گزارش گلدمن ساکس درباره رقابت مدل‌های بزرگ هوش مصنوعی چین: چه کسی برنده بلندمدت خواهد بود؟

نویسنده: وال استریت ژورنال، بوشو چینگ

عنوان اصلی: "گزارش عمیق گلدمن ساکس: چه کسی برنده بلندمدت صنعت مدل‌های بزرگ هوش مصنوعی چین خواهد بود؟"

مدل‌های بزرگ هوش مصنوعی چین در یک نقطه تاریخی قرار دارند. گلدمن ساکس بر این باور است که عملکرد هوشمند مدل‌های بزرگ با مجوز منبع باز/باز چین به نزدیک‌ترین مدل‌های اختصاصی جهانی رسیده است و مقیاس پذیرش شرکت‌های داخلی و شرکت‌های کوچک و متوسط جهانی به سرعت در حال گسترش است. این امر باعث ایجاد یک اثر چرخشی داده‌ای می‌شود که به ارتقاء و به‌روزرسانی مدل‌ها کمک خواهد کرد.

به گزارش پایگاه معاملات، گزارش اخیر گلدمن ساکس نشان می‌دهد که "این مسیر تکاملی را می‌توان به عنوان 'از لحظه کارایی هزینه DeepSeek در سال گذشته، تا لحظه هوشمندی مدل Zhizhu GLM در سال جاری' توصیف کرد." تیمی به رهبری تحلیلگر گلدمن ساکس، رونالد کیونگ، در این گزارش 50 صفحه‌ای به بررسی چهار سوال اصلی پرداخته است: چگونه مدل‌های هوش مصنوعی چین می‌توانند با هزینه کم عملکرد بالایی داشته باشند، چرا مسیر منبع باز را انتخاب کرده‌اند و چگونه می‌توانند درآمدزایی کنند، بازار قابل هدف اصلی کجاست و چه کسی برنده بلندمدت خواهد بود.

در ارزیابی وضعیت رقابتی، گلدمن ساکس یک "چارچوب موقعیت‌یابی رقابتی" مبتنی بر توانایی قیمت‌گذاری، مزیت هزینه و قدرت مالی ارائه کرده و بر این اساس، در زمینه مدل‌های متنی پایه، Zhizhu (برای اولین بار پوشش داده شده) و DeepSeek (که هنوز عرضه نشده) قوی‌ترین موقعیت را دارند؛ در زمینه چندرسانه‌ای، ByteDance (که هنوز عرضه نشده) پیشتاز است. گلدمن ساکس همچنین نظر مثبت خود را نسبت به MiniMax و Kuaishou حفظ کرده است.

با هزینه کم، با کارایی پیروز شوید

مدل‌های بزرگ چین می‌توانند با هزینه‌ای بسیار کمتر از محصولات مشابه آمریکایی، عملکردی نزدیک به آن‌ها را ارائه دهند. کلید این موفقیت در نوآوری در ساختار و دو شکاف در کارایی پارامترها نهفته است.

گزارش گلدمن ساکس نشان می‌دهد که مقیاس پارامترهای مدل‌های منبع باز چین معمولاً بین 200 میلیارد تا 1.6 تریلیون است، که تنها 2% تا 10% از مدل‌های برتر جهانی است، که این عمدتاً به دلیل محدودیت در دسترسی به قدرت محاسباتی پیشرفته است. در عین حال، نوآوری‌هایی مانند ساختار متخصص ترکیبی (MoE) و مکانیزم توجه پراکنده باعث شده است که نسبت پارامترهای فعال واقعی به کل پارامترها تنها 3% تا 5% باشد، که به طور قابل توجهی هزینه‌های آموزش و استنتاج را کاهش می‌دهد.

در سطح مدل خاص، پارامترهای DeepSeek V4 Pro برابر با 1.6 تریلیون، Zhizhu GLM5.2 برابر با 0.7 تریلیون و MiniMax M3 برابر با 0.4 تریلیون است.

گلدمن ساکس افزایش اخیر توانایی برنامه‌نویسی مدل‌های چین را به همکاری عوامل مختلفی از جمله غربالگری داده‌ها و یادگیری تقویتی پس از آموزش نسبت می‌دهد. در تاریخ 27 ژوئن، DeepSeek چارچوب رمزگشایی DSpark را معرفی کرد که در خدمات آنلاین V4-Flash و V4 Pro مستقر شده است و بدون تغییر وزن مدل یا کیفیت خروجی، سرعت تولید هر کاربر را 60% تا 85% (V4-Flash) و 57% تا 78% (V4 Pro) افزایش داده است.

مدل LongCat 2.0 که در تاریخ 30 ژوئن توسط Meituan منتشر شد، به عنوان یک نقطه عطف مهم در خودکفایی زیرساخت‌های هوش مصنوعی چین توسط گلدمن ساکس در نظر گرفته شده است------ این اولین مدل MoE با 1.6 تریلیون پارامتر است که به طور کامل بر اساس 50,000 کارت محاسباتی داخلی آموزش و مستقر شده است. گلدمن ساکس بر این باور است که این امر قابلیت استفاده از زیرساخت‌های سخت‌افزاری بومی در مرحله پیش‌آموزش محاسباتی را اثبات می‌کند و اهمیت عمیقی برای رهایی مدل‌های هوش مصنوعی چین از وابستگی به چیپ‌های پیشرفته خارجی دارد.

دو قطبی شدن بازار، قوی‌تر شدن قوی‌ها

گلدمن ساکس بازار مدل‌های هوش مصنوعی چین را به عنوان "ساختار دو لایه" توصیف کرده و دو quadrants حداکثر ARR را شناسایی کرده است.

در بازار بالا، مدل‌های برتر مانند Zhizhu GLM5.2 و Alibaba Qwen3.7 Max با قیمت حدود 1 دلار به ازای هر میلیون توکن، 5 برابر مدل‌های پایین‌تر قیمت‌گذاری شده‌اند و حاشیه ناخالص استنتاج حدود 10% تا 20% (برآورد گلدمن ساکس) است. در مقایسه، مدل‌های برتر آمریکایی با قیمت 4 تا 8 دلار به ازای هر میلیون توکن قیمت‌گذاری شده‌اند، در حالی که مدل‌های برتر چین تنها 10% تا 25% از آن‌ها هستند، اما با نسبت فعال‌سازی پارامتر پایین‌تر، همچنان می‌توانند حاشیه مثبت را حفظ کنند.

در بازار پایین، مدل‌های مربوط به وظایف هوش مصنوعی با قیمت‌های پایین تا 0.06 تا 0.2 دلار به ازای هر میلیون توکن، در حال گسترش به بازارهای حساس به قیمت جهانی برای شرکت‌های کوچک و متوسط و کاربران فردی هستند. MiniMax 60% تا 70% از درآمد خود را از خارج از کشور به دست می‌آورد. قابل توجه است که DeepSeek اعلام کرده است که از اواسط ژوئیه، مکانیزم قیمت‌گذاری اوج و پایین را برای سری V4 معرفی خواهد کرد، که نرخ اوج 2 برابر نرخ غیر اوج خواهد بود و قیمت‌گذاری ترکیبی حدود 0.35 دلار به ازای هر میلیون توکن (V4 Pro) و 0.12 دلار (V4 Flash) خواهد بود.

گلدمن ساکس پیش‌بینی می‌کند که درآمد API و اشتراک مدل‌های هوش مصنوعی چین از 35 میلیارد یوان تخمینی در سال 2026 به 879 میلیارد یوان در سال 2030 افزایش یابد، که به معنای افزایش مصرف روزانه توکن از 350 تریلیون به 4600 تریلیون و افزایش حدود 25 برابر است.

استراتژی منبع باز: نفوذ گسترده، مسیر درآمدزایی نیاز به ارتقاء

گزارش گلدمن ساکس به تفصیل منطق استراتژیک عمومی اتخاذ مسیر منبع باز/وزن باز مدل‌های هوش مصنوعی چین و محدودیت‌های درآمدزایی آن را بررسی کرده است.

مزیت اصلی استراتژی منبع باز در انعطاف‌پذیری استقرار و اکوسیستم جامعه نهفته است. سری Qwen آلی‌بابا، DeepSeek، Zhizhu GLM و MiniMax M3 همگی از روش منبع باز یا وزن باز استفاده می‌کنند، در حالی که مدل Seed ByteDance استثنای اصلی است که از مسیر کاملاً بسته استفاده می‌کند. مدل منبع باز اجازه می‌دهد که مدل‌ها به طور انعطاف‌پذیر در داخل و خارج از سرزمین اصلی چین مستقر شوند و با بازخورد جامعه به سرعت به‌روزرسانی شوند.

با این حال، گلدمن ساکس اشاره می‌کند که اعداد ARR که شرکت‌های مدل منبع باز افشا می‌کنند، احتمالاً به شدت مقیاس واقعی استقرار و پتانسیل درآمد را دست کم می‌گیرد. به عنوان مثال، هدف ARR Zhizhu برای پایان سال 2026 برابر با 1 میلیارد دلار است، اما حجم واقعی استقرار GLM5.2 در سطح جهانی به مراتب بالاتر از حجم توکن و درآمد کانال API خود Zhizhu خواهد بود------ پلتفرم MaaS آلی‌بابا می‌تواند به طور مستقیم مدل منبع باز GLM5.2 را میزبانی کند، بدون اینکه نیازی به پرداخت هیچ هزینه‌ای به Zhizhu باشد.

گلدمن ساکس پیش‌بینی می‌کند که صنعت به تدریج از مدل منبع باز خالص (مجوز MIT، کاملاً رایگان) به مدل "وزن باز + مجوز جامعه" منتقل خواهد شد------ به این معنا که استفاده تجاری باید با شرکت مدل توافق‌نامه تقسیم درآمد امضا کند. سری M MiniMax این مدل را به عنوان پیشگام اتخاذ کرده است. گلدمن ساکس بر این باور است که این تغییر به طور قابل توجهی کارایی اقتصادی واحد شرکت‌های مدل هوش مصنوعی را بهبود خواهد بخشید، زیرا شرکت‌های مدل می‌توانند از طریق توافق‌نامه‌های تقسیم درآمد با پلتفرم‌هایی مانند AWS Bedrock و Alibaba Cloud Baolian بهره‌مند شوند، بدون اینکه خودشان هزینه‌های محاسباتی استنتاج را متحمل شوند.

از "حداکثر توکن" به اولویت ROI

گلدمن ساکس گسترش بازار بین‌المللی را به عنوان مهم‌ترین فضای صعودی برای مدل‌های هوش مصنوعی چین توصیف می‌کند، به ویژه در بازارهای غیر آمریکایی.

تیم تحقیقاتی گلدمن ساکس در آمریکا برآورد می‌کند که تا سال 2030، هوش مصنوعی عامل افزایش 24 برابری مصرف توکن جهانی را به 120 میلیون تریلیون توکن در ماه خواهد رساند، که در آن هوش مصنوعی شرکتی 55 برابر و هوش مصنوعی مصرف‌کننده 12 برابر رشد خواهد کرد. در بازار جهانی (غیر از چین)، مدل‌های هوش مصنوعی چین با بهبود عملکرد و مزیت قیمت به رشد قابل توجهی در سهم توکن دست یافته‌اند.

گزارش گلدمن ساکس نشان می‌دهد که الگوی استفاده از هوش مصنوعی در شرکت‌های جهانی در حال تجربه یک تغییر بنیادی از "حداکثر توکن" به "اولویت ROI" است. الگوی اول در اواخر سال 2025 تا اوایل 2026 رایج بود، زمانی که شرکت‌ها مصرف بالای توکن را معادل با بهره‌وری سازمانی می‌دانستند؛ در حالی که الگوی دوم بیشتر بر مرزهای واضح وظایف، تعداد هوش مصنوعی فعال روزانه، اتوماسیون فرآیندهای پشتی و خروجی واقعی تمرکز دارد. یک مطالعه روند مهندسی Jellyfish AI نشان می‌دهد که کاربران سنگین هوش مصنوعی در شرکت‌ها 10 برابر توکن مصرف می‌کنند، اما خروجی تنها 2 برابر افزایش می‌یابد.

در سطح کانال، پلتفرم Gemini Enterprise Agent متعلق به Alphabet و AWS Bedrock آمازون خدمات میزبانی مدل‌های هوش مصنوعی چین مانند DeepSeek، MiniMax، Moonshot، GLM و Qwen را ارائه کرده‌اند. به گزارش وال استریت ژورنال، مدیرعامل مایکروسافت اخیراً اعلام کرده است که مایکروسافت در حال بررسی میزبانی نسخه DeepSeek در Copilot به عنوان یک مدل کم‌هزینه اختیاری است و تأکید کرده است که اگر DeepSeek میزبانی شود، این مدل در اکوسیستم ابری مایکروسافت اجرا خواهد شد و اطمینان حاصل می‌کند که داده‌های مشتری در Azure باقی می‌ماند.

چه کسی برنده بلندمدت است؟

گلدمن ساکس یک چارچوب موقعیت‌یابی رقابتی سه‌بعدی ایجاد کرده است تا احتمال پیروزی بلندمدت هر یک از بازیگران را با استفاده از معیارهای کمی ارزیابی کند. فرمول اصلی به این صورت است: مقیاس ARR × مزیت حاشیه ناخالص + قدرت مالی.

توانایی قیمت‌گذاری ابعاد سرعت عرضه (مقایسه با نسل قبلی و مدل‌های هم‌سطح)، امتیاز LMArena (بر اساس ارزیابی‌های کاربر در آزمایش‌های بزرگ مقیاس) و سطح قیمت‌گذاری ترکیبی به ازای هر میلیون توکن را بررسی می‌کند.

مزیت هزینه ابعاد از طریق بررسی توان عملیاتی (تعداد توکن در ثانیه)، نرخ موفقیت کشف، نسبت فعال‌سازی پارامتر و حاشیه ناخالص استنتاج ارزیابی می‌شود. قدرت مالی ابعاد شامل نقدینگی موجود، نسبت نقدینگی خالص به کل دارایی‌ها و نسبت ارزش‌گذاری است.

در زمینه مدل‌های متنی پایه، گلدمن ساکس Zhizhu (برای اولین بار پوشش داده شده، ارزیابی خنثی، ارزش‌گذاری هدف 110 میلیارد دلار) و DeepSeek (که هنوز عرضه نشده) را قوی‌ترین مدل‌ها می‌داند، که هر دو در توانایی قیمت‌گذاری و مزیت هزینه عملکرد برجسته‌ای دارند. ارزش‌گذاری کلی شرکت‌های مدل هوش مصنوعی مستقل به بیش از 200 میلیارد دلار می‌رسد.

در زمینه چندرسانه‌ای/تولید ویدیو، ByteDance با Seedance پیشتاز است. به گزارش LatePost و 36Kr، حاشیه ناخالص Seedance به 70% می‌رسد و نرخ عملیاتی ARR آن به بیش از 2 میلیارد دلار رسیده است. Kuaishou و MiniMax Hailuo/مدل H3 که به زودی عرضه خواهد شد نیز مورد توجه گلدمن ساکس قرار گرفته‌اند و انتظار می‌رود در نیمه دوم سال 2026 از پیشرفت‌های عملکردی در ترکیب تولید ویدیو و LLM و قیمت‌گذاری سالم ناشی از کمبود عرضه بهره‌مند شوند.

گلدمن ساکس نظر مثبت خود را نسبت به MiniMax حفظ کرده و قیمت هدف آن را 860 دلار هنگ کنگ تعیین کرده است، به این دلیل که مدل M3 در ناحیه حداکثر ARR با حجم توکن بالا و قیمت‌گذاری جذاب قرار دارد و ارزش‌گذاری فعلی آن تنها 13 برابر ARR پایان سال 2026 است، که نسبت به ارزش‌گذاری مدل‌های مشابه در چین و جهان تخفیف قابل توجهی دارد و نسبت ریسک به پاداش به سمت بالا متمایل است.

سلب مسئولیت: این محتوا صرفاً برای اطلاع‌رسانی عمومی و برندینگ ارائه شده و به‌ منزله مشاوره مالی، سرمایه‌گذاری، حقوقی یا مالیاتی تلقی نمی‌گردد. هیچ‌یک از رویدادها، جوایز، رویدادهای آنلاین یا اطلاعات مرتبط ذکرشده در اینجا نباید به‌عنوان توصیه، درخواست یا دعوت برای خرید، فروش، معامله یا هرگونه اقدام دیگر در رابطه با دارایی‌های رمزارزی یا استفاده از خدمات تلقی شوند. دارایی‌های رمزارزی با نوسانات بالایی همراه بوده و ممکن است منجر به زیان شوند. خدمات WEEX و رویدادهای آنلاین ممکن است در تمام مناطق در دسترس نبوده و مشمول قوانین، مقررات و شرایط احراز صلاحیت مربوطه هستند. شما مسئول رعایت قوانین محلی در استفاده از خدمات WEEX هستید و باید پیش از انجام هرگونه فعالیت مرتبط با ارزهای دیجیتال، ریسک‌های آن را به‌دقت بررسی کنید.