بازنگری روایت هوش مصنوعی Kimi K3: آیا مدل‌های ارزان می‌توانند طوفان محاسبات را متوقف کنند؟

TL;DR
· پس از انتشار Kimi K3، سهام مرتبط با هوش مصنوعی در روز جمعه گذشته کاهش یافت و بازار دوباره نگرانی‌ها درباره هزینه‌های محاسباتی DeepSeek R1 را بازتاب داد.
· برنامه زیرساخت هوش مصنوعی غول‌های ابری آمریکایی در سال جاری حدود 700 میلیارد دلار است که عدد کلیدی برای ارزیابی تأثیر مدل‌های با وزن باز است.
· مدل‌های باز ممکن است قیمت مدل‌های بسته را کاهش دهند، اما همچنین ممکن است استفاده از هوش مصنوعی را افزایش دهند و به معنای رسیدن به اوج تقاضای محاسباتی نیست.

دویچه بانک در گزارشی برای سرمایه‌گذاران عادی اشاره کرده است که پس از انتشار Kimi K3 از Moonshot AI، سهام هوش مصنوعی در روز جمعه گذشته دوباره «لحظه DeepSeek» را تجربه کرد: بازار دوباره پرسش می‌کند که آیا اگر چین مدل‌های با وزن باز را با هزینه کمتر به مدل‌های بسته پیشرفته نزدیک کند، هزینه‌های زیرساخت هوش مصنوعی غول‌های فناوری آمریکایی که به هزاران میلیارد دلار می‌رسد، هنوز هم منطقی است.

این یک بحث صرفاً فنی نیست. گزارش اشاره می‌کند که در روز جمعه، «هفت غول فناوری» حدود 1.8 درصد کاهش یافتند و شاخص نیمه‌هادی فیلادلفیا حدود 1.6 درصد کاهش یافت و مجموع کاهش هفتگی آن‌ها را به بیش از 10 درصد رساند. انتظار می‌رود که گوگل، مایکروسافت، آمازون AWS، متا و اوراکل در سال جاری حدود 700 میلیارد دلار برای ساخت قابلیت‌های هوش مصنوعی سرمایه‌گذاری کنند که نسبت به سال گذشته حدود 70 درصد افزایش یافته است.

دلیل نگرانی سرمایه‌گذاران بسیار واضح است: بازار گاوی هوش مصنوعی در چند سال گذشته بر اساس یک فرض بنا شده است - مدل‌های قوی‌تر به چیپ‌های بیشتری، مراکز داده بیشتر، برق بیشتر و هزینه‌های سرمایه‌ای بالاتر نیاز دارند. اما پس از DeepSeek R1، Kimi K3 دوباره به بازار یادآوری می‌کند که مدل‌های ارزان، سبک، قابل دانلود و قابل تغییر در حال نزدیک شدن به غول‌های بسته هستند.

چرا انتشار یک مدل می‌تواند بر انویدیا و ارائه‌دهندگان ابری تأثیر بگذارد؟

تأثیرات ناشی از DeepSeek R1 که در ژانویه 2025 ایجاد شد، هنوز بخشی از حافظه بازار است. گزارش به یادآوری می‌آورد که در آن زمان بازار نگران بود که تیم‌های چینی با استفاده از چیپ‌های قدیمی و هزینه‌های آموزشی کمتر، مدل‌هایی «به اندازه کافی خوب» بسازند و ارزش بازار انویدیا در یک روز حدود 600 میلیارد دلار کاهش یافت.

سؤالاتی که Kimi K3 به وجود می‌آورد مشابه است: اگر مدل‌های با وزن باز بتوانند در بسیاری از سناریوهای کاربردی به سطح قابل استفاده برسند، آیا شرکت‌ها هنوز هم باید برای مدل‌های بسته و گران‌قیمت هزینه کنند؟ آیا ارائه‌دهندگان ابری هنوز هم باید به سرعت فعلی مراکز داده بسازند؟ آیا تقاضای چیپ‌ها از «هر چه بیشتر بهتر» به «ارزان‌تر، کارآمدتر و پراکنده‌تر» تغییر خواهد کرد؟

نکته کلیدی اینجا این نیست که آیا Kimi K3 به طور کامل از OpenAI یا Anthropic پیشی گرفته است، بلکه این است که آیا این مدل می‌تواند فرضیات پیش‌فرض بازار درباره مدل‌های تجاری هوش مصنوعی را متزلزل کند. به محض اینکه مدل‌های «به اندازه کافی خوب» ارزان‌تر شوند، قدرت قیمت‌گذاری تولیدکنندگان مدل‌های بسته کاهش می‌یابد و داستان رشد ارائه‌دهندگان ابری و شرکت‌های چیپ نیز مجبور به پذیرش آزمایش‌های بیشتری خواهد بود.

این نیز دلیل این است که چرا انتشار یک مدل می‌تواند به بازار سهام منتقل شود. در میان هفت غول فناوری، چندین شرکت هم ارائه‌دهنده مدل‌ها و برنامه‌های هوش مصنوعی هستند و هم بزرگ‌ترین خریداران مراکز داده در جهان؛ در حالی که شاخص نیمه‌هادی به طور مستقیم تحت تأثیر تغییرات انتظارات بازار درباره تقاضای GPU، تجهیزات شبکه و سرورهای هوش مصنوعی قرار دارد.

تأثیر واقعی بر ارزیابی‌ها، نه کلمه «منبع باز» است

بسیاری از مدل‌های هوش مصنوعی که بازار آن‌ها را «منبع باز» می‌نامد، در واقع به طور دقیق‌تر باید به عنوان «وزن باز» توصیف شوند.

مدل‌های بسته بیشتر شبیه خدمات «نصب و استفاده» هستند. مدل‌های پرچمدار OpenAI مانند GPT و Claude از Anthropic معمولاً تحت کنترل توسعه‌دهندگان از نظر وزن مدل، روش‌های آموزشی، قیمت‌گذاری، به‌روزرسانی و محدودیت‌های امنیتی قرار دارند و کاربران از طریق برنامه‌ها، API یا خدمات ابری به آن‌ها دسترسی پیدا می‌کنند. مزیت آن‌ها راحتی، ثبات و یکپارچگی بالا است؛ اما معایب آن‌ها این است که کاربران به سختی می‌توانند کنترل زیرساخت را در دست بگیرند و باید قیمت‌ها و قوانین ارائه‌دهندگان را بپذیرند.

مدل‌های با وزن باز پارامترهای آموزشی را باز می‌گذارند و کاربران می‌توانند آن‌ها را دانلود، پیاده‌سازی، تنظیم مجدد و حتی از نظر فنی برخی تنظیمات امنیتی را تغییر دهند. DeepSeek R1، Llama از متا و چندین مدل از Mistral به این دسته نزدیک‌تر هستند. آن‌ها لزوماً داده‌های آموزشی کامل، کد آموزشی و جزئیات بازتولید را عمومی نمی‌کنند، بنابراین به معنای سیستم‌های منبع باز به معنای دقیق نیستند.

این تمایز برای مشتریان شرکتی بسیار مهم است. مدل‌های با وزن باز به معنای کنترل بیشتر هستند: شرکت‌ها می‌توانند مدل‌ها را بر روی سرورهای خود اجرا کنند و وابستگی به API‌های خارجی را کاهش دهند؛ همچنین می‌توانند برای صنعت، زبان یا وظیفه خاصی سفارشی‌سازی کنند؛ برای مؤسسات مالی، پزشکی، دولتی و غیره که داده‌ها نمی‌توانند به راحتی از محیط محلی خارج شوند، پیاده‌سازی محلی جذاب‌تر است.

اما «قابل دانلود» به معنای «رایگان» نیست. شرکت‌ها هنوز هم باید هزینه‌های محاسباتی، برق، مهندسی، نظارت، نگهداری و امنیت را پرداخت کنند. مدل‌های باز نیز لزوماً توانایی‌های عمومی مشابه مدل‌های پرچمدار بسته را ندارند و تجربه محصول و تعهدات خدماتی مشابهی را ارائه نمی‌دهند. به عبارت دیگر، تأثیر آن‌ها در این نیست که به طور ناگهانی مدل‌های بسته را جایگزین کنند، بلکه در این است که گزینه دیگری را برای مشتریان فراهم می‌کنند.

چهار نقطه‌ای که ارزیابی هوش مصنوعی را زیر سؤال می‌برد

مدل‌هایی مانند Kimi K3 ابتدا بر «کمیابی» تأثیر می‌گذارند.

اگر مدل‌های قوی‌تر بتوانند توسط توسعه‌دهندگان بیشتری کپی، تغییر و میزبانی شوند، مدل‌های هوش مصنوعی خود ممکن است به تدریج بیشتر شبیه زیرساخت‌های نرم‌افزاری پایه شوند، نه محصولات با حاشیه سود بالا که تنها در اختیار چند شرکت است. تولیدکنندگان مدل‌های بسته هنوز هم می‌توانند از طریق محصولات، داده‌ها، امنیت و اکوسیستم درآمد کسب کنند، اما تنها با تکیه بر «توانایی‌های مدل» برای دریافت قیمت‌های بالا دشوارتر خواهد بود.

دومین نقطه‌ای که تحت تأثیر قرار می‌گیرد، قدرت قیمت‌گذاری است. با افزایش استفاده از توکن‌ها توسط نمایندگان هوش مصنوعی و کارکنان شرکت، هزینه‌های فراخوانی مدل‌ها در حال تبدیل شدن از صورت‌حساب‌های کوچک در مرحله آزمایشی به پروژه‌های بزرگ در بودجه شرکت‌ها است. وقتی یارانه‌های هوش مصنوعی کاهش یابد و تولیدکنندگان پیشرو مدل‌ها شروع به دریافت هزینه به وضوح بر اساس توکن کنند، مشتریان حساس به هزینه بیشتر تمایل خواهند داشت تا مدل‌های باز را امتحان کنند.

سومین مورد، هزینه‌های سرمایه‌ای است. در حال حاضر، مقیاس سرمایه‌گذاری هوش مصنوعی غول‌های فناوری آمریکایی بسیار بزرگ است، برنامه‌های ساخت قابلیت‌های هوش مصنوعی گوگل، مایکروسافت، AWS، متا و اوراکل در سال جاری حدود 700 میلیارد دلار است که یکی از اعداد مورد توجه بازار است. اگر شرکت‌ها بتوانند با مدل‌های کوچکتر، ارزان‌تر و خاص‌تر اکثر وظایف را حل کنند، سرمایه‌گذاران به طور طبیعی سؤال خواهند کرد که آیا رشد هزینه‌های چیپ‌ها، شبکه، برق و مراکز داده بیش از حد سریع است؟

چهارمین مورد، حصار فناوری آمریکاست. انتشار مداوم مدل‌های با وزن باز از چین، تصورات بازار درباره «غیرقابل تغییر» بودن برتری هوش مصنوعی آمریکا را تضعیف کرده است. گزارش اشاره می‌کند که امسال در پلتفرم توسعه‌دهندگان OpenRouter، تعداد توکن‌های پردازش شده توسط مدل‌های چینی از مدل‌های آمریکایی بیشتر شده است. این به این معنا نیست که برتری هوش مصنوعی آمریکا از بین رفته است، بلکه به این معناست که میزان استفاده و گسترش اکوسیستم در حال تبدیل شدن به چیزی پراکنده‌تر است.

این تأثیرات به طور مشترک به یک نتیجه اشاره می‌کنند: مدل‌های بسته هنوز هم معیار توانایی‌های پیشرفته هستند، اما روایت «مدل‌های بسته همه چیز را در اختیار دارند» ضعیف‌تر شده است.

مدل‌های باز تنها به ضرر هوش مصنوعی نیستند، بلکه ممکن است تقاضا را نیز افزایش دهند

بازار به راحتی می‌تواند این نوع رویدادها را به عنوان «مدل‌های ارزان بر تقاضای چیپ‌ها تأثیر می‌گذارند» درک کند. اما قضاوت گزارش متعادل‌تر است: مدل‌های باز قوی واقعاً به چالش کشیدن مدل‌های تجاری مدل‌های بسته و انتظارات تقاضای نیمه‌هادی هستند، اما همچنین ممکن است به نفع پذیرش هوش مصنوعی، توسعه برنامه‌ها و سفارشی‌سازی شرکت‌ها باشد.

دلیل این است که کاهش قیمت معمولاً استفاده را گسترش می‌دهد. مدل‌های ارزان‌تر و کارآمدتر باعث می‌شوند که شرکت‌های بیشتری هوش مصنوعی را در خدمات مشتری، اداری، تحقیق و توسعه، تبلیغات، کدنویسی، تجزیه و تحلیل داده‌ها و فرآیندهای داخلی قرار دهند. شرکت‌هایی که قبلاً فکر می‌کردند هزینه‌های API بسیار بالا است، داده‌ها نمی‌توانند خارج شوند و مدل‌ها غیرقابل کنترل هستند، ممکن است به دلیل مدل‌های با وزن باز شروع به پیاده‌سازی هوش مصنوعی کنند.

این به منطق «پارادوکس جیونز» نزدیک است: پس از افزایش کارایی فناوری، هزینه واحد کاهش می‌یابد و در نهایت مصرف افزایش می‌یابد. افزایش کارایی موتور بخار باعث کاهش تقاضای زغال‌سنگ نشد، بلکه استفاده از قدرت بخار را گسترش داد. هوش مصنوعی نیز ممکن است وضعیت مشابهی را تجربه کند - هزینه استدلال یک بار ارزان‌تر می‌شود، اما تعداد فراخوانی‌ها، سناریوهای کاربرد و تعداد پایانه‌ها به طور قابل توجهی افزایش می‌یابد.

بنابراین، تقاضای محاسباتی لزوماً به اوج نمی‌رسد، بلکه تنها ساختار تقاضا ممکن است تغییر کند. تعداد کمی از مدل‌های بسته پیشرفته‌تر همچنان به قوی‌ترین خوشه‌های آموزشی و استدلال نیاز دارند؛ در حالی که تعداد زیادی از مدل‌های باز ممکن است در ابر، سرورهای محلی، تلفن‌ها، خودروها و سایر دستگاه‌های لبه مستقر شوند. تقاضای چیپ‌ها نیز ممکن است از تعقیب تنها قوی‌ترین GPU به سمت توجه بیشتر به کارایی استدلال، شبکه، برق، ذخیره‌سازی و قدرت محاسباتی در سمت پایانه تغییر کند.

برای شرکت‌های کاربردی، مدل‌های باز ممکن است هزینه‌های ورودی را کاهش دهند. شرکت‌ها می‌توانند از مدل‌های ارزان‌تر برای انجام سناریوهای عمودی استفاده کنند، شرکت‌های نرم‌افزاری می‌توانند محصولات خاص‌تری را بر اساس مدل‌ها توسعه دهند و ارائه‌دهندگان ابری نیز می‌توانند با میزبانی مدل‌های باز، ارائه خدمات استدلال و پشتیبانی شرکتی به کسب درآمد ادامه دهند.

مدل‌های بسته و باز ممکن است همزمان وجود داشته باشند، اما مسئولیت‌های نظارتی هنوز مشخص نشده است

وضعیت محتمل‌تر این است که نه منبع باز بر مدل‌های بسته غلبه کند و نه مدل‌های بسته دوباره تسلط پیدا کنند، بلکه هر دو به طور طولانی‌مدت همزیستی کنند.

مدل‌های بسته همچنان نقش توانایی‌های پیشرفته، کیفیت صنعتی، ارزیابی امنیت و یکپارچگی عمیق محصولات را بر عهده خواهند داشت. مدل‌های با وزن باز نیز تولیدکنندگان مدل‌های بسته را مجبور به کنترل قیمت، افزایش انعطاف‌پذیری و انتقال رقابت از «کدام وزن مدل قوی‌تر است» به داده‌ها، طراحی محصول، توانایی‌های حافظه، امنیت، کارایی و خدمات اکوسیستم خواهند کرد.

شرکت‌های مدل‌سازی که وزن‌های باز را آزاد می‌کنند نیز لزوماً کار خیرخواهانه انجام نمی‌دهند. توسعه‌دهندگان می‌توانند از طریق میزبانی API، اشتراک‌های پیشرفته، استدلال سریع‌تر، پشتیبانی شرکتی، تنظیم مجدد، خدمات امنیتی و توافق‌نامه‌های سطح خدمات درآمد کسب کنند؛ ارائه‌دهندگان خدمات ابری می‌توانند قدرت محاسباتی مورد نیاز برای اجرای مدل‌های باز را بفروشند؛ پلتفرم‌های مصرفی می‌توانند توانایی‌های مدل را در توصیه‌ها، تبلیغات و تجربه کاربری ادغام کنند؛ و شرکت‌های کاربردی می‌توانند با هزینه‌های کمتری عملکرد بسازند.

واقعاً چیزی که حل نشده، مرزهای مسئولیت است. مدل‌های با وزن باز به کاربران کنترل بیشتری می‌دهند، اما همچنین مسئولیت‌های بیشتری در زمینه آزمایش، حفاظت امنیتی، امنیت شبکه، به‌روزرسانی و قابلیت اطمینان به عهده کاربران می‌گذارند. هنگامی که مدل‌ها دانلود، تغییر و به صورت محلی مستقر می‌شوند، اینکه چه کسی مسئول سوءاستفاده، نقص یا حوادث امنیتی خواهد بود، پیچیده‌تر از مدل‌های API بسته خواهد بود.

تنظیمات نیز ممکن است ساختار رقابتی را تغییر دهد. تولیدکنندگان مدل‌های بسته مانند Anthropic خواستار آزمایش‌های ریسک فاجعه‌بار، ارزیابی‌های خارجی و الزامات افشای مداوم برای توسعه‌دهندگان پیشرفته هوش مصنوعی هستند؛ منتقدان نگران هستند که نظارت بیش از حد ممکن است به شرکت‌های بزرگ با منابع مالی قوی‌تر مزیت بیشتری بدهد و در عوض اکوسیستم باز و نوآوری تیم‌های کوچک را سرکوب کند.

بنابراین، «لحظه DeepSeek دوم» که Kimi K3 به ارمغان می‌آورد، یک خبر ساده منفی برای هوش مصنوعی نیست. این بیشتر شبیه یک آزمون فشار است: 700 میلیارد دلار هزینه‌های هوش مصنوعی، هزینه‌های مدل‌های بسته، برتری فناوری آمریکا و تقاضای چیپ‌ها باید به یک سؤال مشترک پاسخ دهند - وقتی «مدل‌های به اندازه کافی خوب» ارزان‌تر می‌شوند، واقعاً پول هوش مصنوعی از کجا به دست خواهد آمد؟