چرا آمریکا نمی‌تواند Kimi K3 را به‌راحتی دیپ‌سیک پشت سر بگذارد

تنها سه روز پس از اینکه Moonshot AI مدل جدیدش را منتشر کرد، حجم تقاضای استفاده از مدل آن‌قدر بالا رفت که شرکت مجبور شد پذیرش مشترکان جدید را موقتاً متوقف کند. زیرساخت پردازشی مون‌شات دیگر توان پاسخ‌گویی به کاربران بیشتری را نداشت و شرکت می‌خواست کیفیت خدماتش را برای مشتریان فعلی حفظ کند.

در صنعتی که تقریباً هر هفته مدلی تازه معرفی می‌شود، هجوم کاربران به محصولاتی که تازه رونمایی می‌شوند و جداول بنچمارک‌ها را به‌هم می‌ریزند، کاملا عادی به‌نظر می‌رسد؛ اما Kimi K3 از برخی جهات وزنه‌ی متفاوتی محسوب می‌شد؛ مدل ۲٫۸ تریلیون پارامتری یک استارتاپ سه‌ساله‌ی چینی که در بعضی بنچمارک‌ها، شانه‌به‌شانه‌ی جدیدترین مدل‌های OpenAI و آنتروپیک عمل می‌کند.

فراتر از قدرت پردازشی، وعده‌ی مون‌شات برای انتشار عمومی وزن‌های کامل مدل، به توسعه‌دهندگان اجازه می‌دهد تا کیمی K3 را خارج از سرورهای شرکت و براساس نیازهای اختصاصی خودشان اجرا و شخصی‌سازی کنند.

آزمایشگاه‌های آمریکایی احتمالاً از زمان‌بندی انتشار کیمی K3 خشنود نیستند؛ به‌ویژه اوپن‌ای‌آی و آنتروپیک که میلیاردها دلار برای حفظ فاصله‌ی فنی خود هزینه کرده‌اند و برای ورود به بازار سهام آماده می‌شوند. واشنگتن نیز امیدوار بود محدودیت صادرات تراشه‌های پیشرفته، ترمز پیشرفت چین را کشیده باشد.

کیمی K3 حالا هر دو برگ برنده‌ی صنعت هوش مصنوعی غرب را زیر سؤال می‌برد. شاید برتری فنی مدل‌های آمریکایی آن‌قدرها هم دوام نیاورد که بتواند هزینه‌های نجومی توسعه‌شان را توجیه کند و ازسوی‌دیگر، شاید حصار تحریم‌های سخت‌افزاری نیز نتواند رقیب شرقی را برای مدتی طولانی در انزوا نگه دارد.

ریچارد واترز در یادداشت خود در فایننشال‌تایمز می‌نویسد هضم شوک تازه‌ی چین برای آمریکا بسیار دشوارتر از گذشته خواهد بود. اگر طوفان دیپ‌سیک را نخستین زنگ خطر مدل‌های چینی بدانیم، حالا قدرت Kimi K3 ثابت می‌کند با پیشرفتی تصادفی روبه‌رو نیستیم.

احتمالاً هنوز به یاد دارید که انتشار دیپ‌سیک R1 در ژانویه‌ی ۲۰۲۵ چگونه بازار فناوری را به بهت و آشوب کشید. مدل چینی با منابعی کمتر از رقبای آمریکایی توانست در استدلال و حل مسائل پیچیده عملکردی نزدیک به مدل‌های رایج روز نشان دهد.

سرمایه‌گذاران ناگهان به خودشان آمدند و پرسیدند وقتی یک آزمایشگاه چینی با هزینه‌ای به‌مراتب کمتر رقیبی قدرتمند توسعه می‌دهد، چرا شرکت‌های آمریکایی باید صدها میلیارد دلار پای خرید تراشه و ساخت دیتاسنتر بریزند؟

ملموس‌ترین واکنش بازار در افت ۱۷ درصدی سهام انویدیا منعکس شد و این شرکت حدود ۵۹۳ میلیارد دلار از ارزش بازارش را از دست داد؛ اتفاقی که تا آن روز، بزرگ‌ترین سقوط یک‌روزه‌ی تاریخ وال‌استریت به‌حساب می‌آمد.

چند هفته بعد، هیجان وال‌استریت فروکش کرد و تحلیلگران وال‌استریت روایت آرام‌بخش‌تری یافتند. دیپ‌سیک بدون شک ارزان و کارآمد بود؛ ولی مدل‌های پیشرفته‌ی آمریکایی هنوز هم دست بالا را داشتند.

برآوردها نشان می‌داد که آزمایشگاه‌های چینی بین ۶ تا ۱۲ ماه از خط مقدم تکنولوژی عقب‌ترند. در صنعت هوش مصنوعی چندماه یعنی فرصتی طلایی. گوگل، اوپن‌ای‌آی و آنتروپیک می‌توانستند همیشه جلو بمانند و درست هنگامی که رقیب چینی به محصول فعلی می‌رسید، نسل بعدی را منتشر کنند.

در ماه‌های بعد، مدل‌های چینی یکی پس از دیگری حاشیه‌ی امن شرکت‌های پیشرو را کوچک‌تر کردند. GLM-5.2 از شرکت Z.ai در وظایف برنامه‌نویسی و عامل‌محور به مدل‌های بسته‌ی آمریکایی نزدیک شد. علی‌بابا نیز Qwen 3.8 را معرفی کرد و وعده داد وزن‌های آن را منتشر کند.

Kimi K3 هم کمی بعد از کلاد Fable 5 و GPT-5.6 از راه رسید و به‌جای رقابت با نسل قبلی، در محدوده‌ی تازه‌ترین مدل‌ها قرار گرفت؛ البته آمار قبلی هم از کاهش فاصله‌ی مدل‌ها خبر می‌دادند. گزارش شاخص هوش مصنوعی استنفورد در سال ۲۰۲۶ نشان می‌داد مدل‌های آمریکایی و چینی از اوایل ۲۰۲۵ چندین بار جای همدیگر را در صدر رتبه‌بندی‌ها گرفته‌اند.

تا مارس ۲۰۲۶، برتری بهترین مدل آمریکا یک حاشیه‌ی بسیار اندکِ ۲٫۷درصدی رسید و در نهایت کیمی K3، روند تدریجی پیشرفت چینی‌ها را کاملاً متحول کرد. آمریکا دیگر با رقیبی طرف نیست که با تأخیری مشخص و قابل‌پیش‌بینی از راه برسد؛ فاصله‌ی تکنولوژیک می‌تواند دقیقاً در فاصله‌ی انتشار دو مدل، ناپدید شود.

گزارش فنی مون‌شات Kimi K3 را نخستین مدل وزن‌باز در رده‌ی ۳تریلیون پارامتر معرفی می‌کند. اگر دقیق‌تر بگوییم مدل مون‌شات، ۲٫۸ تریلیون پارامتر دارد، متن و تصویر را پردازش می‌کند و پنجره‌ی متنی‌اش به یک میلیون توکن می‌رسد؛ ظرفیتی بالا که کاوش حجم عظیمی از اسناد یا کار روی مخازن وسیع کدهای نرم‌افزاری را امکان‌پذیر می‌کند.

باید توجه داشت که تریلیونی‌بودن پارامترها به این معنی نیست که تمام بخش‌های مدل برای پاسخ به هر پرسش فعال می‌شوند. Kimi K3 بر پایه‌ی معماری ترکیبی از متخصصان (Mixture of Experts) عمل می‌کند.

مدل مون‌شات از ۸۹۶ بخش تخصصی بهره می‌برد؛ اما برای پردازش هر توکن، تنها ۱۶ بخش را فعال می‌کند. به همین دلیل در هر مرحله‌ی استنتاج تنها حدود ۱۰۴ میلیارد پارامتر وارد محاسبات سنگین می‌شوند.

تیم مون‌شات همچنین دو تغییر جدید در معماری خود را با نام‌های Kimi Delta Attention و Attention Residuals معرفی کرد؛ ترکیبی که به‌گفته‌ی شرکت، بهره‌وری مقیاس‌پذیری را نسبت به نسل قبل ۲٫۵ برابر افزایش می‌دهد.

بیایید در همین بخش مفهوم وزن‌باز بودن را هم مرور کنیم. Kimi K3 به‌معنای کلاسیکش اوپن سورس نیست، یعنی مون‌شات وزن‌های مدل و کدهای اجرای آن را منتشر می‌کند؛ اما داده‌های آموزشی، داده‌های آموزشی، فرایند ساخت مجموعه‌داده و جزئیات کامل مراحل آموزش همچنان در اختیار شرکت باقی می‌مانند.

ازسوی‌دیگر، باز بودن وزن‌ها به این معنا هم نیست که K3 رایگان اجرا می‌شود. حجم مدل آن‌قدر بالاست که بیشتر شرکت‌ها نمی‌توانند آن را روی تجهیزات داخلی معمولی خود بالا بیاورند. طبق برآورد پژوهشگران، میزبانی و اجرای محلی مدل جدید مون‌شات به صدها هزار دلار تجهیزات پردازشی نیاز دارد.

بااین‌حال، شرکت‌ها دیگر به سرویس مون‌شات وابسته نمی‌مانند. ارائه‌دهندگان ابری از پس میزبانی مدل بر می‌آیند و می‌توانند بر سر قیمت، سرعت و کیفیت خدمات با هم رقابت کنند. سازمان‌های بزرگ نیز کنترل کاملی بر امنیت داده‌ها، سفارشی‌سازی و محل اجرای مدل خواهند داشت؛ پس مدل در انحصار یک شرکت خاص نخواهد بود.

جدول‌هایی که شرکت سازنده منتشر می‌کند همیشه باید بااحتیاط خوانده شوند؛ چراکه آزمایشگاه‌ها معمولاً شرایط آزمون را به نفع مدل خود بهینه‌سازی می‌کنند؛ اما Kimi K3 در چند ارزیابی مستقل نیز به محدوده‌ی مدل‌های پیشرو رسید. کیمی K3 در ارزیابی‌های مؤسسه‌ی Artificial Analysis، امتیاز ۵۷ را در شاخص هوش کسب کرد؛ درحالی‌که GPT-5.6 Sol به امتیاز ۵۹ رسیده بود.

در آزمون پیچیده‌ی AA-Briefcase که مدل‌ها را در سناریوهای چندمرحله‌ای مانند ساخت صفحات گسترده، ارائه و طراحی رابط کاربری محک می‌زند، K3 پس از Claude Fable 5 در جایگاه دوم ایستاد و از رقبایی چون GPT-5.6 Sol و Claude Opus 4.8 پیشی گرفت. در بنچمارک طراحی رابط وب Arena نیز رتبه‌ی نخست را از آن خود کرد.

اما آزمایش‌ها نقطه‌ضعف K3 را هم آشکار کردند؛ زیرا قدرت K3 همیشه معادل کارایی اقتصادی نیست. این مدل برای انجام هر مأموریت AA-Briefcase، به‌طور میانگین به ۸۳ مرحله، ۱۲۰ هزار توکن خروجی و ۵۶٫۴ دقیقه زمان نیاز داشت. متوسط هزینه‌ی هر وظیفه به ۱۰٫۵۷ دلار رسید که از هزینه‌ی اجرای Opus 4.8 در همان آزمون بیشتر بود.

پس تعرفه‌ی پایین‌تر هر میلیون توکن تمام داستان را به شما نمی‌گوید. مدلی که برای رسیدن به نتیجه توکن بیشتری مصرف می‌کند، دچار تکرار می‌شود یا خروجی‌اش به بازبینی انسانی بیشتری نیاز دارد، ممکن است که در پایان گران‌تر تمام شود.

بسیاری از متخصصان پیشرفت مدل‌های چینی را به تقطیر دانش نسبت می‌دهند؛ روشی که از پاسخ‌های یک مدل قدرتمند به‌عنوان داده‌های آموزشی مدلی دیگر استفاده می‌کند. شرکت‌های هوش مصنوعی از این تکنیک در داخل مجموعه‌های خود استفاده می‌کنند تا مدل‌های کوچک‌تر را عطف به مدل‌های بزرگ‌تر آموزش دهند.

مشکل زمانی آغاز می‌شود که رقیبی بدون اجازه و با ترفندهای مختلف، میلیون‌ها بار با یک مدل تجاری ارتباط برقرار کند و خروجی‌های آن را برای ساخت محصول خود به کار بگیرد.

فوریه‌ی ۲۰۲۶ آنتروپیک اعلام کرد دیپ‌سیک، مون‌شات و مینی‌مکس با استفاده از ۲۴هزار حساب کاربری جعلی، بیش‌از ۱۶ میلیون درخواست به Claude فرستاده‌اند و به‌طور خاص قابلیت‌هایی مانند استدلال عامل‌محور، بهره‌گیری از ابزارها و کدنویسی کلاد را هدف قرار داده‌اند.

پس‌از انتشار K3، مایکل کراتسیوس رئیس‌دفتر سیاست علم‌وفناوری کاخ سفید، مون‌شات را به تقطیر مدل فیبل آنتروپیک متهم کرد. به گفته‌ی او شرکت چینی پلتفرم داخلی پیشرفته‌ای ساخته بود که روش‌های دسترسی خود را مرتب تغییر می‌داد تا فعالیتش شناسایی نشود.

کراتسیوس مدرک خاصی در زمینه‌ی ارتباط فیبل و K3 ارائه نکرد و زمان‌بندی انتشار دو مدل هم به‌سادگی با ادعای او جور درنمی‌آمد. همان‌طور که برادن هنکاک، پژوهشگر مؤسسه‌ی Laude، به TechCrunch می‌گوید فاصله‌ی کوتاه میان انتشار Fable و K3 برای جمع‌آوری داده، آموزش مدلی با این ابعاد و آماده‌کردن آن برای عرضه کافی به‌نظر نمی‌رسد.

برخی از تحلیلگران معتقدند مون‌شات از خروجی رقبا برای تقویت مهارت‌های خاص مدل خود بهره می‌برد و هم‌زمان معماری، زیرساخت آموزشی و روش‌های اختصاصی خودش را نیز توسعه می‌دهد. تقطیر می‌تواند بخشی از مسیر پیشرفت هوش مصنوعی را کوتاه کند؛ اما توسعه و پایدارکردن مدلی با این عظمت، فقط با کپی‌کردن حاصل نمی‌شود.

وقتی قدرت K3 را فقط به تقطیر و کپی‌کاری نسبت می‌دهید، چشمانتان را روی مسئله‌ی بزرگ‌تری می‌بندید. اگر آزمایشگاه‌های چینی در کنار استفاده از خروجی رقبا، به توانمندی‌های مستقلی در پژوهش و مهندسی رسیده باشند، دیگر مسدودکردن راه‌های دسترسی آن‌ها به مدل‌های غربی؛ فاصله و برتری تکنولوژیک آمریکا را تضمین نمی‌کند.

مشکل شرکت‌های پیشروی هوش مصنوعی آمریکا با Kimi K3 این نیست که نام مدلی چینی کنار محصولاتشان در صدر جداول ارزیابی دیده می‌شود. زنگ‌خطر واقعی یعنی قابلیت‌های پیشرفته دیگر در انحصار چند آزمایشگاه باقی نمی‌مانند.

شرکت‌های آمریکایی میلیاردها دلار برای آموزش مدل‌هایشان خرج می‌کنند و با فروش اشتراک یا API به درآمدزایی می‌رسند؛ ولی این الگو تا زمانی جواب می‌دهد که مشتری برای دسترسی به کیفیتی یکسان، گزینه‌ی کارآمد دیگری پیش روی خود نبیند؛ مدل‌های وزن‌باز، کمیابیِ سابق را کنار می‌زنند.

آزمایشگاه‌های آمریکایی در بازار جدید ناچارند به چیزی فراتر از مدل‌های قوی تکیه کنند؛ مثلاً ایجنت‌ها، ابزارها، امنیت، پشتیبانی سازمانی و داده‌هایی که مدل را با کار واقعی مشتری پیوند می‌دهند. شرکتی که هوش مصنوعی را در فرایندهای موردنیاز مشتری به‌کار می‌گیرد، حتی با تغییر مدل پایه نیز جایگاهش را حفظ می‌کند.

شرکت مون‌شات کیمی K3 را با هدف اجرای مأموریت‌های طولانی و چندمرحله‌ای طراحی کرد و فراتر از لایه‌ی مدل، وارد بخشی شد که شرکت‌های آمریکایی امیدوار بودند مزیت بعدی‌شان را آنجا بسازند.

حالا در نظر بگیرید که تمامی فشارها درست زمانی از راه رسیدند که سرمایه‌گذاران مشغول محک‌زدن استارتاپ‌های رده اول‌اند. آنتروپیک اوایل ماه ژوئن برای عرضه‌ی عمومی سهام ثبت‌نام کرد و اوپن‌ای‌آی هم یک هفته بعد فرایند مشابهی را کلید زد.

سرمایه‌گذاران بزرگ فقط درباره‌ی بهترین مدل حال حاضر بازار سؤال نمی‌پرسند. آن‌ها می‌خواهند بفهمند برتری مدل‌ها چقدر دوام می‌آورد، حاشیه‌ی سود چگونه حفظ می‌شود و چرا مشتری با ورود رقیبی ارزان‌تر، سرویس خود را تغییر نمی‌دهد.

بدون شک مون‌شات با انتشار K3 بازار آمریکا را تصرف نمی‌کند و نیازی هم به این هدف ندارد. شرکت چینی برای فشارآوردن به همتایان خود به‌راحتی قیمت‌ها را پایین می‌آورد و عمر اقتصادی هر نسل از مدل‌های پیشرو را کوتاه‌تر می‌کند.

Kimi K3 درست هم‌زمان با کنفرانس جهانی هوش مصنوعی در شانگهای منتشر شد؛ جایی که شی جین‌پینگ، چین را پرچم‌دار مدل‌های باز معرفی کرد تا محدودیت‌های تراشه‌ای و مدل‌های بسته‌ی آمریکایی را به نقد بکشد.

در مدل صادرات‌محور پکن، مدل‌های وزن‌باز با قیمتی پایین و مقیاسی گسترده در دسترس توسعه‌دهندگان و شرکت‌های مستقر در کشوهای مختلف قرار می‌گیرند؛ کسب‌وکارها هر مدل را در محصولاتشان به‌کار می‌گیرند و به‌تدریج اکوسیستمی شکل می‌گیرد که دیگر به آزمایشگاه‌های آمریکایی وابسته نیست.

هنوز مشخص نیست چین چگونه مهره‌های بازی‌اش را می‌چیند؛ زیرا مون‌شات ۲۷ جولای، به وعده‌اش عمل کرد و وزن‌های کامل Kimi K3 را در دسترس قرار داد.

آمریکا شوک دیپ‌سیک را پس از مدتی اضطراب، تردید در ادعاهای مربوط به هزینه و در نهایت عرضه‌ی مدل‌هایی قدرتمندتر پشت سر گذاشت؛ ولی کیمی K3 چالش بزرگ‌تری در زمینه‌ی دسترسی و گستره‌ی توزیع مدل‌های هوش مصنوعی ایجاد می‌کند.

ظاهراً واشنگتن برای واکنشی سریع آماده می‌شود؛ چنان‌که اسکات بسنت، وزیر خزانه‌داری آمریکا مدتی پیش گفت اگر شرکت‌های خارجی مالکیت فکری این کشور را سرقت کرده باشند، دولت می‌تواند آن‌ها را تحریم کند. حتی قراردادن مون‌شات در فهرست محدودیت‌های تجاری نیز به‌عنوان یکی از گزینه‌ها مطرح شد.

جلوگیری از انتقال قابلیت‌های مدل‌های پیشتاز اوپن‌ای‌آی، آنتروپیک و گوگل که به‌صورت عمومی عرضه شده‌اند، کار ساده‌ای نیست. به همین ترتیب ممنوعیت استفاده از Kimi K3 برای شرکت‌ها و نهادهای آمریکایی نیز فقط بازار داخلی آمریکا را محدود می‌کند و تأثیری بر دسترسی شرکت‌های اروپایی، آسیایی به مدل‌های چینی نخواهد داشت.

در این سناریو شرکت‌های آمریکایی وابستگی بیشتری به محصولات داخلی پیدا می‌کنند؛ درحالی‌که رقبایشان در دیگر کشورها می‌توانند از گزینه‌هایی ارزان‌تر استفاده کنند. بدین ترتیب شاید بازار داخلی آمریکا حفظ شود؛ اما بخش بزرگ‌تری از بازار جهانی به‌تدریج به سمت اکوسیستم چین حرکت می‌کند.

شرکت‌های چینی و آمریکایی به‌زودی مدل‌های دیگری معرفی می‌کنند که K3 و نسل‌های قبل محصولات خود را پشت سر می‌گذارند. واشنگتن می‌تواند درهای بازار خود را ببندد؛ اما رقابت بر سر آینده‌ی هوش مصنوعی از مرزهای آمریکا عبور می‌کند.