اعداد اواسط ژوئن ۲۰۲۶ از راه رسیدهاند و تصویری واضح را ترسیم میکنند. مدلهای هوش مصنوعی چینی برای ده هفته متوالی جایگاه نخست جهانی را از نظر حجم توکن حفظ کردهاند. این یک تیتر گذرا از یک بنچمارک واحد یا یک جهش موقت مربوط به یک انتشار وایرال نیست. این یک الگوی پایدار و چند هفتهای است که نشان میدهد کار واقعی هوش مصنوعی در کجا انجام میشود.
از مجموع حجم هفتگی جهانی یعنی ۴۶.۷ تریلیون توکن، مدلهای چینی ۱۸.۸۱ تریلیون توکن را پردازش کردند. مدلهای آمریکایی ۵.۷۶ تریلیون توکن را مدیریت کردند. این یعنی ۴۶٪ برای چین و ۱۳٪ برای ایالات متحده. حجم توکن ملموسترین معیاری است که برای سنجش پذیرش هوش مصنوعی در دنیای واقعی داریم. هر توکن نشاندهنده یک واحد واقعی از نیروی محاسباتی است—یک خط کد بازبینیشده، پاسخ به یک پرسش مشتری، خلاصهسازی یک سند، توصیف یک تصویر یا اجرای یک زنجیره استدلال. وقتی تقریباً نیمی از نیروی کار هوش مصنوعی جهان از طریق مدلهای ساختهشده در چین انجام میشود، ما شاهد بازتوزیع بنیادین اقتصاد جهانی هوش مصنوعی هستیم.
مهاجرت سازمانی با سرعت انجام شد
تغییر در شرکتهای آمریکایی بسیار شدید بوده است. مصرف توکن مدلهای چینی توسط سازمانهای آمریکایی از ۴.۵٪ در سال ۲۰۲۵ به ۴۶٪ در سال ۲۰۲۶ افزایش یافت. از فوریه ۲۰۲۶، این سهم بالای ۳۰٪ باقی مانده است. این دو نقطه داده در کنار هم داستان روشنی را روایت میکنند. این یک آزمایش اولیه توسط چند مهندس کنجکاو نیست؛ بلکه یک مهاجرت گسترده و ساختاری است که اوایل امسال از آستانه عبور کرد و دیگر به عقب نگاه نکرد.
کسبوکارهای آمریکایی در ابتدا با مدلهای چینی به عنوان یک گزینه پشتیبان یا یک مورد کنجکاوی برخورد میکردند. سپس تیمها شروع به انجام مقایسههای هزینه داخلی کردند. آنها دریافتند که تغییر مدل نیازی به فدا کردن دقت در وظایف روتین ندارد. وقتی این موضوع روشن شد، تصمیمات خرید با سرعت گرفته شد. سهم ۴۶ درصدی در بخش سازمانی به این معناست که اکنون تقریباً نیمی از بودجه محاسبات هوش مصنوعی در شرکتهای آمریکایی به سمت معماریهای توسعهیافته در آن سوی اقیانوس آرام جریان مییابد. برای صنعتی که سالها سانفرانسیسکو و منطقه Bay Area را به عنوان مرکز ثقل خود در نظر گرفته است، این یک بازآرایی چشمگیر است.
شرکتهای واقعی، صرفهجویی واقعی
تصمیمات ملموس شرکتهای برنددار نشان میدهد که این روند تا چه حد عمیق است. Coinbase، صرافی ارز دیجیتال، مدلهای GLM-5.2 و Kimi K2.7 را برای مهندسان خود انتخاب کرد. این یک برنامه آزمایشی پنهان در یک آزمایشگاه تحقیقاتی نبود. این مدلها جریانهای کاری واقعی توسعهدهندگان را تغذیه میکنند—تکمیل کد، مستندات فنی، کمک به عیبیابی و ابزارهای داخلی. Coinbase الزامات سختگیرانهای برای پایداری (uptime) و امنیت دارد. تیم مهندسی آن مدلهای خارجی را برای دستاوردهای ناچیز انتخاب نکرد؛ آنها را انتخاب کردند چون این مدلها ضمن ارائه اقتصاد برتر، از استانداردهای قابلیت اطمینان سازمانی نیز عبور کردند.
سپس صحبت از Lindy است، استارتاپ آمریکایی که از Anthropic Claude به DeepSeek-V4 مهاجرت کرد. نتیجه، کاهش ۹۵ درصدی هزینهها و صرفهجویی میلیونها دلار بود. استارتاپها با محدودیتهای مسیر بقای مالی (runway) شدیدی روبرو هستند. کاهش ۹۵ درصدی در هزینههای استنتاج (inference) میتواند تفاوت بین اتمام بودجه در هجده ماه یا مقیاسپذیری راحت برای سالها باشد. اما حرکت Lindy سیگنال گستردهتری نیز دارد: DeepSeek-V4 به اندازه کافی خوب عمل کرد تا جایگزین Claude در یک محیط عملیاتی شود. این یک تنزل سطح به یک گزینه ارزانقیمت نبود؛ بلکه تعویضی بود که کارایی را حفظ و هزینهها را به کلی از بین برد.
این دو مثال در دو سر طیف شرکتی قرار دارند. Coinbase یک غول فناوری سهامی عام با تیمهای انطباق (compliance) و زیرساختهای قدیمی است. Lindy یک مجموعه در مراحل اولیه است که بقای خود را روی اقتصاد هوشمند هوش مصنوعی شرطبندی کرده است. هر دو به یک مقصد رسیدند. این موضوع باید چیزی به ما بگوید.
معنای واقعی کارایی در عمل
کارایی محرک این انتخابهاست، اما باید دقیق باشیم که این به چه معناست. این صرفاً مسئله قیمت ارزانتر API در یک داشبورد نیست. آزمایشگاههای چینی معماریهای استنتاجی تولید کردهاند که از هر چرخه محاسباتی، عملکرد بسیار بیشتری استخراج میکنند. کوانتیزاسیون (quantization) بهتر، مکانیزمهای توجه (attention mechanisms) بهینهسازی شده، نسخههای تقطیر شده (distilled) مدل و پشتههای سرویسدهی آگاه از سختافزار، همگی دست به دست هم میدهند تا هزینه هر توکن را کاهش دهند.
چرا این موضوع تا این حد اهمیت دارد؟ چون حجم توکنها ثابت نیست. وقتی یک شرکت یک قابلیت هوش مصنوعی موفق میسازد، میزان استفاده از آن تمایل به رشد مرکب دارد. اگر در فصل آینده به دلیل محبوبیت نزد مشتریان، اپلیکیشن شما ده برابر توکن بیشتری تولید کند، صورتحساب زیرساخت شما نیز با همان میزان رشد بالا میرود. مدلی که صرفاً «ارزانتر» است کمک میکند، اما مدلی که نود و پنج درصد ارزانتر است، اقتصاد واحد (unit economics) شما را به کلی تغییر میدهد. این موضوع تعیین میکند که آیا خط تولید محصولات هوش مصنوعی شما سودآور است یا یک مرکز ضرردهی. این مسئله به استارتاپها اجازه میدهد با بازیگران مستقر رقابت کنند و به بازیگران مستقر اجازه میدهد ضمن عرضه قابلیتهای بیشتر هوش مصنوعی، حاشیه سود خود را حفظ کنند.
شرکتهای آمریکایی در حال درک این محاسبات هستند. آنها در حال کشف این واقعیت هستند که بسیاری از وظایف عملیاتی — مانند مسیریابی تیکتها، پیشنویس ایمیلها، تجزیه لاگها، تولید موارد تست و خلاصهسازی جلسات — نیازی به گرانترین مدلهای پیشرو (frontier models) موجود در بازار ندارند. آنها به مدلی نیاز دارند که در سطح مناسبی از کیفیت باشد و ساختار هزینهای داشته باشد که مدل کسبوکار را توجیه کند. ارائهدهندگان چینی با تهاجم وارد این شکاف شدهاند.
تحلیل روند ده هفتهی متوالی
ده هفته در صدر حجم جهانی توکن، در دنیای هوش مصنوعی زمان طولانیای است. یک هفته میتواند یک ناهنجاری باشد، اما ده هفته یک روند با شتاب است. این موضوع نشان میدهد که مدلهای چینی از مرحله «ارزیابی» در شرکتهای جهانی عبور کرده و به مرحله «پیشفرض» رسیدهاند. مهندسان فقط در حال آزمایش آنها نیستند؛ آنها در حال ساختن محصولات بر پایه آنها هستند. مدیران محصول در حال تخصیص بودجه به آنها هستند. زیرساختها در حال ادغام در خطوط لوله استقرار مداوم (continuous deployment pipelines) و سیستمهای رو به مشتری هستند.
با نگاه به گذشته، نقطه عطف فوریه ۲۰۲۶ منطقی به نظر میرسد. مدلهایی مانند DeepSeek-V4، GLM-5.2 و Kimi K2.7 مدتی بود که در دسترس بودند، اما به نظر میرسد اوایل سال ۲۰۲۶ زمانی بود که تیمهای آمریکایی تجربه عملیاتی کافی برای اعتماد به آنها در مقیاس بزرگ را به دست آوردند. زمانی که اعتماد از یک آستانه بحرانی عبور کرد، سهم بخش سازمانی (enterprise share) به بالای ۳۰ درصد جهش کرد و همچنان به رشد خود ادامه داد. تا اواسط ژوئن، مدلهای چینی در سطح جهانی تقریباً چهار برابر بیشتر از مدلهای آمریکایی، حجم توکن را مدیریت میکردند.
درسهایی برای سازندگان
اگر در حال ساخت محصول هستید یا تیمهای مهندسی را مدیریت میکنید، درس عملی این است: ساده است. از برابر دانستن کیفیت مدل با محل جغرافیایی (کد پستی) دست بردارید. بهترین معماری برای بار کاری خاص شما ممکن است از سوی یک ارائهدهنده در منطقه Bay Area نباشد. بنچمارکهای هزینه به ازای هر وظیفه (cost-per-task) را روی دادههای واقعی خود اجرا کنید. تأخیر (latency)، دقت و قیمت را با هم بسنجید. بررسی کنید که وقتی میزان استفاده ۱۰ یا ۱۰۰ برابر میشود، چه اتفاقی برای بودجه شما میافتد.
لایه زیرساخت جهانی هوش مصنوعی به سرعت در حال جهانی شدن است. کارایی هزینه اکنون موتور اصلی بازتعریف پذیرش در سازمانهاست و آزمایشگاههای چین سال گذشته را صرفاً برای بهینهسازی در برابر همین فشار گذراندهاند. نتیجه، بازاری است که در آن ۴۶٪ از توکنهای هوش مصنوعی جهان از طریق مدلهای چینی جریان مییابد، در حالی که شرکتهای آمریکایی اکنون خودشان مسئول تقریباً نیمی از آن استفاده سازمانی هستند. جغرافیای انجام کارهای سنگین هوش مصنوعی تغییر کرده است. اعداد دروغ نمیگویند.
Source: China Dominates Global Token Volume
Optional learning community: GyaanSetu AI on Telegram