منندز، سناتور پیشین دموکرات در آمریکا به ۱۱ سال زندان محکوم شد
به گزارش وال استریت ژورنال، لیانگ ونفنگ، بنیانگذار شرکت دیپ‌سیک (جستجوی عمیق) که این روزها از او به عنوان «سام آلتمن چینی» یاد می‌شود، مسیری متفاوت از دیگر شرکت‌های هوش مصنوعی را در پیش گرفته‌است.
این شرکت با وجود دسترسی به تراشه‌های کم‌توان‌تر نسبت به رقبای آمریکایی، موفق شده با بهینه‌سازی الگوریتم‌ها و رویکرد متفاوت به پردازش داده‌ها، به موفقیت‌های چشمگیری دست یابد.
از نبوغ ریاضی تا مدیریت سرمایه
لیانگ که در سال ۱۹۸۵ در شهر بندری ژان‌جیانگ متولد شد، از همان دوران دبیرستان با مطالعه خودآموز حساب دیفرانسیل و انتگرال، استعداد خود در ریاضیات را نشان داد. این استعداد او را به دانشگاه معتبر ژجیانگ رساند، جایی که پایه‌های دانش او در هوش مصنوعی شکل گرفت.
او پس از فارغ‌التحصیلی، در سال ۲۰۱۳ شرکت سرمایه‌گذاری جاکوبی را به نام ریاضیدان مشهور آلمانی تاسیس کرد. دو سال بعد، با همراهی دو هم‌دانشگاهی خود صندوق سرمایه‌گذاری «های‌فلایر» را راه‌اندازی کرد که امروز با مدیریت هشت میلیارد دلار سرمایه، به یکی از بزرگترین صندوق‌های سرمایه‌گذاری چین تبدیل شده‌است.
نوآوری در معاملات الگوریتمی
های‌فلایر در چین پیشگام استفاده از تکنیک‌های نوین هوش مصنوعی در تحلیل داده‌های بازار بود. برخلاف معامله‌گران سنتی که به دنبال سودهای لحظه‌ای با اختلاف چند میلی‌ثانیه هستند، لیانگ و تیمش بر معاملات میان‌مدت تمرکز کردند که امکان نگهداری طولانی‌تر موقعیت‌های معاملاتی را فراهم می‌کند.
لیانگ در این مسیر از جیم سیمونز، ریاضیدان و بنیانگذار صندوق رنسانس تکنولوژی الهام گرفت که در دهه ۱۹۸۰ از تکنیک‌های یادگیری ماشینی در معاملات استفاده می‌کرد. او حتی مقدمه نسخه چینی کتاب «مردی که بازار را حل کرد» درباره سیمونز را نوشت و در آن اذعان کرد که همواره از این جمله سیمونز الهام می‌گیرد: «حتماباید راهی برای مدل‌سازی قیمت‌ها وجود داشته باشد.»
موفقیت‌ها و چالش‌ها در بازار سرمایه
عملکرد های فلایر در بازار سرمایه چشمگیر بوده‌است. طبق گزارش موسسه سیمو پایپایوانگ در پنج سال گذشته حداقل پنج صندوق تحت مدیریت این شرکت به بازدهی ۲۰ درصد بالاتر از شاخص‌های مرجع بازار دست یافته‌اند.
با این حال، مسیر موفقیت این شرکت همیشه هموار نبوده‌است. در سال ۲۰۲۱، های‌فلایر به دلیل تحلیل نادرست از روند بخش‌های مختلف بازار، ناگزیر شد از سرمایه‌گذاران خود عذرخواهی کند. در سال بعد نیز نهاد ناظر بازار سرمایه چین، معامله‌گران الگوریتمی را به ایجاد رفتار دسته‌جمعی و افزایش بی‌ثباتی در بازار متهم کرد و محدودیت‌هایی را برای آنها وضع کرد.
ورود به عرصه هوش مصنوعی
لیانگ در سال ۲۰۱۹، با درک روند رو به رشد هوش مصنوعی، شروع به سرمایه‌گذاری در زیرساخت‌های محاسباتی و خرید تراشه‌های گرافیکی اِنویدیا کرد. زمانی که اوپن اِی‌آی در اواخر ۲۰۲۲ چت‌جی‌پی‌تی را معرفی کرد، های فلایر یکی از معدود شرکت‌های چینی بود که بیش از ۱۰ هزار تراشه پیشرفته اِنویدیا در اختیار داشت.
لیانگ با تشبیه این سرمایه‌گذاری هوشمندانه به خرید پیانو می‌گوید: «نخست باید توان مالی خرید پیانو را داشته باشید و بعد، گروهی از نوازندگان مشتاق که بخواهند با آن موسیقی بنوازند.»
استراتژی متن‌باز
یکی از تصمیمات کلیدی لیانگ که دیپ‌سیک را از رقبا متمایز کرد، متن‌باز (اوپن‌سورس) کردن کدهای شرکت بود. او که با هدف شکستن انحصار شرکت‌های بزرگ فن‌آوری وارد این عرصه شده، معتقد است متن‌باز بودن فراتر از یک تصمیم تجاری، یک فرهنگ است که احترام جامعه فن‌آوری را به همراه می‌آورد.
همکاران لیانگ او را نمونه‌ای از یک مهندس چینی توصیف می‌کنند که به جای توجه به لباس و مدل مویش، بر محاسبات و فرمول‌ها تکیه می‌کندو عاشق فوتبال است.
به گفته نزدیکانش، لیانگ که همواره از شهرت و توجه رسانه‌ها دوری کرده، از این‌که دیپ‌سیک یک شبه به شهرت رسیده، خودش هم شگفت‌زده شده‌است.
هجوم ناگهانی کاربران برای استفاده از سامانه‌های هوش مصنوعی دیپ‌سیک، شرکت را غافلگیر کرده و از روز یکشنبه هفت بهمن، سرورهای این شرکت بارها از دسترس خارج شده‌اند.
لیانگ که پیش از آغاز سال نو چینی، مشغول رفع مشکلات ناشی از هجوم کاربران بوده، اکنون در تعطیلات کوتاهی به سر می‌برد، اما به گفته همکارانش پس از پایان تعطیلات، کار روی توسعه نسل بعدی مدل‌های هوش مصنوعی دیپ‌سیک را از سر خواهد گرفت.
موفقیت‌های اخیر این شرکت و رویکرد متفاوت آن در توسعه هوش مصنوعی نشان می‌دهد که جهان فن‌آوری باید منتظر تحولات بیشتری از سوی این شرکت چینی باشد.
به گفته ریچارد دیویی، مدیر فن‌آوری و مدیر سابق یک صندوق سرمایه‌گذاری، راهبرد دیپ‌سیک در توسعه هوش مصنوعی که با تیمی کوچکتر، بودجه کمتر و تراشه‌های محدودتر کار می‌کند، او را به یاد معامله‌گران الگوریتمی می‌اندازد.
به باور دیویی به نظر می‌رسد آنها توانسته‌اند از حجم نسبتا کمی از داده‌ها، سیگنال‌های بسیاری استخراج کنند که این رویکرد در ماهیت، شبیه همان چیزی است که در معاملات الگوریتمی مورد نیاز است.
