دیپ‌سیک با عرضه مدل R1 در سال ۲۰۲۵ به یکی از خبرسازترین بازیگران صنعت هوش مصنوعی تبدیل شد. این مدل با بهره‌گیری از معماری ترکیب متخصصان (Mixture of Experts یا MoE)، امکان تولید پاسخ‌های هوشمند را با استفاده بهینه‌تر از منابع محاسباتی فراهم کرد؛ رویکردی که هزینه توسعه و اجرای مدل‌های هوش مصنوعی را در مقایسه با بسیاری از رقبا کاهش می‌دهد.
موفقیت این مدل به محبوبیت سریع اپلیکیشن دیپ‌سیک انجامید و بازار فناوری را با این واقعیت روبه‌رو کرد که چین در رقابت هوش مصنوعی فاصله چندانی با شرکت‌های پیشرو غربی ندارد. عرضه R1 همچنین به افت گسترده سهام شرکت‌های فناوری در بازارهای جهانی منجر شد.
این شرکت در ادامه مسیر خود، مدل‌های جدیدی از جمله V4-Flash را معرفی کرده است که بر اساس گزارش‌های منتشرشده، هزینه استفاده از آن در مقایسه با برخی مدل‌های رقیب به‌مراتب کمتر است. البته فعالیت دیپ‌سیک با محدودیت‌هایی نیز همراه است؛ از جمله الزام به رعایت قوانین داخلی چین که می‌تواند بر نحوه پاسخ‌گویی مدل‌های آن به موضوعات حساس تأثیر بگذارد.
لیانگ ونفنگ؛ بنیان‌گذار و چهره اصلی دیپ‌سیک
دیپ‌سیک در سال ۲۰۲۳ توسط لیانگ ونفنگ، مهندس فارغ‌التحصیل دانشگاه ژجیانگ چین، تأسیس شد. او سرمایه اولیه این شرکت را از محل منابع مالی صندوق پوشش ریسک خود، یعنی های‌فلایر (High-Flyer)، تأمین کرد.
لیانگ از بنیان‌گذاران های‌فلایر است؛ شرکتی که با استفاده از ریاضیات و هوش مصنوعی، الگوهای بازار را تحلیل می‌کند و برای تصمیم‌گیری‌های سرمایه‌گذاری به کار می‌گیرد. تجربه این مجموعه در پردازش داده‌ها و استفاده از الگوریتم‌های پیشرفته، زمینه مناسبی برای راه‌اندازی دیپ‌سیک فراهم کرد.
بر اساس اطلاعات مطرح‌شده درباره ساختار تأمین مالی این شرکت، دیپ‌سیک در مراحل بعدی نیز از حمایت سرمایه‌گذاران بزرگ، از جمله تنسنت هولدینگز (Tencent Holdings) و CATL برخوردار شده است. همچنین صندوق سرمایه‌گذاری ملی صنعت هوش مصنوعی چین حدود ۱۵۰ میلیون دلار در این حوزه سرمایه‌گذاری کرده است.
لیانگ ونفنگ در رسانه‌های چینی به‌عنوان یکی از چهره‌های برجسته نسل جدید کارآفرینان فناوری این کشور شناخته می‌شود. نام او در کنار افرادی مانند فرانک وانگ، بنیان‌گذار شرکت DJI، در فهرست کارآفرینان تأثیرگذار فناوری چین قرار گرفته است.
گزارش‌هایی نیز درباره احتمال عرضه اولیه سهام دیپ‌سیک در بازار STAR شانگهای منتشر شده است؛ بازاری که از آن به‌عنوان یکی از مراکز اصلی معاملات سهام شرکت‌های فناوری در چین یاد می‌شود.
چگونه دیپ‌سیک بازار فناوری را متحول کرد؟
موفقیت دیپ‌سیک صرفاً به معرفی یک مدل هوش مصنوعی جدید محدود نمی‌شود. این شرکت با تمرکز بر کاهش هزینه‌های محاسباتی، یکی از مهم‌ترین فرضیات صنعت هوش مصنوعی را به چالش کشید: اینکه توسعه مدل‌های قدرتمند الزاماً به سرمایه‌گذاری‌های عظیم و استفاده از سخت‌افزارهای گران‌قیمت نیاز دارد.
پس از انتشار مدل R1، سرمایه‌گذاران درباره میزان نیاز شرکت‌های هوش مصنوعی به پردازنده‌های گرافیکی قدرتمند، به‌ویژه محصولات انویدیا، دچار نگرانی شدند. اگر بتوان مدل‌های پیشرفته را با منابع محاسباتی کمتر توسعه داد، ممکن است تقاضا برای سخت‌افزارهای گران‌قیمت نیز تحت تأثیر قرار بگیرد.
این نگرانی به افت شدید سهام شرکت‌های فناوری منجر شد. در جریان این رویداد، ارزش بازار انویدیا در یک روز حدود ۵۸۹ میلیارد دلار کاهش یافت؛ رقمی که در آن زمان بزرگ‌ترین افت یک‌روزه ارزش بازار یک شرکت در تاریخ بورس آمریکا محسوب می‌شد.
نقش انویدیا و تحریم‌های آمریکا در موفقیت دیپ‌سیک
یکی از عوامل مهم در مسیر توسعه دیپ‌سیک، دسترسی به سخت‌افزارهای محاسباتی پیشرفته بوده است. پیش از اعمال محدودیت‌های صادراتی آمریکا در سال ۲۰۲۲، صندوق های‌فلایر لیانگ ونفنگ در کنار سایر نهادهای چینی، پردازنده‌های گرافیکی انویدیا را برای خوشه محاسباتی Fire-Flyer 2 تهیه و ذخیره کرده بود؛ زیرساختی که دیپ‌سیک بعدها از آن بهره برد.
محدودیت‌های صادراتی آمریکا با هدف کنترل دسترسی چین به تراشه‌های پیشرفته و جلوگیری از انتقال فناوری‌های حساس اعمال شدند. در واکنش به این محدودیت‌ها، چین تلاش کرده است ظرفیت تولید تراشه‌های داخلی خود را افزایش دهد و وابستگی به فناوری‌های غربی را کاهش دهد.
راز بهره‌وری بالای مدل‌های دیپ‌سیک چیست؟
دیپ‌سیک برای کاهش هزینه‌های توسعه و اجرای مدل‌های هوش مصنوعی از ترکیبی از روش‌های فنی استفاده می‌کند که مهم‌ترین آن‌ها عبارت‌اند از:
• معماری ترکیب متخصصان (MoE): در این روش، به‌جای فعال‌سازی تمام بخش‌های مدل، تنها بخش‌های موردنیاز برای انجام هر وظیفه به کار گرفته می‌شوند. این رویکرد مصرف منابع محاسباتی را کاهش می‌دهد.
• بهینه‌سازی سخت‌افزاری: مدل‌ها به‌گونه‌ای بهینه‌سازی می‌شوند که بتوانند روی پردازنده‌های گرافیکی ضعیف‌تر و ارزان‌تر نیز عملکرد مناسبی داشته باشند.
• تقطیر مدل (Model Distillation): در این روش، مدل‌های بزرگ و پیچیده به آموزش مدل‌های کوچک‌تر کمک می‌کنند تا بخش قابل‌توجهی از توانایی‌های مدل اصلی با منابع کمتری حفظ شود.
• یادگیری تقویتی (Reinforcement Learning): این تکنیک به بهبود و خودکارسازی فرایند آموزش مدل‌ها کمک می‌کند و می‌تواند وابستگی به داده‌های برچسب‌گذاری‌شده توسط انسان را کاهش دهد.
در مجموع، دیپ‌سیک نشان داده است که بهره‌وری محاسباتی می‌تواند به‌اندازه قدرت سخت‌افزاری در رقابت هوش مصنوعی اهمیت داشته باشد. رویکرد این شرکت نه‌تنها جایگاه چین را در این صنعت تقویت کرده، بلکه فرصتی برای سایر شرکت‌ها فراهم آورده است تا با کاهش نیاز مراکز داده به منابع پردازشی و انرژی، هزینه توسعه مدل‌های هوش مصنوعی را پایین بیاورند.
