Morgan Brown van Dropbox heeft een analyse gepresenteerd over de innovaties van DeepSeek op het gebied van kunstmatige intelligentie (AI), die volgens hem de markt enorm zullen verstoren en mogelijk zelfs de $2 biljoen marktkapitalisatie van NVIDIA $NVDA kunnen bedreigen. Hieronder zijn analyse.

Allereerst is het belangrijk te begrijpen dat het trainen van top-AI-modellen momenteel extreem duur is. Grote bedrijven zoals OpenAI en Anthropic besteden meer dan $100 miljoen aan computercapaciteit alleen al, waarbij ze enorme datacenters nodig hebben met duizenden dure GPUs. Dit lijkt wel op het hebben van een heel energiecentrale voor het runnen van een fabriek.

DeepSeek komt echter met een revolutie: ze beweren het voor slechts $5 miljoen te kunnen doen en hebben deze bewering waar gemaakt. Hun modellen presteren net zo goed als of zelfs beter dan GPT-4 en Claude op veel taken, wat de AI-wereld volledig in shock heeft achtergelaten.

Hoe doen ze dit? Ze hebben alles van de grond af opnieuw benaderd. Waar traditionele AI wordt vergeleken met het schrijven van elk getal tot 32 decimalen, heeft DeepSeek simpelweg de precisie naar 8 decimalen teruggebracht. Dit bespaart maar liefst 75% van het benodigde geheugen.

Daarnaast hebben ze een innovatief "multi-token" systeem ontwikkeld. In plaats van AI-modellen die woord voor woord lezen (zoals een kind dat net leert lezen), kan DeepSeek hele zinnen tegelijk verwerken. Dit maakt het model twee keer zo snel en 90% net zo nauwkeurig, wat van cruciaal belang is wanneer miljarden woorden worden verwerkt.

Het meest briljante aspect van hun systeem is echter hun "expert system." In plaats van één groot AI-model dat alles probeert te weten (zoals een persoon die zowel arts, advocaat als ingenieur is), heeft DeepSeek verschillende gespecialiseerde experts die alleen geactiveerd worden wanneer dat nodig is.

Terwijl traditionele modellen 1,8 biljoen parameters continu actief hebben, werkt DeepSeek met slechts 671 miljard parameters, waarvan er maar 37 miljard tegelijkertijd in werking zijn. Het is alsof je een groot team hebt, maar alleen de experts inroept die je daadwerkelijk nodig hebt voor een specifieke taak.

De resultaten zijn verbluffend:

• Opleidingskosten: $100 miljoen → $5 miljoen
• Aantal benodigde GPUs: 100.000 → 2.000
• API-kosten: 95% goedkoper
• Kan draaien op gaming-GPU's in plaats van dure datacenterhardware.

En het beste van alles: het is allemaal open source. Iedereen kan hun werk verifiëren. De code is openbaar en de technische documenten leggen alles uit. Het is geen magie, maar buitengewoon slimme engineering.

Waarom is dit zo belangrijk? Omdat het het model doorbreekt dat alleen de grote technologiebedrijven AI kunnen ontwikkelen. Je hebt geen miljard-dollar datacenter meer nodig. Een paar goede GPUs zouden voldoende kunnen zijn.

Voor NVIDIA is dit behoorlijk angstaanjagend. Hun hele bedrijfsmodel is gebaseerd op het verkopen van extreem dure GPUs met marges van 90%. Als iedereen nu ineens AI kan draaien met gewone gaming-GPU's... dan zie je het probleem.

En het wordt nog interessanter: DeepSeek heeft dit bereikt met een team van minder dan 200 mensen. Ondertussen heeft Meta teams waarvan de beloningen alleen al het trainingsbudget van DeepSeek overstijgen, terwijl hun modellen niet eens zo goed zijn.

Dit is een klassiek voorbeeld van verstoring: gevestigde bedrijven optimaliseren bestaande processen, terwijl verstorers de fundamentele benadering heroverwegen. DeepSeek vroeg zich af: "Wat als we dit gewoon slimmer deden in plaats van meer hardware toe te voegen?"

De implicaties zijn enorm:

• AI-ontwikkeling wordt toegankelijker
• De concurrentie neemt dramatisch toe
• De 'muren' van grote techbedrijven lijken meer op plassen
• De hardwarevereisten (en kosten) zullen drastisch dalen.

Tags:
• deepseek
• feat