لانگ ون فنگ بنیانگذار دیپسیک کیست؟

برگردان: مینا آگاه

برخی اظهارنظرها 1:

 «…دیپ سیک اکنون فشار را بر شرکت‌های فناوری ایالات متحده افزایش داده است…»
«…در فناوری آمریکا این واقعا فوق العاده چشمگیر است. من فکر می‌کنم باید پیشرفت‌های چین را بسیار جدی بگیریم…».

«… دیپ سیک به ما نشان داد که پاسخ به این پیشرفت‌ها کمتر از چیزی است که مردم فکر می‌کردند. شما به آن مقدار پولی که قبلاً تصور می‌شد نیاز ندارید…».

«… می‌توانید تصور کنید چقدر آزاردهنده است که خانه‌ای را با ۵۰ میلیون دلار بسازید و ببینید همسایه‌تان همان خانه را با ۷۰۰ هزار دلار ساخته است؟ این قطعاً ناامید کننده است…».

«… این باید یک زنگ بیدارباش برای صنایع ما باشد که باید کاملاً متمرکز باشیم…».

«… و بدانیم که نیاز، مادر اختراع است…».

در دسامبر ۲۰۲۴، یک استارت‌آپ کوچک چینی دنیای هوش مصنوعی را با یک پیشرفت شگفت‌انگیز شوکه کرد و تعریف جدیدی از هوش مصنوعی ارائه داد و غول‌های فناوری را به چالش کشید . دیپ سیک  یک بازیگر نسبتاً ناشناخته، به آرامی با مدل V3 خود که روی تنها ۲۰۰۰ پردازندهٔ گرافیکی² پایین‌رده  انویدیا اچ ۸۰۰³ آموزش دیده بود، موج‌هایی ایجاد کرد. این مدل در کدنویسی، استدلال منطقی و ریاضیات از بسیاری از مدل‌های برتر پیشی گرفت. این دستاورد موجی از شوک را در سیلیکون ولی ایجاد کرد و رهبران صنعت را وادار کرد تا رویکرد خود را در توسعه هوش مصنوعی بازبینی کنند.

پشت این موفقیت، لیانگ ون فونگ⁴، یک چهره اسرارآمیزی قرار داشت که سابقهٔ او  دنیای فناوری را مجذوب خود کرد.
لیانگ ون فونگ در سال ۱۹۸۵ در جَن‌شیانگ، یک شهر ساحلی در استان گوانگ‌دونگ چین به دنیا آمد. او در یک خانواده معمولی و توسط پدرش که معلم مدرسه ابتدایی بود، بزرگ شد. لیانگ از همان کودکی استعداد خود را در ریاضیات نشان داد. در حالی که دیگر بچه‌ها بازی می‌کردند یا ورزش، او ساعت‌ها وقت خود را صرف حل پازل‌ها و معادلات می‌کرد و از کشف رازهای آن‌ها لذت می‌برد. این عشق به اعداد، مسیر کل زندگی حرفه‌ای او را شکل داد.

در دوران نوجوانی، مهارت‌های حل مسئله لیانگ کاملاً برجسته بود. او توانایی خاصی در شکستن چالش‌های پیچیده به مراحل کوچک‌تر و قابل مدیریت داشت، مهارتی که بعدها به او کمک کرد تا مشکلات واقعی در حوزه فناوری و مالی را حل کند. در ۱۷ سالگی، تلاش‌هایش باعث شد تا در دانشگاه شانگ، یکی از بهترین دانشگاه‌های چین، پذیرفته شود. او در آنجا مهندسی اطلاعات الکترونیک خواند و مهارت‌های ریاضی خود را با کاربردهای عملی فناوری ترکیب کرد.

در دوران دانشگاه، لیانگ به موضوعاتی مانند تحلیل داده و سیستم‌های کامپیوتری علاقه‌مند شد. او شیفته این موضوع شد که چگونه ریاضیات می‌تواند بازارهای مالی را توضیح دهد. او ابزارهایی مانند مدل‌های مبتنی بر احتمال و الگوریتم‌ها را برای پیش‌بینی روندها مطالعه کرد. استادانش متوجه استعداد او شدند و پروژه‌ها و فرصت‌های تحقیقاتی پیشرفته‌ای به او دادند. تا سال آخر دانشگاه، او روی معاملات الگوریتمی متمرکز شد؛ استفاده از برنامه‌های کامپیوتری برای تصمیم‌گیری‌های سریع و مبتنی بر ریاضیات در بازار سهام. این کار بعدها پایه‌ای برای حرفه او شد.

در همین دوران، لیانگ با یک انتخاب بزرگ روبرو شد. وانگ تائو، بنیان‌گذار شرکت پهپاد دی جی آی⁵، از او دعوت کرد تا به عنوان شریک به شرکت بپیوندد. اگرچه این پیشنهاد ثروت زیادی به همراه داشت، لیانگ آن را رد کرد. او معتقد بود که هوش مصنوعی صنایع را بسیار فراتر از پهپادها متحول خواهد کرد. به جای پیوستن به دی جی آی او تصمیم گرفت شرکت خود را تأسیس کند و هدفش پیشگامی در ارائه راه‌حل‌های مبتنی بر هوش مصنوعی بود.

«…نشانه‌ها همه جا بودند، اما اکنون رسما ما در یک رکود اقتصادی هستیم گروه تحقیقاتی که این تصمیم را می‌گیرد، امروز اعلام کرد که رکود در واقع یک سال پیش شروع شده است…».

هنگامی که بحران مالی سال ۲۰۰۸ بازارهای جهانی را لرزاند، لیانگ ون فونگ، که در آن زمان دانشجوی تحصیلات تکمیلی در دانشگاه شانگ بود، فرصتی دید تا مهارت‌های خود را محک بزند. در حالی که بانک‌ها سقوط می‌کردند و اقتصادها لرزان بودند، بیشتر مردم وحشت‌زده شدند. اما لیانگ، با تکیه بر تخصص ریاضی خود، تمرکزش بر حل این آشوب بود. او گروهی از هم‌کلاسی‌هایش را گرد هم آورد تا به بررسی یادگیری ماشینی⁶، نوعی از هوش مصنوعی که از داده‌ها یاد می‌گیرد، بپردازند. هدف آن‌ها ساخت برنامه‌های کامپیوتری بود که بتوانند بازارها را سریع‌تر و هوشمندانه‌تر از انسان‌ها تحلیل کنند.

این روش، که معاملات کمی⁷  نامیده می‌شد، بر مدل‌های ریاضی تکیه داشت تا الگوها در قیمت سهام، گزارش‌های اقتصادی و روندهای جهانی را شناسایی کند. تیم کار خود را با جمع‌آوری حجم عظیمی از داده‌ها شروع کرد: قیمت سهام، نرخ بیکاری و حتی تیترهای خبری. آن‌ها این اطلاعات را به الگوریتم‌های آزمایشی وارد کردند و آن‌ها را به‌گونه‌ای تنظیم کردند که بتوانند نوسانات بازار را در طول بحران پیش‌بینی کنند.

این کار آسان نبود. مدل‌های اولیه به‌طور مداوم شکست می‌خوردند، به‌ویژه زمانی که اقتصاد همچنان در حال تغییر بود. لیانگ در جلسات کدنویسی آخر شب پیشنهاد داد: “چه می‌شود اگر عامل وحشت سرمایه‌گذاران را در نظر بگیریم؟” تیم او پافشاری کرد و برنامه‌های خود را به‌گونه‌ای اصلاح کردند که رفتار غیرقابل پیش‌بینی انسان‌ها را نیز در نظر بگیرند. به‌تدریج، الگوریتم‌های آن‌ها شروع به شناسایی روندهای پنهانی کردند، مانند اینکه چگونه کاهش قیمت مسکن بر سهام فناوری تأثیر می‌گذارد، چیزی که معامله‌گران سنتی از آن غافل بودند.

ماه‌ها آزمایش و خطا نتیجه داد. اگرچه سیستم آن‌ها کامل نبود، اما شروع به پیش‌بینی‌های دقیق در بازار پر نوسان کرد. برای مثال، سیستم زمانی که برخی سهام در آستانه بازگشت به روند صعودی بودند را شناسایی می‌کرد و به تیم فرصت می‌داد تا سودهای کوچک اما معناداری کسب کنند. این موفقیت‌ها توجه دانشگاه شانگ را جلب کرد، جایی که استادان کار لیانگ را دلیلی دیدند که نشان می‌داد هوش مصنوعی می‌تواند صنعت مالی را متحول کند.

تا سال ۲۰۰۹، وال استریت و دیگر مراکز مالی به سمت معاملات کمی  روی آورده بودند، دقیقاً همان‌گونه که لیانگ پیش‌بینی کرده بود. پروژه او تبدیل شد به‌ یک مطالعه موردی در نوآوری در بحران ؛ ترکیبی از ریاضیات، فناوری و پشتکار بی‌وقفه. اگرچه او سال‌ها قبل پیشنهاد کار در دی جی آی را رد کرده بود، این کار باعث تقویت باور او شد که هوش مصنوعی نه‌تنها آینده مالی، بلکه تقریباً آینده هر صنعتی است.

در سال ۲۰۱۳، لیانگ ون فونگ اولین قدم خود را در دنیای معاملات حرفه‌ای با تأسیس شرکت “مدیریت سرمایه گذاری هانگ ژائو جاکوب⁸”  به همراه دوست دانشگاهی‌اش، شو جین⁹، برداشت. در این شرکت، لیانگ استراتژی‌های معاملاتی مبتنی بر هوش مصنوعی خود را در بازارهای واقعی آزمایش کرد و یاد گرفت که چگونه الگوریتم‌ها را با شرایط غیرقابل پیش‌بینی تطبیق دهد. دو سال بعد، این دو شرکت “هانگ ژائو های فلایر تکنولوژی¹⁰”  را راه‌اندازی کردند که بر ترکیب ریاضیات پیشرفته و هوش مصنوعی برای ایجاد سیستم‌های معاملاتی هوشمندتر متمرکز بود.

زمان‌بندی آن‌ها عالی بود. بازارهای مالی چین در حال گسترش بودند و فرصت‌های جدیدی برای شرکت‌های مبتنی بر فناوری مانند آن‌ها فراهم می‌کردند. های فلایر در سال ۲۰۱۶ با انتشار اولین مدل معاملاتی هوش مصنوعی¹¹ خود سروصدایی به پا کرد. برخلاف روش‌های سنتی، این سیستم از یادگیری عمیق¹² استفاده می‌کرد، نوعی از هوش مصنوعی که با تحلیل حجم عظیمی از داده‌ها ارتقاء می‌یابد تا تصمیم بگیرد چه زمانی سهام بخرد یا بفروشد. نتایج چشمگیر بودند. در دوره پر نوسان بازار در اوایل سال ۲۰۱۷، سیستم معاملاتی هوش مصنوعی های فلایر سود دهی مداوم را حفظ کرد، در حالی که شرکت‌های رقیب با ضرر مواجه شدند.

رشد شرکت به سرعت افزایش یافت. تا پایان سال ۲۰۱۶، های فلایر بیش از ۱ میلیارد یوان (حدود ۱۴۰ میلیون دلار) را مدیریت می‌کرد و از رقبای قدیمی‌تر پیشی گرفت. یک لحظه کلیدی در سال ۲۰۱۵ اتفاق افتاد، زمانی که شرکت ۱۰ محصول سرمایه‌گذاری را در یک روز راه‌اندازی کرد و توانایی خود را برای جمع‌آوری سرمایه به‌طور چشمگیری افزایش داد. تمرکز لیانگ بر نوآوری مستمر، الگوریتم‌های آن‌ها را هوشمند و به‌روز نگه می‌داشت و پیشرفت‌های جدید هوش مصنوعی را با داده‌های بازار در زمان واقعی ترکیب می‌کرد. تا سال ۲۰۱۹، های فلایر در میان چهار شرکت برتر معاملات کمی  چین قرار گرفت. این موفقیت ثابت کرد که شرکت‌های داخلی می‌توانند با استفاده از فناوری‌های پیشرفته در سطح جهانی رقابت کنند. برای لیانگ، این موفقیت تنها یک آغاز بود؛ گامی به سوی دیدگاه بزرگ‌تر او که هوش مصنوعی می‌تواند صنایع فراتر از حوزه مالی را متحول کند.

با رشد های فلایر، لیانگ ون فونگ با یک چالش حیاتی روبرو شد: شرکت به قدرت محاسباتی عظیمی نیاز داشت تا سیستم‌های معاملاتی هوش مصنوعی خود را از رقبا جلوتر نگه دارد. در سال ۲۰۱۹، او ریسک بزرگی کرد و ۲۰۰ میلیون یوان (حدود ۲۸ میلیون دلار) هزینه کرد تا “فایرفلای شماره یک¹³”  را بسازد، یک سیستم آموزش هوش مصنوعی فوق‌پیشرفته که مجهز به ۱۱۰۰ کارت گرافیک تخصصی بود. فایرفلای شماره یک می‌توانست داده‌های مالی را به سرعت برق پردازش کند و به هوش مصنوعی های فلایر کمک می‌کرد تا معاملات هوشمندانه‌تر و سریع‌تری انجام دهد.

اما لیانگ در اینجا متوقف نشد. در سال ۲۰۲۱، او با “فایرفلای شماره دو¹⁴” گام بزرگی برداشت و سرمایه‌گذاری شگفت‌آور یک میلیارد یوان (۱۴۰ میلیون دلار) انجام داد. این ارتقاء شامل ۱۰٬۰۰۰ کارت گرافیک سطح بالای A100 شرکت انویدیا بود، حرکتی که صنعت را شوکه کرد. برای درک بهتر قدرت این سیستم، فایرفلای شماره دو می‌توانست به اندازه ۱۰۰٬۰۰۰ لپ‌تاپ پیشرفته که با هم کار می‌کنند، محاسبات انجام دهد. تعداد کمی از شرکت‌ها می‌توانستند چنین سرمایه‌گذاری عظیمی را انجام دهند.

تعداد کمی از شرکت‌ها در چین، چه برسد به یک شرکت معاملاتی، تا به حال چیزی به این پیشرفتگی ساخته بودند. فایرفلای شماره دو تنها قدرتمند نبود، بلکه یک شاهکار مهندسی نیز محسوب می‌شد. این سیستم مصرف انرژی را ۴۰٪ و هزینه‌ها را تا نصف نسبت به سیستم‌های قدیمی‌تر کاهش داد. این بهبودها از طریق روش‌های خنک‌کننده هوشمندتر، طراحی‌های صرفه‌جویانه در انرژی و قطعات سفارشی که جریان داده‌ها بین کارت‌های گرافیک را تسریع می‌کردند، به دست آمدند. این تغییرات به های فلایر اجازه داد تا مدل‌های هوش مصنوعی بزرگ‌تری را بدون مصرف بیش‌ازحد منابع مالی یا انرژی آموزش دهد.

اگرچه فایرفلای برای پیش‌بینی‌های بازار سهام ساخته شده بود، اما به‌زودی به کلیدی برای بلندپروازی‌های بزرگ‌تر های فلایر تبدیل شد. لیانگ پتانسیل این سیستم از هوش مصنوعی را برای مقابله با چالش‌هایی فراتر از حوزه مالی، از مراقبت‌های بهداشتی گرفته تا مدل‌سازی اقلیمی، مشاهده کرد.

در ماه مه ۲۰۲۳، لیانگ ون فونگ بزرگ‌ترین ریسک خود را انجام داد و از حوزه مالی به سمت توسعه هوش مصنوعی عمومی ¹⁵ تغییر جهت داد. هوش مصنوعی عمومی  نوعی از هوش مصنوعی است که می‌تواند در بیشتر وظایف از انسان پیشی بگیرد، از نوشتن کد گرفته تا تشخیص بیماری‌ها. در حالی که بیشتر ابزارهای هوش مصنوعی روی کارهای محدودی مانند چت‌بات‌ها یا تولید تصاویر متمرکز هستند، هوش مصنوعی عمومی هدفش این است که مانند یک انسان فکر کند و سازگار شود.

تا ژوئیه ۲۰۲۳، لیانگ استارت‌آپ “دیپ‌سیک” را راه‌اندازی کرد، استارت‌آپی با مأموریتی جسورانه: ایجاد هوش مصنوعی در سطح انسان. این کار او را در رقابت مستقیم با غول‌های فناوری چین قرار داد که همه در تلاش برای تسلط بر حوزه هوش مصنوعی بودند. اما لیانگ یک برنامه داشت: به جای دنبال کردن سودهای سریع، او روی استعدادهای جوان شرط بست و فارغ‌التحصیلان تازه‌کار از دانشگاه‌های برتر را استخدام کرد. او معتقد بود که هوش غریزی و سرعت یادگیری بالای آن‌ها می‌تواند تجربه کم‌شان را جبران کند. در دیپ‌سیک، تیم به جای جلب توجه رسانه‌ها، روی کار خود متمرکز شد. آن‌ها از تبلیغات اجتناب کردند تا روی تحقیقات بلندمدت تمرکز کنند.

کوچک بودن شرکت مزایای خودش را داشت. همان‌طور که یکی از مهندسان گفت: “ما مثل یک قایق تندرو هستیم. شرکت‌های بزرگ مانند نفت‌کش‌ها قدرتمندند، اما کند و سنگین حرکت می‌کنند.” دیپ‌سیک دو مزیت کلیدی داشت: اول، ابررایانه‌های فایرفلای از دوران فعالیت لیانگ در حوزه مالی، که قدرت محاسباتی عظیمی برای آموزش هوش مصنوعی فراهم می‌کردند. دوم، ایده‌آل‌های متن‌باز  که به اشتراک‌گذاری ابزارها و همکاری با محققان در سراسر جهان را ممکن می‌ساخت.

در ماه مه ۲۰۲۴، دیپ‌سیک یک بمب خبری را رها کرد: “دیپ‌سیک V2″، یک مدل هوش مصنوعی که با غول‌هایی مانند چت جی پی تی ۴  توربو¹⁶ رقابت می‌کرد، اما تنها با یک صدم هزینه (۱۷۰ برابر ارزان‌تر) و فقط یک یوان به ازای هر میلیون کلمه پردازش شده. این مدل نه‌تنها ارزان‌تر بود، بلکه قواعد بازی در حوزه هوش مصنوعی را تغییر داد.

دیپ‌سیک V2 دو نوآوری بزرگ را ترکیب کرد:
۱. تکنیک توجه چند سر نهفته جدید¹⁷: این فناوری به مدل اجازه می‌داد اطلاعات را بسیار سریع‌تر پردازش کند و در عین حال از توان محاسباتی کم‌تری استفاده کند. این یک دستاورد مهم بود، زیرا مدل می‌توانست بدون نیاز به منابع زیاد، عملکرد خوبی داشته باشد؛ چیزی که محققان هوش مصنوعی سال‌ها در تلاش برای دستیابی به آن بودند.
۲. روش ترکیب تخصصی : وقتی کسی سوالی می‌پرسد، سیستم تشخیص می‌دهد که کدام مدل هوش مصنوعی تخصصی برای پاسخ‌گویی مناسب‌تر است و تنها آن بخش خاص را فعال می‌کند. برای مثال، اگر سوالی درباره مالی بپرسید، فقط هوش مصنوعی متخصص مالی فعال می‌شود و بقیه بخش‌ها خاموش می‌مانند. این رویکرد هوشمندانه به دیپ‌سیک اجازه می‌داد بسیار ارزان‌تر از زمانی عمل کن که مجبور بود کل سیستم را برای هر سوال استفاده کند.

شرکت‌ها به سرعت قیمت‌های خود را کاهش دادند و این موضوع باعث خوشحالی کسب‌وکارهای کوچک و استارت‌آپ‌ها شد. بالاخره آن‌ها می‌توانستند از ابزارهای هوش مصنوعی که قبلاً تنها در دسترس غول‌های فناوری بود٬ استفاده کنند . تحلیلگران این پدیده را “دموکراتیزه‌سازی هوش مصنوعی” نامیدند؛ افسانه‌ای که می‌گفت فناوری پیشرفته به بودجه‌های میلیاردی نیاز دارد، شکسته شد.

دستاورد دیپ‌سیک به‌ویژه قابل توجه بود، زیرا این شرکت در مقایسه با غول‌های فناوری اندازه نسبتاً کوچکی داشت. موفقیت V2 نشان داد که نوآوری و مهندسی هوشمندانه می‌تواند زمین بازی را هموار کند و به تیم‌های کوچک‌تر اجازه دهد به‌طور مؤثر با رقبای دارای بودجه کلان رقابت کنند.

مصرف انرژی پایین مدل نیز نگرانی فزاینده درباره هزینه‌های زیست‌محیطی هوش مصنوعی را مورد توجه قرار داد. با نیاز به کامپیوترهای کمتر برای اجرای دیپ‌سیک V2، این مدل نشان داد که چگونه می‌توان هوش مصنوعی را سازگارتر با محیط زیست ساخت. این موضوع اهمیت زیادی دارد، زیرا مراکز داده در سراسر جهان بیش از مصرف برق برخی کشورها انرژی مصرف می‌کنند. این دستاورد پتانسیل کاربردهای گسترده‌ای در حوزه‌هایی مانند رایانش لبه‌ای¹⁸ ، دستگاه‌های همراه ( موبایل٬ تبلت٬ لپ تاپ و…) و دیگر ابزاری داشت که در آن‌ها قدرت پردازش و مصرف انرژی از محدودیت‌های اصلی بودند.

دیپ‌سیک آماده شد تا یک پروژه انقلابی در حوزه هوش مصنوعی را در ۲۶ دسامبر ۲۰۲۴ رونمایی کند. آن‌ها “دیپ‌سیک V3” را راه‌اندازی کردند، مدلی که گامی بزرگ به جلو در فناوری هوش مصنوعی محسوب می‌شد. آنچه این دستاورد را خاص می‌کرد، این بود که تنها با استفاده از سخت‌افزارهای پایه‌ای انجام شده بود. دیپ‌سیک V3 تنها با ۲۴۸ کارت گرافیک  انویدیا اچ ۸۰۰¹⁹ ساخته شد، سخت‌افزاری که بسیاری آن را تجهیزات پایه‌ای در توسعه هوش مصنوعی می‌دانند. این رویکرد بسیار متفاوت از شرکت‌های بزرگ دره سیلیکون بود که معمولاً از صدها هزار کارت گرافیک قدرتمندتر استفاده می‌کنند.

با وجود استفاده از تجهیزات ساده‌تر، دیپ‌سیک V3 عملکرد بهتری نسبت به مدل‌هایی داشت که روی سخت‌افزارهای بسیار قوی‌تر آموزش دیده بودند و مهارت‌های عالی در کدنویسی، تفکر منطقی و ریاضیات نشان داد. این مدل به خوبی جی پی تی ۴ اُپن ا آی عمل کرد، مدلی که به‌عنوان بهترین سیستم هوش مصنوعی موجود شناخته می‌شد. آندری کارپاتی، یکی از بنیان‌گذاران  اُپن  ا آی، عملکرد دیپ‌سیک V3 با منابع محدود را تحسین کرد.

روش دیپ‌سیک همچنین بسیار ارزان‌تر بود. آموزش دیپ‌سیک V3 حدود ۵۵۸ میلیون یوان هزینه داشت، در حالی که هزینه آموزش جی پی تی ۴ بین ۶۳ تا ۱۰۰ میلیون دلار بود. این نشان داد که برای ساخت هوش مصنوعی بهتر، همیشه به قدرت محاسباتی و پول بیشتر نیاز نیست. موفقیت دیپ‌سیک V3 از رویکردهای هوشمندانه‌ای مانند “آموزش با دقت ترکیبی حساب اعشاری شناور²⁰“و “پیش‌بینی چند کلمه به طور همزمان” ناشی می‌شد. این روش‌ها به دیپ‌سیک کمک کردند تا با حفظ کیفیت، از توان محاسباتی کم‌تری استفاده کند.

آموزش این مدل کمتر از ۲.۸ میلیون ساعت کارت گرافیک زمان برد، در حالی که مدل LLaMA 3 به ۳۰.۸ میلیون ساعت کارت گرافیک نیاز داشت. برای درک بهتر کارایی آموزش دیپ‌سیک V3، می‌توان آن را به یک ماشین مسابقه فرمول ۱ تشبیه کرد که با موتور کوچک‌تر و سوخت کمتر، از دیگر ماشین‌ها پیشی می‌گیرد.

این موفقیت باعث شد بسیاری از متخصصان هوش مصنوعی درباره آن صحبت کنند.

متخصصان دریافتند که روش‌های هوشمندانه و برنامه‌های کارآمد می‌توانند به شرکت‌های کوچک‌تر کمک کنند تا با غول‌های فناوری رقابت کنند. دیپ‌سیک با نشان دادن این که می‌توان هوش مصنوعی با کیفیت بالا را با منابع محدود ساخت، نحوه تفکر درباره توسعه هوش مصنوعی را تغییر داد. این دستاورد فرصت‌های جدیدی برای محققان و سازمان‌هایی ایجاد کرد که با بودجه‌های کمتر یا دسترسی محدود به تجهیزات محاسباتی پیشرفته کار می‌کنند.

موفقیت دیپ‌سیک تنها از فناوری پیشرفته ناشی نمی‌شد، بلکه از رویکرد منحصر به فرد آن‌ها در ساخت تیم نیز سرچشمه می‌گرفت. در حالی که دستاوردهای هوش مصنوعی آن‌ها صنعت را شگفت‌زده کرد، نحوه مدیریت شرکت آن‌ها نیز به همان اندازه نوآورانه بود. دستاوردهای دیپ‌سیک تنها درباره برنامه‌های پیچیده و کامپیوترهای قدرتمند نبود، بلکه درباره افرادی بود که این ایده‌ها را به واقعیت تبدیل می‌کردند.

دیپ‌سیک به دلیل تیم کوچک و جوان خود متمایز بود. آن‌ها تنها ۱۳۹ مهندس و محقق داشتند، تعداد بسیار کم‌تری در مقایسه با رقیبی مانند اُپن ا آی که حدود ۱۲۰۰ محقق داشت. این اندازه کوچک بسیاری از افراد در صنعتی که معمولاً معتقد بود تیم‌های بزرگ‌تر بهتر هستند، را شگفت‌زده کرد.

لیانگ ون فونگ روشی غیر معمول برای ساخت تیم خود داشت. او به دنبال استعدادهای جوان و درخشان بود، به‌ویژه فارغ‌التحصیلان اخیر یا افرادی که تنها یک یا دو سال تجربه کاری داشتند. او اغلب از دانشگاه‌های برتری مانند دانشگاه چینگ‌هوا و دانشگاه پکینگ استخدام می‌کرد و به جای تجربه، روی پتانسیل جوانان شرط می‌بست. این رویکرد ریسک‌پذیر بود، اما به نوآوری‌های بزرگی منجر شد.

شرکت به گونه‌ای طراحی شده بود که ایده‌های جدید را تشویق کند. دیپ‌سیک سطوح مدیریتی بسیار کمی داشت، که این موضوع به تصمیم‌گیری سریع کمک می‌کرد و به اعضای تیم اجازه می‌داد مسئولیت کار خود را به عهده بگیرند. لیانگ گفت که شرکت از پایین به بالا کار می‌کند و به افراد اجازه می‌دهد، بدون کنترل بیش‌ازحد از بالا، به طور طبیعی نقش‌های خود را پیدا کنند و به روش خود رشد کنند. این ساختار ساده تفاوت بزرگی در نحوه کار افراد ایجاد کرد.

محققان جوان احساس آزادی می‌کردند که ایده‌های جدید را پیشنهاد دهند و بدون وجود لایه‌های زیاد مدیریتی، آن‌ها را آزمایش کنند. مفاهیم جدید می‌توانستند به سرعت از ایده به واقعیت تبدیل شوند، بدون این که در کاغذبازی و رویه‌های اداری گیر کنند. این تغییر در رقابت باعث شد بسیاری از شرکت‌های بزرگ، برنامه‌ها و نحوه استفاده از منابع مالی خود را بازنگری کنند.

الکساندر وانگ، بنیان‌گذار اسکل ا آی²¹ ، نظرات صادقانه‌ای در این باره بیان کرد. او گفت: “موفقیت دیپ‌سیک یک زنگ بیدارباش سخت برای شرکت‌های فناوری آمریکایی بود. در حالی که ایالات متحده زیادی خیالش راحت بود، چین با روش‌های ارزان‌تر و سریع‌تر در حال پیشرفت بود.” سخنان وانگ نشان می‌داد که حوزه جهانی هوش مصنوعی در حال تغییر است و به شرکت‌های بزرگ یادآوری می‌کند که باید هوشیار بمانند و به ارتقاء کار خود ادامه دهند.

مارک اندرسون، سرمایه‌گذار سرشناس، دیپ‌سیک V1 را یکی از شگفت‌انگیزترین دستاوردهایی نامید که تا به حال دیده است. او به‌ویژه تحت تأثیر این قرار گرفت که این مدل متن‌باز  بود و می‌توانست صنعت هوش مصنوعی را متحول کند. نظرات اندرسون نشان می‌داد که رویکرد جدید دیپ‌سیک نه‌تنها فناوری، بلکه نحوه انجام کسب‌وکار شرکت‌های هوش مصنوعی را نیز تغییر می‌دهد.

جامعه هوش مصنوعی شروع به این پرسش کرد که چگونه دستاورد دیپ‌سیک ممکن است بازار را متحول کند و شرکت‌های بزرگی مانند اُپن ا آی و… را به چالش بکشد

1.  https://www.youtube.com/watch?v=FMU0j_ly4kk

2.  GPU

3.  Nvidia H800

4.  Leang Gwen Fung

5. DJI  DJI DJI

6.  Machine Learning

7.  Quantitative Trading یا معاملات کمی نوعی از معاملات در بازارهای مالی است که بر اساس مدل‌های ریاضی، تحلیل داده‌ها، و الگوریتم‌های کامپیوتری انجام می‌شود.

8.  Hung XO Jacobe Investment ManagementHung XO Jacobe Investment Management

9.  Shu Jin

10. Hungo High Flyer Technology Hungo High Flyer TechnologyHungo High Flyer Technology

11.  AI trading model

12.  Deep LearningDeep Learning

13.  Firefly Number One

14.  Firefly Number Two

15.  AGI

16.  GPT-4 Turbo

17.  New Multi-Head Latent Attention

18.  Edge Computing به مدلی از پردازش داده‌ها اشاره دارد که در آن داده‌ها به جای اینکه در مراکز داده دوردست پردازش شوند، در نزدیکی منابع داده (مثل دستگاه‌های هوشمند یا حسگرها) پردازش می‌شوند.

19.  248 Nvidia h800 GPU

20.  FPA Mixed Precision Training

21.  Scale AI