Kina & DeepSeek | Kunstig intelligens: Hvordan en ny arkitektur ryster chipmarkedet
Xpert-forhåndsudgivelse
Valg af sprog 📢
Udgivet den: 11. januar 2026 / Opdateret den: 11. januar 2026 – Forfatter: Konrad Wolfenstein
Kina & DeepSeek | Kunstig intelligens: Milliarder i investeringer nytteløse? Hvordan en ny arkitektur ryster chipmarkedet – Billede: Xpert.Digital
Boomerangeffekten: Hvordan amerikanske sanktioner muliggjorde Kinas gennembrud inden for kunstig intelligens
294.000 dollars i stedet for 100 millioner dollars: Sandheden om DeepSeeks priskrig
Den seneste udgivelse fra det kinesiske AI-firma DeepSeek rejser fundamentale spørgsmål om fremtiden for kunstig intelligens. I slutningen af december 2025 præsenterede virksomheden en ny træningsmetode (kaldet Manifold-Constrained Hyper-Connections), der har potentiale til at omforme hele branchen. Mens vestlige tech-giganter investerer hundredvis af milliarder af dollars i massive datacentre og specialiserede chips, demonstrerer DeepSeek en alternativ vej baseret på arkitektonisk sofistikering snarere end ren kapitalinvestering. Denne udvikling kan ryste AI-industriens økonomiske fundament og indlede en transformation, hvor succes eller fiasko ikke afgøres af blot tilgængeligheden af ressourcer, men af ingeniørekspertise.
Den kinesiske tilgang opstod ikke af et valg, men af nødvendighed. Eksportrestriktioner pålagt af USA forhindrede kinesiske virksomheder i at få adgang til Nvidias mest kraftfulde AI-chips. Det, der oprindeligt lignede en strategisk ulempe, blev en accelerator for alternative udviklingsveje. DeepSeek var nødt til at opnå maksimal ydeevne med begrænset hardware og skabte metoder, der nu udfordrer hele branchens omkostningsstruktur. Udgivelsen af R1-modellen i januar 2025, der kunne konkurrere med amerikanske topmodeller, men blev udviklet til en brøkdel af prisen, sendte chokbølger gennem aktiemarkederne og tvang analytikere verden over til at gentænke deres værdiansættelsesmodeller.
Relateret til dette:
Fra hyperforbindelser til matematisk stabilitet
Det tekniske grundlag for den nye DeepSeek-metode ligger i den videre udvikling af netværk inden for AI. Traditionelle neurale netværk bruger såkaldte residualforbindelser – en slags "genvej", hvorigennem information sendes mellem netværkets lag. Disse broer gør det muligt at træne dybere netværk ved at forhindre læringssignaler i at falme undervejs. DeepSeeks "hyperforbindelser" udvider dette koncept ved at udvide informationsstrømmen mellem lag og muliggøre mere fleksible mønstre. Dette fører til forbedringer af ydeevnen, men har en afgørende ulempe: den ekstra kompleksitet kompromitterer stabiliteten, da information ikke længere sendes lige så pålideligt som med klassiske forbindelser.
Med traditionelle genveje forbliver information stort set uændret, når den bevæger sig gennem netværket, hvilket resulterer i stabil træning. De nye hyperforbindelser ofrer denne egenskab til fordel for større læringskapacitet, men dette fører til betydelige udsving ved træning af store modeller. DeepSeek observerede i eksperimenter, at fejlraterne uventet steg efter cirka 12.000 træningstrin - et klart tegn på ustabilitet. Kontrolsignalerne for læringsprocessen opførte sig kaotisk, hvilket gjorde opskalering til mere kraftfulde modeller praktisk talt umulig. Samtidig øgede de bredere forbindelser datatrafikken, da mere information skulle flyttes mellem hukommelse og processor.
DeepSeeks løsning projicerer disse komplekse forbindelser ind i et kontrolleret matematisk rum (en "mangfoldighed") med faste regler. Dette matematiske trick genskaber stabiliteten, samtidig med at fordelene ved en rigere informationsudveksling bevares. Dette rum er defineret af særlige matricer, hvor værdierne balancerer for at opretholde den samlede stabilitet. Selvom denne begrænsning kan lyde teknisk, har den vidtrækkende praktiske konsekvenser: den garanterer, at signaler hverken går tabt eller vokser ukontrolleret, når de strømmer gennem netværket.
Praktiske forsøg med en model på 27 milliarder parametre bekræftede dens effektivitet. Både standard- og stabiliserede hyperforbindelser overgik basismodellen, men den stabiliserede version opnåede konsekvent de bedste resultater. Træningsstabiliteten forbedredes dramatisk. Mens standardmodellen udviste betydelige frafald efter 12.000 trin, forløb træningen med den nye metode problemfrit og fulgte nøje den stabile basismodels opførsel. Læringssignalerne forblev inden for det normale område gennem hele processen, hvilket indikerer en fundamental løsning på stabilitetsproblemet.
Ydelsesforbedringer kommer ikke uden pris, men omkostningerne er overraskende moderate. Metoden øger beregningsindsatsen med omkring 6,7 procent sammenlignet med standarden. Denne beskedne ekstra indsats er ubetydelig sammenlignet med de massive ydeevneforbedringer, hvilket gør metoden til en af de mest effektive strategier i den nuværende forskning. DeepSeek implementerede også strenge infrastrukturoptimeringer for at reducere belastningen på dataoverførselsstier. Disse optimeringer er afgørende, fordi flaskehalsen med store modeller ofte ikke er selve computerkraften, men snarere hastigheden af dataoverførslen mellem hukommelse og processor.
Relateret til dette:
Den økonomiske virkelighed bag overskrifterne
Den offentlige diskussion omkring DeepSeeks omkostninger var fra starten præget af misforståelser. Da virksomheden afslørede sin R1-model i januar 2025, antydede tal, at træningsomkostningerne for V3-basismodellen var under seks millioner dollars. Dette blev ofte sammenlignet med de anslåede hundrede millioner dollars for OpenAIs GPT-4, hvilket skabte det indtryk, at DeepSeek havde opnået en 25-dobbelt omkostningsfordel. I september 2025 offentliggjorde DeepSeek en artikel i tidsskriftet Nature, der anførte, at træningsomkostningerne for R1 kun var 294.000 dollars. Dette tal dominerede endnu engang mediedækningen og forstærkede opfattelsen af en fundamental omkostningsfordel.
En nærmere analyse afslører imidlertid et mere komplekst billede. De 294.000 dollars refererer udelukkende til den såkaldte eftertræningsfase, hvor en allerede intelligent model forfines gennem øvelse og feedback. De faktiske samlede omkostninger overstiger 5,87 millioner dollars alene for beregningstid, foruden hardwareinvesteringer på cirka 51 millioner dollars. Disse tal inkluderer stadig ikke omkostningerne til forskning, dataforberedelse, personale og mislykkede eksperimenter. Når disse faktorer tages i betragtning, ligger de faktiske udviklingsomkostninger i et interval, der, selvom det er lavere end sammenlignelige tal i Vesten, ikke når den dramatiske størrelsesorden af de ofte citerede tal.
Omkostningsstrukturen for AI-udvikling er i sagens natur vanskelig at forstå. OpenAI har aldrig offentliggjort præcise tal for GPT-4. Det ofte citerede estimat på 100 millioner dollars kommer fra Sam Altman, der i 2023 talte om omkostninger til grundlæggende modeltræning, der var betydeligt højere. Analoge estimater for nyere modeller som GPT-4o tyder på, at omkostningerne er faldet betydeligt på grund af moderne teknikker såsom specialiserede ekspertnetværk, mere effektive metoder og optimeret infrastruktur. Nogle analyser anslår træningsomkostningerne for GPT-4o til mellem 5 og 16 millioner dollars, hvilket ville betyde, at omkostningsforskellen til DeepSeek er betydeligt mindre end offentligt opfattet.
Ikke desto mindre er DeepSeeks præstation fortsat bemærkelsesværdig. Virksomheden trænede sin V3-model med næsten 2,8 millioner GPU-timer på 2.048 H800-chips over en periode på to måneder. H800 er en reduceret version af Nvidias H100 til det kinesiske marked, hvor dataoverførselshastigheden er drastisk reduceret for at overholde amerikanske eksportregler. Disse chips er betydeligt mindre kraftfulde end de originaler, der bruges i vestlige datacentre, eller de endnu nyere Blackwell-processorer. Det faktum, at DeepSeek var i stand til at udvikle konkurrencedygtige modeller med denne begrænsede hardware, er det virkelige gennembrud.
"Blandingen af eksperter"-arkitekturen spiller en central rolle. DeepSeek V3 har i alt 671 milliarder parametre, men aktiverer kun 37 milliarder beregninger pr. ord. Det betyder, at kun en brøkdel af modellen rent faktisk arbejder på hver forespørgsel. Modellen består af mange specialiserede "eksperter" og en fælles videnspulje, hvor kun få specialister er udvalgt til hvert trin. Dette design gør det muligt at øge modellens viden massivt uden proportionalt at øge beregningsomkostningerne. Hver ekspert kan specialisere sig i specifikke emner, hvilket resulterer i bedre ydeevne og større effektivitet.
Udfordringen med denne eksperttilgang ligger i load balancing. Hvis nogle eksperter konstant er efterspurgte, mens andre forbliver inaktive, opstår der effektivitetsproblemer. Traditionelle tilgange bruger såkaldte "straffunktioner", der tvinger modellen til at udnytte alle eksperter ligeligt. Denne metode fører dog ofte til dårligere svar, da den bedste ekspert ikke altid vælges. DeepSeek implementerede en smart load balancing-strategi uden sådanne kunstige straffe, hvilket sikrede en afbalanceret ekspertudnyttelse uden at gå på kompromis med kvaliteten. Denne innovation var afgørende for den vellykkede skalering af modellen.
Kinas strategiske imperativ for innovation
Udviklingen af DeepSeek kan ikke forstås isoleret fra den geopolitiske kontekst. I oktober 2022 strammede USA dramatisk sin eksportkontrol af AI-chips og produktionsudstyr til Kina. Disse foranstaltninger havde til formål at begrænse Kinas evne til at udvikle avancerede AI-systemer og deres militære anvendelser. Nvidia blev tvunget til at udvikle chips specifikt modificeret til det kinesiske marked. A800 og H800 fremkom som nedskalerede versioner af topmodellerne med reducerede hastigheder lige nok til at overholde de amerikanske eksportrestriktioner.
I 2023 strammede USA kontrollen igen og blokerede selv disse midlertidige løsninger. Samtidig blev der indført eksportrestriktioner på højtydende hukommelse, en kritisk komponent i moderne AI-chips. Disse foranstaltninger tvang kinesiske virksomheder til at udvikle alternativer eller ty til ældre, mindre effektiv hardware. Huawei, engang et globalt kraftcenter inden for telekommunikation, blev effektivt afskåret fra adgang til vestlig chipteknologi og tvunget til at udvikle sine egne løsninger. Mens Huaweis Ascend-processorer kun opnår en brøkdel af ydeevnen pr. chip sammenlignet med Nvidia, kan de delvist kompensere for dette gennem ren volumen.
Produktionstallene illustrerer udfordringen. Huawei forventes at producere omkring 200.000 AI-chips i 2025, mens Kina har været i stand til lovligt at importere omkring en million modificerede Nvidia-chips i samme periode. Desuden vokser forskellen i ydeevne. Analyser viser, at de bedste amerikanske chips i øjeblikket er omkring fem gange kraftigere end Huaweis bedste tilbud, og denne forskel forventes at stige dramatisk inden 2027. Selv hvis Huawei skulle øge sin produktion massivt, ville virksomheden stadig ikke komme i nærheden af at matche den computerkraft, som Nvidia leverer på verdensplan inden 2027.
Disse restriktioner tvang kinesiske udviklere til at blive radikalt effektive. DeepSeek-grundlægger Liang Wenfeng erkendte dette behov tidligt og købte allerede i 2021, før stramningen af kontrollen, ti tusinde Nvidia A100 GPU'er. Denne fremsynede investering gav DeepSeek en afgørende fordel i forhold til konkurrenter, der senere kun havde adgang til ringere hardware. Den tidligere hedgefondsforvalter anvendte den samme strategiske fremsynethed, der havde gjort ham succesfuld i den finansielle sektor. Hans fond, High-Flyer, forvaltede milliarder og var blandt de mest teknologisk avancerede finansielle virksomheder i Kina.
Grundlæggelsen af DeepSeek i juli 2023 var mere end blot et eksperiment. Liang så udviklingen af kunstig generel intelligens som århundredets centrale teknologiprojekt og ønskede at placere Kina i spidsen for det. I et interview forklarede han, at unge AI-startups var godt positioneret til at konkurrere med etablerede virksomheder, fordi markedet var under en fundamental forandring. Den afgørende faktor, argumenterede han, var ikke at følge gamle regler, men snarere evnen til at tilpasse sig fleksibelt og reagere på forandringer.
Denne filosofi afspejledes i DeepSeeks udviklingstilgang. Fra starten fokuserede virksomheden på at opnå maksimale resultater med begrænsede ressourcer. Mens vestlige virksomheder som OpenAI og Anthropic investerede milliarder i stadigt større modeller og massive datacentre, optimerede DeepSeek arkitektur, træning og applikationer for at opnå effektivitet. R1-modellen demonstrerede imponerende denne strategi. Den opnåede resultater på matematiske opgaver, der var sammenlignelige med de bedste amerikanske modeller, men krævede en arkitektur, der forbrugte betydeligt mindre computerkraft pr. svar.
En ny dimension af digital transformation med 'Managed AI' (kunstig intelligens) - Platform & B2B-løsning | Xpert Consulting
En ny dimension af digital transformation med 'Managed AI' (kunstig intelligens) – Platform & B2B-løsning | Xpert Consulting - Billede: Xpert.Digital
Her lærer du, hvordan din virksomhed kan implementere skræddersyede AI-løsninger hurtigt, sikkert og uden høje adgangsbarrierer.
En administreret AI-platform er din altomfattende og bekymringsfri løsning til kunstig intelligens. I stedet for at skulle håndtere kompleks teknologi, dyr infrastruktur og langvarige udviklingsprocesser, får du en færdiglavet løsning skræddersyet til dine behov fra en specialiseret partner – ofte inden for få dage.
De vigtigste fordele på et overblik:
⚡ Hurtig implementering: Fra idé til brugsklar applikation på dage, ikke måneder. Vi leverer praktiske løsninger, der skaber øjeblikkelig merværdi.
🔒 Maksimal datasikkerhed: Dine følsomme data forbliver hos dig. Vi garanterer sikker og kompatibel behandling uden at dele data med tredjeparter.
💸 Ingen økonomisk risiko: Du betaler kun for resultater. Store forudgående investeringer i hardware, software eller personale elimineres fuldstændigt.
🎯 Fokuser på din kerneforretning: Koncentrer dig om det, du er bedst til. Vi tager os af hele den tekniske implementering, drift og vedligeholdelse af din AI-løsning.
📈 Fremtidssikret og skalerbar: Din AI vokser med dig. Vi sikrer løbende optimering og skalerbarhed og tilpasser modellerne fleksibelt til nye krav.
Mere information her:
Slutningen på AI-dominans: Hvordan en startup modarbejder Nvidias og OpenAIs planer
Systemiske forstyrrelser og markedsreaktioner
Udgivelsen af DeepSeek R1 i januar 2025 sendte chokbølger langt ud over tekniske kredse. Aktiemarkedet reagerede med tab for virksomheder, der havde investeret kraftigt i AI-infrastruktur. Nvidia, hvis værdi i høj grad var baseret på antagelsen om, at efterspørgslen efter deres dyre chips ville fortsætte med at eksplodere, mistede værdi inden for få dage. Investorer satte spørgsmålstegn ved, om de annoncerede udgifter på hundredvis af milliarder dollars overhovedet var nødvendige, hvis en kinesisk startup kunne opnå sammenlignelige resultater med en brøkdel af dette beløb.
Reaktionen fra de kinesiske tech-giganter var øjeblikkelig og afgørende. ByteDance, Tencent, Baidu og Alibaba reducerede drastisk priserne på deres AI-tjenester. ByteDances Doubao-model blev næsten 99 procent billigere år over år. Disse prisnedsættelser førte til en massiv stigning i brugen. Daglige forespørgsler steg fra 120 milliarder til over 500 milliarder inden for få måneder. Det samlede marked for AI-tjenester i Kina blev vurderet til relativt små beløb, hvilket tyder på ekstremt lave marginer i betragtning af den enorme brugsvolumen.
Disse tal illustrerer et problem: Konkurrencen skifter fra kvaliteten af AI til infrastrukturens effektivitet og pris. Alibaba Cloud, markedslederen i Kina, annoncerede ikke desto mindre milliardinvesteringer i AI-infrastruktur. ByteDance planlægger også massive chipindkøb. Tencent, der haltede noget bagud i chipindkøb, kompenserer for dette gennem leaset computerkapacitet og brugen af DeepSeeks effektive teknologi.
Markedskonsolideringen accelererer. Eksperter forudsiger, at feltet af kinesiske AI-udbydere vil indsnævres til et par store aktører. Vinderne vil være dem, der gør deres teknologi til standarden ved at kombinere ydeevne med praktiske anvendelser. Denne proces afspejler udviklingen i andre teknologisektorer, hvor en periode med hurtig innovation efterfølges af konsolidering, hvor kun virksomheder med den bedste kombination af teknologi, skala og markedsstyrke overlever.
En lignende tendens udfolder sig i Vesten. OpenAI's dominans er målbart aftagende. ChatGPT's markedsandel er faldet betydeligt, mens Google Gemini har vundet terræn. Dette skift er mere end blot en statistisk udsving. Det signalerer, at fordelen ved at være "først på markedet" aftager, mens konkurrenter med etablerede platforme indhenter. Google kan integrere sin AI direkte i Søgning og Android, hvilket repræsenterer en strukturel fordel i forhold til en ren AI-udbyder.
Prissætningen afspejler denne dynamik. Vestlige udbydere som Anthropic og OpenAI har også sænket deres priser og introduceret mere effektive modelvarianter. Prisen pr. million behandlede ord er faldet dramatisk i de sidste to år. Denne udvikling tyder på, at AI er ved at blive en massemarkedsvare. Når flere udbydere tilbyder lignende kvalitet, vil prisen blive den afgørende faktor, hvilket reducerer profitten og gør skala endnu vigtigere.
Relateret til dette:
Grænser for ræsonnementsrevolutionen
Parallelt med den øgede effektivitet fandt der en udvikling sted, der i starten lignede det næste store gennembrud. Såkaldte "ræsonnementsmodeller", som tager mere tid at tænke over problemer og eksplicit gennemgå deres trin, opnåede spektakulære resultater. OpenAI's o1, DeepSeeks R1 og lignende modeller demonstrerede imponerende evner inden for matematik og programmering. Ideen er enkel: Hvis man giver modellen mere tid til at "tænke" og lader den formulere løsningsstien, burde svarene blive bedre.
I juni 2025 offentliggjorde Apple imidlertid en undersøgelse, der afslørede begrænsninger. Forskere testede avancerede modeller med logiske gåder, hvis sværhedsgrad kunne kontrolleres præcist. Resultaterne var tankevækkende: Modellerne udviste modstridende adfærd. Deres bearbejdningsindsats steg i starten med kompleksiteten, men faldt derefter igen på et vist tidspunkt, selvom de havde tid nok – og løsningerne blev forkerte.
Undersøgelsen identificerede tre faser. For simple problemer var normale sprogmodeller ofte bedre og mere økonomiske end "tænke"-modellerne. For moderat vanskelige problemer tilbød tankeprocesserne klare fordele. For meget komplekse problemer brød begge typer modeller fuldstændigt sammen. De fejlede ikke kun med en snæver margin, men var ude af stand til at finde selv bare tilnærmelsesvis korrekte løsninger.
Det var særligt bekymrende, at selv at angive den korrekte løsningsformel næppe hjalp. Modellerne fejlede stadig på lignende sværhedsgrader. Dette tyder på, at problemerne stikker dybere: Modellerne kæmper med strengt at udføre logiske trin og med at kontrollere deres egen ræsonnement.
Analysen af "tankeprotokollerne" afslørede mønstre. For simple problemer fandt modellerne løsningen tidligt, men fortsatte derefter med at dykke ned i unødvendige detaljer. Med høj kompleksitet farede de ofte vild på den forkerte vej. Ud over et vist sværhedsgrad var de slet ikke længere i stand til at generere korrekte tilgange. De fikserede ofte på tidlige, forkerte ideer og spildte deres beregningstid på at retfærdiggøre dem i stedet for at rette fejlen.
En anden undersøgelse advarede om, at forbedringen af disse modeller snart kunne stagnere. Selvom de opnår bedre scorer i test på grund af massiv beregningsindsats, gør dette dem langsomme og dyre. De økonomiske konsekvenser er betydelige: "Tænkende" modeller koster mange gange mere at drive end standardversioner. Hvis disse modeller ikke leverer de forventede gennembrud og når deres grænser, opstår spørgsmålet, om de høje investeringer er berettigede. Konklusionen af, at enklere modeller ofte er mere effektive, antyder, at det i fremtiden vil være nødvendigt at vælge mere præcist, hvilket værktøj der er bedst egnet til hvilken opgave.
Relateret til dette:
Infrastrukturkapløb og energisult
Trods mere effektiv software stiger industriens ressourceforbrug. Prognoser tyder på, at datacentres elforbrug vil stige dramatisk inden udgangen af årtiet. Andelen af AI-applikationer i det globale elforbrug i datacentre kan blive fordoblet. Gigantiske summer investeres for at imødekomme denne efterspørgsel - billioner af dollars på verdensplan. Initiativer som OpenAI's "Stargate" og dets partnere, eller europæiske investeringsprogrammer, afspejler udfordringens enorme omfang.
Den regionale fordeling er under forandring. Mens Asien og Nordamerika i øjeblikket fører an, vil størstedelen af den nye kapacitet blive bygget i USA. Europa planlægger også massive udvidelser, hvilket kan øge kontinentets elforbrug betydeligt.
Samtidig stiger effekttætheden i datacentre. Da AI-chips genererer en enorm mængde varme på et lille rum, bliver køling en stadig større udfordring. Konventionelle klimaanlæg er ofte ikke længere tilstrækkelige, hvilket er grunden til, at der er behov for sofistikerede væskekølesystemer, som igen er dyre og komplekse.
Markedet viser tegn på overophedning. Datacentrenes udnyttelsesgrad stiger, hvilket driver priserne op. Dette forventes ikke at aftage, før flere byggeprojekter er afsluttet, eller væksten i efterspørgslen efter AI aftager. Men hvis effektive metoder som DeepSeeks bliver udbredt, kan behovet for nye datacentre blive lavere end forventet. Dette ville sætte spørgsmålstegn ved de planlagte massive investeringer og føre til overkapacitet – en risiko for alle, der har satset på en støt stigende efterspørgsel efter hardware.
Nationale strategier og teknologisk suverænitet
DeepSeeks udvikling er tæt forbundet med Kinas stræben efter uafhængighed. Femårsplaner har prioriteret halvledere, og målet om selvforsyning forfølges med en enorm indsats. Nye regler tvinger kinesiske chipproducenter til at bruge mere indenlandsk produceret maskineri. En statsejet fond investerer, hvad der svarer til næsten 50 milliarder dollars i den lokale chipindustri for at mindske afhængigheden af Vesten.
Denne politik har en effekt, i nogle tilfælde ikke som tilsigtet. Tidligere foretrak kinesiske fabrikker amerikansk udstyr. På grund af amerikanske sanktioner havde de dog ikke længere et valg og måtte samarbejde med indenlandske leverandører, hvilket fremskyndede deres udvikling. Kina kunne snart kontrollere en stor andel af den globale produktion af enklere chips, der anvendes i biler og husholdningsapparater.
Kløften er dog fortsat betydelig, når det kommer til topklasse AI. Huaweis chips kan ikke konkurrere med Nvidias, hvad angår ydeevne, og produktionsmængderne er alt for lave. Selv massive produktionsstigninger ville ikke lukke kløften i årevis. Da efterspørgslen efter computerkraft vokser hurtigere end den kinesiske produktion, vil manglen sandsynligvis kun forværres.
Dette nødvendiggør kreative løsninger. DeepSeeks succes er også baseret på deres rettidige erhvervelse af Nvidia-chips. Andre tyr til smuglerruter eller indirekte metoder. Regeringen reagerer med modforanstaltninger, såsom eksportrestriktioner på sjældne jordarter og undersøgelser af vestlige tech-virksomheder. Presset på kinesiske virksomheder til at købe indenlandsk producerede chips vokser, selvom disse er teknisk set af ringere kvalitet.
Reguleringslandskab og global styring
Mens USA og Kina er involveret i et teknologikapløb, fokuserer EU på regulering. "AI Act" er verdens første omfattende AI-lov. Den forbyder særligt risikable applikationer og fastsætter strenge regler for kraftfulde AI-modeller. Overtrædelser kan medføre store bøder.
Den europæiske tilgang forsøger at fastsætte etiske standarder uden at kvæle innovation. Kritikere frygter ulemper for europæiske virksomheder, mens fortalere ser en langsigtet fordel i form af tillid og sikkerhed. Globalt set er regulering dog fortsat et kludetæppe. USA er afhængig af frivillige forpligtelser, mens Kina prioriterer statskontrol. Denne fragmentering gør det vanskeligt at etablere fælles standarder.
Spørgsmålet om AI-sikkerhed er ved at komme i fokus. Eksperter advarer om de risici, som overmenneskelig intelligens udgør. Tidsfristerne for at opnå en sådan "kunstig generel intelligens" (AGI) er blevet kortere. Ledende udviklere taler ikke længere om årtier, men blot om et par år. Om dette er realistisk eller blot marketinghype, er endnu uvist, men branchen forbereder sig på det.
Fejlslagne modeller og strategisk omlægning
Forsinkelsen af DeepSeeks efterfølgermodel, R2, viser, at succes ikke er garanteret. Den var oprindeligt planlagt til en tidligere udgivelse, men stødte på problemer. Forsøg på at træne modellen på kinesiske Huawei-chips mislykkedes tilsyneladende trods hjælp fra Huaweis ingeniører.
Virksomheden fortsætter derfor med at bruge sit eksisterende Nvidia-lager til træning, men er i stigende grad nødt til at stole på Huawei til anvendelsen af modellerne – et politisk påbudt kompromis. Forsinkelserne fik brugerinteressen til midlertidigt at falde, da konkurrencen ikke lå stille.
Et andet problem er data. At nå det næste niveau kræver flere og bedre træningsdata. I engelsktalende lande er disse let tilgængelige online. I Kina er adgang til data af høj kvalitet vanskeligere, dels på grund af censur og dels fordi meget indhold ikke er offentligt tilgængeligt. Kombineret med ringere hardware forsinker dette udviklingen. Hvis træning tager længere tid og bliver mere udfordrende, mindskes omkostningsfordelen.
Strukturændringer i AI-branchen
Branchen står over for en transformation. Det tidligere motto "mere er bedre" – mere data, flere chips, flere penge – er ved at nå sine grænser eller bliver uoverkommeligt dyrt. DeepSeek har vist, at intelligent arkitektur kan være vigtigere end rå kraft.
Dette har konsekvenser for investorer. De, der har investeret milliarder i hardware, kan få problemer, hvis mere effektiv software reducerer efterspørgslen. Samtidig har nye aktører en chance, fordi man ikke længere nødvendigvis behøver en formue for at deltage.
Efterhånden som AI-ydeevne bliver stadig billigere og mere ensartet, er selve modellen ikke længere den eneste faktor; det, der betyder noget, er, hvor godt den er integreret i produkter. Google og Microsoft har en fordel her, fordi de allerede har brugere. Ren AI-startups står over for større udfordringer. Open source, eller frit tilgængelig software, spiller en stadig vigtigere rolle. Modeller som dem fra DeepSeek eller Meta er tilgængelige for alle, hvilket accelererer innovation.
Samtidig spekulerer investorerne på, hvornår pengene begynder at strømme tilbage. ChatGPT har mange brugere, men koster en formue. Store profitter er stadig langt væk. Nye job til AI-eksperter dukker op på arbejdsmarkedet, mens simple kontoropgaver automatiseres – en samfundsmæssig udfordring, som der stadig ikke findes nemme løsninger på.
Efter AI-hypen: Nu begynder den virkelige kamp om monetisering
DeepSeeks innovationer markerer et vendepunkt. De beviser, at teknologi i verdensklasse kan bygges selv med begrænsede ressourcer. Dette udfordrer antagelsen om, at kun de rigeste amerikanske virksomheder kan vinde. Det flytter konkurrencen fra "Hvem har flest penge?" til "Hvem har de bedste ingeniører?".
Geopolitisk er det tydeligt, at sanktioner kan bremse fremskridt, men de kan også tvinge innovation frem. Kina er under pres ved at opbygge sin egen industri. Økonomisk set er vi kun i begyndelsen. Priserne falder, og modellerne er ved at blive hverdagskost. De, der vil vinde i fremtiden, skal ikke kun bygge god AI, men også være i stand til at tjene penge på den.
Der er stadig tekniske forhindringer. Nuværende metoder er ved at nå deres grænser, og om vi virkelig vil se menneskelignende intelligens lige foreløbig er usikkert. De næste par år vil vise, om branchen overvinder disse forhindringer, eller om hypen forsvinder. Måske er DeepSeeks vigtigste lektie slet ikke teknisk, men strategisk: der er altid en anden vej, hvis du er tvunget til at finde den.
Din globale marketing- og forretningsudviklingspartner
☑️ Vores forretningssprog er engelsk eller tysk
☑️ NYT: Korrespondance på dit modersmål!
Konrad Wolfenstein
Jeg og mit team er glade for at stå til rådighed for dig som din personlige rådgiver.
Du kan kontakte mig ved at udfylde kontaktformularen her eller blot ringe til mig på +49 89 89 674 804 ( München) . Min e-mailadresse er: [email protected]
Jeg glæder mig til vores fælles projekt.
☑️ SMV-support inden for strategi, rådgivning, planlægning og implementering
☑️ Oprettelse eller omlægning af den digitale strategi og digitalisering
☑️ Udvidelse og optimering af internationale salgsprocesser
☑️ Globale og digitale B2B-handelsplatforme
☑️ Pioner inden for forretningsudvikling / marketing / PR / messer
🎯🎯🎯 Drag fordel af Xpert.Digital's omfattende, femdobbelte ekspertise i én omfattende servicepakke | BD, R&D, XR, PR & optimering af digital synlighed
Drag fordel af Xpert.Digital's omfattende, femdobbelte ekspertise i en omfattende servicepakke | R&D, XR, PR & optimering af digital synlighed - Billede: Xpert.Digital
Xpert.Digital besidder dybdegående viden på tværs af forskellige brancher. Dette giver os mulighed for at udvikle skræddersyede strategier, der er præcist afstemt med kravene og udfordringerne i dit specifikke markedssegment. Ved løbende at analysere markedstendenser og overvåge brancheudviklingen kan vi handle proaktivt og tilbyde innovative løsninger. Kombinationen af erfaring og ekspertise skaber merværdi og giver vores kunder en afgørende konkurrencefordel.
Mere information her:
