مع مطلع عام 2026، عادت شركة الذكاء الاصطناعي الصينية الناشئة DeepSeek إلى واجهة المشهد العالمي، بعد أن كشفت عن أسلوب جديد لتدريب النماذج اللغوية الكبيرة يتوقع محللون أن يكون له تأثير واسع على مستقبل الذكاء الاصطناعي، ليس من حيث الأداء فقط، بل من حيث استقرار النماذج وكفاءة الحوسبة وتكلفة التطوير.
الاختراق الجديد لا يتمثل في نموذج جاهز للاستخدام، بل في إعادة التفكير في طريقة بناء النماذج نفسها، وهو ما يجعل هذا الإعلان ذا أبعاد استراتيجية تتجاوز المنافسة التقليدية بين النماذج.
ورقة بحثية بدلًا من منتج: لماذا هذا مهم؟
نشرت DeepSeek ورقة بحثية شارك في تأليفها مؤسس الشركة ليانغ وينفنغ، تعرض فيها نهجًا تدريبيًا جديدًا أطلقت عليه اسم:
Manifold-Constrained Hyper-Connections
الورقة لا تقدّم تحسينًا تدريجيًا بسيطًا، بل تقترح إعادة تصميم طريقة تدفق المعلومات داخل النماذج اللغوية الكبيرة، في محاولة لحل واحدة من أكبر المشكلات التي تواجه هذا النوع من النماذج:
المشكلة الأساسية في النماذج اللغوية الكبيرة
مع توسّع النماذج اللغوية، يسعى الباحثون عادة إلى:
- زيادة عدد المعاملات
- السماح لأجزاء النموذج بتبادل معلومات أكثر
- تحسين القدرة على الاستدلال والفهم العميق
لكن هذه الخطوات تؤدي غالبًا إلى:
- عدم استقرار التدريب
- تضخّم كبير في استهلاك الحوسبة
- ارتفاع التكاليف بشكل غير خطّي
وهنا تحديدًا يأتي طرح DeepSeek.
ما الذي تغيّره DeepSeek تقنيًا؟
بحسب ما توضحه الورقة البحثية، يتيح الأسلوب الجديد:
- مشاركة أكثر ثراءً للمعلومات داخل النموذج
- ولكن ضمن قيود هندسية ورياضية دقيقة
- تضمن بقاء التدريب مستقرًا حتى مع توسّع النطاق
بمعنى آخر، النموذج:
يرى أكثر…
ويفهم أعمق…
دون أن ينهار أو يخرج عن السيطرة.
هذا التوازن بين القوة والاستقرار هو ما يجعل النهج الجديد محط اهتمام واسع في أوساط الباحثين.
كيف يرى المحللون هذا التطور؟
وي صن – Counterpoint Research
وصفت كبيرة محللي الذكاء الاصطناعي في شركة Counterpoint Research هذا النهج بأنه:
“اختراق لافت في طريقة تدريب النماذج”.
وأوضحت أن DeepSeek:
- جمعت بين تقنيات متعددة
- خفّضت الكلفة الإضافية للتدريب
- وحتى في حال وجود زيادة طفيفة في التكلفة، فإن العائد في الأداء قد يكون أكبر بكثير
الأهم من ذلك، ترى صن أن الورقة تمثل بيانًا واضحًا عن القدرات الداخلية للشركة، وليس مجرد تجربة بحثية معزولة.
أكثر من ورقة… رسالة استراتيجية
تشير التحليلات إلى أن ما قامت به DeepSeek يعكس:
- قدرة عالية على التجريب السريع
- تبنّي أفكار بحثية غير تقليدية
- إعادة تصميم منظومة التدريب من البداية إلى النهاية
وهو ما يعيد للأذهان ما وصفه البعض بـ “لحظة سبوتنيك” التي عاشتها الشركة في يناير 2025، عندما كشفت عن نموذج الاستدلال R1.
لماذا تقارن هذه الخطوة بلحظة 2025؟
في مطلع 2025، أطلقت DeepSeek نموذج R1، الذي:
- نافس نماذج كبرى مثل نموذج o1 من OpenAI
- قدّم أداءً مقاربًا
- لكن بتكلفة أقل بكثير
ذلك الإطلاق أحدث صدمة في:
- قطاع التكنولوجيا
- أسواق الأسهم الأميركية
واليوم، لا تعود DeepSeek بنموذج جديد فقط، بل بطبقة أعمق من الابتكار: طريقة التدريب نفسها.
تأثير محتمل يتجاوز شركة واحدة
يرى ليان جاي سو، كبير المحللين في شركة Omdia، أن هذا البحث قد:
- يُحفّز مختبرات ذكاء اصطناعي منافسة
- لتطوير نسخها الخاصة من هذا النهج
- ما قد يغيّر الطريقة التي تُبنى بها النماذج مستقبلًا
كما يشير إلى أن انفتاح DeepSeek ومشاركتها للنتائج البحثية يعكس:
- ثقة متزايدة
- ونضجًا في صناعة الذكاء الاصطناعي الصينية
- حيث يصبح الانفتاح نفسه ميزة استراتيجية وليس تنازلًا
ماذا يعني هذا لصناعة الذكاء الاصطناعي؟
هذا التطور يفتح الباب أمام:
- نماذج أكبر دون تضخّم حوسبي غير مبرر
- خفض العوائق أمام مختبرات أصغر
- تسريع الابتكار خارج الشركات العملاقة فقط
وبالتالي، فإن الاختراق لا يهدد منافسًا بعينه، بل يعيد توزيع موازين القوة في الصناعة ككل.
خلاصة جولة
ما أعلنت عنه DeepSeek ليس منتجًا استهلاكيًا، ولا تحديثًا عاديًا، بل إعادة تفكير في البنية العميقة لتدريب الذكاء الاصطناعي.
إذا ثبتت فعالية هذا النهج على نطاق واسع، فقد ننظر إلى بداية 2026 باعتبارها:
لحظة مفصلية جديدة…
لا في نماذج الذكاء الاصطناعي فقط،
بل في الطريقة التي نُدرّب بها الذكاء نفسه.
