Kiinalainen suuri kielimalli, joka tunnetaan nimellä DeepSeek-R1, herättää tiedemiesten mielenkiintoa kustannustehokkaana ja avoimena vaihtoehtona järkeilymalleille, kuten OpenAI:n o1:lle. Nämä mallit tuottavat vastauksia järjestyksessä, joka jäljittelee inhimillistä järkeilyä, mikä tekee niistä taitavampia kuin vanhemmat kielimallit tieteellisten ongelmien ratkaisemisessa, mikä voi olla hyödyllistä tutkimuksessa. R1:n, joka julkaistiin 20. tammikuuta, alkuarviot viittaavat siihen, että sen suorituskyky kemian, matematiikan ja ohjelmoinnin tehtävissä on kilpailukykyinen o1:n kanssa — joka vaikutti tutkijoihin sen julkaisuhetkellä OpenAI:lta syyskuussa. “Tämä on hämmästyttävää ja täysin odottamatonta, ” kommentoi Elvis Saravia, AI-tutkija ja Iso-Britanniassa toimivan AI-konsulttiyrityksen DAIR. AI:n co-founder, X:ssä. R1:llä on merkittävää muitakin syitä. Hangzhoussa sijaitseva start-up DeepSeek on tehnyt mallista 'avoin paino', mikä mahdollistaa tutkijoiden analysoida ja parantaa algoritmia. Se on julkaistu MIT-lisenssin alla, mikä mahdollistaa ilmaisen uudelleenkäytön, vaikka se ei ole täysin avoin lähdekoodi, koska koulutusdata on salattu. “DeepSeekin osoittama läpinäkyvyys on huomionarvoista, ” toteaa Mario Krenn, Max Planck -instituutin valontutkimuslaboratorion johtaja Erlangenissa, Saksassa. Ottaen huomioon, että o1 ja muut OpenAI:n mallit San Franciscossa, mukaan lukien uusi o3, ovat “periaatteessa mustia laatikoita, ” hän huomauttaa. Vaikka AI-harhaluuloja ei voida täysin eliminoida, tietyt tekniikat voivat auttaa vähentämään niiden vaikutuksia. DeepSeek ei ole paljastanut R1:n koulutuksen kokonaiskustannuksia, mutta se veloittaa käyttäjiltä noin kolmanneksen o1:n toimintakuluista.

Yritys on myös kehittänyt pienempiä ‘tislattuja’ versioita R1:stä, mikä mahdollistaa rajoitettujen laskentatehojen tutkijakokeet mallin kanssa. Krenn huomauttaa: “Koe, joka maksoi yli 300 puntaa o1:llä, maksoi R1:llä alle 10 dollaria, ” mikä korostaa merkittävää eroa, joka voisi vaikuttaa tulevaan hyväksymiseen. R1 on osa kiinalaisten suurten kielimallien (LLM) nousua. Hedge fundista syntynyt DeepSeek sai viime kuussa huomiota julkaistuaan V3-nimisen chatbotin, joka ylitti merkittävät kilpailijat huolimatta rajallisesta budjetista. Asiantuntijat arvioivat, että mallin koulutuksen laitteistovuokra oli noin 6 miljoonaa dollaria, verrattuna yli 60 miljoonaan dollariin Metan Llama 3. 1 405B:lle, joka käytti 11 kertaa enemmän laskentatehoja. DeepSeekin ympärillä oleva innostus johtuu osittain sen saavutuksesta kehittää R1 Yhdysvaltojen vientirajoitusten keskellä, jotka rajoittavat kiinalaisten yritysten pääsyä huipputason AI-prosessointisiruisiin. “Se, että se on peräisin Kiinasta, osoittaa, että tehokas resurssinhallinta on tärkeämpää kuin pelkkä laskentateho, ” väittää Seattleissa, Washingtonissa toimiva AI-tutkija François Chollet. DeepSeekin edistysaskeleet viittaavat siihen, että “kuilu, jota aiemmin pidettiin Yhdysvaltojen etuna, on merkittävästi kaventunut, ” huomautti Alvin Wang Graylin, tech-asiantuntija Bellevue'ssa, Washingtonissa, joka on yhteydessä Taiwanissa toimivaan immersiiviseen teknologiaan erikoistuneeseen HTC:hen, X:ssä. “Molempien maiden tulisi harkita yhteistyöstrategiaa edistyksellisen AI:n kehittämiseksi sen sijaan, että ne jatkaisivat nykyistä turhaa asevarustelukilpailua. ”