DeepSeek V3.2 يتفوق على GPT-5 في معايير النخبة: ماذا يعني صعود الذكاء الاصطناعي الصيني للبنية التحتية
10 ديسمبر 2025 بقلم Blake Crosley
كشفت شركة DeepSeek الصينية عن نموذجين جديدين للذكاء الاصطناعي في 1 ديسمبر 2025، حيث حقق DeepSeek-V3.2-Speciale نتائج نخبوية في المسابقات: مستوى الميدالية الذهبية في الأولمبياد الدولي للرياضيات 2025 (35/42 نقطة)، والمركز العاشر في الأولمبياد الدولي للمعلوماتية (492/600 نقطة)، والمركز الثاني في نهائيات ICPC العالمية.1 في أداء المعايير المرجعية، حقق إصدار Speciale معدل نجاح 96.0% في AIME مقارنة بـ 94.6% لـ GPT-5-High و95.0% لـ Gemini-3.0-Pro.2 تم إصدار كلا النموذجين مجانًا ومفتوحي المصدر بموجب ترخيص Apache 2.0، مما يتحدى الافتراضات حول متطلبات الحوسبة لقدرات الذكاء الاصطناعي الرائدة.
يمثل هذا الإصدار لحظة مهمة في الجيوسياسة الخاصة بالذكاء الاصطناعي. مختبر صيني يعمل تحت قيود التصدير الأمريكية للرقائق أنتج نماذج تطابق أو تتفوق على الأنظمة الأمريكية الرائدة في مهام الاستدلال النخبوية. يثير هذا الإنجاز تساؤلات حول العلاقة بين الاستثمار في البنية التحتية وقدرات الذكاء الاصطناعي، مع تداعيات على المؤسسات التي تخطط لاقتناء وحدات معالجة الرسومات والبنية التحتية للتدريب.
تحليل أداء المعايير المرجعية
أظهر DeepSeek-V3.2-Speciale أداءً استثنائيًا عبر معايير الرياضيات والبرمجة، مما وضعه ضمن أفضل ثلاثة نماذج رائدة عالميًا.
في بطولة هارفارد-MIT للرياضيات، سجل إصدار Speciale 99.2%، متفوقًا على 97.5% لـ Gemini.3 اختبار AIME—امتحان مدته 75 دقيقة يتضمن 15 مسألة يقيس البصيرة الرياضية بدلاً من الحساب—يمثل أحد أكثر معايير الاستدلال تحديًا للذكاء الاصطناعي. درجة 96% تضع النموذج على مستوى أفضل 50 متنافسًا في الأولمبياد الرياضي عالميًا.4
البنية الأساسية تفسر السبب. يُبنى DeepSeek V3.2 على إطار عمل Mixture-of-Experts (MoE) بـ 685 مليار معامل مع تفعيل 37 مليار معامل لكل رمز.5 تصميم MoE يعني أن النموذج لديه سعة معرفية لنموذج 685B لكن تكلفة استدلال نموذج 37B—ميزة كفاءة حاسمة تمكّن من التدريب والنشر على أجهزة محدودة.
يستهدف إصدار DeepSeek-V3.2 القياسي حالات استخدام مساعد الاستدلال اليومي مع توازن بين القدرة والكفاءة. إصدار Speciale—تكوين عالي الحوسبة مع سلاسل استدلال ممتدة—يمثل إصدار القدرة القصوى المُحسَّن لأداء المعايير النخبوية بدلاً من كفاءة التكلفة.6 أشار DeepSeek إلى أن نقطة نهاية API الخاصة بـ Speciale تنتهي في 15 ديسمبر 2025، مما يعكس التكلفة الحسابية الهائلة لتشغيل النموذج على نطاق واسع.
يضيف كلا النموذجين قدرات للجمع بين الاستدلال وتنفيذ إجراءات معينة بشكل مستقل، مما يشير إلى قدرات وكيلية إلى جانب أداء المعايير الخام.7 هذا المزيج يموضع نماذج DeepSeek للتطبيقات العملية بما يتجاوز المعايير الأكاديمية.
تداعيات كفاءة البنية التحتية
إنجاز DeepSeek يتحدى الافتراضات حول متطلبات الحوسبة للذكاء الاصطناعي الرائد—ويوفر دروسًا ملموسة لتخطيط البنية التحتية.
اختراق كفاءة التدريب
درّب DeepSeek نموذج V3 على 2,048 وحدة NVIDIA H800 GPU—النسخة المقيدة للتصدير من H100 بسرعات ربط منخفضة—لمدة 2.788 مليون ساعة GPU فقط بتكلفة حوسبة تقريبية 5.6 مليون دولار.8 للمقارنة، تطلب Llama 3 405B 30.8 مليون ساعة GPU للتدريب—11 ضعف الحوسبة لنموذج أصغر.9
تأتي الكفاءة من ثلاثة ابتكارات رئيسية:
تدريب الدقة المختلطة FP8. كان DeepSeek رائدًا في تدريب FP8 (8 بت) على نطاق واسع، مما يقلل متطلبات الذاكرة مع الحفاظ على الدقة. كان V3 أول نموذج LLM مفتوح يُدرَّب باستخدام FP8، مما يُصادق على التقنية للنماذج الكبيرة للغاية.10
كفاءة الحوسبة لكل رمز. درّب DeepSeek نموذج V3 بـ 250 GFLOPs لكل رمز، مقارنة بـ 394 GFLOPs لكل رمز لـ Qwen 2.5 72B و2,448 GFLOPs لكل رمز لـ Llama 3.1 405B.11 فجوة الكفاءة 10 أضعاف مقابل Llama تُظهر أن الابتكار الخوارزمي يمكن أن يحل محل الحوسبة الخام.
الانتباه الكامن متعدد الرؤوس (MLA). هذه البنية تقلل متطلبات عرض النطاق الترددي للذاكرة أثناء الاستدلال، مما يُمكّن النشر على أجهزة قد تكون غير كافية بخلاف ذلك.
ما يعنيه هذا لقرارات الشراء
فجوة الكفاءة لها تداعيات مباشرة على شراء GPU:
التشكيك في افتراضات المجموعات الكبيرة. إذا حقق DeepSeek أداءً رائدًا مع 2,048 H800، فإن المؤسسات التي تخطط لمجموعات تضم أكثر من 10,000 GPU يجب أن تتحقق من افتراضات كفاءتها. المجموعات الأصغر المُحسَّنة جيدًا قد توفر قدرة مكافئة.
الاستثمار في خبرة البنية التحتية للتدريب. الفجوة بين كفاءة DeepSeek ونهج المختبرات الغربية تشير إلى أن منهجية التدريب مهمة بقدر الأجهزة. يجب على المؤسسات تخصيص ميزانية لموهبة هندسة التعلم الآلي إلى جانب شراء GPU.
التخطيط لتحسينات الكفاءة السريعة. دورات الشراء من 12-18 شهرًا تخاطر بالتقادم مع تحسن كفاءة التدريب. فكر في التزامات أقصر أو ترتيبات سحابية مرنة بدلاً من عمليات شراء رأسمالية كبيرة مقيدة بالافتراضات الحالية.
سياق قيود التصدير
تحد قيود تصدير الرقائق الأمريكية من وصول الصين إلى أكثر وحدات GPU تقدمًا من NVIDIA بما في ذلك معماريات H100 وBlackwell. طوّر DeepSeek نموذج V3.2 باستخدام H800—التي تحتفظ بقدرة الحوسبة الكاملة لكن بسرعات ربط NVLink منخفضة—محققًا أداءً رائدًا دون الوصول إلى الأجهزة الرائدة.
يُظهر الإنجاز أن قيود عرض النطاق الترددي للربط يمكن التغلب عليها جزئيًا من خلال الابتكار الخوارزمي. لا يمكن للمؤسسات افتراض أن المزيد من وحدات GPU تُنتج نماذج أفضل تلقائيًا. كفاءة التدريب وابتكار البنية والتحسين مهمة إلى جانب الحوسبة الخام.
اقتصاديات النماذج المفتوحة: مقارنات تكلفة ملموسة
تم إصدار كلا نموذجي DeepSeek-V3.2 مجانًا ومفتوحين، مما يخلق مزايا تكلفة واضحة للمؤسسات التي تمتلك بنية تحتية GPU.
مقارنة أسعار API: - GPT-5 Standard: 1.25$/مليون رمز إدخال، 10$/مليون رمز إخراج12 - Claude Opus 4.1: 15$/مليون رمز إدخال، 75$/مليون رمز إخراج13 - DeepSeek V3.2-Exp: 0.028$/مليون رمز إدخال14
فجوة السعر 45x-500x تعني أن المؤسسات التي تُشغّل أحمال عمل استدلال عالية الحجم يمكنها تحقيق تخفيضات هائلة في التكاليف من خلال الاستضافة الذاتية لـ DeepSeek بدلاً من استخدام واجهات برمجة التطبيقات الملكية.
متطلبات الاستضافة الذاتية: تشغيل النموذج الكامل بـ 685B يتطلب حوالي 700GB VRAM بدقة FP8، قابلة للتحقيق مع 8-10 وحدات NVIDIA H100 (80GB) GPU.15 الإصدارات المكممة 4 بت تقلل هذا إلى ~386GB، مما يُمكّن النشر على 5-6 H100 أو تكوينات مكافئة.16
للمؤسسات التي تُشغّل بالفعل مجموعات GPU لأحمال عمل ذكاء اصطناعي أخرى، إضافة استدلال DeepSeek يمثل تكلفة هامشية مقابل رسوم الرمز الكبيرة للبدائل الملكية.
تحول المشهد التنافسي
شهد نوفمبر 2025 إصدارات مركزة للنماذج الرائدة من المختبرات الكبرى، مع إضافة DeepSeek للمنافسة الصينية إلى المشهد المتمركز حول الولايات المتحدة.
إصدارات النماذج الرائدة الأمريكية
كان نوفمبر 2025 مزدحمًا للغاية بالإصدارات، حيث تم إصدار GPT-5.1 وGrok 4.1 وGemini 3 Pro وClaude Opus 4.5 جميعها في غضون ستة أيام من بعضها البعض.17 Claude Opus 4.5، النموذج الأكثر ذكاءً من Anthropic، يتفوق في البرمجة والمهام الوكيلية.18 Gemini 3 Pro يهيمن على معايير الاستدلال بدرجة GPQA 86.4، بينما يقود Claude Opus 4.5 معايير البرمجة بـ 72.5% على SWE-bench.19
إصدار DeepSeek في ديسمبر يُظهر أن المختبرات الصينية يمكنها مطابقة هذه الوتيرة من التطوير الرائد رغم القيود على الأجهزة. سباق الذكاء الاصطناعي العالمي يشمل الآن منافسة حقيقية من الصين في القدرة، وليس فقط نطاق النشر.
التداعيات الجيوسياسية
قدرة الذكاء الاصطناعي الصيني الرائدة تؤثر على مناقشات السياسة الأمريكية حول قيود التصدير وسيادة الحوسبة وقيادة الذكاء الاصطناعي. افترض صانعو السياسات أن قيود الأجهزة ستُبطئ تطوير الذكاء الاصطناعي الصيني؛ إنجاز DeepSeek يُشير إلى حدود هذه الاستراتيجية.
يجب على المؤسسات توقع تطور السياسات المستمر مع استجابة الحكومات لديناميكيات تنافسية متغيرة. قد تتشدد قيود التصدير أو تتوسع لفئات جديدة أو تواجه إعادة نظر مع التشكيك في فعاليتها. يجب أن يأخذ تخطيط الشراء في الاعتبار عدم اليقين السياسي.
إطار القرار: البناء أم الشراء أم الانتظار؟
إصدار DeepSeek يُعيد تشكيل حساب البناء مقابل الشراء لقدرات الذكاء الاصطناعي. إليك كيفية التفكير في القرار:
| السيناريو | التوصية | المبرر |
|---|---|---|
| <10 آلاف$/شهر إنفاق API | الاستمرار في APIs | نفقات الاستضافة الذاتية تتجاوز التوفير |
| 10-50 ألف$/شهر، حمل متغير | نهج هجين | استخدام APIs للذروة، ملك للقاعدة |
| >50 ألف$/شهر، حمل ثابت | تقييم الاستضافة الذاتية | ROI قابل للتحقيق خلال 6-12 شهرًا |
| تدريب نماذج مخصصة | بنية تحتية مملوكة | التحكم في تحسين الكفاءة |
يفترض الإطار أسعار GPU للجيل الحالي. مع تحسن توفر H100 ودخول H200/B200 إلى السوق، ستتحول اقتصاديات الاستضافة الذاتية أكثر لصالح البنية التحتية المملوكة.
ما يعنيه هذا لتخطيط البنية التحتية
إنجاز DeepSeek له عدة تداعيات قابلة للتنفيذ للمؤسسات التي تخطط للبنية التحتية للذكاء الاصطناعي.
الكفاءة فوق الحجم
عدد وحدات GPU الخام أقل أهمية من كفاءة التدريب لتحقيق قدرات الذكاء الاصطناعي. يجب على المؤسسات الاستثمار في تحسين البنية التحتية للتدريب إلى جانب شراء الأجهزة. مزيج الأجهزة الجيدة ونهج التدريب الجيدة يتفوق على الأجهزة الممتازة مع التدريب الساذج.
خطوة قابلة للتنفيذ: قبل الالتزام بطلبات GPU كبيرة، استعن بمستشاري هندسة التعلم الآلي لتدقيق كفاءة التدريب. تحسين الكفاءة 2-3 أضعاف قد يقلل حجم المجموعة المطلوب بشكل متناسب.
الشراكات البحثية واستثمارات موهبة الهندسة قد توفر قدرة أكبر لكل دولار من شراء GPU إضافي. يجب على المؤسسات موازنة استثمارات الأجهزة ورأس المال البشري بناءً على استراتيجية تطوير الذكاء الاصطناعي الخاصة بها.
بنية تحتية لنشر النماذج المفتوحة
النماذج الرائدة المجانية والمفتوحة تُغيّر متطلبات البنية التحتية. بدلاً من التحسين لزمن استجابة API وإدارة تكاليف الرمز، يجب على المؤسسات النظر في بنية تحتية للاستدلال للنشر المستضاف ذاتيًا. تتحول اقتصاديات البنية التحتية من نفقات تشغيلية إلى استثمار رأسمالي.
خطوة قابلة للتنفيذ: احسب إنفاقك الحالي على API. إذا تجاوز 50,000$/شهر على الاستدلال، قيّم اقتصاديات الاستضافة الذاتية. مجموعة 8-GPU H100 تكلف حوالي 250,000-300,000$ لكنها تُلغي رسوم الرمز إلى أجل غير مسمى.
مجموعات GPU المُحجَّمة للاستدلال بدلاً من التدريب تصبح أكثر قيمة مع تحسن النماذج المفتوحة. قد تحقق المؤسسات اقتصاديات أفضل بتشغيل الاستدلال على بنية تحتية مملوكة بدلاً من دفع هوامش API لمزودي النماذج.
اعتبارات التنويع
الاعتماد على مزودي نماذج فرديين يخلق مخاطر مع تطور الديناميكيات التنافسية. يجب على المؤسسات تصميم أنظمة تقبل نماذج من مزودين متعددين، مما يُمكّن من التبني السريع للقدرات الناشئة. إصدار DeepSeek يُظهر أن قيادة القدرة تتحول بشكل غير متوقع.
خطوة قابلة للتنفيذ: نفّذ طبقات تجريد النماذج (LiteLLM أو OpenRouter أو توجيه مخصص) التي تُمكّن التبديل بين المزودين دون تغييرات في التطبيق.
550 مهندسًا ميدانيًا من Introl يدعمون المؤسسات في تنفيذ بنية تحتية مرنة للذكاء الاصطناعي تتكيف مع الديناميكيات التنافسية.20 احتلت الشركة المرتبة 14 في Inc. 5000 لعام 2025 بنمو ثلاث سنوات 9,594%.21
البنية التحتية عبر 257 موقعًا عالميًا تتطلب قابلية التكيف مع تطور مشهد الذكاء الاصطناعي.22 الدعم المهني يضمن بقاء استثمارات البنية التحتية قيّمة مع تغير قدرات النماذج واقتصادياتها.
النقاط الرئيسية
لمخططي البنية التحتية: - حقق DeepSeek أداءً بمستوى GPT-5 بحوسبة أقل 11 مرة من Llama 3 405B - الاستضافة الذاتية للنماذج الرائدة تتطلب الآن 8-10 H100 (~250-300 ألف$) مقابل 50 ألف$+/شهر رسوم API - كفاءة التدريب مهمة بقدر عدد GPU—خصص ميزانية لهندسة التعلم الآلي إلى جانب الأجهزة
لقرارات الشراء: - شكك في افتراضات المجموعات الكبيرة؛ 2,048 GPU حققت قدرة رائدة - خطط لتحسينات كفاءة 12-18 شهرًا قد تجعل الافتراضات الحالية متقادمة - نفّذ طبقات تجريد النماذج لتمكين التبني السريع للقدرات
للتخطيط الاستراتيجي: - المختبرات الصينية تتنافس الآن في القدرة، وليس فقط الحجم—توقع إصدارات مستمرة - فعالية قيود التصدير مشكوك فيها؛ السياسة قد تتطور بشكل غير متوقع - النماذج المفتوحة التي تقترب من التكافؤ الملكي تُغيّر اقتصاديات البناء مقابل الشراء
التوقعات
DeepSeek V3.2 يُظهر أن قدرة الذكاء الاصطناعي الرائدة تنبثق من مصادر متعددة، وليس حصريًا من مختبرات أمريكية ذات وصول غير مقيد للأجهزة. الإنجاز يُسرّع الديناميكيات التنافسية ويتحدى افتراضات تخطيط البنية التحتية.
الدرس الرئيسي: ابتكارات الكفاءة يمكن أن تضغط متطلبات الأجهزة للذكاء الاصطناعي الرائد بمقدار رتبة من الحجم. المؤسسات التي تخطط لاستثمارات البنية التحتية يجب أن تأخذ في الاعتبار تحسينات الكفاءة المستمرة بدلاً من التقيد بالافتراضات الحالية حول متطلبات الحوسبة.
يجب على المؤسسات الاستعداد لتحسينات القدرة المستمرة من مصادر متنوعة. استثمارات البنية التحتية يجب أن تُركز على المرونة والكفاءة والقابلية للتكيف على الحجم الخام المُحسَّن لمعماريات النماذج الحالية. مشهد البنية التحتية للذكاء الاصطناعي يُكافئ المؤسسات التي تتكيف بسرعة مع القدرات الناشئة.
المراجع
الفئة: الذكاء الاصطناعي والتعلم الآلي الإلحاح: مرتفع — تحول في المشهد التنافسي مع تداعيات على البنية التحتية عدد الكلمات: ~2,400
-
Bloomberg. "DeepSeek Debuts New AI Models to Rival Google and OpenAI." 1 ديسمبر 2025. https://www.bloomberg.com/news/articles/2025-12-01/deepseek-debuts-new-ai-models-to-rival-google-and-openai ↩
-
VentureBeat. "DeepSeek just dropped two insanely powerful AI models that rival GPT-5." ديسمبر 2025. https://venturebeat.com/ai/deepseek-just-dropped-two-insanely-powerful-ai-models-that-rival-gpt-5-and ↩
-
VentureBeat. "DeepSeek just dropped two insanely powerful AI models." ديسمبر 2025. ↩
-
IntuitionLabs. "AIME 2025 Benchmark: An Analysis of AI Math Reasoning." 2025. https://intuitionlabs.ai/articles/aime-2025-ai-benchmark-explained ↩
-
Hugging Face. "deepseek-ai/DeepSeek-V3." 2025. https://huggingface.co/deepseek-ai/DeepSeek-V3 ↩
-
Bloomberg. "DeepSeek Debuts New AI Models." 1 ديسمبر 2025. ↩
-
Bloomberg. "DeepSeek Debuts New AI Models." 1 ديسمبر 2025. ↩
-
DeepLearning.AI. "Researchers Describe Training Methods and Hardware Choices for DeepSeek's V3 and R1 Models." 2025. https://www.deeplearning.ai/the-batch/researchers-describe-training-methods-and-hardware-choices-for-deepseeks-v3-and-r1-models/ ↩
-
Towards AI. "TAI #132: Deepseek v3–10x+ Improvement in Both Training and Inference Cost." 2025. https://newsletter.towardsai.net/p/tai-132-deepseek-v310x-improvement ↩
-
GitHub. "deepseek-ai/DeepSeek-V3." 2025. https://github.com/deepseek-ai/DeepSeek-V3 ↩
-
Interconnects. "DeepSeek V3 and the cost of frontier AI models." 2025. https://www.interconnects.ai/p/deepseek-v3-and-the-actual-cost-of ↩
-
OpenAI. "API Pricing." 2025. https://openai.com/api/pricing/ ↩
-
TechCrunch. "OpenAI priced GPT-5 so low, it may spark a price war." أغسطس 2025. https://techcrunch.com/2025/08/08/openai-priced-gpt-5-so-low-it-may-spark-a-price-war/ ↩
-
VentureBeat. "DeepSeek's new V3.2-Exp model cuts API pricing in half." 2025. https://venturebeat.com/ai/deepseeks-new-v3-2-exp-model-cuts-api-pricing-in-half-to-less-than-3-cents ↩
-
APXML. "GPU Requirements Guide for DeepSeek Models." 2025. https://apxml.com/posts/system-requirements-deepseek-models ↩
-
RiseUnion. "DeepSeek-V3/R1 671B Deployment Guide: GPU Requirements." 2025. https://www.theriseunion.com/blog/DeepSeek-V3-R1-671B-GPU-Requirements.html ↩
-
Shakudo. "Top 9 Large Language Models as of December 2025." ديسمبر 2025. https://www.shakudo.io/blog/top-9-large-language-models ↩
-
Shakudo. "Top 9 Large Language Models as of December 2025." ديسمبر 2025. ↩
-
All About AI. "2025 AI Model Benchmark Report." 2025. https://www.allaboutai.com/resources/ai-statistics/ai-models/ ↩
-
Introl. "Company Overview." Introl. 2025. https://introl.com ↩
-
Inc. "Inc. 5000 2025." Inc. Magazine. 2025. ↩
-
Introl. "Coverage Area." Introl. 2025. https://introl.com/coverage-area ↩
