2023. gada 20. janvārī Ķīnas mazāk zināmais mākslīgā intelekta pētniecības centrs DeepSeek izlaiž open-source modeli, kas ātri piesaistīja uzmanību Silikona ielejā. Uzņēmuma publikācija apgalvo, ka DeepSeek-R1 pārspēj vadošos modeļus, piemēram, OpenAI modeļus, dažādos matemātikas un loģiskās domāšanas testos, demonstrējot ievērojamas spējas, samazinot izmaksas un uzsverot atklātību. DeepSeek panākumi ilustrē jaunu ceļu Ķīnas tehnoloģiju uzņēmumiem tehnoloģiju aukstā kara apstākļos; saskaroties ar ASV eksporta ierobežojumiem, daudzi ir pārgājuši no augšupējo modeļu veidošanas uz lejupējo pielietojumu attīstību. Tomēr DeepSeek ir koncentrējies uz mākslīgā intelekta modeļu struktūru optimizēšanu un resursu efektīvu izmantošanu. DeepSeek dibināja Liang Wenfeng, datorsistēmu maģistra grādu ieguvējs, un uzņēmums izveidojās no High-Flyer, pazīstama kvantitatīvā hedžfondā, kas sākotnēji koncentrējās uz dziļā mācīšanās pētījumiem. Hedžfonda uzkrātie resursi mākslīgā intelekta attīstībai noveda pie DeepSeek izveides, kas atspoguļo pāreju uz ilgtermiņa tehnoloģiskajiem mērķiem, nevis tūlītējām peļņas iespējām.

Liang apgalvoja, ka zinātniskā ziņkārība bija iemesls šim uzņēmumam, akcentējot uzmanību uz pamata mākslīgā intelekta pētījumu attīstīšanu, nevis komercializētām lietojumprogrammām. DeepSeek komanda galvenokārt sastāv no nesenajiem doktora grādu ieguvējiem no vadošām Ķīnas universitātēm, veicinot sadarbības vidi, kas koncentrējas uz revolucionāriem pētījumiem. Šī pieeja atšķiras no tradicionālajām praksēm izveidotajos Ķīnas tehnoloģiju uzņēmumos, kur sacensība par resursiem bieži kavē inovācijas. Liang norāda, ka jauni pētnieki ir labāk piemēroti augstas investīciju projektu īstenošanai, pateicoties viņu iesaistei un utilitāro apsvērumu trūkumam. Uzņēmums saskaras ar ASV valdības eksporta kontroles radītajiem izaicinājumiem, kas ierobežo piekļuvi moderniem mākslīgā intelekta mikroshēmām. Sākotnēji, turot 10 000 Nvidia H100 mikroshēmu krājumus, DeepSeek spēja konkurēt, kas prasīja efektīvākas modeļu apmācības metodes. Komanda īstenoja inženierijas stratēģijas un inovatīvus dizainus, piemēram, Multi-head Latent Attention (MLA) un Mixture-of-Experts, būtiski samazinot apstrādes jaudu, kas nepieciešama, lai apmācītu savu jaunāko modeli, salīdzinot ar Meta's Llama 3. 1. DeepSeek open-source pieeja ir ieguvusi labvēlību globālajā mākslīgā intelekta pētniecības kopienā, ļaujot piesaistīt līdzstrādniekus un lietotājus, kas nepieciešami modeļu uzlabošanai. Šī pāreja esošajā mākslīgā intelekta ainavā var apstrīdēt pašreizējo ASV eksporta kontroles efektivitāti, demostrējot, ka modernus modeļus var izstrādāt, optimizējot resursu izmantošanu, kas var novest pie potenciālām izmaiņām uzskatā par Ķīnas mākslīgā intelekta spējām.