تخفيض DeepSeek الكبير للأسعار قد يشعل حربًا جديدة في سوق نماذج الذكاء الاصطناعي

أطلقت شركة DeepSeek نموذجها الرائد V4‑Pro مع خطوة تسعير جريئة غير معتادة في سوق واجهات برمجة تطبيقات الذكاء الاصطناعي. فالسعر الحالي يبلغ 0.435 دولار لكل مليون توكن إدخال و0.87 دولار لكل مليون توكن إخراج—وهو أقل بكثير من أسعار النماذج المنافسة من نفس الفئة.

هذه الخطوة قد تغيّر اقتصاديات بناء تطبيقات الذكاء الاصطناعي بالكامل، وقد تدفع السوق نحو انخفاض كبير في تكاليف تشغيل النماذج على المدى الطويل.

التسعير الجديد لنموذج DeepSeek V4‑Pro

عند إطلاق النموذج، قدمت DeepSeek خصمًا ترويجيًا بنسبة 75٪ على استخدام واجهة API، ليصبح السعر:

• 0.435 دولار لكل مليون توكن إدخال
• 0.87 دولار لكل مليون توكن إخراج

وكان من المقرر أن يستمر هذا العرض حتى 31 مايو 2026.

لكن وثائق التسعير الرسمية تشير إلى أنه بعد انتهاء الحملة، سيتم تعديل السعر الرسمي للنموذج إلى ربع السعر الأصلي—أي أن السعر المخفّض سيصبح فعليًا السعر القياسي الجديد.

قبل الخصم، كان السعر الأساسي يقارب:

• 1.74 دولار لكل مليون توكن إدخال
• 3.48 دولار لكل مليون توكن إخراج

وهذا يعني أن ما حدث ليس مجرد عرض مؤقت، بل تحول دائم في مستوى الأسعار لهذا النموذج.

مقارنة مع GPT‑5.5 وClaude Opus 4.7

يتضح تأثير هذا التسعير أكثر عند مقارنته بالنماذج الرائدة الأخرى في السوق.

OpenAI GPT‑5.5

• الإدخال: 5.00 دولارات لكل مليون توكن
• الإخراج: 30.00 دولارًا لكل مليون توكن

Anthropic Claude Opus 4.7

• الإدخال: 5.00 دولارات لكل مليون توكن
• الإخراج: 25.00 دولارًا لكل مليون توكن

DeepSeek V4‑Pro

• الإدخال: 0.435 دولار لكل مليون توكن
• الإخراج: 0.87 دولار لكل مليون توكن

بمعنى آخر:

• توكنات الإدخال أرخص بحوالي 91٪ مقارنةً بـ GPT‑5.5 أو Claude Opus 4.7.
• توكنات الإخراج أرخص بحوالي 96–97٪.

بالنسبة للشركات أو المطورين الذين يشغّلون تطبيقات عالية الاستهلاك—مثل مساعدات البرمجة، أو تحليل الوثائق الضخمة، أو أنظمة خدمة العملاء—غالبًا ما تكون تكلفة التوكنات هي العامل الأكبر في التكلفة التشغيلية. لذلك فإن هذا الفارق السعري قد يغير ما هو ممكن اقتصاديًا.

قدرات تقنية كبيرة أيضًا

لا يعتمد V4‑Pro على السعر فقط للمنافسة؛ فهو يقدم مواصفات تقنية قوية أيضًا.

من أبرز خصائصه:

• نافذة سياق تصل إلى مليون توكن
• إخراج أقصى يصل إلى 384 ألف توكن
• دعم إخراج JSON منظم واستدعاء الأدوات أو الوظائف البرمجية

يعتمد النموذج على بنية Mixture‑of‑Experts (MoE) ويضم نحو 1.6 تريليون معلمة إجمالية مع حوالي 49 مليار معلمة نشطة في كل خطوة استدلال، ما يسمح بقدرة عالية دون زيادة مماثلة في التكلفة الحسابية.

هذه الخصائص مفيدة خصوصًا في حالات مثل:

• تحليل المستندات الطويلة جدًا
• فهم قواعد شيفرة برمجية كاملة
• بناء وكلاء ذكاء اصطناعي متعددين يتشاركون السياق
• أنظمة البحث المعزز بالاسترجاع (RAG) مع قواعد معرفة ضخمة

وعند الجمع بين سياق ضخم وسعر منخفض للغاية، يصبح من الممكن تشغيل مهام كانت مكلفة جدًا في السابق.

لماذا يهم هذا للمطورين

في كثير من المشاريع، تكلفة التشغيل (inference) هي العامل الذي يحد من التوسع، وليس قدرة النموذج نفسها.

الأسعار المنخفضة جدًا تعني أن المطورين يستطيعون:

• إرسال مطالبات أطول بكثير
• توليد ردود أطول دون ارتفاع حاد في التكلفة
• معالجة مجموعات ضخمة من الوثائق أو الشيفرات
• بناء أنظمة متعددة الوكلاء تتطلب عددًا كبيرًا من استدعاءات النموذج

على أرض الواقع، الفرق بين 0.87 دولار و25 دولارًا لكل مليون توكن إخراج يمكن أن يحول فكرة تجريبية إلى منتج تجاري قابل للتوسع.

حرب الأسعار في سوق الذكاء الاصطناعي

خطوة DeepSeek تعكس اتجاهًا أوسع في الصناعة.

تاريخيًا، كانت أسعار النماذج الرائدة تتراوح بين عدة دولارات إلى عشرات الدولارات لكل مليون توكن—كما هو الحال مع GPT‑5.5 وClaude Opus 4.7.

لكن DeepSeek تتبع استراتيجية مختلفة تعتمد على الحجم الكبير والأسعار المنخفضة. تقارير وتحليلات تشير إلى أن الشركة خفّضت الأسعار بشكل حاد مقارنة بالمنافسين، ما ساهم في دفع تكاليف الذكاء الاصطناعي نحو الانخفاض في السوق عمومًا.

هذا النمط يشبه ما حدث سابقًا في سوق الحوسبة السحابية أو وحدات معالجة الرسومات (GPU): عندما يثبت لاعب واحد أن الأداء العالي يمكن تقديمه بسعر أقل بكثير، يضطر باقي السوق إلى التكيف.

ما الذي يجب مراقبته لاحقًا

قرار DeepSeek يفتح عدة أسئلة مهمة للمستقبل:

• هل ستضطر الشركات المنافسة إلى خفض أسعار واجهات API؟
• هل ستسرّع الأسعار المنخفضة انتشار التطبيقات المعتمدة على الوكلاء الذكيين؟
• وهل يمكن الحفاظ على هذه الأسعار المنخفضة عند التوسع العالمي الكبير؟

ما يبدو واضحًا بالفعل هو أن سعر التوكن أصبح سلاحًا تنافسيًا في سوق الذكاء الاصطناعي. وإذا استمرت هذه الاستراتيجية، فقد تنخفض تكلفة بناء الأنظمة الذكية واسعة النطاق أسرع بكثير مما توقعه كثير من المطورين.