Relativt óþekkt AI rannsóknarstofnun í Kína hefur vakið áhyggjur í Silicon Valley með því að kynna AI líkön sem fara fram úr frammistöðu bestu bandarísku módelanna, þrátt fyrir að hafa verið þróuð með minni fjárhagsáætlunum og minna þróuðum örgjörvum. Kallað DeepSeek, þessi labbaði kynnti frítt og opið stórt tungumálamódel í lok desember, og fullyrti að það væri skapað á aðeins tveimur mánuðum að kostnaði undir 6 milljónir dollara, og notaði leiðandi en minna öfluga H800 örgjörva frá Nvidia. Þessar nýju framfarir hafa aukið áhyggjur um að Bandaríkin séu að missa forskot sitt í gervigreind og hafa vakið efasemdir um verulegar fjárfestingar stóru tæknifyrirtækjanna í AI líkönum og gagnaverum. Í ýmsum þriðju aðila prófunum hefur módel DeepSeek farið fram úr þekktum keppinautum, þar á meðal Llama 3. 1 frá Meta, GPT-4o frá OpenAI og Claude Sonnet 3. 5 frá Anthropic, sem sýnir yfirburði í nákvæmni í þeim sviðum sem fela í sér flókin vandamál, stærðfræði og forritun. Á mánudaginn kynnti DeepSeek r1, rökfræðimódel sem einnig fór fram úr síðasta o1 líkani OpenAI í fjölmörgum þriðju aðila matmælingum. Á umræðu á Alþjóða efnahagsráðinu í Davos, Sviss, sagði forstjóri Microsoft, Satya Nadella: „Nýja DeepSeek módelið er ótrúlega áhrifaríkt þar sem það tekur því að þróa opið módel sem skarar fram úr í útreikningi á inntökutíma og er gríðarlega orkuskynsamt. Við verðum að taka framfarir frá Kína mjög alvarlega. “ DeepSeek hefur verið fær um að komast around þær ströngu takmarkanir sem bandaríska ríkisstjórnin hefur sett á örgjörva, sem takmarka aðgengi að þróuðum örgjörvum eins og H100s frá Nvidia. Nýlegar framfarir gefa til kynna að DeepSeek annað hvort hafi fundið leiðir til að komast framhjá þessum reglum eða að útflutningshæfri takmarkanir hafi ekki verið eins hindrandi og búist var við. „Þeir geta nýtt sér sterkt, stórt módel í gegnum tækni sem kallast eimun, " útskýrði Chetan Puttagunta, aðalfélagi í Benchmark. „Í rauninni hjálpar mjög stórt módel minna módel við að fínpússa getu sína í tilteknum sviðum.

Þessi nálgun er í raun mjög hagkvæm. “ Upplýsingar um DeepSeek og stofnanda þess, Liang WenFeng, eru ennþá takmarkaðar. Labbit er kominn frá kínversku hedgefundi að nafni High-Flyer Quant, sem sagður hefur í för með sér um 8 milljarða dollara í eignum. DeepSeek er ekki ein um kínversku AI landslagið. Frægur AI rannsakandi, Kai-Fu Lee, hefur bent á að nýsköpun hans, 01. ai, var þróuð með aðeins 3 milljónum dollara fjárfestingu. Að auki tilkynnti ByteDance, móðurfyrirtæki TikTok, um uppfærslu á líkani sínu á miðvikudag, og fullyrti að það fari fram úr o1 líkani OpenAI í mikilvægum prófunum. „Þörfin er móðirin að uppfinningunni, “ sagði Aravind Srinivas, forstjóri Perplexity. „Þegar þeir stóðu frammi fyrir áskorunum sköpuðu þeir eitthvað mun hagkvæmtara. “