ملخص سريع
تُطلق DeepSeek نموذج V4 في منتصف فبراير 2026 بـ 1 تريليون معامل إجمالي، ونوافذ سياق بمليون رمز، وثلاث ابتكارات معمارية—الاتصالات الفائقة المقيدة بالمتشعب (mHC)، وذاكرة Engram الشرطية، والانتباه المتناثر—يمكنها إعادة تعريف اقتصاديات الذكاء الاصطناعي. تدعي المعايير الداخلية أداءً يزيد عن 80% في SWE-bench بتكاليف استنتاج أقل بـ 10-40 مرة من المنافسين الغربيين. يعمل النموذج على RTX 4090 مزدوجة، ويفتح مصدر الأوزان تحت ترخيص Apache 2.0، ويمثل التحدي الأكثر مصداقية من الصين للهيمنة الغربية في الذكاء الاصطناعي منذ صدمة DeepSeek الأصلية.
5.6 مليون دولار.
هذا ما أنفقته DeepSeek حسب التقارير على تدريب V3—نموذج يضاهي GPT-4o و Claude 3.5 Sonnet عبر معظم المعايير. أنفقت OpenAI حسب التقارير أكثر من 100 مليون دولار على تدريب GPT-4. تكشف الفجوة عن سؤال جوهري يعيد تشكيل اقتصاديات الذكاء الاصطناعي: هل يتطلب الأداء الرائد مليارات في الحوسبة، أم أن الابتكار المعماري يوفر مسارًا أرخص؟
تأتي إجابة DeepSeek في منتصف فبراير مع V4، نموذج بـ 1 تريليون معامل يدمج ثلاثة ابتكارات معمارية يمكنها تقديم ما يسميه المحللون "اختراقًا مذهلاً" في كفاءة التدريب. يستهدف النموذج الترميز الذاتي—ليس مجرد توليد مقاطع بسيطة، ولكن إدارة مستودعات البرمجيات الكاملة مع التفكير على مستوى الإنسان عبر نوافذ سياق بمليون رمز.
بالنسبة لمشغلي مراكز البيانات الذين ينشرون البنية التحتية لـ GPU، تمتد التداعيات إلى ما وراء نقاط المعايير. إذا نجح نهج DeepSeek القائم على الكفاءة أولاً في التوسع، فإن اقتصاديات نشر الذكاء الاصطناعي—والأجهزة المطلوبة لدعمه—تواجه اضطرابًا كبيرًا.
ثلاثة ابتكارات معمارية
تجمع DeepSeek V4 ثلاث تقنيات اختراقية منشورة عبر أوراق بحثية في أواخر 2025 وبداية 2026: الاتصالات الفائقة المقيدة بالمتشعب، وذاكرة Engram الشرطية، وانتباه DeepSeek المتناثر.
الاتصالات الفائقة المقيدة بالمتشعب (mHC)
قدمت ورقة DeepSeek بتاريخ 31 ديسمبر 2025 mHC، إطار عمل يعالج المشاكل الأساسية في توسيع نماذج اللغة الكبيرة. يمكن للاتصالات الفائقة التقليدية توسيع عرض التدفق المتبقي وتحسين أنماط الاتصال، لكنها في نفس الوقت تقوض مبدأ تطابق الهوية الذي يجعل الشبكات المتبقية قابلة للتدريب—مما يؤدي إلى عدم الاستقرار الرقمي الذي يعطل عمليات التدريب واسعة النطاق.
يقوم حل mHC بإسقاط مصفوفات الاتصال على متشعب رياضي باستخدام خوارزمية Sinkhorn-Knopp، للتحكم في تضخيم الإشارة إلى 1.6x مقارنة بـ 3000x مع الطرق غير المقيدة.
| المعيار | الأساسي | HC (غير مقيد) | mHC | التحسن |
|---|---|---|---|---|
| BBH | 43.8 | 48.9 | 51.0 | +7.2 نقطة |
| DROP | 62.1 | 65.4 | 67.8 | +5.7 نقطة |
| GSM8K | 71.2 | 74.8 | 77.3 | +6.1 نقطة |
| MMLU | 68.4 | 71.2 | 73.6 | +5.2 نقطة |
النتيجة العملية: تدفق متبقي أوسع 4 مرات يضيف فقط 6.7% من وقت إضافي للتدريب. بالمشاركة مع المؤسس Liang Wenfeng، يمكّن mHC من "التوسع العدواني للمعاملات" من خلال تجاوز قيود ذاكرة GPU—تدريب نماذج أكبر على أجهزة ستحد بخلاف ذلك من السعة.
أكدت عالمة البحث الرئيسية في IBM Kaoutar El Maghraoui أن معمارية mHC في DeepSeek يمكن أن تحدث ثورة في التدريب المسبق للنماذج: "إنها توسيع الذكاء الاصطناعي بذكاء أكثر بدلاً من مجرد جعله أكبر."
ذاكرة Engram الشرطية
المنشورة في 13 يناير 2026، تقدم Engram وحدة ذاكرة شرطية تحقق استرجاع المعرفة في وقت ثابت من خلال فصل تخزين الأنماط الثابتة عن التفكير الديناميكي. تحدث التقنية تضمينات N-gram الكلاسيكية لأداء عمليات بحث O(1) جنبًا إلى جنب مع العمود الفقري العصبي.
تعالج Engram ما تسميه DeepSeek "الهدر الصامت في LLM"—دورات GPU المفقودة للعمليات الثابتة التي لا تتطلب تفكيرًا نشطًا. يستخدم النظام التجميع متعدد الرؤوس لربط السياقات المضغوطة بجداول التضمين عبر دوال حتمية، مما يتجنب انفجار ذاكرة الجداول الكثيفة مع تخفيف التصادمات.
توفر البوابة الواعية بالسياق الجانب "الشرطي". التضمينات المسترجعة لا تُضاف بشكل أعمى إلى التدفق المتبقي—بل تُبوَّب بواسطة الحالة المخفية الحالية. إذا تعارضت الذاكرة المسترجعة مع السياق العام، تقوم البوابة بقمع الضوضاء.
الاكتشاف الرئيسي لـ DeepSeek: التقسيم الأمثل هو 75-80% للحوسبة و20-25% للذاكرة. أثبت MoE الخالص (100% حوسبة) أنه دون الأمثل.
| المقياس | بدون Engram | مع Engram | التغيير |
|---|---|---|---|
| التفكير المعقد | 70% | 74% | +4 نقاط |
| استرجاع المعرفة | 57% | 61% | +4 نقاط |
| الإبرة في كومة القش | 84.2% | 97.0% | +12.8 نقطة |
| تأثير وقت التدريب | الأساسي | +6.7% | بسيط |
أظهر الباحثون إلغاء تحميل جدول تضمين بـ 100 مليار معامل إلى DRAM النظام مع عقوبات معدل نقل أقل من 3%. بالنسبة للبنية التحتية للاستنتاج، هذا يغير حساب الأجهزة—تصبح ذاكرة النظام عالية النطاق الترددي قيمة مثل FLOPS الخام لـ GPU.
انتباه DeepSeek المتناثر (DSA)
الابتكار الثالث، انتباه DeepSeek المتناثر، يمكّن نوافذ السياق بمليون رمز مع تقليل العبء الحاسوبي بنسبة 50% مقارنة بـ Transformers القياسية.
يستخدم النظام "مفهرس برق" لإعطاء الأولوية لمقاطع محددة من نافذة السياق، يتبعها "نظام اختيار رمز دقيق التفاصيل" يختار رموز محددة من تلك المقاطع لتحميلها في نافذة الانتباه المحدودة للنموذج. هذا يسمح بالعمل عبر أجزاء طويلة من السياق مع أحمال خادم صغيرة نسبيًا.
انتباه المحول التقليدي يتوسع تربيعيًا مع طول التسلسل—مضاعفة طول السياق يضاعف الحوسبة أربع مرات. انتباه DeepSeek المتناثر يقطع هذا إلى توسع خطي تقريبًا، مما يحدث الفرق بين "ممكن نظريًا" و"قابل للتطبيق اقتصاديًا" لسياقات المليون رمز.
مواصفات نموذج V4
تمثل DeepSeek V4 معجزة تقنية للمعمارية المتناثرة، تستخدم 1 تريليون معامل إجمالي بينما تُفعّل حوالي 32 مليار لأي رمز معطى.
| المواصفات | DeepSeek V4 | GPT-5.2 | Claude Opus 4.5 |
|---|---|---|---|
| إجمالي المعاملات | 1 تريليون | ~2 تريليون (تقديري) | غير مكشوف |
| المعاملات النشطة | 32B | النموذج الكامل | غير مكشوف |
| نافذة السياق | 1M رمز | 256K رمز | 200K رمز |
| المعمارية | MoE + mHC + Engram | Dense Transformer | Dense Transformer |
| تكلفة التدريب | ~$10M (تقديري) | ~$500M (تقديري) | غير مكشوف |
| تكلفة إدخال API | $0.27/1M رمز | $15/1M رمز | $15/1M رمز |
تسمح إستراتيجية MoE "Top-16" الموجهة هذه لـ V4 بالحفاظ على المعرفة المتخصصة لنظام من فئة التيتان دون الكمون المعطل أو متطلبات الأجهزة المرتبطة عادة بنماذج التريليون معامل. التأثير العملي: استرجاع فعال من سياقات تتجاوز مليون رمز.
بالنسبة لمهام الترميز، هذا يعني أن V4 يمكنه استيعاب قاعدة كود كاملة متوسطة الحجم، وفهم علاقات الاستيراد-التصدير عبر عشرات الملفات، وأداء إعادة الهيكلة الذاتية. يُبلغ المختبرون الأوائل عن تفكير حقيقي متعدد الملفات حيث يفهم النموذج العلاقات بين المكونات، ويتتبع التبعيات، ويحافظ على الاتساق عبر عمليات إعادة الهيكلة واسعة النطاق.
SWE-Bench: المعيار المحدد
يقيس SWE-bench Verified قدرة النموذج على حل مشاكل GitHub الحقيقية—يتطلب فهم الكود، وتصحيح الأخطاء، والتنفيذ عبر سياقات المستودع الفعلية. Claude Opus 4.5 يتصدر حاليًا بـ 80.9%.
تُظهر الاختبارات الداخلية لـ DeepSeek أن V4 يتجاوز 80% في SWE-bench Verified، متفوقًا على Claude 3.5 Sonnet و GPT-4o، خاصة في المطالبات الترميزية الطويلة جدًا. تبقى هذه الادعاءات غير مُتحقق منها بواسطة اختبار مستقل.
| النموذج | SWE-bench Verified | نافذة السياق | تكلفة API (الإدخال) |
|---|---|---|---|
| Claude Opus 4.5 | 80.9% | 200K رمز | $15/1M رمز |
| GPT-5.2 | 78.2% | 256K رمز | $15/1M رمز |
| DeepSeek V4 (مزعوم) | 80%+ | 1M رمز | $0.27/1M رمز |
| DeepSeek V3.2 | 72.4% | 256K رمز | $0.14/1M رمز |
إذا قدم V4 الأداء المزعوم بالتكاليف المزعومة، فإن اقتراح القيمة يصبح صارخًا: قدرة ترميز مماثلة بـ تكاليف استنتاج أقل بـ 10-40 مرة.
نشر الأجهزة الاستهلاكية
في انحراف ملحوظ عن اتجاهات البنية التحتية، تعمل DeepSeek V4 على أجهزة استهلاكية:
- الطبقة الاستهلاكية: RTX 4090 مزدوجة أو RTX 5090 واحدة
- الطبقة المهنية: GPU واحدة من فئة محطة العمل (RTX 6000 Ada)
- طبقة المؤسسة: تكوينات مركز البيانات القياسية
يمكّن ضغط MLA من الاستنتاج على RTX 4090 واحدة (24GB GDDR6X). من خلال تجميع 4 طلبات مع كاشات KV مشتركة، ينخفض البصمة الذاكرة الفعلية إلى أقل من 5GB لكل طلب، محققة حوالي 550 رمز/ثانية معدل نقل مع حجم دفعة 4.
| تكوين الأجهزة | سعة النموذج | رمز/ثانية | الذاكرة المطلوبة |
|---|---|---|---|
| RTX 4090 واحدة (24GB) | V4 32B مقطرة | 30-35 | 24GB VRAM + 64GB RAM |
| RTX 4090 مزدوجة (48GB) | V4 70B مقطرة | 25-30 | 48GB VRAM + 128GB RAM |
| RTX 5090 (32GB) | V4 70B مكممة | 40-50 | 32GB VRAM + 64GB RAM |
| 4x RTX 4090 (96GB) | V4 أوزان كاملة | 15-20 | 96GB VRAM + 256GB RAM |
للمقارنة، تشغيل نماذج فئة GPT-4 محليًا يتطلب عادة بنية تحتية متخصصة تكلف $50,000+. ربما تُديمقرط ابتكارات كفاءة V4 الوصول إلى قدرات التريليون معامل.
RTX 5090 المتوقعة مع 32GB من GDDR7 تقلص الفجوة أكثر. مع الحاجة لا تزال لإلغاء التحميل للنماذج الكاملة، يجب أن يمكّن النطاق الترددي للذاكرة الأسرع ومعمارية Blackwell من الاستنتاج في الوقت الحقيقي تقريبًا على بطاقات استهلاكية واحدة.
إستراتيجية المصدر المفتوح
فتحت DeepSeek مصدر أوزان V4 تحت ترخيص Apache 2.0، مواصلة إستراتيجيتها في إطلاق القدرات الرائدة علنًا. هذا يتباين بشدة مع المنافسين الغربيين—GPT-5 و Claude Opus و Gemini تبقى مغلقة المصدر.
| النموذج | الأوزان متاحة | الترخيص | الاستضافة الذاتية |
|---|---|---|---|
| DeepSeek V4 | نعم | Apache 2.0 | دعم كامل |
| GPT-5.2 | لا | ملكية خاصة | API فقط |
| Claude Opus 4.5 | لا | ملكية خاصة | API فقط |
| Gemini Ultra | لا | ملكية خاصة | API فقط |
| Llama 4 | نعم | ترخيص مخصص | تجاري مقيد |
الأوزان المفتوحة تحول اقتصاديات النشر:
- النشر المحلي: البيئات المعزولة هوائيًا، امتثال سيادة البيانات
- التكميم: تشغيل إصدارات دقة مخفضة على أجهزة استهلاكية
- الضبط الدقيق: نماذج مخصصة لاحتياجات المؤسسة المحددة
- تحسين التكلفة: تجنب رسوم كل رمز للتطبيقات عالية الحجم
المؤسسات مع حوكمة بيانات صارمة يمكنها تشغيل V4 بالكامل داخل بنيتها التحتية. بالنسبة للصناعات مثل التمويل والرعاية الصحية والدفاع، هذا يلغي المخاوف حول إرسال كود ملكية إلى APIs خارجية.
اضطراب أسعار API
تسعير DeepSeek بالفعل يقوض المنافسين بشكل كبير. التسعير الحالي لـ V3: $0.27 لكل مليون رمز إدخال مقابل حوالي $15/مليون لـ GPT-4.5 و Claude Opus.
| المزود | النموذج | الإدخال (لكل 1M) | الإخراج (لكل 1M) | السياق |
|---|---|---|---|---|
| DeepSeek | V4 | $0.27 | $1.10 | 1M رمز |
| DeepSeek | V3.2 | $0.14 | $0.55 | 256K رمز |
| OpenAI | GPT-5.2 | $15.00 | $60.00 | 256K رمز |
| Anthropic | Opus 4.5 | $15.00 | $75.00 | 200K رمز |
| Gemini Pro | $3.50 | $10.50 | 128K رمز |
مثال عملي: سياق 100K رمز يكلف $5.50 على GPT-4 مقابل $0.90 على DeepSeek V3.2-Exp. سياق V4 بمليون رمز بـ $0.27/مليون رمز إدخال يجعل حالات الاستخدام المستحيلة سابقًا قابلة للتطبيق اقتصاديًا.
أظهر تحليل تكلفة واحد أن نهج هجين يستخدم DeepSeek للاستخراج بالإضافة إلى Claude للتدقيق خفض إنفاق API بنسبة 72% مع تحسين الدقة الواقعية بنسبة 12% مقارنة بـ GPT-5 الخالص.
فحص واقع البنية التحتية للتدريب
رغم ادعاءات الكفاءة، تبقى البنية التحتية لتدريب DeepSeek كبيرة. تدربت الشركة حسب التقارير R1 على 50,000 GPU من سلسلة Hopper—30,000 وحدة HGX H20، و10,000 H800، و10,000 H100—مُزودة عبر المستثمر High-Flyer Capital Management.
حثت السلطات الصينية DeepSeek على استخدام أجهزة Huawei Ascend لتدريب R2. واجهت الخطوة أداءً غير مستقر، واتصال شريحة إلى شريحة أبطأ، وقيود مجموعة أدوات برمجيات CANN من Huawei. رغم نشر Huawei مهندسين في الموقع، لم تستطع DeepSeek إكمال تدريب ناجح.
النتيجة: عادت DeepSeek إلى مُسرعات NVIDIA لتدريب R2 مع الاحتفاظ بأجهزة Huawei للاستنتاج. هذا يكشف عن كل من الحدود الحالية للشرائح الصينية المحلية ونهج DeepSeek البراغماتي—سيستخدمون ما يعمل، بغض النظر عن الضغط السياسي.
اعترف الرئيس التنفيذي لـ Huawei Ren Zhengfei أن "الولايات المتحدة بالغت في إنجازات Huawei" وأن أفضل شرائحهم تبقى جيلاً خلف. ومع ذلك، يتوقع مراقبو الصناعة تدريب بعض نماذج اللغة الكبيرة على الشرائح الصينية بحلول نهاية 2026، مع أن الاتجاه يصبح أكثر وضوحًا في 2027.
التداعيات الجيوسياسية
صعود DeepSeek السريع يشير إلى تحول كبير في المنافسة العالمية للذكاء الاصطناعي. إطلاق R1 من الشركة أثار انهيارًا في أسهم التكنولوجيا بقيمة 1 تريليون دولار في 27 يناير 2025—بما في ذلك 600 مليار دولار من NVIDIA وحدها.
وصفها الرئيس Trump بأنها "جرس إنذار" للشركات الأمريكية. مزودي الحوسبة السحابية مثل Alphabet و Microsoft و Amazon—الأخيرتان استثمرتا بشدة في OpenAI و Anthropic—تواجه الآن أزمة تسعير.
تباينت أنماط التبني الإقليمي بشدة:
| المنطقة | مستوى التبني | المحرك الأساسي |
|---|---|---|
| الصين | 89% حصة سوق | التكلفة، الأداء، التطوير المحلي |
| الجنوب العالمي | عالي/متزايد | المصدر المفتوح، متطلبات حوسبة منخفضة |
| المؤسسة الغربية | منخفض/متوسط | توفير التكلفة، النشر المحلي |
| الحكومة الغربية | محظور | مخاوف الأمان، سيادة البيانات |
منذ أغسطس 2025، التحميلات المتراكمة للمصدر المفتوح لنماذج الذكاء الاصطناعي الصينية تجاوزت المنافسين الغربيين—مما يشير إلى تحول كبير في أنماط استخدام الذكاء الاصطناعي العالمية. في الصين، تُسيطر DeepSeek حسب التقارير على تقريبًا 89% من حصة السوق بين مستخدمي الذكاء الاصطناعي.
التبني الحكومي الغربي يبقى ضئيلاً. أستراليا والدول المتحالفة حظرت DeepSeek من الأجهزة الرسمية، مع حتى 70% من الشركات الأسترالية تحجب الوصول بسبب مخاوف أمان البيانات.
الاستجابة التنافسية
عدّل المنافسون الغربيون التسعير والمنتجات استجابة لضغط DeepSeek:
- Google: خفضت تكاليف Gemini API عبر 2024 و2025
- OpenAI: خفضت الأسعار وأطلقت o3-mini في يناير 2026 للمنافسة على الكفاءة
- Anthropic: حافظت على التسعير لكن أكدت على Verifiable Safety Stack للصناعات المنظمة
هناك اعتبار تكلفة مخفي: العبء الإضافي للتحقق. استخدام النماذج الرخيصة غالبًا يتطلب إنفاق رموز على نماذج باهظة للتحقق من المخرجات. تُظهر التدقيقات أن إعداد "نموذج رخيص + مدقق عالي المستوى" يمكن أن يكلف 15% أكثر من مجرد استخدام GPT-5 للمهام متوسطة التعقيد.
بالنسبة للمؤسسات في الصناعات المنظمة، Verifiable Safety Stack من Claude توفر مسارات تدقيق تبرر التسعير المميز. إنفاذ قانون الذكاء الاصطناعي للاتحاد الأوروبي جعل وثائق الامتثال قيمة مثل الأداء الخام.
تداعيات البنية التحتية
ابتكارات كفاءة DeepSeek لا تلغي الطلب الحالي على GPU. النفقات الرأسمالية لـ Hyperscaler تواصل النمو، مع توقع $600+ مليار لعام 2026. لكن تركيب الإنفاق—ما يُبنى وكيف يُستخدم—قد يتغير.
نهج Engram لمعالجة السياق يؤكد على التسلسل الهرمي للذاكرة بدلاً من الحوسبة الخام. قد تعطي البنية التحتية للتدريب المستقبلية الأولوية لـ ذاكرة عالية النطاق الترددي والتخزين المؤقت الفعال بدلاً من ذروة FLOPS.
بالنسبة لمشغلي مراكز البيانات، تظهر عدة اتجاهات:
- النطاق الترددي للذاكرة يصبح حرجًا: تقنية إلغاء تحميل DRAM من Engram تنقل الأعبئة من ذاكرة GPU إلى RAM النظام
- بنية الاستنتاج التحتية تتنوع: النشر بجودة استهلاكية يمكّن التركيبات الحافية والمحلية
- التدريب يبقى مركزيًا: رغم مكاسب الكفاءة، تدريب النموذج الرائد لا يزال يتطلب مجمعات GPU ضخمة
- المعماريات الهجين تكتسب جذبًا: استخراج DeepSeek + تحقق النموذج الغربي يخفض التكاليف مع الحفاظ على الامتثال
النقاط الرئيسية
لفرق البنية التحتية للذكاء الاصطناعي:
- نشر DeepSeek V4 على الأجهزة الاستهلاكية (RTX 4090 مزدوجة) يحول اقتصاديات الذكاء الاصطناعي المحلية
- معمارية ذاكرة Engram تغير أولويات الأجهزة نحو DRAM عالي النطاق الترددي
- الأوزان المفتوحة تمكّن الضبط الدقيق والنشر دون تبعيات API
لصانعي القرارات في المؤسسات:
- تخفيضات التكلفة بـ 10-40 مرة تجعل تطبيقات الذكاء الاصطناعي غير الاقتصادية سابقًا قابلة للتطبيق
- المخاوف الأمنية تتطلب سياسات واضحة حول استخدام النماذج الصينية
- النشر الهجين (استخراج DeepSeek + تحقق غربي) يوفر توازن تكلفة-أداء
لمشغلي مراكز البيانات:
- سياقات المليون رمز تغير ملفات العبء ومتطلبات الذاكرة
- نشر GPU الاستهلاكية تخلق طلبًا على بنية تحتية استنتاج أصغر ومُوزعة
- مكاسب الكفاءة لا تلغي الطلب—تُوسع ما هو ممكن اقتصاديًا
حول Introl
تُوفر Introl نشر البنية التحتية المتخصصة لـ GPU لمراكز بيانات الذكاء الاصطناعي. مع 550 مهندس حقل متخصص في HPC عبر 257 موقعًا عالميًا، نشرت Introl أكثر من 100,000 GPU—تدعم كل شيء من مجمعات التدريب فائقة التوسع إلى بنية الاستنتاج الحافية. سواء نشرت المؤسسات DeepSeek أو نماذج ملكية أو معماريات هجين، خبرة Introl تضمن بنية تحتية موثوقة وعالية الأداء للذكاء الاصطناعي.
