Þann 20. janúar, birti DeepSeek, minna þekkt AI rannsóknarstofnun frá Kína, opna fyrirmynd sem fljótt vakti athygli í Silicon Valley. Í skjali fyrirtækisins er sagt að DeepSeek-R1 fari fram úr leiðandi fyrirmyndum eins og OpenAI í ýmsum stærðfræði- og rökfræðimarkmiðum, sem sýnir mikilvæg hæfni við lægri kostnað og með áherslu á gagnsæi. Árangur DeepSeek sýnir nýja leið fyrir kínversk tæknifyrirtæki í miðju tækniköldu stríði; með því að standa frammi fyrir útflutningshindrunum frá Bandaríkjunum, hafa mörg þetta snúið sér frá yfirborðsbyggingu fyrirmynda yfir í niðurstreymisforrit. Hins vegar hefur DeepSeek einbeitt sér að því að hámarka AI fyrirmyndaskipanir og nýta auðlindir á áhrifaríkan hátt. DeepSeek var stofnað af Liang Wenfeng, útskrifaður í tölvunarfræði, og kom fram úr High-Flyer, fræga kvantífaðar eins og sjóður sem upphaflega lagði áherslu á rannsóknir í djúpum námskeiðum. Sá sjóður safnaði auðlindum fyrir AI þróun, sem leiddi til stofnunar DeepSeek, sem endurspeglar breytingu í átt að langtíma tæknilega markmiðum fremur en strax gróða.

Liang sagði að vísindaleg forvitni drífi þetta verkefni, og tók fram mikilvægi þess að vinna að grundvallarrannsóknum í AI frekar en viðskiptahagnadi forritum. Teamið hjá DeepSeek samanstendur aðallega af nýútskrifðum PhD-gráðum frá helstu kínversku háskólum, sem stuðlar að samstarfshugmyndum sem leggja áherslu á byltingarkenndar rannsóknir. Þessi aðferð er ólík hefðbundnum venjum í rótgrónum kínverskum tæknifyrirtækjum, þar sem samkeppni um auðlindir hindrar oft nýsköpun. Liang bendir á að ungir rannsakendur séu betur hæfir fyrir háa fjárfestinga verkefni vegna skuldbindingar þeirra og skorts á hagnýtum hagsmunum. Fyrirtækið stendur frammi fyrir áskorunum vegna útflutningsstjórna bandaríska ríkisins, sem takmarka aðgang að háþróuðum AI örgjörvum. Fyrir var fyrirtækið með birgðir af 10. 000 Nvidia H100 örgjörvum, en möguleikar DeepSeek á að keppa gerðu kröfu um áhrifaríkari aðferðir við þjálfun fyrirmynda. Teamið innleiddi verkfræðistratégíur og nýsköpunaraðferðir eins og Multi-head Latent Attention (MLA) og Mixture-of-Experts, sem dró verulega úr tölvuafli sem þörf var á til að þjálfa nýjustu fyrirmyndina þeirra miðað við Llama 3. 1 Meta. Opna aðferð DeepSeek hefur hlotið góðvild í alþjóðlegu AI rannsóknarsamfélagi, sem gerir fyrirtækinu kleift að laða að framlögum og notendum sem nauðsynlegir eru til að bæta fyrirmyndir þeirra. Þessi breyting á fyrirliggjandi AI landslagi gæti ógnað virkni núverandi bandarískra útflutningsstjórnunar með því að sýna fram á að skörp fyrirmyndir geti verið þróaðar með optimal notkun á auðlindum, sem leiðir að mögulegum breytingum á viðhorfum um kínverska AI hæfni.