«294 ألف دولار تهزّ عرش السيليكون»: كيف أعاد DeepSeek-R1 تعريف اقتصاديات الذكاء الاصطناعي؟

«294 ألف دولار تهزّ عرش السيليكون»: كيف أعاد DeepSeek-R1 تعريف اقتصاديات الذكاء الاصطناعي؟

في يناير 2025، وضعت شركة DeepSeek الصينية على الطاولة رقماً بدا أقرب إلى الخطأ المطبعي منه إلى الواقع: 294 ألف دولار. بهذا المبلغ، وبحدود 198 ساعة تدريب، أطلقت نموذج الاستدلال مفتوح المصدر R1، الذي قدّم أداءً مكافئاً لـ OpenAI o1 في الرياضيات والبرمجة — لا مجاناً، بل بترخيص MIT يسمح بالاستخدام التجاري والتعديل والتقطير. وبحلول سبتمبر 2025، كانت ورقة R1 قد اجتازت مراجعة الأقران في مجلة Nature، لتصبح أول نموذج لغوي كبير رئيسي يحصل على هذا «الختم» الأكاديمي. لكن خلف العنوان البراق، ثمة قصة أكثر تعقيداً: الرقم لا يشمل تكلفة بناء النموذج الأساسي V3، والتفوق يتركّز في مهام قابلة للتحقق آلياً. هذا التقرير يفكّك الأسطورة من دون أن ينكر الصدمة.

 

1. الرقم الذي أشعل الحريق: 294 ألفاً… لكن ماذا يعني بالضبط؟

 

وفقاً لورقة Nature ووثائق DeepSeek الرسمية، استُخدم في تدريب R1-Zero عدد 64 مجموعة من 8 بطاقات H800 (أي 512 بطاقة) لمدة 198 ساعة تقريباً؛ واستغرق تدريب R1 نحو 80 ساعة؛ كما استهلك بناء مجموعة بيانات الضبط الدقيق الخاضع للإشراف نحو 5000 ساعة GPU. وبمعدل دولارين لكل ساعة GPU، يبلغ الإجمالي 294 ألف دولار.

 

لكن موقع The Register البريطاني كشف النصف الآخر من الحقيقة: هذا الرقم يغطي فقط مرحلة التعلم المعزز بعد التدريب. أما النموذج الأساسي V3، وفقاً لورقته الخاصة، فقد استخدم 2048 بطاقة H800 لمدة شهرين تقريباً — 2.79 مليون ساعة GPU بتكلفة تقدر بـ 5.58 مليون دولار. وبإضافة التدريب اللاحق، تقترب التكلفة الفعلية لتطوير R1 من 5.87 مليون دولار. الرقم لا يزال أقل بكثير من نظيره الأمريكي، لكن مقولة «بناء o1 بـ 294 ألفاً» تبسيط مفرط انتشر كالنار في الهشيم.

2. الابتكار التقني: حين تعلّم النموذج أن يفكر من تلقاء نفسه

تكمن الثورة الحقيقية في R1 في تخليه عن الاعتماد على بيانات الاستدلال المشروحة يدوياً، واستبدالها بالتعلم المعزز الخالص: إشارة مكافأة واحدة على صحة الإجابة النهائية، دون أي قيد على مسار التفكير. والنتيجة سلوك لم يتوقعه أحد — توقف النموذج من تلقاء نفسه «ليفكر»، ثم عاد ليراجع خطواته السابقة في ظاهرة عُرفت إعلامياً بـ«لحظة يوريكا».

وأشارت Nature في افتتاحيتها إلى أن القيمة لا تكمن في النتائج وحدها، بل في إثبات أن استراتيجيات الاستدلال يمكن أن تنشأ تلقائياً دون إرشاد بشري حول «كيفية التفكير» — وهو ما يفتح مساراً بحثياً جديداً أمام النماذج اللغوية الكبيرة.

 

3. الأداء: أرقام تتحدث بصوت عالٍ

 

بحسب البيانات الرسمية لـ DeepSeek، حقق R1 درجة pass@1 تبلغ 79.8 في مسابقة الرياضيات للصف الثانوي AIME 2024، متجاوزاً متوسط أداء المشاركين البشر؛ وعلى منصة البرمجة Codeforces، تجاوز أداؤه 96.3% من المشاركين. وأشار تقرير الأكاديمية الصينية للعلوم إلى أن R1 بلغ مستوى الأداء الرائد دولياً في المهام القابلة للتحقق، وقدّم «مساراً صينياً» منخفض التكلفة وعالي الكفاءة لتطوير النماذج اللغوية الكبيرة.

4. المصداقية: أول «ختم» من مراجعة الأقران في تاريخ النماذج الكبيرة

في سبتمبر 2025، نُشرت ورقة R1 رسمياً في Nature بعد مراجعة 8 متخصصين، لتصبح أول نموذج لغوي كبير رئيسي يمر بهذه العملية. وفي ردّهم على المراجعين، أضافت DeepSeek محتوى يتعلق باختبارات الأمان والوقاية من تلوث البيانات. وقال لويس تونستول، مهندس التعلم الآلي في Hugging Face وأحد المراجعين: «هذه سابقة مرحب بها للغاية. إذا لم نكن نمتلك عادة نشر جزء كبير من هذه العملية علناً، فسيصبح من الصعب جداً تقييم ما إذا كانت هذه الأنظمة تشكل مخاطر». وكان R1 حتى ذلك الحين الأكثر تحميلاً على Hugging Face للنماذج المعقدة حل المشكلات، بأكثر من 10.9 مليون تحميل.

5. الشفافية والقيود: ما لا يقوله العنوان البراق

أُطلق R1 بموجب ترخيص MIT، ما يسمح بالاستخدام التجاري والتعديل المجاني، وأطلقت DeepSeek ستة نماذج صغيرة مستخلصة (من 1.5B إلى 70B) لنقل قدرات الاستدلال إلى أجهزة محدودة الموارد.

لكن تقريراً من كلية لندن الجامعية يذكّر بقيود جوهرية: لا تكشف DeepSeek عن مجموعة بيانات التدريب؛ وحتى مع شفافية الاستدلال، قد تتأثر الإجابات بمعرفة خاطئة؛ كما يمكن استخدام قدرة «الاستدلال الذاتي» لتجاوز قيود الأمان، ما يستلزم ضوابط خارجية مثل التحقق البشري في الحلقة في السيناريوهات الحساسة.

6. الزلزال البيئي: كيف أعاد المصدر المفتوح رسم خريطة اللعبة

تجاوز تأثير R1 النموذج نفسه إلى قواعد الصناعة. فبحلول أوائل 2026، تجاوز عدد النماذج المشتقة المبنية على النماذج الصينية مفتوحة المصدر (وعلى رأسها Qwen من علي بابا وDeepSeek) عدد نظيراتها الأمريكية بفارق كبير. وأظهر بحث مشترك بين MIT وHugging Face أن حصة الصين من تحميلات نماذج الذكاء الاصطناعي مفتوحة المصدر عالمياً بلغت 17.1%، مقابل 15.8% للولايات المتحدة.

وفي وادي السيليكون، يجري تبني صامت لكنه واسع: نحو 80% من شركات الذكاء الاصطناعي الناشئة الأمريكية تستخدم نماذج صينية مفتوحة المصدر في تطوير منتجاتها. وأعلن بيل ريدي، الرئيس التنفيذي لـ Pinterest، أن النماذج مفتوحة المصدر «تتفوق بدقة تصل إلى 30% على أفضل النماذج الجاهزة المتاحة» وبتكلفة أقل؛ وأقرّ الرئيس التنفيذي لـ Airbnb بأن شركته «تعتمد بشكل كبير» على Qwen لدعم نظام خدمة العملاء بالذكاء الاصطناعي. ووصفت بلومبرغ هذا الاتجاه بأنه «منطقة الموت» لشركات النماذج المتوسطة الأمريكية: لا تستطيع منافسة النماذج الصينية المجانية سعرياً، ولا تملك القدرة على فرض علاوة على قدراتها.

 

7. حدود يجب النظر إليها ببرود

 

أولاً، 294 ألف دولار ليست التكلفة الإجمالية لبناء R1 من الصفر، بل تغطي مرحلة التعلم المعزز فقط؛ والتكلفة الفعلية مع الأساس V3 تقترب من 6 ملايين دولار — أقل بكثير من المنافس الأمريكي، لكن بعيدة عن السردية المتداولة.

ثانياً، التفوق يتركّز في المهام القابلة للتحقق آلياً (الرياضيات، البرمجة، المنطق)، حيث يمكن دفع التعلم المعزز بمكافأة الصواب والخطأ. أما الكتابة المفتوحة، وأحكام القيمة المعقدة، وقرارات السياقات الغامضة، فميزة R1 فيها ليست واضحة.

ثالثاً، ثمة فجوة في شفافية البيانات: الورقة كشفت أحجام بيانات التعلم المعزز (رياضيات 26 ألفاً، برمجة 17 ألفاً، علوم وتقنية 22 ألفاً، منطق 15 ألفاً، عام 66 ألفاً)، لكن المصادر المحددة وطريقة البناء ومدى احتواء البيانات على محتوى مولّد بالذكاء الاصطناعي لا تزال غير مكتملة الإفصاح. وتؤكد DeepSeek أنها لم تستخدم مخرجات OpenAI للتدريب، لكن التحقق الكامل يظل صعباً تقنياً.

خاتمة: بداية ثورة كفاءة… لا نهايتها

الأهمية التاريخية لـ DeepSeek-R1 لا تكمن في كونه «أقوى من o1» — فالنتائج متبادلة في معظم المعايير. الصدمة الحقيقية في إثبات مسار قابل للتكرار: في ظل قيود حسابية وميزانيات محدودة، يمكن عبر ابتكار خوارزمي (التعلم المعزز الخالص + البدء البارد + التقطير) الاقتراب من القدرات المتقدمة.

والنتائج المتسلسلة حقيقية: حصة تبني النماذج الصينية مفتوحة المصدر ارتفعت عالمياً خلال العام الذي أعقب الإطلاق؛ والشركات الأمريكية المغلقة أعادت النظر في استراتيجيات التسعير؛ والأوساط الأكاديمية حصلت لأول مرة على منهجية تدريب كاملة لنموذج استدلال متقدم خاضعة لمراجعة الأقران. لكن «التكلفة المنخفضة» لا تعني «انعدام العتبة»: النماذج المستخلصة (1.5B–70B) تتيح نشر قدرات الاستدلال محلياً لمؤسسات أكثر، بينما يظل تشغيل النموذج الأصلي بحجم 660B مكلفاً عتادياً. لمعظم الشركات، تكمن أهمية R1 في كونه خياراً لإعادة الموازنة بين التكلفة والقدرة — لا بديلاً مجانياً شاملاً.

 

الحكم النهائي: بعد التحقق المتقاطع، فإن تكلفة 294 ألف دولار، ومدة 198 ساعة، وترخيص MIT، ومراجعة Nature، والأداء بمستوى o1 في الرياضيات والبرمجة — كلها مدعومة بمصادر موثوقة. لكن «التكلفة الإجمالية 294 ألفاً فقط» و«التفوق الشامل على o1» مقولتان تنطويان على مبالغة أو تبسيط، ويجب وضعهما في سياقهما. R1 بداية ثورة كفاءة… وليس نهايتها.