تحديث DeepSeek V3 يقود نموذجًا جديدًا للذكاء الاصطناعي: تحسين الخوارزمية وتطوير قوة الحوسبة بالتعاون

أصدرت DeepSeek مؤخرًا تحديث النسخة V3 على Hugging Face - DeepSeek-V3-0324، حيث بلغت معلمات النموذج 6850 مليار، مع تحسينات ملحوظة في قدرات البرمجة وتصميم واجهة المستخدم وقدرات الاستدلال.

في مؤتمر GTC 2025 الذي انتهى مؤخرًا، أشاد أحد كبار المسؤولين في شركة تكنولوجيا بإنجازات DeepSeek، وأكد أن وجهة نظر السوق السابقة بأن نموذج DeepSeek الفعال سيقلل من الطلب على الرقائق كانت خاطئة. وأشار إلى أن الطلب على الحوسبة في المستقبل سيزداد فقط، وليس سينخفض.

تعد DeepSeek كمنتج تمثيلي للاختراقات الخوارزمية، وقد أثار ارتباطها بين توفير الشرائح أفكار الناس حول قوة الحوسبة والخوارزمية في تطور الصناعة.

قوة الحوسبة والخوارزمية المتبادلة في التطور

في مجال الذكاء الاصطناعي، فإن تحسين قوة الحوسبة يوفر أساسًا لتشغيل الخوارزميات الأكثر تعقيدًا، مما يمكّن النماذج من معالجة كميات أكبر من البيانات، وتعلم أنماط أكثر تعقيدًا؛ بينما يمكن أن يؤدي تحسين الخوارزمية إلى استخدام قوة الحوسبة بشكل أكثر كفاءة، وزيادة كفاءة استخدام موارد الحوسبة.

قوة الحوسبة والخوارزمية تتفاعل مع بعضها البعض بشكل متزايد مما يعيد تشكيل صناعة الذكاء الاصطناعي:

1. تباين المسارات التقنية: بعض الشركات تسعى لبناء تجمعات حوسبة ضخمة، بينما تركز شركات مثل DeepSeek على تحسين كفاءة الخوارزمية، مما يؤدي إلى ظهور اتجاهات تقنية مختلفة.

2. إعادة هيكلة سلسلة الصناعة: أصبحت إحدى شركات الرقائق رائدة في قوة الحوسبة للذكاء الاصطناعي من خلال نظامها البيئي، بينما قامت شركات خدمات السحابة بتقليل عوائق النشر من خلال خدمات القوة الحوسبية المرنة.

3. تعديل تخصيص الموارد: تسعى الشركات إلى تحقيق التوازن بين استثمار البنية التحتية للأجهزة وتطوير الخوارزميات الفعالة.

4. ظهور المجتمع مفتوح المصدر: نماذج مفتوحة المصدر مثل DeepSeek و LLaMA تجعل الابتكار في الخوارزمية ونتائج تحسين قوة الحوسبة قابلة للمشاركة، مما يسرع من تكرار التكنولوجيا وانتشارها.

الابتكارات التكنولوجية لـ DeepSeek

نجاح DeepSeek مرتبط ارتباطًا وثيقًا بالابتكار التكنولوجي الخاص به. وفيما يلي شرح موجز لنقاط الابتكار الرئيسية الخاصة به:

تحسين بنية النموذج

ديب سيك يستخدم بنية مركبة من Transformer + MOE (خليط من الخبراء) ، ويقدم آلية انتباه كامنة متعددة الرؤوس (Multi-Head Latent Attention, MLA). هذه البنية تعمل مثل فريق فعال، حيث يتعامل Transformer مع المهام العادية، وMOE كفريق خبراء يتعامل مع مشاكل محددة، بينما تتيح MLA للنموذج التركيز بشكل أكثر مرونة على التفاصيل المهمة.

طرق التدريب革新

طرحت DeepSeek إطار تدريب بدقة مختلطة FP8، والذي يمكنه اختيار دقة الحوسبة المناسبة ديناميكيًا حسب احتياجات التدريب، مع ضمان دقة النموذج وزيادة سرعة التدريب وتقليل استخدام الذاكرة.

تحسين كفاءة الاستدلال

DeepSeek يقدم تقنية التنبؤ بالعديد من الرموز (Multi-token Prediction, MTP) التي يمكنها التنبؤ بعدة رموز في وقت واحد، مما يزيد بشكل كبير من سرعة الاستدلال ويقلل من التكاليف.

###突破 الخوارزمية التعلم المعزز

خوارزمية التعلم المعزز الجديدة GRPO (تحسين المكافأة المعاقبة العامة) حسنت عملية تدريب النموذج، مع ضمان تحسين الأداء وتقليل الحسابات غير الضرورية، لتحقيق التوازن بين الأداء والتكلفة.

تشكّل هذه الابتكارات نظامًا تكنولوجيًا متكاملًا، حيث تقلل بشكل كامل من متطلبات قوة الحوسبة من التدريب إلى الاستدلال، مما يجعل بطاقات الرسوميات الاستهلاكية العادية قادرة على تشغيل نماذج الذكاء الاصطناعي القوية، مما يقلل بشكل كبير من عوائق تطبيقات الذكاء الاصطناعي.

تأثير على إمدادات الرقائق

تقوم DeepSeek بتحسين الخوارزمية من خلال طبقة PTX (تنفيذ الخيوط المتوازية) لشركة شرائح معينة، مما يحقق ضبطًا أكثر دقة للأداء. التأثير على موردي الشرائح ذو وجهين: من ناحية، يرتبط DeepSeek بالأجهزة والنظام البيئي بشكل أعمق، مما قد يؤدي انخفاض عتبة تطبيقات الذكاء الاصطناعي إلى توسيع حجم السوق الإجمالي؛ من ناحية أخرى، قد تؤدي تحسينات الخوارزمية إلى تغيير هيكل الطلب في السوق على الشرائح عالية الأداء، حيث يمكن الآن تشغيل بعض نماذج الذكاء الاصطناعي التي كانت تحتاج في الأصل إلى وحدات معالجة الرسوميات عالية الأداء بكفاءة على وحدات معالجة الرسوميات المتوسطة أو حتى الاستهلاكية.

معنى لصناعة الذكاء الاصطناعي في الصين

أدى تحسين الخوارزمية لـ DeepSeek إلى توفير مسار للتفوق التكنولوجي لصناعة الذكاء الاصطناعي في الصين. في ظل القيود المفروضة على الشرائح المتقدمة، خففت فكرة "البرمجيات تعوض عن الأجهزة" الاعتماد على الشرائح المستوردة عالية التقنية.

في upstream، خفف الخوارزمية الفعالة من ضغط طلب قوة الحوسبة، مما أتاح لمزودي خدمات قوة الحوسبة تمديد دورة استخدام الأجهزة من خلال تحسين البرمجيات وزيادة عائد الاستثمار. في downstream، خفض النموذج المفتوح المصدر المحسن من عتبة تطوير تطبيقات الذكاء الاصطناعي، مما مكن العديد من الشركات الصغيرة والمتوسطة من تطوير تطبيقات تنافسية بناءً على نموذج DeepSeek، مما أدى إلى إنشاء المزيد من حلول الذكاء الاصطناعي في المجالات الرأسية.

التأثير العميق لـ Web3+AI

بنية تحتية للذكاء الاصطناعي اللامركزية

لقد قدم تحسين خوارزمية DeepSeek طاقة جديدة لبنية Web3 التحتية للذكاء الاصطناعي. هيكل MoE مناسب للنشر الموزع، حيث يمكن للنقاط المختلفة أن تحتوي على شبكات خبراء مختلفة، دون الحاجة إلى تخزين نموذج كامل في نقطة واحدة، مما يقلل من متطلبات التخزين والحوسبة في نقطة واحدة. كما أن إطار تدريب FP8 يقلل بشكل أكبر من الحاجة إلى موارد الحوسبة المتقدمة، مما يسمح لمزيد من موارد الحوسبة بالانضمام إلى شبكة النقاط.

نظام متعدد الوكلاء

1. تحسين استراتيجيات التداول الذكية: من خلال تحليل بيانات السوق، وتوقع تقلبات الأسعار، وتنفيذ التداولات على السلسلة بواسطة عدة عوامل ذكية تعمل معًا، تساعد المستخدمين على تحقيق عوائد أعلى.

2. التنفيذ الآلي للعقود الذكية: من خلال مراقبة العقود، والتنفيذ، والإشراف على النتائج، يتم تحقيق التشغيل التعاوني للوكالات لتنفيذ منطق الأعمال المعقد تلقائيًا.

3. إدارة محافظ الاستثمار الشخصية: الذكاء الاصطناعي يساعد في البحث عن أفضل فرص الرهن أو توفير السيولة في الوقت الحقيقي بناءً على تفضيلات المخاطر للمستخدم، وأهداف الاستثمار، والحالة المالية.

تبحث DeepSeek عن اختراق من خلال الابتكار في الخوارزمية تحت قيود قوة الحوسبة، مما يفتح مسار تطوير مختلف لصناعة الذكاء الاصطناعي في الصين. خفض عتبة التطبيق، دفع دمج Web3 مع الذكاء الاصطناعي، تقليل الاعتماد على الرقائق المتقدمة، وتمكين الابتكار المالي، هذه التأثيرات تعيد تشكيل مشهد الاقتصاد الرقمي. في المستقبل، لن يكون تطوير الذكاء الاصطناعي مجرد سباق على قوة الحوسبة، بل سيكون سباقًا لتعاون تحسين قوة الحوسبة والخوارزمية. في هذا المضمار الجديد، يقوم المبتكرون مثل DeepSeek بإعادة تعريف قواعد اللعبة بحكمة صينية.