DeepSeek: כך טלטלה את שוק הבינה המלאכותית בקוד פתוח העולמי

DeepSeek: כך טלטלה את שוק הבינה המלאכותית בקוד פתוח העולמי

בסוף ינואר 2025 גילו משקיעים, מנהלי טכנולוגיה ויזמים שהמרוץ לבינה מלאכותית אינו מתנהל רק בין ענקיות עמק הסיליקון. DeepSeek, מעבדת בינה מלאכותית סינית צעירה, השיקה מודל חשיבה שהציג ביצועים תחרותיים, פרסמה את משקלי המודל והציעה גישה במחיר נמוך יחסית.

התגובה הייתה מיידית. האפליקציה של DeepSeek הגיעה לצמרת ההורדות בחנות האפליקציות האמריקאית, מניות של חברות שבבים ירדו בחדות, ובתעשייה נפתחה מחדש שאלה שנראתה כמעט סגורה: האם בניית בינה מלאכותית מתקדמת באמת מחייבת תקציבי עתק, תשתיות חישוב עצומות ומודל עסקי סגור?

DeepSeek לא הוכיחה שכל התשובות הישנות שגויות. היא כן הראתה שהפער בין מודלים פתוחים יחסית לבין המערכות הסגורות המובילות יכול להצטמצם מהר מהצפוי. עבור ארגונים, זו אינה רק דרמה גיאופוליטית. זו התפתחות שמשפיעה ישירות על עלויות, בחירת ספקים, פרטיות מידע והיכולת לבנות יישומי בינה מלאכותית ללא תלות מוחלטת בחברה אחת.

מה בדיוק עשתה DeepSeek?

DeepSeek נוסדה ב-2023 בידי ליאנג וונפנג, שהיה ממייסדי קרן הגידור הכמותית High-Flyer. החברה משכה תשומת לב עם משפחת מודלים שהתמקדה ביעילות חישובית, בתכנות ובהסקה, אך נקודת המפנה הגיעה בינואר 2025 עם פרסום DeepSeek-R1.

R1 הוא מודל חשיבה: במקום להחזיר תשובה מיידית בלבד, הוא מיועד להתמודד עם בעיות מורכבות באמצעות תהליך רב-שלבי. היכולת הזאת חשובה במיוחד במשימות כמו כתיבת קוד, פתרון בעיות מתמטיות, ניתוח מסמכים ותכנון מהלכים שיש ביניהם תלות.

לפי הדוח הטכני שפרסמה החברה, ביצועי R1 היו תחרותיים במספר מבחנים מול מודלי חשיבה מובילים. כמו בכל השוואת מודלים, צריך לקרוא את התוצאות בזהירות: מבחני מעבדה אינם משקפים בהכרח עבודה עם לקוחות, מסמכים ארגוניים או תהליכים עסקיים אמיתיים. ובכל זאת, עצם העובדה שמעבדה סינית צעירה הגיעה לרמה הזאת הספיקה כדי לערער את השוק.

האירוע קיבל משמעות נוספת בעקבות DeepSeek-V3, המודל שעליו נשענה חלק מהתשתית של R1. החברה דיווחה כי שלב האימון הסופי של V3 דרש כ-2.8 מיליון שעות שימוש במעבדי H800 של NVIDIA, בעלות חישוב מוערכת של כ-5.6 מיליון דולר. הנתון עורר כותרות, אך אינו מייצג את מלוא העלות של הקמת המערכת: הוא אינו כולל בהכרח מחקר מוקדם, ניסויים, כוח אדם, איסוף נתונים, תשתיות ועלויות הון.

המסר החשוב אינו ש“אפשר לבנות מודל מוביל בחמישה מיליון דולר”. המסקנה המדויקת יותר היא שאפשר לשפר משמעותית את היחס בין ביצועים למשאבים באמצעות ארכיטקטורה, תהליך אימון ואופטימיזציה יעילים.

הטלטלה האמיתית: לא רק ביצועים, אלא מודל הפצה

היתרון של DeepSeek לא נמדד רק בטבלת ציונים. החברה אפשרה להוריד משקלים של מודלים ולהפעיל אותם באמצעות תשתית עצמאית או ספקי ענן תומכים. בכך היא נתנה למפתחים ולארגונים אפשרות רחבה יותר לבדוק, להתאים ולפרוס את הטכנולוגיה.

כאן נדרשת הבחנה חשובה. המונח “קוד פתוח” משמש לעיתים באופן חופשי מדי בשוק הבינה המלאכותית. כאשר מתפרסמים משקלי המודל, אפשר להפעיל אותו ולבצע בו התאמות, אך בדרך כלל לא נחשפים כל נתוני האימון, תהליכי הסינון והמתודולוגיה המלאה ששימשה ליצירתו. לכן אנשי מקצוע רבים מעדיפים את הביטוי “מודל במשקלים פתוחים”.

מבחינת מנהל עסקי, ההבדל אינו סמנטי בלבד. מודל במשקלים פתוחים עשוי לאפשר שליטה רבה יותר בפריסה, אך אינו מבטיח שקיפות מלאה לגבי מקורות המידע, ההטיות, אבטחת שרשרת האספקה או תהליך האימון.

למרות ההסתייגות הזאת, מודל הפצה פתוח יחסית משנה את מאזן הכוחות. חברה אינה חייבת עוד לשלוח כל בקשה לממשק של ספק אמריקאי גדול. היא יכולה, בכפוף ליכולת הטכנולוגית ולרישיון, להריץ מודל בסביבה מבודדת, לבחור ספק תשתית אחר או להשתמש בגרסה מוקטנת המותאמת למשימה מסוימת.

מדוע וול סטריט הגיבה בעוצמה?

ב-27 בינואר 2025 ירדה מניית NVIDIA בכ-17%, ירידה שמחקה כ-589 מיליארד דולר משווי השוק שלה ביום מסחר אחד. זו הייתה אז מחיקת השווי היומית הגדולה ביותר שנרשמה לחברה אמריקאית.

התגובה לא נבעה מכך ש-DeepSeek הפסיקה את הצורך בשבבים מתקדמים. להפך: ככל שהשימוש בבינה מלאכותית מתרחב, הביקוש לחישוב עשוי להמשיך לגדול. החשש היה אחר — שאם אפשר להשיג ביצועים טובים יותר בפחות משאבים, תחזיות ההשקעה האדירות במרכזי נתונים ובמעבדים עלולות להשתנות.

האירוע המחיש עד כמה שווי השוק של תעשיית הבינה המלאכותית נשען על הנחות כלכליות, ולא רק על איכות המודלים. אם עלות ההסקה יורדת, יותר חברות יכולות להטמיע בינה מלאכותית. אך באותה נשימה, ירידת עלויות עלולה ללחוץ את מחירי השירותים ולצמצם את היתרון של חברות שמוכרות גישה למודלים סגורים.

זהו פרדוקס מוכר בטכנולוגיה: יעילות גבוהה יותר עשויה להפחית את העלות לכל פעולה, אך להגדיל מאוד את מספר הפעולות. לכן DeepSeek אינה בהכרח איום על שוק החומרה כולו. היא בעיקר מאלצת את השוק לחשב מחדש היכן נוצר הערך — בשבב, במודל, בנתונים, בחוויית המשתמש או בחיבור לתהליך העסקי.

היתרון הסיני: יעילות תחת מגבלות

עליית DeepSeek אינה מנותקת מהתחרות בין ארצות הברית לסין. מגבלות היצוא האמריקאיות צמצמו את הגישה הסינית לחלק ממעבדי הבינה המלאכותית המתקדמים ביותר. אחת התוצאות הייתה תמריץ חזק למעבדות סיניות להפיק יותר מחומרה מוגבלת יחסית.

DeepSeek השתמשה בין היתר בגישת “תערובת מומחים”, שבה רק חלק מרכיבי המודל מופעלים בכל משימה. בפשטות, המערכת אינה מפעילה את כל הידע שלה בכל פעם. היא מנתבת את הבקשה לחלקים הרלוונטיים, בדומה לארגון שמפנה בעיה למחלקה המתאימה במקום לכנס את כל העובדים.

גישה כזאת אינה המצאה בלעדית של DeepSeek, אך היישום שלה חיזק את הטענה שאיכות אינה תלויה רק במספר המעבדים או בגודל המודל. תכנון נכון של האימון ושל הפעלת המודל יכול להשפיע מאוד על העלות ועל המהירות.

במקביל, DeepSeek היא חלק ממערכת רחבה יותר. חברות סיניות ובהן Alibaba ו-Moonshot AI מפרסמות גם הן מודלים פתוחים או פתוחים חלקית. מן הצד האמריקאי, Meta, Google ו-NVIDIA מציעות משפחות מודלים שניתנות להורדה ולהפעלה עצמאית בתנאי רישוי שונים. התחרות, אם כן, אינה פשוט “סין הפתוחה מול אמריקה הסגורה”, אלא מאבק בין כמה תפיסות הפצה וכלכלה.

מה משתנה עבור חברות שבונות אפליקציות ללא קוד?

עבור ארגונים המשתמשים בפלטפורמות ללא קוד ובאוטומציות, DeepSeek מרחיבה את סל האפשרויות. בעבר, תהליך טיפוסי התחבר כמעט אוטומטית לממשק של אחד מספקי הענן הגדולים. כעת אפשר לבחון מודלים נוספים באמצעות שערי API, שירותי אירוח או פריסה פרטית.

דמיינו חברת שירותים שממיינת אלפי פניות לקוחות בכל חודש. המודל קורא את הפנייה, מזהה את הנושא, מציע עדיפות ומעביר אותה לצוות המתאים. אם כל משימה נשלחת למודל מתקדם ויקר, העלות מצטברת. מודל זול יותר עשוי להספיק למיון הראשוני, בעוד שרק מקרים מורכבים יישלחו למודל חזק ויקר.

במחלקת משאבי אנוש אפשר להשתמש במודל מקומי כדי לחלץ מידע ממסמכים פנימיים, בכפוף לדין ולמדיניות הארגון. מנהל מוצר יכול לשלב אותו בתהליך שמסכם משוב משתמשים. צוות תפעול יכול להפעיל סוכן שמזהה חריגות בדוחות ומכין טיוטת הסבר. בכל אחד מהמקרים, הערך נובע פחות משם המודל ויותר מהתאמתו למשימה.

פלטפורמת ללא קוד יכולה להסתיר את המורכבות הטכנית, אך אינה מבטלת אחריות. גם חיבור פשוט באמצעות רכיב מוכן מחייב לבדוק לאן המידע נשלח, כמה זמן הוא נשמר, האם הוא משמש לאימון, מה קורה בתקלה ואילו הרשאות קיבל התהליך האוטומטי.

המחיר הנמוך אינו הקריטריון היחיד

מודלים פתוחים יחסית יכולים להפחית את מחיר השימוש, אך הפעלה עצמאית אינה חינם. היא דורשת שרתים, ניטור, אבטחה, עדכונים, בדיקות ועובדים שיודעים לטפל בתקלות. במקרים רבים, שירות סגור ויקר יותר ליחידת שימוש יהיה זול יותר בעלות הכוללת, במיוחד בארגון קטן.

גם איכות אינה מספר אחד. מודל עשוי להצטיין בתכנות ולהתקשות בעברית עסקית, להיות חזק בניתוח מסמכים אך פחות עקבי בשימוש בכלים, או להשיג ציון גבוה במבחן מתמטי ולהפיק תשובות לא מדויקות בתחום מקצועי צר.

לכן השוואה טובה מתחילה בתרחישים אמיתיים. יש להכין אוסף מייצג של פניות, מסמכים ומשימות, להגדיר מה נחשב תשובה טובה ולבדוק כמה פעמים נדרשת התערבות אנושית. החיסכון במחיר האסימונים מאבד משמעות אם עובדים צריכים לתקן חלק גדול מהתוצרים.

פרטיות, רגולציה ואמון

המקור הסיני של DeepSeek העלה שאלות בנוגע לפרטיות, ממשל מידע וסמכות שיפוט. גופים ציבוריים ומדינות אחדות הגבילו את השימוש באפליקציה או פתחו בבדיקות. חלק מהחששות מתייחסים לאופן איסוף המידע בשירות הצרכני, וחלקם לסיכוני אבטחה ותלות אסטרטגית.

חשוב להפריד בין שימוש באפליקציה הציבורית של DeepSeek לבין הפעלה עצמאית של מודל שהורד לסביבה ארגונית. אלה שני תרחישים שונים מבחינת זרימת המידע. בפריסה מקומית אפשר לצמצם העברת מידע לצד שלישי, אך הארגון מקבל על עצמו אחריות גדולה יותר לאבטחה, לעדכונים ולבקרת הגישה.

הבדיקה צריכה להיות עקבית כלפי כל ספק, סיני או אמריקאי. מנהלים צריכים לדעת היכן מעובד המידע, איזה מידע מתועד, מי יכול לגשת אליו, כיצד נמחקים נתונים ומהן התחייבויות הספק במקרה של אירוע אבטחה.

לא מרוץ ישיר ל-AGI, אלא שינוי בכלכלת המודלים

DeepSeek, כמו מעבדות מובילות אחרות, מציגה שאיפה להתקדם לעבר מערכות בעלות יכולות כלליות יותר. עם זאת, AGI — בינה מלאכותית כללית — נותר מונח שאין לו הגדרה מוסכמת או מבחן יחיד ומקובל. הכרזה על מודל כ-AGI אינה עובדה מדעית רק מפני שחברה או בכיר השתמשו במונח.

ההשפעה המעשית של DeepSeek כבר ניכרת בלי להכריע בשאלה הזאת. החברה הראתה שמודל מתקדם יכול להגיע מחוץ למעגל המצומצם של המעבדות האמריקאיות, ושפתיחת משקלים יכולה להאיץ אימוץ, התאמה ותחרות במחיר.

היא גם חידדה את הסיכונים. ככל שמודלים חזקים נעשים זמינים יותר, קל יותר להשתמש בהם למחקר ולחדשנות — אך גם להפצת מידע מטעה, אוטומציה של תקיפות סייבר או הפעלת מערכות ללא פיקוח מספק. פתיחות אינה טובה או רעה מעצם טבעה; היא מחלקת מחדש יכולת ואחריות.

כיצד מנהלים צריכים להגיב

התגובה הנכונה אינה להעביר מיד את כל הפעילות ל-DeepSeek, וגם לא להתעלם ממנה בשל ארץ המוצא. כדאי להתייחס אליה כאות לכך ששוק המודלים נעשה מגוון, תחרותי ופחות צפוי.

ארגון יכול להתחיל בניסוי מוגבל שאינו כולל מידע רגיש. למשל, לבחור תהליך פנימי אחד, להשוות בין שניים או שלושה מודלים ולמדוד דיוק, זמן תגובה, עלות ותיקונים אנושיים. רק לאחר מכן אפשר לבחון פריסה רחבה או מקומית.

כדאי גם לתכנן את המערכת כך שהחלפת מודל לא תחייב בנייה מחדש של כל היישום. שכבת תיווך, כללי עבודה ברורים ותיעוד של ההנחיות מאפשרים לעבור בין ספקים. בעולם שבו מודל מוביל יכול לאבד את יתרונו בתוך חודשים, גמישות היא נכס ניהולי.

סיכום: מה DeepSeek שינתה בשוק

נושא	מה השתנה	המשמעות לארגונים
תחרות	מעבדה סינית צעירה הציגה מודל חשיבה תחרותי	יותר חלופות לספקים האמריקאיים הגדולים
עלות	דגש על יעילות אימון והסקה	אפשרות להוזיל תהליכים בנפח גבוה, לאחר בדיקה מעשית
פתיחות	משקלי מודלים זמינים להורדה ולהפעלה	יותר שליטה בפריסה, בהתאמה ובבחירת התשתית
סיכונים	שאלות של פרטיות, אבטחה, רישוי וסמכות שיפוט	צורך בבדיקת ממשל מידע לפני שימוש ארגוני
אסטרטגיה	מודלים מתחלפים ומשתפרים במהירות	עדיפות לארכיטקטורה שאינה תלויה בספק יחיד
יישומי ללא קוד	יותר חיבורים למודלים ולשירותי אירוח שונים	הנגשת ניסויים גם לצוותים שאינם צוותי פיתוח

חמש שאלות שכדאי לשאול לפני שבוחרים מודל

1. האם המודל מצליח במשימות האמיתיות שלנו, בעברית ובתנאים שבהם העובדים והלקוחות ישתמשו בו?
2. מהי העלות הכוללת, לרבות תשתית, תחזוקה, ניטור, אבטחה ותיקון תשובות שגויות?
3. לאן נשלחים הנתונים, כמה זמן הם נשמרים ומי רשאי לגשת אליהם?
4. האם אפשר להחליף ספק או מודל בלי לבנות מחדש את האפליקציה ואת האוטומציות?
5. אילו החלטות דורשות אישור אנושי, ומה יקרה אם המודל יטעה או לא יהיה זמין?

השורה התחתונה

DeepSeek טלטלה את שוק הבינה המלאכותית בקוד פתוח משום שהיא שינתה את נקודת הייחוס. היא הראתה שלא רק החברות בעלות התקציבים הגדולים ביותר יכולות לפתח מודלים תחרותיים, ושיעילות, הפצה פתוחה ותמחור אגרסיבי עשויים להיות חשובים כמעט כמו המקום הראשון במדד ביצועים.

עבור מנהלים, הלקח אינו לבחור אוטומטית במודל הסיני החדש. הלקח הוא להפסיק להתייחס למודל כאל החלטה חד-פעמית. הבחירה צריכה להיעשות לפי משימה, מידע, סיכון ועלות כוללת — ולהישאר פתוחה לשינוי.

השוק ש-DeepSeek סייעה ליצור יהיה כנראה זול ונגיש יותר, אך גם מורכב יותר. הארגונים שיפיקו ממנו ערך לא יהיו בהכרח אלה שירוצו ראשונים למודל התורן, אלא אלה שיבנו תהליך מדידה, ממשל וגמישות המאפשרים לנצל את התחרות בלי לאבד שליטה.