رقابت جهانی در صنعت هوش مصنوعی در حال تغییر ماهیت است؛ دیگر برتری فنی یک مدل به تنهایی سرنوشت بازار را رقم نمی‌زند و معیارهایی مانند هزینه اجرای هر وظیفه، امکان استقرار محلی، دسترسی به وزن مدل و نسبت کیفیت به قیمت به متغیرهای اصلی انتخاب سازمان‌ها و توسعه‌دهندگان تبدیل شده‌اند. موج تازه مدل‌های چینی این تحول را شتاب بخشیده و بازار را به سمت رقابت بر سر «اقتصاد تولید و مصرف هوش مصنوعی» سوق داده است.

تغییر میدان رقابت؛ از قدرتمندترین مدل تا ارزان‌ترین اجرا

بررسی روندهای اخیر صنعت نشان می‌دهد که مرز رقابت میان آزمایشگاه‌های بزرگ از ساخت مدل‌های حداکثری به عرضه توانمندی کافی با کمترین هزینه منتقل شده است. ورود نسل جدید مدل‌های چینی، از دیپ‌سیک «V4» تا کیمی «K3» و خانواده «Qwen» علی‌بابا، فشار قیمت را به سطحی قابل اندازه‌گیری رسانده است. داده‌های پلتفرم «OpenRouter» در میانه ژوئیه ۲۰۲۶ نشان می‌دهد دیپ‌سیک با سهم ۱۶.۷ درصدی از توکن‌های پردازش‌شده به پرمصرف‌ترین سازنده مدل در این پلتفرم تبدیل شده است. مدل «V4 Flash» نیز رتبه سوم پرمصرف‌ترین مدل‌ها و جایگاه سوم در میان مدل‌های مورد استفاده برای فراخوانی ابزار را به دست آورده است. سهم دیپ‌سیک از جریان توکن این پلتفرم طی حدود شش ماه تقریباً دو برابر شده و بخش مهمی از این رشد به کاربردهای عامل‌محور (Agentic) مربوط می‌شود.

معماری ارزان‌تر؛ راز موفقیت V4 Flash

اهمیت مدل «V4 Flash» دیپ‌سیک تنها به قیمت پایین آن بازنمی‌گردد؛ معماری این مدل نشان می‌دهد رقابت هزینه به لایه طراحی رسیده است. این مدل بر پایه معماری «ترکیب متخصصان» (Mixture-of-Experts) ساخته شده و با ۲۸۴ میلیارد پارامتر، در هر مرحله تنها ۱۳ میلیارد پارامتر را فعال می‌کند و پنجره متنی یک میلیون توکنی ارائه می‌دهد. قیمت ثبت‌شده آن در OpenRouter فقط ۹ سنت برای یک میلیون توکن ورودی و ۱۸ سنت برای یک میلیون توکن خروجی است؛ ترکیبی که امکان بهره‌گیری از یک مدل بزرگ را بدون هزینه محاسباتی متناسب با اندازه آن فراهم می‌کند.

پژوهش‌های فنی منتشرشده درباره معماری V4 نیز از بهینه‌سازی‌های استنتاجی سخن می‌گویند. مطالعه «FlashMemory-DeepSeek-V4» نشان می‌دهد که با مدیریت انتخابی «KV Cache» می‌توان ردپای فیزیکی حافظه در وظایف متن بلند را به حدود ۱۳.۵ درصد حالت پایه کاهش داد و در مقیاس ۵۰۰ هزار توکن بیش از ۹۰ درصد سربار حافظه را حذف کرد، بدون آن که ظرفیت استدلالی مدل افت محسوسی کند. نکته مهم آن است که هزینه پایین مدل‌های چینی الزاماً حاصل سخت‌افزار ارزان‌تر نیست و بخش بزرگی از مزیت از معماری و مهندسی استنتاج ناشی می‌شود.

واکنش سیلیکون‌ولی؛ کاهش قیمت به جای افزایش صرف قابلیت

فشار رقابتی اکنون در ساختار قیمت‌گذاری شرکت‌های آمریکایی دیده می‌شود. اوپن‌ای‌آی خانواده «GPT-5.6» را با تفکیک آشکار سطوح هزینه و توانایی عرضه کرده است؛ مدل «Luna» به عنوان سریع‌ترین و ارزان‌ترین گزینه این خانواده معرفی شده که هزینه آن ۸۰ درصد کمتر از «GPT-5.6 Sol» است. مدل «Terra» نیز بنا بر ادعای این شرکت عملکردی هم‌سطح «GPT-5.5» در معیارهای هوش با نصف قیمت ارائه می‌دهد. اوپن‌ای‌آی حتی در رده بالای بازار تأکید می‌کند «GPT-5.6 Sol» در برخی شاخص‌ها از «Claude Fable 5» آنتروپیک جلوتر است و هزینه آن کمتر از نصف است.

کارشناسان معتقدند منطق اقتصادی این تغییر با گسترش عامل‌های هوش مصنوعی پررنگ‌تر می‌شود. یک گفت‌وگوی ساده ممکن است چند هزار توکن مصرف کند، اما یک عامل خودمختار که برای انجام مأموریت خود بارها مدل را فراخوانی می‌کند، ابزار به کار می‌گیرد و خروجی را ارزیابی می‌کند، مصرف محاسباتی بسیار بیشتری دارد. در چنین شرایطی، اختلاف کوچک در قیمت هر فراخوانی پس از میلیون‌ها توکن به تفاوتی جدی در هزینه عملیاتی بدل می‌شود؛ به همین دلیل بنگاه‌ها وظایف خود را میان مدل‌های مختلف توزیع می‌کنند و قدرتمندترین مدل را تنها برای مسائلی به کار می‌گیرند که واقعاً به آن نیاز دارند.

شتاب کالایی شدن هوش مصنوعی

در پس این رقابت، تحولی مهم‌تر جریان دارد: کوتاه‌شدن عمر اقتصادی فناوری‌های مرزی. پژوهشی که در سال ۲۰۲۶ با داده‌های ۳۱۸ مدل در OpenRouter و بیش از سه هزار مدل ثبت‌شده در «Epoch AI» انجام شده، از کاهش حدود ۶۰۰ برابری قیمت توکن طی سال‌های ۲۰۲۰ تا ۲۰۲۶ حکایت دارد. نیمه‌عمر قیمت مدل‌های اقتصادی حدود ۱.۱ سال و مدل‌های میان‌رده حدود ۱.۵۵ سال برآورد شده است. نقطه عطف بازار نیز می ۲۰۲۴ بوده و از آن زمان رقابت عرضه‌کنندگان به یکی از موتورهای اصلی شتاب کاهش قیمت تبدیل شده است.

این پدیده را می‌توان «کالایی شدن سریع» مدل‌های هوش مصنوعی نامید: قابلیتی که یک سال پیش تنها در مدل مرزی و گران‌قیمت وجود داشت، با فاصله‌ای کوتاه در مدلی کوچک‌تر، متن‌باز یا بسیار ارزان‌تر در دسترس قرار می‌گیرد. در چنین بازاری، شرکت پیشرو برای حفظ حاشیه سود ناگزیر است مدام مرز قابلیت را جلو ببرد، زیرا بخش پایین‌تر منحنی توانایی به سرعت توسط رقبا ارزان می‌شود.

استراتژی جدید شرکت‌های چینی؛ از جذب توسعه‌دهنده تا درآمدزایی

گام بعدی رقابت از سمت چین نیز در حال شکل‌گیری است. موفقیت مدل‌های متن‌باز به شرکت‌های چینی امکان داده است ابتدا هزینه پذیرش را کاهش دهند، سپس اکوسیستم توسعه‌دهندگان را بسازند و در نهایت به سراغ درآمدزایی بروند. گزارش‌ها حاکی از آن است که علی‌بابا برای مدل «Qwen3.8-Max» به الگوی جدیدی روی آورده که از کاربران تجاری بزرگ سهمی از درآمد مطالبه می‌کند؛ شرکت «Moonshot» نیز برای مدل «Kimi K3» سازوکاری مشابه برای کسب‌وکارهایی که درآمد خدماتشان از آستانه مشخصی عبور می‌کند در نظر گرفته است.

وزن این راهبرد وقتی بیشتر می‌شود که کیفیت مدل‌های متن‌باز به مرز فناوری نزدیک شود. مقاله فنی «Kimi K3» آن را سامانه‌ای مبتنی بر ترکیب متخصصان با ۲.۸ تریلیون پارامتر و ۱۰۴ میلیارد پارامتر فعال معرفی می‌کند که پنجره متنی یک میلیون توکنی دارد. سازندگان این مدل اذعان دارند که هنوز از قدرتمندترین مدل‌های اختصاصی مانند «Claude Fable 5» و «GPT-5.6 Sol» عقب‌تر است، اما در گستره وسیعی از وظایف کدنویسی، استدلال و عامل‌محور در محدوده مدل‌های مرزی قرار می‌گیرد. انتشار وزن کامل چنین مدلی، انتخاب میان «مدل باز ارزان‌تر» و «مدل بسته قدرتمندتر» را برای بنگاه‌ها به یک مسئله اقتصادی واقعی تبدیل می‌کند.

بازاری چندلایه در راه است

رقابت چین و آمریکا در حوزه هوش مصنوعی در حال ساخت بازاری چندلایه است. در بالاترین لایه، آزمایشگاه‌ها برای تصاحب مرز استدلال و قابلیت‌های عامل‌محور رقابت می‌کنند؛ اما در لایه وسیع‌تر، هزینه انجام موفق یک وظیفه به معیار تعیین‌کننده بدل شده است. لایه دوم از نظر اقتصادی شاید مهم‌تر باشد، زیرا بخش بزرگی از کاربردهای سازمانی به هوش مرزی نیاز ندارند و با مدل کوچک‌تر، ارزان‌تر یا محلی قابل اجرا هستند.

مدل‌های چینی با کاهش فاصله عملکردی و فشار بر روند قیمت‌گذاری، حاشیه اقتصادی هوش مصنوعی را فشرده می‌کنند و آزمایشگاه‌های آمریکایی را وادار می‌سازند بخش بیشتری از پیشرفت فنی خود را به شکل کاهش هزینه به بازار منتقل کنند. در سوی مقابل، شرکت‌های چینی پس از ایجاد مقیاس مصرف، روش‌های تازه درآمدزایی را می‌آزمایند. اگر این روند ادامه یابد، مهم‌ترین دستاورد موج کنونی مدل خاصی از آمریکا یا چین نخواهد بود؛ محصول اصلی این رقابت، تبدیل هوش مصنوعی پیشرفته از منبعی کمیاب و گران به محصولی فراوان، قابل جایگزینی و ارزان است.