دیپ‌سیک معادله رقابت با GPT را تغییر می‌دهد؟ ادعای کاهش ۹۰درصدی هزینه پردازش هوش مصنوعی
رقابت میان شرکت‌های هوش مصنوعی بار دیگر با انتشار ادعاهایی درباره هزینه پایین پردازش در مدل دیپ‌سیک مورد توجه قرار گرفته است. بر اساس گزارشی منتشرشده درباره یک آزمایش، مدل DeepSeek V4.۱ Flash توانسته با هزینه‌ای به‌مراتب کمتر و سرعت تولید پاسخ ۲۳۷ توکن در ثانیه با مدل GPT-۶.۱ مقایسه شود؛ با این حال، نبود جزئیات کافی درباره شرایط آزمایش، ارزیابی قطعی این اختلاف را دشوار می‌کند.
دیپ‌سیک با هزینه‌ای ۹۰ درصد کمتر؛ ادعاها چه می‌گویند؟
به گزارش توسعه برند، یکی از کاربران مدعی شده است اجرای یک آزمایش با رابط برنامه‌نویسی دیپ‌سیک تنها ۰٫۴۴ سنت هزینه داشته و سرعت تولید پاسخ به بیش از ۲۳۷ توکن در ثانیه رسیده است.
بر اساس همین ادعا، هزینه اجرای آزمایش با دیپ‌سیک حدود ۹۰ درصد کمتر از GPT-۶.۱ بوده است. چنین اختلافی، در صورت تأیید در شرایط یکسان، می‌تواند برای کسب‌وکارهایی که به‌صورت گسترده از مدل‌های هوش مصنوعی استفاده می‌کنند اهمیت زیادی داشته باشد.
با این حال، اطلاعات منتشرشده درباره نوع آزمون، تعداد توکن‌های پردازش‌شده، سخت‌افزار مورد استفاده و تنظیمات مدل‌ها کافی نیست. بنابراین، نمی‌توان نتیجه گرفت که دیپ‌سیک در تمام کاربردها ۹۰ درصد ارزان‌تر یا از نظر عملکرد برتر از مدل رقیب است.
معماری دیپ‌سیک چگونه هزینه پردازش را کاهش می‌دهد؟
یکی از فناوری‌هایی که در گزارش برای توضیح کاهش هزینه‌ها به آن اشاره شده، معماری «ترکیب متخصصان» یا MoE است. در این معماری، با وجود تعداد زیاد پارامترهای کلی مدل، تنها بخشی از آن‌ها برای انجام هر مرحله از پردازش فعال می‌شوند.
طبق مشخصات ذکرشده در گزارش، مدل DeepSeek V4.۱ Flash در مجموع ۵۵۲ میلیارد پارامتر دارد. در عین حال، هنگام پردازش ورودی ۸ میلیارد پارامتر و هنگام تولید خروجی ۱۶ میلیارد پارامتر فعال می‌شوند.
هدف از این طراحی، کاهش محاسبات غیرضروری و استفاده مؤثرتر از منابع پردازشی است. البته تعداد پارامترهای فعال به‌تنهایی هزینه نهایی را مشخص نمی‌کند و عواملی مانند سخت‌افزار، طول درخواست، شیوه سرویس‌دهی و میزان استفاده از حافظه نیز مؤثرند.
کاهش مصرف حافظه؛ عامل دیگری در رقابت هوش مصنوعی
بهینه‌سازی حافظه نیز از دیگر موارد مطرح‌شده در گزارش است. اطلاعات منتشرشده ادعا می‌کند نیاز مدل به حافظه پرسرعت برای نگهداری اطلاعات زمینه به حدود یک‌چهارم نسل قبلی کاهش یافته و نیاز به فضای ذخیره‌سازی پایدار این داده‌ها نیز به حدود یک‌هشتم رسیده است.
چنین بهینه‌سازی‌هایی می‌توانند هزینه زیرساخت را کاهش دهند؛ به‌ویژه در کاربردهایی که مدل باید درخواست‌های طولانی یا تعداد زیادی درخواست هم‌زمان را پردازش کند.
گزارش همچنین به پشتیبانی از ورودی تصویری و قابلیت استفاده از ابزارها در فرایندهای چندمرحله‌ای اشاره می‌کند. با این حال، برای ارزیابی دقیق این توانایی‌ها باید نتایج آزمون‌های مستقل و معیارهای عملکرد مدل در دسترس باشد.
قیمت API دیپ‌سیک به چه عواملی بستگی دارد؟
هزینه استفاده از رابط برنامه‌نویسی هوش مصنوعی یا API معمولاً به تعداد توکن‌های ورودی و خروجی، مدل انتخاب‌شده و شرایط استفاده از حافظه کش وابسته است. بنابراین، یک عدد اعلام‌شده در آزمایش لزوماً هزینه همه درخواست‌ها را نشان نمی‌دهد.
برای مقایسه دقیق دیپ‌سیک با مدل‌های GPT باید چند عامل به‌صورت هم‌زمان بررسی شود:
- هزینه ورودی و خروجی: قیمت پردازش توکن‌های ورودی ممکن است با توکن‌های تولیدشده متفاوت باشد.
- سرعت تولید پاسخ: سرعت بالاتر لزوماً به معنای کیفیت بهتر یا هزینه کمتر در تمام سناریوها نیست.
- کیفیت خروجی: دقت پاسخ، توانایی استدلال و عملکرد در وظیفه موردنظر باید مقایسه شود.
- هزینه زیرساخت: حافظه، توان پردازشی و ظرفیت مدیریت درخواست‌های هم‌زمان در هزینه نهایی نقش دارند.
- شرایط آزمایش: تعداد توکن‌ها، نوع درخواست و تنظیمات مدل‌ها باید تا حد امکان یکسان باشد.
آیا دیپ‌سیک می‌تواند رقابت با GPT را تغییر دهد؟
اگر ادعاهای مربوط به کاهش هزینه و سرعت پردازش در آزمون‌های مستقل و قابل تکرار تأیید شوند، دیپ‌سیک می‌تواند برای توسعه‌دهندگان و شرکت‌هایی که به پردازش انبوه نیاز دارند، گزینه‌ای اقتصادی باشد.
با این حال، انتخاب یک مدل هوش مصنوعی تنها بر اساس قیمت یا سرعت منطقی نیست. کیفیت پاسخ، قابلیت اطمینان، امکانات فنی و تناسب مدل با نیاز هر کسب‌وکار نیز اهمیت دارد.
در نتیجه، ادعای کاهش ۹۰ درصدی هزینه پردازش را باید نتیجه یک آزمایش مشخص دانست، نه برتری قطعی دیپ‌سیک در همه کاربردها. برای مشخص شدن اثر واقعی این مدل بر رقابت بازار هوش مصنوعی، انتشار جزئیات کامل آزمایش و مقایسه‌های مستقل ضروری است.
