دیپ‌سیک DeepInfer را متن‌باز کرد؛ فشاری تازه بر OpenAI و آنتروپیک
دیپ‌سیک بخشی از فناوری پشت‌صحنه سرورهای هوش مصنوعی خود را در دسترس عموم قرار داده است. این شرکت چینی در ۲۰ اکتبر ۲۰۲۶ چارچوب استنتاج اختصاصی خود با نام DeepInfer را به‌صورت نرم‌افزاری رایگان و متن‌باز، تحت مجوز Apache 2.0، منتشر کرد. این اقدام پس از آن توجه گسترده‌ای را جلب کرد که وب‌سایت Gizmodo از افزایش فشار دیپ‌سیک بر OpenAI و آنتروپیک با انتشار این ابزار متن‌باز خبر داد. اکنون توسعه‌دهندگان خارج از این شرکت می‌توانند به نسخه‌ای عملیاتی از همان موتور نرم‌افزاری دسترسی داشته باشند که دیپ‌سیک برای ارائه خدمات مبتنی بر مدل‌های خود در مقیاس بزرگ استفاده می‌کند؛ اقدامی فراتر از انتشار یک مقاله پژوهشی دیگر یا صرفاً در دسترس قرار دادن وزن‌های مدل.
دامنه این انتشار عمداً محدود نگه داشته شده است. DeepInfer در حال حاضر فقط از یک مدل، یعنی DeepSeek-V4.1-Flash، پشتیبانی می‌کند و به‌صورت نرم‌افزار استنتاج آفلاین عرضه شده است، نه یک سرویس ابری مدیریت‌شده و آماده استفاده. بااین‌حال، پیام این اقدام روشن است: شرکتی مستقر در هانگژو که نام رسمی آن Hangzhou DeepSeek Artificial Intelligence Basic Technology Research Co. Ltd. است، اکنون همان نوع کد عملیاتی برای ارائه خدمات را به‌صورت رایگان منتشر می‌کند که OpenAI و آنتروپیک تاکنون در مراکز داده خود نگه داشته‌اند. برای مخاطبان آمریکایی و جهانی که رقابت بر سر زیرساخت هوش مصنوعی را دنبال می‌کنند، اهمیت اصلی ماجرا در همین نکته نهفته است.
دیپ‌سیک در ۲۰ اکتبر دقیقاً چه چیزی منتشر کرد؟
DeepInfer نامی است که دیپ‌سیک برای آنچه «چارچوب استنتاج داخلی» خود می‌خواند، انتخاب کرده است. طبق مخزن رسمی این پروژه در گیت‌هاب و مستندات همراه آن، کد در ۲۰ اکتبر ۲۰۲۶ منتشر شد و از همان ابتدا برای دانلود، بررسی و تغییر در دسترس همگان قرار گرفت. انتخاب مجوز Apache 2.0 اهمیت زیادی دارد؛ این مجوز یکی از منعطف‌ترین مجوزهای متن‌باز است و استفاده تجاری، تغییر و بازتوزیع نرم‌افزار را مجاز می‌داند، بی‌آنکه الزاماً لازم باشد محصول حاصل نیز متن‌باز شود.
دیپ‌سیک در کنار DeepInfer، پروژه کوچک‌تری با نام deepseek-recipe نیز منتشر کرده است. این ابزار وظیفه کدگذاری و رمزگشایی توکن‌ها را بر عهده دارد و منطق پردازش آن با رابط برنامه‌نویسی رسمی دیپ‌سیک (API) هماهنگ است. بنابراین، توسعه‌دهندگانی که DeepInfer را روی زیرساخت خود اجرا می‌کنند، می‌توانند انتظار داشته باشند فرایند توکن‌سازی در آن با آنچه هنگام استفاده از سرویس میزبانی‌شده دیپ‌سیک تجربه می‌کنند، یکسان باشد. این شرکت اعلام کرده است که کد استنتاج مدل‌های آینده نیز به‌تدریج به مخزن DeepInfer افزوده خواهد شد؛ موضوعی که نشان می‌دهد این انتشار احتمالاً آغاز روندی مستمر است، نه اقدامی یک‌باره.
گزارش SiliconANGLE درباره این انتشار، DeepInfer را مشخصاً «چارچوب استنتاج پشت خدمات عملیاتی دیپ‌سیک» توصیف می‌کند. این تعبیر بر آن تأکید دارد که ابزار منتشرشده یک نمونه نمایشی ساده‌شده نیست، بلکه از همان خانواده کدی می‌آید که دیپ‌سیک برای پاسخ‌گویی به درخواست‌های واقعی کاربران به کار می‌گیرد. همین تفاوت میان نرم‌افزار طراحی‌شده برای بار کاری عملیاتی و ابزاری که صرفاً در محیط آزمایشگاهی محک زده شده، DeepInfer را از بسیاری از ابزارهای متن‌باز هوش مصنوعی متمایز می‌کند.
درون DeepInfer: این چارچوب چه کاری انجام می‌دهد؟
مستندات منتشرشده همراه این ابزار، مجموعه‌ای از قابلیت‌ها را شرح می‌دهند که مشخصاً برای ارائه خدمات در مقیاس بزرگ طراحی شده‌اند، نه آزمایش‌های محدود با یک پردازنده گرافیکی. DeepInfer از استنتاج توزیع‌شده میان چند تراشه و چند دستگاه، رمزگشایی حدسی برای افزایش سرعت تولید توکن، روشی که دیپ‌سیک آن را «SWA bounded replay» می‌نامد، و خروجی‌های ساختاریافته پشتیبانی می‌کند. قابلیت آخر برای برنامه‌هایی کاربرد دارد که به پاسخ‌های قابل پیش‌بینی و قابل پردازش ماشینی نیاز دارند، نه صرفاً متنی آزاد.
نکته مهم این است که این چارچوب هم روی سخت‌افزار انویدیا و هم روی سخت‌افزار Huawei Ascend اجرا می‌شود. تحلیل The New Stack درباره این انتشار اشاره می‌کند که کد منتشرشده، پردازنده‌های گرافیکی مرکز داده SM100 انویدیا، متعلق به نسل Blackwell، را در کنار شتاب‌دهنده‌های Ascend 950 هواوی به‌عنوان سخت‌افزارهای پشتیبانی‌شده فهرست کرده است. به این ترتیب، مستندات خود دیپ‌سیک برای محصولات هواوی و انویدیا جایگاهی هم‌تراز در نظر می‌گیرند. برای چارچوبی که از چین عرضه می‌شود و در شرایطی توسعه یافته است که دسترسی به جدیدترین تراشه‌های انویدیا به‌دلیل محدودیت‌های صادراتی پیچیده شده، پشتیبانی از هر دو پلتفرم هم ضرورتی عملی است و هم پیامی معنادار.
توضیح خود دیپ‌سیک درباره این پروژه صریح است. این شرکت در فایل README مخزن می‌نویسد: «DeepInfer چارچوب استنتاج پربازدهی است که خدمات عملیاتی دیپ‌سیک در مقیاس بزرگ را پشتیبانی می‌کند» و اضافه می‌کند که «این انتشار متن‌باز، استنتاج آفلاین را با قابلیت‌های اصلی موردنیاز برای ارائه خدمات در مقیاس بزرگ فراهم می‌کند». در سند جداگانه پرسش‌وپاسخ درباره استقرار که در همان مخزن منتشر شده نیز آمده است: «امروز چارچوب استنتاج خود، یعنی DeepInfer، را برای خدمات ابری در مقیاس بزرگ متن‌باز می‌کنیم.» این عبارات کمتر شبیه متن تبلیغاتی برای مخاطبان بیرونی‌اند و بیشتر به مستندات مهندسی داخلی شباهت دارند که اکنون عمومی شده‌اند.
چرا دیپ‌سیک اکنون این بخش از فناوری خود را منتشر می‌کند؟
دیپ‌سیک پیش‌تر توضیح داده بود که چرا این کد را منتشر نکرده است. طبق گزارش The New Stack، این شرکت قبلاً گفته بود: «این موتور به‌شدت به زیرساخت داخلی ما، از جمله ابزارهای مدیریت خوشه، وابسته است؛ به همین دلیل، استقرار عمومی آن بدون تغییرات گسترده عملی نیست.» این توضیح نشان می‌دهد که انتشار DeepInfer احتمالاً مستلزم کار مهندسی قابل‌توجهی بوده تا وابستگی‌های اختصاصی محیط عملیاتی از کدی جدا شوند که توسعه‌دهندگان بیرونی واقعاً قادر به اجرای آن هستند.
توجیه اعلام‌شده دیپ‌سیک برای انجام این کار، بیشتر بر کاهش هزینه و گسترش دسترسی متمرکز است تا رقابت مستقیم با شرکت‌های دیگر. این شرکت در اطلاعیه خود گفته است: «ما پشته نرم‌افزاری عملیاتی خود را به اشتراک می‌گذاریم تا به جامعه توسعه‌دهندگان کمک کنیم هزینه محاسبات را کاهش دهند، مصرف انرژی را پایین بیاورند و هوش مصنوعی را مقرون‌به‌صرفه‌تر کنند.» این تأکید بر هزینه محاسباتی و مصرف انرژی، به‌جای رقابت مستقیم با یک رقیب مشخص، با رویکرد پیشین دیپ‌سیک در انتشار وزن‌های باز مدل‌ها هم‌خوانی دارد؛ رویکردی که معمولاً بر افزایش بهره‌وری متمرکز بوده است، نه حمله مستقیم به OpenAI یا آنتروپیک.
بااین‌حال، برای درک اثر این انتشار نیازی نیست دیپ‌سیک صراحتاً از «رقیب» سخن بگوید. اکنون هر سازمانی که بخواهد مدل DeepSeek-V4.1-Flash را روی سخت‌افزار خودش و مطابق سیاست‌های امنیتی داخلی اجرا کند، بدون آنکه داده‌ها را به یک API متعلق به شخص ثالث بفرستد، مسیر مستندی برای این کار در اختیار دارد؛ مسیری مبتنی بر همان کدی که خود دیپ‌سیک به آن متکی است. این امکان با دانلود وزن‌های یک مدل باز و امید بستن به اینکه یک چارچوب ارائه خدمات ساخته‌شده توسط جامعه توسعه‌دهندگان، مانند vLLM یا موتور استنتاج مشابه، بتواند حداکثر کارایی را از آن استخراج کند، تفاوت اساسی دارد.
DeepSeek-V4.1-Flash؛ مدلی که محور این انتشار است
نسخه نخست DeepInfer دقیقاً از یک مدل پشتیبانی می‌کند: DeepSeek-V4.1-Flash. دیپ‌سیک در مطالب رسمی معرفی محصول، نسخه V4.1-Flash را «هوشمندتر، سریع‌تر و کارآمدتر» توصیف می‌کند. این مدل پیش‌تر نیز در گزارش‌های مستقل این وب‌سایت بررسی شده است؛ از جمله در گزارشی درباره کسب امتیاز ۴۲٫۶ در معیار سنجش HLE توسط نسخه DeepSeek-V4.1-Flash-1017 و گزارشی جداگانه درباره کسب امتیاز ۷۷٫۰ در DeepSWE و راه‌اندازی یک رابط جست‌وجوی عمومی.
به نظر می‌رسد انتخاب V4.1-Flash به‌جای یک مدل پرچم‌دار بزرگ‌تر برای همراهی با انتشار چارچوب استنتاج، تصمیمی حساب‌شده باشد. مدل‌هایی که پسوند Flash دارند معمولاً برای کاهش تأخیر و هزینه هر توکن بهینه‌سازی می‌شوند؛ ویژگی‌هایی که با هدف اعلام‌شده DeepInfer برای مقرون‌به‌صرفه‌تر کردن ارائه خدمات در مقیاس بزرگ هم‌خوانی دارند. این انتخاب همچنین به توسعه‌دهندگان بیرونی اجازه می‌دهد از همان ابتدا مدل مشخصی را در کنار چارچوب به کار بگیرند، به‌جای آنکه منتظر پشتیبانی از مدلی سنگین‌تر بمانند که میزبانی مستقل آن به سخت‌افزار بسیار بیشتری نیاز دارد.
چه چیزهایی در نسخه نخست وجود ندارد؟
دیپ‌سیک ادعا نکرده است که DeepInfer یک پلتفرم ابری کامل و آماده استفاده است. در مستندات همراه انتشار، که در گزارش‌های مربوط به معرفی ابزار نیز به آن‌ها استناد شده، صراحتاً آمده است که برخی اجزای لازم برای ارائه یک سرویس عملیاتی کامل هنوز وجود ندارند. سه مورد مشخص عبارت‌اند از مدیریت حافظه نهان کلیدـمقدار (KV-cache)، جداسازی مراحل استنتاج میان ماشین‌های مختلف که گاهی تفکیک مرحله پیش‌پردازش (prefill) از مرحله رمزگشایی (decode) نامیده می‌شود، و توزیع بار میان نسخه‌های همسان مدل. این سه مؤلفه از اجزای زیرساختی مهمی هستند که یک موتور سریع ارائه مدل را به سرویسی ابری، پایدار و مقیاس‌پذیر تبدیل می‌کنند؛ سرویسی که بتواند افزایش ناگهانی ترافیک را بدون از کار افتادن مدیریت کند.
در عمل، DeepInfer در وضعیت کنونی بیشتر یک هسته پردازشی پربازده برای ارائه مدل است تا جایگزینی آماده برای یک سرویس ابری مدیریت‌شده استنتاج. شرکتی که بخواهد آن را در مقیاس واقعی به کار بگیرد، احتمالاً باید لایه کش، منطق توزیع بار میان نسخه‌های مدل و راهکاری برای جداسازی مرحله پیش‌پردازشِ پرهزینه از نظر محاسباتی و مرحله رمزگشاییِ پرمصرف از نظر حافظه را خودش ایجاد کند یا به چارچوب بیفزاید. دیپ‌سیک اعلام کرده است که اجزای بیشتری در به‌روزرسانی‌های آینده مخزن منتشر خواهند شد، اما در زمان عرضه این نسخه، میزبانی مستقل DeepInfer همچنان به مهندسی جدی سامانه‌ها نیاز دارد و با نصب ساده پایان نمی‌یابد.
مقایسه رویکرد دیپ‌سیک با OpenAI و آنتروپیک
نه OpenAI و نه آنتروپیک نسخه متن‌باز معادلی از پشته استنتاج عملیاتی خود منتشر نکرده‌اند. همچنین، در گزارش‌های موجود تا زمان انتشار این مقاله، نشانه‌ای از اظهارنظر مشخص این دو شرکت درباره DeepInfer دیده نمی‌شود. آنچه می‌توان مقایسه کرد، تفاوت ساختاری در شیوه دسترسی توسعه‌دهندگان بیرونی به مدل‌های هر شرکت است. جدول زیر این تفاوت را بر اساس اطلاعاتی نشان می‌دهد که هر شرکت درباره شیوه استقرار خود به‌طور عمومی تأیید کرده است؛ بدون آنکه مشخصات داخلی افشانشده‌نشده‌ای تخمین زده شود.
| معیار | دیپ‌سیک (DeepInfer) | OpenAI | آنتروپیک |
|---|---|---|---|
| دسترسی به کد ارائه خدمات | چارچوب استنتاج عملیاتی با مجوز Apache 2.0 به‌صورت متن‌باز منتشر شده است. | کد متن‌باز نشده و دسترسی از طریق API فراهم می‌شود. | کد متن‌باز نشده و دسترسی از طریق API فراهم می‌شود. |
| روش اصلی دسترسی | میزبانی مستقل یا استفاده از API میزبانی‌شده دیپ‌سیک | API مدیریت‌شده و محصولات ChatGPT | API مدیریت‌شده و محصولات Claude |
| سخت‌افزار پشتیبانی‌شده‌ای که مشخصات آن اعلام شده است | پردازنده‌های گرافیکی انویدیا در رده SM100 و واحدهای پردازش عصبی Ascend 950 هواوی | مدل دقیق شتاب‌دهنده‌ها به‌صورت عمومی فهرست نشده است. | مدل دقیق شتاب‌دهنده‌ها به‌صورت عمومی فهرست نشده است. |
| مدل تحت پوشش این انتشار | فقط DeepSeek-V4.1-Flash | موضوعیت ندارد | موضوعیت ندارد |
| ابزار جانبی منتشرشده | deepseek-recipe؛ با پشتیبانی از کدگذاری و رمزگشایی توکن‌ها مطابق API رسمی | موضوعیت ندارد | موضوعیت ندارد |
این جدول تفاوت ساختاری را بدون نیاز به اعداد فرضی روشن می‌کند: دیپ‌سیک تنها شرکتی از میان این سه است که کد عملیاتی ارائه خدمات خود را برای بررسی و میزبانی مستقل در اختیار عموم قرار داده است. اما اینکه این اقدام واقعاً باعث شود مشتریان از محصولات مدیریت‌شده OpenAI یا آنتروپیک مهاجرت کنند، پرسشی جداگانه است که گزارش‌های فعلی پاسخی برای آن ندارند و این مقاله نیز چنین نتیجه‌ای را ادعا نمی‌کند.
جایگاه DeepInfer در میان چارچوب‌های متن‌باز استنتاج
DeepInfer وارد بازاری خالی نمی‌شود. چندین موتور استنتاج متن‌باز از پیش برای ارائه کارآمد مدل‌های زبانی بزرگ با یکدیگر رقابت می‌کنند؛ بنابراین، انتشار دیپ‌سیک را باید در همین بستر بررسی کرد، نه به‌صورت اقدامی جداافتاده. گزارش پیشین ما درباره عملکرد موتور MAX شرکت Modular که روی مدل Kimi K2.5، در مقایسه با vLLM، سرعتی ۵٫۵ برابر بیشتر ثبت کرده بود، یادآوری می‌کند که لایه موتور استنتاج در زیرساخت هوش مصنوعی به عرصه رقابتی مستقلی تبدیل شده است؛ عرصه‌ای جدا از رقابت بر سر خود مدل‌ها.
| چارچوب | مجوز | تمرکز اصلی سخت‌افزاری | ویژگی شاخص |
|---|---|---|---|
| DeepInfer (دیپ‌سیک) | Apache 2.0 | پردازنده‌های گرافیکی انویدیا در رده SM100 و واحدهای پردازش عصبی Ascend 950 هواوی | برای خانواده مشخصی از مدل‌ها ساخته شده و پشته عملیاتی خود دیپ‌سیک را بازتاب می‌دهد. |
| vLLM | Apache 2.0 | عمدتاً پردازنده‌های گرافیکی انویدیا؛ پشتیبانی گسترده‌تر از سخت‌افزارهای دیگر با مشارکت جامعه توسعه‌دهندگان | موتوری عمومی و پرکاربرد برای ارائه مدل‌های باز گوناگون |
| TensorRT-LLM | Apache 2.0؛ نگهداری‌شده توسط انویدیا | پردازنده‌های گرافیکی انویدیا | یکپارچگی عمیق با کامپایلر و پشته کرنل اختصاصی انویدیا |
| SGLang | Apache 2.0 | عمدتاً پردازنده‌های گرافیکی انویدیا | تولید ساختاریافته و بهینه‌سازی زمان‌بندی برای بارهای کاری مبتنی بر عامل‌های هوش مصنوعی |
آنچه DeepInfer را از دیگر ابزارهای این فهرست متمایز می‌کند، لزوماً عملکرد خام آن نیست؛ زیرا در گزارش‌های موجود تا زمان انتشار مقاله، مقایسه مستقلی از عملکرد آن با گزینه‌های دیگر منتشر نشده است. تفاوت اصلی به منشأ این ابزار برمی‌گردد. DeepInfer پروژه‌ای جامعه‌محور نیست که توسعه‌دهندگان بیرونی با مهندسی معکوس، شیوه اجرای کارآمد یک مدل را کشف کرده باشند؛ بلکه ابزار داخلی واقعی است که سازنده مدل آن را منتشر کرده و از همان ابتدا پشتیبانی از شتاب‌دهنده‌های Ascend هواوی را در خود دارد. این ویژگی با توجه به پرسش مستمر درباره نحوه دسترسی آزمایشگاه‌های هوش مصنوعی چین به توان پردازشی پیشرفته، اهمیت ویژه‌ای دارد.
پیشینه: راهبرد دیپ‌سیک در انتشار وزن‌های باز مدل‌ها
دیپ‌سیک شهرت بین‌المللی خود را با انتشار مدل‌هایی با وزن‌های باز به دست آورد؛ مدل‌هایی که فرض‌های رایج درباره هزینه‌های صنعت هوش مصنوعی آمریکا را به چالش کشیدند. انتشار DeepInfer همین راهبرد را یک لایه عمیق‌تر در پشته فناوری ادامه می‌دهد. انتشارهای قبلی، وزن‌های مدل را در اختیار توسعه‌دهندگان قرار می‌دادند؛ یعنی پارامترهایی که مشخص می‌کنند مدل چه می‌داند و چگونه پاسخ می‌دهد. DeepInfer نرم‌افزاری را در اختیار آن‌ها می‌گذارد که تعیین می‌کند این وزن‌ها در محیط عملیاتی با چه میزان کارایی اجرا شوند.
این اقدام گامی فراتر از انتشارهای قبلی است. در اختیار داشتن وزن‌های مدل به‌تنهایی اجرای کارآمد آن را تضمین نمی‌کند. بسیاری از سازمان‌ها وزن‌های باز مدل‌ها را دانلود کرده‌اند، اما بعد متوجه شده‌اند که اجرای مناسب آن‌ها با تأخیر و هزینه قابل‌قبول، به تخصص قابل‌توجهی در زیرساخت نیاز دارد؛ تخصصی که بسیاری از تیم‌ها در داخل سازمان خود ندارند. دیپ‌سیک با انتشار چارچوبی که در داخل استفاده می‌کند، می‌کوشد این فاصله را برای همه کسانی که مایل‌اند مشخصاً با DeepSeek-V4.1-Flash کار کنند، کاهش دهد. این سطح از گشودگی با انتشار یک کارت معرفی مدل و مجموعه‌ای از فایل‌های وزن در یک پلتفرم میزبانی تفاوت دارد.
چرا پشتیبانی از Huawei Ascend نکته‌ای مهم است؟
در میان ویژگی‌های این انتشار، پشتیبانی از شتاب‌دهنده‌های Ascend 950 هواوی در کنار سخت‌افزار انویدیا، از همان نسخه عمومی نخست، شاید پیامدهای بلندمدت‌تری داشته باشد. محدودیت‌های صادراتی مربوط به تراشه‌های پیشرفته انویدیا به چین، همواره یکی از عوامل اثرگذار بر بازار سخت‌افزار هوش مصنوعی بوده است. در نتیجه، آزمایشگاه‌های هوش مصنوعی چین انگیزه زیادی دارند تا نشان دهند جایگزین‌های داخلی، مانند خانواده Ascend هواوی، نیز می‌توانند مدل‌های پیشرفته را با عملکرد رقابتی اجرا کنند.
دیپ‌سیک با گنجاندن پشتیبانی از Ascend در نسخه اولیه DeepInfer، به‌جای موکول کردن آن به آینده، به بازار داخلی چین و خریداران بین‌المللی که تنوع‌بخشی به سخت‌افزار را بررسی می‌کنند، این پیام را می‌دهد که چارچوب به یک سازنده تراشه خاص وابسته طراحی نشده است. این موضوع برای شرکت‌های خارج از چین نیز اهمیت دارد؛ به‌ویژه در مناطقی که کاهش وابستگی به یک تأمین‌کننده سخت‌افزار به اولویت مستقلی در تصمیم‌های خرید تبدیل شده است، فارغ از اینکه رقابت هوش مصنوعی میان آمریکا و چین در نهایت به کجا برسد.
این انتشار برای خریداران هوش مصنوعی سازمانی چه معنایی دارد؟
برای تیم‌های مهندسی که در حال ارزیابی محل اجرای بارهای کاری هوش مصنوعی هستند، DeepInfer گزینه‌ای واقعاً جدید به انتخاب‌های موجود اضافه می‌کند، نه اینکه صرفاً مدل دیگری برای مقایسه عملکرد باشد. شرکتی که DeepSeek-V4.1-Flash را در فرایند ارزیابی خود قرار داده است، شاید به‌دلیل اختلاف قیمت‌ها و شرایط بازار، از جمله مواردی که در گزارش ما درباره تفاوت ۲۰ برابری قیمت میان Claude، ChatGPT و Gemini بررسی شده، به این مدل علاقه‌مند شده باشد. چنین شرکتی اکنون مسیری مستند و منتشرشده از سوی خود سازنده در اختیار دارد تا این مدل مشخص را مستقلاً میزبانی کند؛ به‌جای آنکه فقط به API میزبانی‌شده دیپ‌سیک یا یک لایه ارائه خدمات ساخته‌شده توسط جامعه متن‌باز متکی باشد.
بااین‌حال، کمبودهای فعلی در عمل اهمیت زیادی دارند. بعید است سازمانی که منابع مهندسی زیرساختی قابل‌توجهی ندارد، بتواند تنها با DeepInfer یک استقرار عملیاتی در سطح سازمانی راه‌اندازی کند؛ زیرا مدیریت KV-cache و اجزای توزیع بار هنوز در دسترس نیستند. استفاده‌کنندگان اولیه محتمل‌تر، ارائه‌دهندگان خدمات ابری، شرکت‌های بزرگ دارای تیم‌های اختصاصی پلتفرم و استارتاپ‌های زیرساخت هوش مصنوعی هستند که تخصص آن‌ها تبدیل کد خام ارائه خدمات متن‌باز به محصولی بسته‌بندی‌شده و پشتیبانی‌شده است؛ بازاری مشابه آنچه پیرامون دیگر موتورهای استنتاج باز شکل گرفته است.
زمینه مقرراتی و ژئوپلیتیکی
این انتشار در فضایی خنثی از نظر سیاست‌گذاری انجام نشده است. دیپ‌سیک پیش‌تر نیز با محدودیت‌هایی در داخل دولت آمریکا روبه‌رو شده است؛ وزارت امنیت داخلی آمریکا در اوایل سال جاری میلادی استفاده از ابزارهای هوش مصنوعی این شرکت را در سامانه‌های فدرال ممنوع کرد. این موضوع در گزارش ما درباره ممنوعیت وزارت امنیت داخلی با استناد به قانون فدرال خریدهای دولتی مصوب ۲۰۱۸ بررسی شده است. این پیشینه ماهیت فنی DeepInfer را تغییر نمی‌دهد، اما بر اینکه چه سازمان‌هایی عملاً مجاز به استفاده از آن هستند، تأثیر می‌گذارد. نهادهای دولتی و پیمانکارانی که مشمول این محدودیت‌اند، حتی با وجود متن‌باز بودن کد ارائه خدمات، گزینه‌های مناسبی برای میزبانی مستقل مدل‌های دیپ‌سیک محسوب نمی‌شوند.
بااین‌حال، در بازار تجاری گسترده‌تر، مجوز Apache 2.0 بیشتر موانع حقوقی معمول بر سر راه استفاده را، خارج از حوزه‌های مشمول محدودیت، برطرف می‌کند. مدل‌های دارای وزن باز و زیرساخت‌های متن‌باز هوش مصنوعی در سراسر صنعت در حال گسترش‌اند؛ روندی که در تحلیل جداگانه ما درباره افزایش سهم رویکرد متن‌باز هوش مصنوعی به ۸۶ درصد با نقش‌آفرینی انتشارهای Beam و Mistral نیز بررسی شده است. DeepInfer بخشی از همین روند گسترده‌تر است که در آن آزمایشگاه‌های هوش مصنوعی، باز بودن فناوری را نیز به عاملی برای تمایز در بازار تبدیل می‌کنند.
گزارش‌های تأییدشده چه چیزهایی را مشخص نکرده‌اند؟
باید درباره محدودیت اطلاعات تأییدشده پس از انتشار DeepInfer دقیق بود. تا زمان انتشار این مقاله، هیچ‌یک از گزارش‌های مورد استناد، درصد مشخصی از صرفه‌جویی در هزینه را به این چارچوب نسبت نداده‌اند، مهاجرت تأییدشده مشتریان از محصولات OpenAI یا آنتروپیک را که مستقیماً نتیجه این انتشار باشد، مستند نکرده‌اند و نیز مقایسه‌ای مستقل و هم‌شرایط از توان عملیاتی یا تأخیر DeepInfer با زیرساخت داخلی ارائه خدمات این دو شرکت منتشر نشده است. خوانندگان باید با احتیاط به هرگونه رقم مشخصی که در منابع دیگر مطرح می‌شود نگاه کنند، مگر آنکه یک رسانه معتبر یا خود شرکت‌ها آن را به‌طور رسمی تأیید کنند.
آنچه تأیید شده، محدودتر اما همچنان مهم است: دیپ‌سیک کدی واقعی و قابل استفاده برای ارائه خدمات، برگرفته از زیرساخت عملیاتی خود، منتشر کرده است. این کد با یک مدل واقعی و در دسترس کنونی کار می‌کند، تحت مجوزی واقعاً منعطف عرضه شده و از همان ابتدا با سخت‌افزارهای چند سازنده سازگار است. این‌ها واقعیت‌های مشخصی هستند، مستقل از اینکه پیامدهای رقابتی آن در نهایت چگونه رقم بخورند.
پنج پیش‌بینی درباره گام‌های بعدی
- انتظار می‌رود آزمایشگاه‌های دیگر هوش مصنوعی در چین نیز زیرساخت‌های متن‌باز منتشر کنند. دیپ‌سیک بارها الگویی ایجاد کرده که رقبای داخلی برای همگام شدن با آن حرکت کرده‌اند. انتشار یک ابزار در لایه استنتاج، گام منطقی بعدی برای آزمایشگاه‌هایی است که در رقابت بر سر گشودگی فناوری می‌خواهند جایگاه خود را حفظ کنند.
- باید منتظر افزودن مدیریت KV-cache و توزیع بار میان نسخه‌های مدل به DeepInfer در یکی از به‌روزرسانی‌های نزدیک بود. دیپ‌سیک صراحتاً گفته است پشتیبانی از مدل‌های آینده و اجزای بیشتر چارچوب به همان مخزن افزوده خواهند شد. این دو قابلیت از آشکارترین موانع استفاده عملیاتی گسترده هستند.
- احتمالاً استارتاپ‌های تخصصی زیرساخت برای آماده‌سازی DeepInfer جهت استفاده سازمانی شکل خواهند گرفت. این روند می‌تواند مشابه بازار موتورهای استنتاج باز دیگر باشد که در آن شرکت‌هایی خدمات پشتیبانی، تنظیم عملکرد و میزبانی مدیریت‌شده را بر پایه کد رایگان عرضه می‌کنند.
- احتمال می‌رود OpenAI و آنتروپیک درباره خود DeepInfer همچنان سکوت کنند. این رفتار با رویه عمومی هر دو شرکت در پرهیز از پاسخ‌گویی علنی و موردبه‌مورد به انتشار محصولات رقبا سازگار است و لزوماً به این معنا نیست که انتشار یادشده در داخل این شرکت‌ها اهمیتی ندارد.
- احتمالاً انتشارهای آینده مدل‌های دیپ‌سیک با پشتیبانی متناظر در DeepInfer در فاصله زمانی نسبتاً کوتاهی همراه خواهند شد. چنین روندی می‌تواند فاصله میان معرفی یک مدل جدید و فراهم شدن راهی کارآمد برای اجرای مستقل آن را کاهش دهد.
تصویر بزرگ‌تر بازار زیرساخت هوش مصنوعی
انتشار DeepInfer یادآوری می‌کند که رقابت میان آزمایشگاه‌های هوش مصنوعی دیگر به امتیازهای جدول‌های رتبه‌بندی و تعداد پارامترهای مدل‌ها محدود نیست. زیرساخت، یعنی لایه کمتر دیده‌شده‌ای از زمان‌بندها، کرنل‌ها و کد ارائه خدمات که تعیین می‌کند یک مدل با چه هزینه و میزان اطمینانی اجرا شود، اکنون به جبهه‌ای مستقل در این رقابت تبدیل شده است. این تغییر را می‌توان در بخش‌های دیگر صنعت نیز مشاهده کرد؛ از بحث‌های مربوط به تأمین تراشه که در گزارش ما درباره قرارداد ۱۱٫۶ میلیارد دلاری Akamai و آنتروپیک برای رایانش ابری لبه مطرح شده، تا بررسی‌های مستمر درباره معیارهای سنجش عملکرد در لایه استنتاج در سراسر این صنعت.
در حال حاضر، DeepInfer ابزاری برای استنتاج آفلاین است که فقط از یک مدل پشتیبانی می‌کند، با سخت‌افزار دو سازنده سازگار است و هنوز کاستی‌هایی دارد که باید برطرف شوند. بااین‌حال، این انتشار سابقه‌ای تازه ایجاد می‌کند: شرکتی که یکی از خانواده‌های مدل دارای وزن باز و بسیار مورد توجه جهان را آموزش داده، اکنون حاضر شده است بخش داخلی و کمتر دیده‌شده زیرساخت خود را نیز در اختیار عموم بگذارد. اینکه این اقدام OpenAI یا آنتروپیک را به واکنشی علنی و مشخص وادار خواهد کرد یا نه، هنوز معلوم نیست و اطلاعات موجود نیز نشان نمی‌دهد که هیچ‌یک از این دو شرکت چنین واکنشی را اعلام کرده باشند.
پرسش‌های متداول
DeepInfer چیست؟
DeepInfer چارچوب استنتاجی است که به گفته دیپ‌سیک، این شرکت در داخل برای اجرای خدمات عملیاتی هوش مصنوعی خود به کار می‌گیرد. دیپ‌سیک در ۲۰ اکتبر ۲۰۲۶ آن را تحت مجوز Apache 2.0 به‌صورت متن‌باز منتشر کرد.
DeepInfer از کدام مدل‌ها پشتیبانی می‌کند؟
نسخه اولیه فقط از DeepSeek-V4.1-Flash پشتیبانی می‌کند. دیپ‌سیک اعلام کرده است که کد استنتاج مدل‌های آینده نیز به‌مرور به همین مخزن افزوده خواهد شد.
DeepInfer تحت چه مجوزی منتشر شده است؟
این چارچوب تحت مجوز Apache 2.0 عرضه شده است؛ مجوزی منعطف در حوزه متن‌باز که استفاده تجاری، تغییر و بازتوزیع نرم‌افزار را مجاز می‌داند.
آیا DeepInfer روی پردازنده‌های گرافیکی انویدیا اجرا می‌شود؟
بله. مستندات همراه انتشار، پشتیبانی از پردازنده‌های گرافیکی مرکز داده انویدیا در رده SM100 و متعلق به نسل Blackwell را در کنار شتاب‌دهنده‌های Ascend 950 هواوی تأیید می‌کنند.
آیا DeepInfer به‌تنهایی برای استفاده عملیاتی هر شرکتی آماده است؟
هنوز به‌طور کامل آماده نیست. طبق مستندات خود دیپ‌سیک، نسخه فعلی فاقد مدیریت KV-cache، جداسازی مراحل استنتاج میان ماشین‌های مختلف و توزیع بار میان نسخه‌های مدل است؛ اجزایی که معمولاً برای راه‌اندازی سرویسی کامل و مقیاس‌پذیر ضروری‌اند.
deepseek-recipe چیست؟
این پروژه جانبی هم‌زمان با DeepInfer منتشر شده و کدگذاری و رمزگشایی توکن‌ها را انجام می‌دهد. منطق پردازش آن با API رسمی دیپ‌سیک هماهنگ است تا رفتار استقرارهای میزبانی‌شده توسط خود کاربران با سرویس میزبانی‌شده این شرکت سازگار باشد.
آیا OpenAI یا آنتروپیک به انتشار DeepInfer واکنش نشان داده‌اند؟
تا زمان انتشار این مقاله، هیچ واکنش رسمی و مشخصی از سوی این دو شرکت گزارش نشده است. گزارش‌های موجود DeepInfer را عاملی بالقوه برای افزایش فشار رقابتی توصیف می‌کنند، نه رویدادی که تاکنون واکنش مستقیم این شرکت‌ها را در پی داشته باشد.
چرا دیپ‌سیک برای انتشار متن‌باز این کد صبر کرد؟
دیپ‌سیک پیش‌تر گفته بود که موتور استنتاج آن به‌شدت به زیرساخت داخلی و ابزارهای مدیریت خوشه وابسته بوده و بدون تغییرات گسترده، انتشار عمومی آن عملی نبوده است. به نظر می‌رسد پیش از انتشار فعلی، کار لازم برای رفع این وابستگی‌ها انجام شده باشد.