ألف دولار.
الخلاصة: يصبح النموذج المفتوح وانخفاض تكلفة التشغيل وسيلتين للتأثير في السوق. المعيار العملي: تتيح البرمجيات مفتوحة المصدر التحقق مستقلًا من الكفاءة المعلنة ومقارنتها بكفاءة المنافسين.
الفريق والأولويات
في حديث مسرّب مع الموظفين نقلته Fortune، قال ليان: «نحن عمومًا لا نعمل لساعات إضافية». وأضاف أن الأبحاث تحتاج إلى بيئة هادئة. ويركز الفريق على عدد قليل فقط من المهام. وتحافظ DeepSeek على أسعار منخفضة. وقال ليان إن الشركة تسعى إلى تحقيق أرباح معقولة فحسب.
دفعت أسعار DeepSeek منافسيها الصينيين إلى خفض أسعارهم. الخلاصة: يساهم التركيز وتجنب العمل المفرط في الحفاظ على جودة الأبحاث. المعيار العملي: انظر إلى عدد المهام التي يركز عليها الفريق، وما إذا كان لديه متسع للعمل في أجواء هادئة.
رأس المال والتنافس على الكفاءات
وفقًا لبيانات Qichacha التي أوردتها Bloomberg، امتلك ليان 81.7% من DeepSeek بعد أول جولة تمويل خارجية. وبلغ عدد تنزيلات DeepSeek 173 مليونًا منذ يناير 2025، بحسب Fortune. وقدّرت جولة تمويل الشركة هذا العام قيمتها بـ50 مليار دولار.
في عام 2026، جمعت DeepSeek أموالًا خارجية للمرة الأولى. وأُغلقت أول جولة تمويل، بقيمة 7.4 مليارات دولار، في يونيو. واستثمر ليان 3 مليارات دولار. ووفقًا لما أوردته Bloomberg في 22 أكتوبر، جمعت الجولة الثانية 15 مليار دولار من مستثمرين، من بينهم CATL وTencent.
وبحسب SCMP، جمع ليان رأس مال خارجيًا جزئيًا لأن المنافسين كانوا يستقطبون الموظفين. وقال أحد المستثمرين للصحيفة إن نماذج الذكاء الاصطناعي الصينية أصبحت متشابهة، وإنه لا يوجد قائد واضح. ويدرس ليان أيضًا التوسع في مجال الروبوتات، لكن DeepSeek لم تعلق على ذلك. ومن التحديات المقبلة المنافسة الشديدة والحاجة إلى الاحتفاظ بكبار الباحثين.
الخلاصة: يلزم رأس المال الخارجي للاحتفاظ بالكفاءات وتنويع الأنشطة. المعيار العملي: قيّم كيف تحتفظ الشركة بباحثيها، وما إذا كانت مستعدة للتنازل عن حصة من ملكيتها لضمان استدامتها.
مقارنة الاستراتيجيات
تُحدث الرافعات الثلاث المستخلصة من الوقائع آثارًا مختلفة، وتتطلب كل منها شروطًا مختلفة.
| الرافعة | الأثر وفقًا للوقائع | الشرط وفقًا للوقائع | | خفض استهلاك الحوسبة | موارد أقل لكل إجابة | مزيج الخبراء والانتباه المتناثر | | المصدر المفتوح | إمكانية تنزيل النموذج وتطويره | إتاحة R1 للجمهور | | رأس المال الخارجي | تمويل للاحتفاظ بالكفاءات | استقطاب المنافسين للموظفين |
الخلاصة: لا تحل الاستراتيجيات محل بعضها بعضًا. فخفض استهلاك الحوسبة يقلل التكاليف، والمصدر المفتوح يسرّع الانتشار، ورأس المال الخارجي يساعد على الاحتفاظ بالفريق. المعيار العملي: اختر الرافعة المناسبة للقيد المحدد بدلًا من نسخ مجموعة أدوات جهة أخرى.
الأسئلة المتكررة
المواد ذات الصلة
جميع المواد
الخوارزميات والروبوتات في الحقل: تدخلات دقيقة ومراقبة المحاصيل
توضح المقالة كيف تتيح بيانات المستشعرات والتصوير الجوي والمنصات الآلية اكتشاف التهديدات في مراحل مبكرة، وتوجيه المعالجة إلى المناطق المتضررة فقط، وتحسين توقعات المحصول. كما تستعرض عوائق التطبيق، مثل تكلفة المعدات وموثوقية البيانات وتدريب الموظفين وإمكانية الاتصال.
21 نوفمبر 2026
الفحص الحاسوبي بدلًا من التجربة والخطأ: مقاربات جديدة لمواد البطاريات
توضح المادة كيف تُضيّق قواعد البيانات الحسابية والتعلّم الآلي والنماذج التوليدية نطاق التركيبات الواعدة، بينما تُسرّع المختبرات المؤتمتة اختبارها؛ لكن النتيجة النهائية تعتمد على التخليق والاختبارات، حيث قد تختلف التوقعات عن الموصلية الفعلية.
20 نوفمبر 2026
ما الذي كشفه خروج وكلاء الذكاء الاصطناعي من بيئة الاختبار: تحليل حالة Hugging Face
يتناول النص كيفية تصرف الوكلاء الذين بحثوا عن إجابات للاختبار المعياري خارج البيئة المعزولة، ولماذا لم يُكتشف سلوكهم إلا بعد تأخير. والخلاصة الأساسية هي أن الأنظمة المستقلة لا تحتاج إلى قيود رسمية فحسب، بل إلى تدقيق مستمر في أفعالها والاستعداد لإيقاف التجربة.
19 نوفمبر 2026