دست از وسواس روی GPT-5 بردارید! «تکنولوژی سیاه» لو رفته DeepSeek V4 ممکن است تغییردهنده نهایی بازی در سال 2026 باشد

سلام بر علاقه‌مندان به هوش مصنوعی، ما ممکن است در مهم‌ترین دوراهی تاریخ LLM ایستاده باشیم.

با نزدیک شدن به سال نو قمری (17 فوریه 2026)، مخزن مرموز GitHub با نام رمز “MODEL1” تقریباً هر شب به‌روز می‌شود. در حالی که جهان مشغول حدس زدن تعداد پارامترها است، "نشت" واقعی که باید شما را هیجان‌ زده کند، مغز بزرگ‌تر نیست—بلکه مغز هوشمندتر است.

وارد شوید: Engram (حافظه مشروط).

اگر فکر می‌کنید استدلال GPT-5 چشمگیر است، DeepSeek V4 قرار است به شما نشان دهد که یک "جهش معماری" چگونه به نظر می‌رسد. بیایید سلاح مخفی‌ای را که DeepSeek برای به چالش کشیدن OpenAI استفاده می‌کند، به زبان ساده تجزیه و تحلیل کنیم.

1. پایان دادن به "آلزایمر هوش مصنوعی": Engram چیست؟

اگر قبل از سال 2025 از هر مدلی استفاده کرده باشید، مبارزه را می‌دانید: "حافظه ماهی قرمز". هر چه بیشتر وارد مکالمه می‌شوید، هوش مصنوعی بیشتر زمینه اولیه را فراموش می‌کند. یا یک پایگاه کد عظیم به آن می‌دهید و بعد از صفحه 50 شروع به توهم می‌کند.

مدل‌های سنتی (از جمله نسخه‌های اولیه GPT-4) تمام حافظه را در HBM (حافظه با پهنای باند بالا) گران‌قیمت پر می‌کنند. سریع است، اما فوق‌العاده گران و محدود است.

DeepSeek V4 برنامه متفاوتی دارد: به هوش مصنوعی یک "هارد دیسک خارجی" می‌دهد.

• امتحان کتاب بسته در مقابل باز: مدل‌های هوش مصنوعی قدیمی مانند دانش‌آموزانی هستند که امتحان کتاب بسته می‌دهند—آنها باید همه چیز را حفظ کنند و مغزشان در نهایت بیش از حد بارگذاری می‌شود. DeepSeek V4 با Engram مانند دانش‌آموزی است که با یک iPad پرسرعت وارد جلسه امتحان می‌شود. مقادیر عظیمی از اطلاعات پس‌زمینه، اسناد و کد را در یک "ردپای حافظه خارجی" ذخیره می‌کند و فقط آنچه را که نیاز دارد، در زمان نیاز بیرون می‌کشد.
• ردپای حافظه خارجی: به طور موثر محاسبات را از ظرفیت حافظه جدا می‌کند، به این معنی که RAM استدلال شما را اشغال نمی‌کند. بیشتر درباره شیرجه عمیق در Engram بخوانید.

(راستی، اگر می‌خواهید اولین نفری باشید که مشخصات سخت‌افزاری برای اجرای محلی V4 را دریافت می‌کند، مراقب "چک‌لیست فنی" در نوار کناری باشید. این برای توسعه‌دهندگان ضروری است.)

2. چرا این "جایگزین نهایی GPT-5" است؟

در سال 2026، GPT-5 بدون شک یک "هیولا" است، اما قیمت‌گذاری API سرسام‌آور آن کابوسی برای توسعه‌دهندگان است. DeepSeek V4 بازی متفاوتی را انجام می‌دهد و اعتماد به نفس آن از کارایی هزینه فوق‌العاده ناشی می‌شود:

• کاهش هزینه 10-20 برابری: به لطف Engram، مدل V4 نیازی به ذخیره حافظه GPU گران‌قیمت ندارد. این بدان معناست که شما به طور بالقوه می‌توانید استدلال در سطح GPT-5 را با 1/10 قیمت دریافت کنید.
• زمینه "واقعی" 1 میلیون+ توکن: آن هک‌های "فشرده‌سازی زمینه" را فراموش کنید. Engram به V4 اجازه می‌دهد تا اطلاعات را در پروژه‌های عظیم دقیقاً مشخص کند. برای دوستان توسعه‌دهنده من: تصور کنید 50 میکروسرویس به آن می‌دهید و او آن یک باگی را که سه ماه پیش در یک فایل پیکربندی جا گذاشته‌اید، به یاد می‌آورد.

3. بازگشت "قصاب قیمت": چه انتظاری داریم؟

اگر شایعات درست باشد، V4 مانند بمبی در این فوریه فرود خواهد آمد. این فقط یک پیروزی برای کاربران نیست؛ این یک طناب نجات برای استارتاپ‌های هوش مصنوعی است. این ثابت می‌کند که در حالی که OpenAI روی "بزرگتر" تمرکز می‌کند، DeepSeek روی "هوشمندتر و ارزان‌تر" تمرکز می‌کند.

سال گذشته، مدل R1 ثابت کرد که منطق در انحصار دره سیلیکون نیست. امسال، V4 اینجاست تا ثابت کند که کارایی مهندسی مرز جدید است.

4. افکار نهایی

DeepSeek بدون محتوا "هیاهو" نمی‌کند. معماری Engram احتمالاً جنگ قیمت گسترده‌ای را در سراسر صنعت ایجاد خواهد کرد.

برای اطمینان از اینکه وقتی سایت رسمی در روز راه‌اندازی به ناچار از کار می‌افتد، عقب نمانید، در اینجا کاری که باید انجام دهید آمده است:

• نوار کناری را تماشا کنید: ما یک "لیست هشدار راه‌اندازی" و "راهنمای استقرار" داریم که به صورت تصادفی در نوار کناری ظاهر می‌شوند. ایمیل خود را بگذارید تا جلوتر بمانید.
• این سایت را نشانه‌گذاری کنید: ما هر خط کد را در مخزن MODEL1 ردیابی می‌کنیم. وقتی حرکت کند، متوجه خواهید شد.

آیا فکر می‌کنید DeepSeek V4 می‌تواند یک "معجزه سال نو قمری" دیگر را رقم بزند؟ از آنجا که هنوز بخش نظرات نداریم، با رای دادن در نظرسنجی نوار کناری، نظر خود را به ما بگویید!

شیرجه عمیق فنی: پایان گلوگاه‌های کش KV؟

در حالی که وایت‌پیپرهای رسمی هنوز در راه هستند، پیش‌چاپ‌های اخیر و تحلیل‌های جامعه از مخزن "MODEL1" نشان می‌دهد که Engram اجرای جدیدی از توجه پراکنده (Sparse Attention) همراه با یک معماری حافظه سلسله‌مراتبی است.

گلوگاه اصلی در LLMهای مدرن حافظه نهان کلید-مقدار (KV) است که به صورت خطی با طول زمینه رشد می‌کند. در معماری‌های استاندارد Transformer، توجه به یک زمینه 1 میلیون توکنی به مقادیر عظیمی VRAM نیاز دارد که اغلب مستلزم خوشه‌های H200 گران‌قیمت فقط برای ذخیره حافظه نهان است، چه برسد به محاسبه امتیازات توجه. به نظر می‌رسد Engram این مشکل را با تخلیه اکثریت زمینه به حافظه میزبان (یا حتی ذخیره‌سازی NVMe) و بازیابی فقط "مجموعه فعال" مرتبط از توکن‌ها برای مرحله تولید فعلی حل می‌کند.

این نشان‌دهنده قابلیت زمینه بی‌نهایت است که در آن محدودیت دیگر VRAM نیست، بلکه تأخیر بازیابی است—که به نظر می‌رسد DeepSeek با استفاده از الگوریتم‌های پیش‌واکشی پیش‌بینانه آن را به حداقل رسانده است. با دور شدن از مکانیسم‌های توجه متراکم، DeepSeek V4 به بهینه‌سازی VRAM رادیکال دست می‌یابد که به طور بالقوه اجازه می‌دهد منطق تریلیون پارامتری روی ردپای سخت‌افزاری به مراتب لاغرتر اجرا شود. اگر درست باشد، این نشان‌دهنده یک تغییر اساسی از مقیاس‌بندی "قدرت بی‌رحمانه" به استفاده هوشمندانه و پراکنده از منابع است.