اگر امروز برای استفاده از پیشرفتهترین مدلهای هوش مصنوعی هزینه پرداخت میکنید، باید بدانید رقبای چینی در حال حذف این هزینهها هستند. مدلهای جدید شرق دور اکنون به نقطهای رسیدهاند که تفاوت عملکردی آنها با مدلهای گرانقیمت آمریکایی، برای اکثر کاربردهای تجاری نامحسوس است.
این نبرد دیگر تنها یک رقابت فنی نیست، بلکه جنگی برای تعیین استانداردهای تکنولوژی قرن ۲۱ است. به نقل از کایل چان از مؤسسه بروکینگز، این مسابقه پتانسیل آن را دارد که سیاستهای جهانی را بازنویسی کند و تعیین کند کدام کشور بیشترین بهره اقتصادی را از این فناوری تحولآفرین میبرد. سالها بود که آمریکا پیشتازی مطلق در قابلیتهای پیشرو (Frontier Capabilities) داشت، اما ظهور جایگزینهای ارزانقیمت و با کارایی بالا از سوی چین، محاسبات اقتصادی توسعهدهندگان سراسر جهان را تغییر داده است.
تصور کنید سیستمی داشته باشید که تقریباً مشابه گرانترین هوش مصنوعی روی زمین عمل میکند، اما میتوانید آن را رایگان روی سختافزار خود اجرا کنید. این دقیقاً همان واقعیتی است که جنبش متنباز چین در حال خلق آن است؛ رویکردی که دقیقاً مشابه مسیری است که چین پیشتر در صنایع خودرو و الکترونیک مصرفی طی کرد و با ارائه جایگزینهای عملی و قابلقبول، سهم بازار آمریکا را تکهتکه کرد و بلعید.
شکاف مدلهای باز در برابر بسته
طبق گزارش مؤسسه بروکینگز (Brookings Institution)، چشمانداز هوش مصنوعی به دو فلسفه متمایز تقسیم شده است. این شکاف عمیق بر روی سه محور اصلی یعنی دسترسی، هزینه و کنترل متمرکز شده است:
- مدلهای بسته: توسط شرکتهایی مثل OpenAI و Anthropic اداره میشوند. این مدلها برای استفاده نیاز به اشتراکهای ماهیانه یا پرداخت هزینه برای هر درخواست API دارند. این سیستمها در حالی که بسیار قدرتمند هستند، اما گرانقیمتاند و دادههای کاربر معمولاً به سمت ارائهدهنده جریان مییابد تا مدلها را بهبود ببخشند.
- مدلهای با وزنهای باز (Open-Weight Models) — یعنی دستور پخت مدل علناً منتشر شده و نه فقط غذای آماده — توسط شرکتهای چینی پیشرو مثل Moonshot (سازنده Kimi)، DeepSeek و z.ai هدایت میشوند. این مدلها برای دانلود رایگان در فضای آنلاین در دسترساند و کاربر میتواند آنها را روی کامپیوتر شخصی یا پلتفرمهای ابری خود به صورت رایگان یا با قیمتهایی بسیار پایینتر اجرا کند.
از آنجا که مدلهای متنباز برای دانلود tersedia هستند، به توسعهدهندگان اجازه میدهند تنظیم دقیق (Fine-tuning) — مانند وقتی که به یک پزشک عمومی تخصص پوست میدهیم تا در یک حوزه خبره شود — را روی دادههای اختصاصی و محرمانه خود انجام دهند. این یعنی کاربر کنترل کامل دارد که مدل دقیقاً برای چه کاری استفاده شود، در حالی که مدلهای بسته، سازوکارهای زیرین خود را پشت دیوارهای پرداخت پنهان کردهاند.
آستانه ۹۰ درصدی عملکرد
مدلهای چینی عموماً از لبهی مطلق تکنولوژی آمریکا عقبترند، اما به یک نقطه چرخش حیاتی رسیدهاند. بسیاری از این مدلها اکنون حدود ۹۰٪ توان و قابلیتهای یک مدل سطح اول آمریکایی را ارائه میدهند، اما این کار را با کسری از هزینههای مدلهای غربی انجام میدهند.
این شکاف سریعتر از آنچه واشنگتن انتظار داشت در حال بسته شدن است. تحلیلگران پیشتر تصور میکردند چین برای رسیدن به سطح قابلیتهای مدل Mythos به یک سال یا حتی بیشتر زمان نیاز دارد، اما عرضه مدل Kimi K3 در ۳۰ ژوئیه ۲۰۲۶ نشان داد که این پنجره زمانی به سرعت در حال بسته شدن است. این عرضه هم سیلیکونولی و هم مقامات واشنگتن را غافلگیر کرد و ثابت کرد فاصله بین ایالات متحده و چین بسیار کمتر از تصورات قبلی است.
ابعاد تهاجم چین
موج جدید مدلها تنها به Kimi محدود نمیشود. مدلهای عظیم دیگری نیز وارد میدان شدهاند تا فشار را بر بازار افزایش دهند؛ از جمله مدل GLM 5.2 و نسخههای جدید و تکاملیافته از خانواده Qwen. این مدلها اکنون به محدوده چند تریلیون پارامتر (Parameters) رسیدهاند. این رقابت شدید برای کاهش هزینهها، تغییر پارادایمی را در قیمتگذاری APIها ایجاد کرده است که توسعهدهندگان را به شدت به سمت جایگزینهای چینی سوق میدهد.
پیامدهای فنی این مقیاس عظیم عبارتند از:
- به چالش کشیدن محدودیت سختافزاری: وجود مدلهای چند تریلیونی نشان میدهد آزمایشگاههای چینی راهکارهایی (مانند بهینهسازیهای نرمافزاری یا سختافزارهای جایگزین) برای آموزش مدلهای غولپیکر یافتهاند، آن هم در حالی که با محدودیتهای شدید صادراتی سختافزاری آمریکا روبرو هستند.
- نفوذ جهانی: چون این مدلها متنباز هستند، به سرعت در سطح جهانی محبوب شدهاند. حتی در داخل ایالات متحده، توسعهدهندگانی که به دنبال جایگزینهای ارزانقیمت هستند، به سراغ مدلهای چینی میروند.
- استراتژی پذیرش: چین به جای تمرکز صرف روی تسلط مطلق در لبه تکنولوژی (Frontier Dominance)، اولویت را به «میزان پذیرش»، «تعداد کاربران» و «نحوه استقرار» مدلها داده است تا از این طریق نفوذ خود را گسترش دهد.
بحث تقطیر مدلها
برای پر کردن سریع شکاف عملکردی، آزمایشگاههای چینی به شدت از فرآیندی به نام تقطیر (Distillation) استفاده کردهاند. در این روش، یک مدل بسیار قدرتمند (که نقش «استاد» را دارد) خروجیها و پاسخهای خود را تولید میکند و سپس یک مدل ضعیفتر (که نقش «شاگرد» را دارد) از این دادههای تولید شده برای یادگیری سریعتر و بهینهتر استفاده میکند.
آزمایشگاههای بزرگ هوش مصنوعی در آمریکا گزارشهایی منتشر کردهاند و از دولت واشنگتن خواستهاند تا این اقدام را قانونگذاری و تنظیم کند. آنها استدلال میکنند که تقطیر به رقیبان اجازه میدهد تا از خروجیهای مدلهای آمریکایی برای ساخت مدلهای رقیب (هرچند ضعیفتر) استفاده کنند و در واقع، تلاشهای فکری و سرمایههای آنها را به سرقت ببرند. با این حال، مؤسسه بروکینگز اشاره میکند که تفکیک بین یک «استفاده قانونی» از هوش مصنوعی و «کمپینهای تقطیر در مقیاس صنعتی» تقریباً غیرممکن است و این موضوع، مسئلهای بسیار دشوار برای دولت آمریکا ایجاد کرده است.
فراتر از میانبرهای فنی
اگرچه تقطیر یک عامل کلیدی است، اما دادهها نشان میدهند که این تنها داستان پیشروی چین نیست. فاصله اندک عملکردی بین مدل Kimi K3 و بهترین مدلهای شرکتهای Anthropic و OpenAI ثابت میکند که دشوار است ادعا کنیم آزمایشگاههای چینی صرفاً با تکیه بر تقطیر و میانبر پیشروی کردهاند.
ما با یک جهش بنیادین در حجم استعدادها و منابع در چین روبرو هستیم. رقابتپذیری بالای این مدلها نشان میدهد که پیشرفتهای مهندسی واقعی در لایههای زیرین و معماری مدلها رخ داده است. این موضوع به این معناست که مسابقه دیگر فقط درباره کپیبرداری یا استفاده از میانبرها نیست، بلکه نتیجه سرمایهگذاریهای کلان و سیستماتیک در توسعه داخلی هوش مصنوعی در چین است.
تهدید اقتصادی برای غولها
این چرخش استراتژیک، منطق کسبوکار شرکتهای تریلیون دلاری آمریکا را مختل میکند. OpenAI و Anthropic روی این فرض شرطبندی کرده بودند که هزینههای نجومی ساخت مراکز داده و آموزش مدلهای هرچه بزرگتر را از طریق دریافت اشتراکهای گرانقیمت و هزینههای API جبران کنند.
اما وقتی توسعهدهندگان سراسر جهان به سراغ مدلهای ارزان، متنباز و قابل شخصیسازی چینی میروند، این جریان درآمدهای کلیدی به خطر میافتد. در حال حاضر بخشی از بازار در حال کوچ از اکوسیستم گرانقیمت آمریکایی به سمت رقبای ارزانقیمت چینی است. این وضعیت دقیقاً مشابه روندهای تاریخی است که در آن ایالات متحده تسلط خود را در سایر صنایع تولیدی و مصرفی به دلیل ظهور جایگزینهای مقرونبهصرفه چینی از دست داد.
ریسکهای استراتژیک واشنگتن
واشنگتن میترسد که از دست دادن برتری در هوش مصنوعی، صرفاً یک ضربه اقتصادی نباشد. اگر چین در زمینه پذیرش و استقرار گسترده هوش مصنوعی پیشتاز شود، میتواند در حوزههای حیاتی و حساس مانند قابلیتهای سایبری (Cyber Capabilities) و نفوذ سیاسی در سطح جهانی، دست بالا را بگیرد و برتری استراتژیک یابد.
در همین حال، ایالات متحده با چالشهای داخلی خود نیز میجنگد. یک موج رو به رشد از اعتراضات داخلی علیه ساخت مراکز دادههای عظیم در سراسر آمریکا در حال ایجاد اصطکاک است. علاوه بر این، نگرانیهای گستردهای درباره از دست رفتن مشاغل به دلیل هوش مصنوعی وجود دارد که باعث شده بسیاری از مردم این سوال را مطرح کنند که این فناوری اصلاً قرار است برای چه هدفی باشد و چه کسانی قرار است از آن سود ببرند؟
چشمانداز ژئوپلیتیک
این رقابت اکنون از یک جنگ استارتاپی و شرکتی بین چند شرکت نوپا، به یک تقابل ژئوپلیتیک بین دو ملت تبدیل شده است. این در واقع برخورد دو ایدئولوژی است: «نوآوری باز» (که توسط استراتژی وزنهای باز چین هدایت میشود) در مقابل «کنترل بسته» (که مدل شرکتی و تجاری آمریکا است).
برای درک اثر کامل این تحول، باید دو نکته را زیر نظر داشت: نخست، اینکه رگولاتورهای آمریکایی چگونه به شکایتهای مربوط به تقطیر مدلها پاسخ میدهند و دوم، اینکه آیا موج بعدی مدلهای متنباز چین میتواند به پاریته و برابری ۱۰۰ درصدی با مدلهای کلاس GPT برسد یا خیر.
گام بعدی شما
- بررسی مدلهای Qwen و DeepSeek برای جایگزینی APIهای گرانقیمت در پروژههای جاری.
- مطالعه مستندات Kimi K3 برای ارزیابی میزان کاهش هزینه استنتاج در مقیاس تجاری.
- تحلیل اثر مدلهای با وزنهای باز بر استراتژیهای حفظ داده در سازمانها.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو